ในปัจจุบัน การพัฒนา AI ที่สามารถค้นหาเอกสารภายในองค์กรและตอบคำถามของพนักงานได้ถือเป็นความก้าวหน้าที่สำคัญ อย่างไรก็ตาม เมื่อนำไปใช้งานจริง มักพบปัญหาที่ทำให้ระบบเกิดการ ‘hallucinate’ หรือพลาดข้อกำหนดที่สำคัญ การแก้ไขปัญหาเหล่านี้ไม่ใช่เรื่องง่าย เนื่องจากต้องผ่านกระบวนการทดลองและปรับแต่งหลายๆ อย่างพร้อมกัน เช่น กลยุทธ์การแบ่งข้อมูล วิธีการดึงข้อมูล และการตั้งค่าระบบ ซึ่งการปรับแต่งเหล่านี้มักจะมีความสัมพันธ์กัน ทำให้ยากที่จะระบุว่าการปรับแต่งใดที่เป็นสาเหตุของการแก้ไขปัญหาได้จริง ๆ
เพื่อแก้ไขปัญหานี้ นักวิจัยจากมหาวิทยาลัย Renmin ของจีนและ Microsoft Research ได้พัฒนากรอบการทำงานที่ชื่อว่า Arbor ซึ่งช่วยในการปรับแต่ง AI และการวิจัยโดยเปลี่ยนจากการทดลองแบบสุ่มไปสู่กระบวนการเรียนรู้สะสม Arbor จัดระเบียบสมมติฐาน การทดลอง และข้อมูลเชิงลึกในรูปแบบของต้นไม้ ทำให้ระบบสามารถเรียนรู้จากความล้มเหลวในอดีตและทำการปรับปรุงที่มีการตรวจสอบได้อย่างชาญฉลาดมากขึ้นในระยะยาว
ในการทดสอบจริง Arbor แสดงให้เห็นถึงประสิทธิภาพที่สูงกว่าตัวแทนการเขียนโค้ด AI แบบมาตรฐานถึง 2.5 เท่า โดยใช้ทรัพยากรที่เท่ากัน ซึ่งหมายความว่าการใช้เทคนิคนี้ใน AI สำหรับองค์กรสามารถแปลเป็นการทำให้การปรับปรุงอย่างต่อเนื่องของระบบวิศวกรรมที่ซับซ้อนได้อย่างอัตโนมัติ การปรับปรุงนี้มีความสำคัญอย่างยิ่งเมื่อพิจารณาว่า AI และโมเดลภาษาขนาดใหญ่มีความสามารถมากขึ้น ซึ่งคาดว่าจะสามารถทำงานที่ซับซ้อนมากขึ้น เช่น การปรับแต่งอัตโนมัติของระบบซอฟต์แวร์ เช่น การฝึกอบรมโมเดลหรือการจัดการกับการใช้ตัวแทน
การปรับแต่งอัตโนมัติ (AO) นั้นเป็นกระบวนการที่ AI เริ่มต้นด้วยวัตถุประสงค์ที่ชัดเจนและมีการปรับปรุงอย่างต่อเนื่อง โดยเริ่มจากสิ่งที่สามารถปรับเปลี่ยนได้ เช่น โค้ดฐานการเรียนรู้ของเครื่องหรือข้อมูลที่ใช้ในการประมวลผล เป้าหมายของ AI คือการทำให้การปรับปรุงเป็นไปอย่างมีประสิทธิภาพและสามารถตรวจสอบได้ ซึ่งการใช้ Arbor จะช่วยให้ AI สามารถเรียนรู้จากข้อผิดพลาดและปรับปรุงประสิทธิภาพได้อย่างมีนัยสำคัญ
การพัฒนา Arbor นี้ไม่เพียงแค่ช่วยในการปรับแต่ง AI แต่ยังสามารถนำไปใช้ในการพัฒนาระบบซอฟต์แวร์ที่ซับซ้อนในองค์กรได้อย่างมีประสิทธิภาพมากขึ้น โดยการลดความซับซ้อนในการปรับแต่งและทำให้การปรับปรุงเป็นไปอย่างต่อเนื่องและมีระเบียบมากขึ้น ซึ่งเป็นสิ่งที่สำคัญในยุคที่ AI กำลังมีบทบาทสำคัญในทุกด้านของธุรกิจและการพัฒนาเทคโนโลยี.
แหล่งข้อมูลอ้างอิง
บทความนี้สรุปและเขียนใหม่โดยทีมบรรณาธิการ อ้างอิงจาก bendee983@gmail.com (Ben Dickson) ตามลิงก์ต้นฉบับด้านล่าง
อ่านต้นฉบับ: New AI optimization framework beats Claude Code and Codex by 2.5x on the same compute budget
#AI #Optimization #Machine Learning #Microsoft #Research
