1 ความรู้ ความเข้าใจในการใช้เทคโนโลยี AI
15 ข้อ
- AI Co-pilot = AI ที่เป็น "ผู้ช่วย" มนุษย์ทำงาน ไม่ใช่ทำแทนทั้งหมด
- Foundation Model = โมเดลขนาดใหญ่ ฝึกด้วยข้อมูลมหาศาล ใช้ได้หลายงาน
- AI เปรียบเหมือน "โครงสร้างพื้นฐานใหม่" (เหมือนไฟฟ้า/อินเทอร์เน็ต) ไม่ใช่กระแสชั่วคราว
- Traditional AI vs Generative AI: Traditional เน้นทำนาย/จำแนก ส่วน Generative เน้นสร้างสรรค์สิ่งใหม่
- AI Agent เด่นกว่า Generative AI ทั่วไปตรงที่ วางแผน ตัดสินใจ และลงมือทำเพื่อบรรลุเป้าหมายได้เอง
- Multimodal AI = เข้าใจ/ประมวลผลข้อมูลหลายรูปแบบพร้อมกัน (ข้อความ ภาพ เสียง เซนเซอร์)
- Deep Learning เหนือกว่า ML ดั้งเดิมเพราะ เรียนรู้และสกัดคุณลักษณะได้เองจากข้อมูลดิบ โครงสร้างเลียนแบบโครงข่ายประสาทเทียม (สมองมนุษย์)
- CNN ใช้กับงาน วิเคราะห์ภาพ/computer vision โดย Pooling ทำหน้าที่ลดขนาดข้อมูลแต่รักษารายละเอียดสำคัญ
- Shared Embedding Space ทำให้ AI เข้าใจความหมายที่เชื่อมโยงข้ามสื่อ (เช่น ภาพแมว = คำว่า Cat)
- Cross-Media Generation = แปลงสื่อประเภทหนึ่งเป็นอีกประเภท (เช่น ข้อความ → วิดีโอ)
- Optimizer (เช่น Adam) ปรับอัตราการเรียนรู้อัตโนมัติให้แม่นยำและเร็วขึ้น
- แนวทางที่ปลอดภัยที่สุด: มนุษย์ต้องตรวจสอบและตัดสินใจขั้นสุดท้ายเสมอ
- วิเคราะห์วิดีโอ ต้องเข้าใจลำดับเหตุการณ์และเหตุผลเชิงเวลา ไม่ใช่แค่ภาพนิ่งทีละเฟรม
2 วิศวกรรมการป้อนคำสั่ง (Prompt Engineering)
15 ข้อ
- คำตอบแรกของ AI = "ร่างเบื้องต้น" ควรปรับปรุง/ตรวจสอบก่อนใช้จริงเสมอ
- Feedback ที่ดี ต้องเจาะจง วัดผลได้ (เช่น "ย่อให้สั้นลง 20% ใช้ภาษาทางการ") ไม่ใช่บอกกว้างๆ
- ขอให้ AI แจ้งเมื่อข้อมูลไม่พอ → ป้องกันการสร้างคำตอบจากการคาดเดา (Hallucination)
- Chain of Thought (CoT) = ให้ AI ให้เหตุผลเป็นลำดับขั้นก่อนสรุปผล
- Role Playing/Prompting = กำหนดบทบาทให้ AI เพื่อให้ได้มุมมองและระดับภาษาที่เหมาะกับงาน
- Hallucination (ข้อมูลหลอน) = AI สร้างข้อมูลที่ดูน่าเชื่อถือแต่ไม่ตรงข้อเท็จจริง
- ก่อนใช้ในเอกสารราชการ ต้องตรวจสอบ ความถูกต้องของข้อเท็จจริง ตัวเลข แหล่งอ้างอิง
- เทคนิคที่ได้ผลลัพธ์แม่นยำ: ระบุบทบาท + งาน + เงื่อนไข + รูปแบบผลลัพธ์ที่ต้องการ
- เปลี่ยนบทบาทระหว่างสนทนา (เช่น เป็น "ผู้บริหาร") → ทำให้คำตอบตรงกับมุมมอง/ความต้องการของผู้ใช้แต่ละกลุ่ม
