กรอบการปรับแต่ง AI ใหม่เอาชนะ Claude Code และ Codex ได้ถึง 2.5 เท่าในงบประมาณการคอมพิวเตอร์เดียวกัน

ในยุคที่ AI กำลังเข้ามามีบทบาทสำคัญในการพัฒนาระบบซอฟต์แวร์และการจัดการข้อมูล การทำให้ AI ทำงานได้อย่างมีประสิทธิภาพและแม่นยำจึงเป็นสิ่งที่ท้าทาย โดยเฉพาะเมื่อ AI ถูกนำไปใช้ในสภาพแวดล้อมการผลิตที่ต้องการความแม่นยำสูง เช่น การค้นหาข้อมูลภายในเอกสารของบริษัทและตอบคำถามจากพนักงาน แม้ว่าในช่วงการพัฒนาจะทำงานได้ดี แต่ในสภาพแวดล้อมการผลิต AI มักจะเกิดปัญหาการเข้าใจผิดหรือพลาดข้อมูลสำคัญ ซึ่งการแก้ไขปัญหานี้ไม่ใช่เรื่องง่าย ต้องใช้กระบวนการทดลองและความผิดพลาดที่ยุ่งยากในการปรับกลยุทธ์การแบ่งข้อมูล วิธีการดึงข้อมูล และการตั้งค่าระบบพร้อมกัน

เพื่อจัดการกับความท้าทายนี้ นักวิจัยจากมหาวิทยาลัย Renmin ของจีนและ Microsoft Research ได้แนะนำ Arbor ซึ่งเป็นกรอบการทำงานที่ช่วยยกระดับการวิจัยและการปรับแต่ง AI จากการเดาแบบทดลองเป็นกระบวนการเรียนรู้สะสม โดย Arbor จะช่วยจัดระเบียบสมมติฐาน การทดลอง และข้อมูลเชิงลึกเป็นโครงสร้างต้นไม้ ซึ่งช่วยให้ระบบสามารถเรียนรู้จากความล้มเหลวในอดีตและทำการปรับปรุงที่ชาญฉลาดและได้รับการตรวจสอบในระยะยาว

ผลการทดสอบในทางปฏิบัติแสดงให้เห็นว่า Arbor สามารถให้ผลลัพธ์ที่ดีกว่าตัวแทนการเขียนโค้ด AI ทั่วไปถึง 2.5 เท่าในงานวิศวกรรมจริง ขณะเดียวกันก็ใช้ทรัพยากรที่เท่ากัน การพัฒนาเทคนิคนี้มีความหมายอย่างมากสำหรับ AI ในระดับองค์กร เนื่องจากมันสามารถแปลไปสู่การปรับปรุงอย่างต่อเนื่องของระบบวิศวกรรมที่ซับซ้อนได้โดยอัตโนมัติ

การเข้าใจอุปสรรคในการปรับแต่งอัตโนมัติ (Autonomous Optimization – AO) เป็นสิ่งสำคัญ เนื่องจากโมเดลภาษาใหญ่และระบบ AI กำลังมีความสามารถมากขึ้น โดยคาดว่าจะสามารถดำเนินการงานที่ซับซ้อนได้มากขึ้น เช่น การปรับแต่งซอฟต์แวร์อัตโนมัติ โดย AO จะจับวงจรพื้นฐานของการวิจัยอัตโนมัติ โดย AI จะเริ่มต้นด้วยอาร์ติแฟคที่สามารถปรับเปลี่ยนได้ เช่น โค้ดการเรียนรู้ของเครื่องหรือข้อมูลที่ต้องการจัดการ และมีวัตถุประสงค์เฉพาะ

การพัฒนา Arbor ช่วยให้การปรับแต่ง AI เป็นไปได้อย่างมีประสิทธิภาพมากขึ้น โดยลดความยุ่งยากในกระบวนการทดลองและช่วยให้ผู้พัฒนาสามารถมุ่งเน้นไปที่การพัฒนาและปรับปรุง AI ได้อย่างต่อเนื่องในอนาคต ซึ่งจะเป็นประโยชน์อย่างมากต่อการพัฒนาระบบซอฟต์แวร์และการจัดการข้อมูลในองค์กรต่าง ๆ