- ข้อมูลอ่อนไหว (เช่น รายชื่อผู้ป่วย) → ต้องปกปิดข้อมูลระบุตัวตนก่อนส่งให้ AI เสมอ
- แหล่งอ้างอิงที่ตรวจสอบไม่ได้ → ต้องตรวจสอบจากแหล่งข้อมูลทางการก่อนนำไปใช้ ห้ามใช้ทันที
- แนวทางที่ดีที่สุดสำหรับงานสำคัญ: ร่าง → สนทนาต่อเพื่อปรับปรุง → เปลี่ยนบทบาทเป็นผู้ตรวจ → มนุษย์ตรวจสอบก่อนใช้จริง (ทำเป็นขั้นตอน ไม่ใช่ prompt เดียวจบ)
3 การประยุกต์ใช้ AI เพื่อเพิ่มประสิทธิภาพการทำงาน
5 ข้อ
- ประหยัด Token: สั่งให้ตอบเฉพาะเนื้อหาที่เกี่ยวข้อง ไม่มีเกริ่นนำ/ลงท้าย
- Prompt ที่แม่นยำ: ต้องระบุ บทบาท + งาน + เงื่อนไข + รูปแบบผลลัพธ์
- เขียนคู่มือยาว: ห้ามสั่งให้เขียนทั้งเล่มในครั้งเดียว ควรทำทีละหัวข้อ/เป็นขั้นตอน
- Human-in-the-Loop = มนุษย์ตรวจสอบ/แก้ไขเนื้อหาให้ตรงข้อมูลจริง — การแค่ "คัดลอกไปวางใน Word" ไม่นับเป็น Human-in-the-Loop
- สั่งให้ AI สร้างภาพประกอบ: ต้องระบุขั้นตอน + เงื่อนไขการตัดสินใจ + รูปแบบแผนภาพให้ชัดเจน
4 การประยุกต์ใช้ AI เพื่อการสร้างสรรค์และนำเสนอ
5 ข้อ — เน้น NotebookLM / Gemini
- NotebookLM/Gemini Notebook แปลงเนื้อหาเป็นสื่อหลากรูปแบบได้อัตโนมัติ (สไลด์ แผนผังความคิด เสียง/วิดีโอ)
- ประหยัด Token: ใช้ไฟล์ .txt/.md ที่ไม่มีการจัดรูปแบบ ดีกว่าไฟล์ที่มีรูปภาพ/ตาราง/สีสัน
- วิเคราะห์เทียบเกณฑ์ (Rubric): ควรเทียบทีละข้อ ชี้จุดที่ขาด พร้อมเสนอข้อความแก้ไข
- สร้างสไลด์: ควรระบุจำนวนหน้า + หัวข้อสั้นกระชับ + bullet points 3-4 ข้อ ต่อหน้า
- ใช้ Gemini ใน Google Slide: เปิดแถบ Gemini → วางเนื้อหาทีละสไลด์ → สั่งสร้าง → ตรวจสอบ → กด Insert
5 จริยธรรม AI และกฎหมายคุ้มครองข้อมูลส่วนบุคคล ⭐ สำคัญมาก
15 ข้อ
- Data Minimization / De-identification: ลบข้อมูลระบุตัวตน (ชื่อ เบอร์โทร) ก่อนให้ AI สาธารณะประมวลผล
- Hallucination = สร้างข้อความ/ตัวเลข/แหล่งอ้างอิงที่ดูน่าเชื่อถือแต่ไม่จริง
- Human-in-the-loop: มนุษย์ยังต้องกำกับ ตรวจสอบ ตัดสินใจ และรับผิดชอบผลลัพธ์สุดท้าย
- ความรับผิดชอบเมื่อ AI ผิดพลาด → ผู้ใช้/เจ้าหน้าที่ที่นำผลงานไปใช้เป็นผู้รับผิดชอบ (ไม่ใช่ AI หรือบริษัทผู้พัฒนา)
- ข้อมูลอ่อนไหวระดับสูง (Level 4): ประวัติการรักษา ผลตรวจ ข้อมูลสุขภาพจิต — ห้ามนำเข้าสู่ AI สาธารณะเด็ดขาด
- งานด้านสุขภาพ: AI ควรช่วยร่างคำแนะนำทั่วไปเท่านั้น (ไม่ใส่ข้อมูลผู้ป่วยจริง) แล้วให้ผู้เชี่ยวชาญตรวจทาน
- ละเมิดลิขสิทธิ์: การนำผลงานผู้อื่น (ข้อสอบ บทความวิจัย) ป้อนเข้า AI สาธารณะโดยไม่ได้รับอนุญาต
- Bias/Human Autonomy: อันตรายคือปล่อยให้ AI ตัดสินใจขั้นสุดท้ายแทนมนุษย์โดยอัตโนมัติ (เช่น ตัดสิทธิ์ทุน/เลิกจ้างอัตโนมัติ) — ที่ถูกต้องคือใช้ AI เป็นสัญญาณเตือน/ข้อมูลประกอบ แล้วให้มนุษย์ตัดสินใจ
- แค่ลบชื่อ-นามสกุลอาจไม่พอตาม PDPA เพราะข้อมูลแวดล้อมอื่น (ตำแหน่ง, เคสเฉพาะ) อาจเชื่อมโยงกลับไประบุตัวบุคคลได้
- Checklist ก่อนใช้ AI จริง: (1) มีข้อมูลอ่อนไหวไหม (2) มนุษย์ตรวจสอบ/รับผิดชอบไหม (3) วัตถุประสงค์ชัดเจน ใช้ข้อมูลเท่าที่จำเป็นไหม — "ใช้ AI ให้มากที่สุดโดยไม่คำนึงความจำเป็น" ไม่ใช่หลักการที่ถูกต้อง
- หลักการสำคัญที่สุดในการใช้ AI ในองค์กรอย่างยั่งยืน: เน้นบริหารคน วัฒนธรรมองค์กร และใช้ AI อย่างมีจุดมุ่งหมาย มากกว่าไล่ตามความล้ำสมัยของเทคโนโลยี
6 การเตรียมพร้อมสู่อนาคตและการประเมินผล
5 ข้อ — เน้น AI Agent
- เมื่อ AI Agent เจอทางตัน (เช่น ร้านอาหารเต็มหมด) → ควรหาทางเลือกอื่นหรือขอข้อมูลเพิ่มเติม ไม่ใช่หยุดทำงานทันที
- ขั้นตอนที่ควรเป็นหน้าที่มนุษย์เสมอ: ตรวจสอบและยืนยันก่อนชำระเงิน/ดำเนินการขั้นสุดท้าย
- ต้องตรวจสอบผลงานวิจัยที่ AI สรุปซ้ำ เพราะ AI อาจสร้างข้อมูลคลาดเคลื่อนหรือตีความผิด
- จุดเด่นของ AI Agent คือทำงานหลายขั้นตอน ประสานระบบต่างๆ และติดตามจนบรรลุเป้าหมาย (ไม่ใช่แค่ตอบคำถามเร็ว)
- งานที่มีผลกระทบสูง (เช่น จัดซื้อ-ชำระเงิน): ให้ AI Agent เสนอ/เตรียมการเท่านั้น เจ้าหน้าที่ต้องตรวจสอบและอนุมัติก่อนเสมอ — ห้ามปล่อยอัตโนมัติทั้งหมด
🎯 ธีมที่ออกซ้ำบ่อยที่สุด (เจอในหลายโมดูล)
- Human-in-the-loop — มนุษย์ต้องตรวจสอบ/ตัดสินใจ/รับผิดชอบผลลัพธ์สุดท้ายเสมอ
- Hallucination — AI สร้างข้อมูลที่ดูน่าเชื่อแต่ไม่จริง ต้องตรวจสอบก่อนใช้
- Data Minimization / De-identification — ลบ/ปกปิดข้อมูลส่วนบุคคลก่อนป้อนให้ AI สาธารณะ
- ความรับผิดชอบ — เมื่อ AI ผิดพลาด ผู้ใช้งาน/ผู้นำไปเผยแพร่เป็นผู้รับผิดชอบ ไม่ใช่ AI
- AI Agent vs Generative AI — Agent วางแผน-ตัดสินใจ-ลงมือทำหลายขั้นตอนได้เอง แต่งานสำคัญ (การเงิน/อนุมัติ) ยังต้องมีมนุษย์กำกับ