Page 14 - Guide to Applying AI Technology in Teaching and Learning
P. 14
11
• ตัวอย่าง "มีแอปเปิล 12 ลูก ถูกแจกให้เพื่อน 4 คน คนละเท่า ๆ กัน ต่อมาแต่ละคนกินแอปเปิล
ไป 1 ลูก เหลือแอปเปิลรวมกี่ลูก? คิดอย่างเป็นขั้นตอนก่อนที่จะสรุปคำตอบ"
• ประโยชน์ LLM จะไม่ข้ามขั้นตอนการให้เหตุผล ทำให้คำตอบสุดท้ายมีความแม่นยำมากขึ้น และ
ช่วยให้ผู้ใช้สามารถตรวจสอบความผิดพลาดของกระบวนการคิดได้
3.2 Self-Correction / Self-Refinement (การแก้ไขตนเอง) เป็นการใช้ LLM ตรวจสอบผลลัพธ์
ของตนเองซ้ำอีกครั้ง เพื่อปรับปรุงและเพิ่มคุณภาพ
• เทคนิค แบ่ง Prompt เป็น 2 ขั้นตอน
1. Generate สั่งให้ LLM สร้างผลลัพธ์ชุดแรก
2. Critique & Refine สั่งให้ LLM วิเคราะห์ผลลัพธ์ที่สร้างขึ้นตามเกณฑ์ที่กำหนด (เช่น
"ตรวจสอบว่าคำตอบแรกตรงตามหลักไวยากรณ์หรือไม่ และแก้ไขคำที่ใช้ไม่เหมาะสม")
• ประโยชน์ ช่วยให้ผลลัพธ์มีความสมบูรณ์และเป็นไปตามเกณฑ์ที่กำหนดไว้อย่างเคร่งครัด
3.3 Persona Pattern (การกำหนดบุคลิกภาพอย่างเข้มข้น) กำหนดบทบาทเฉพาะเจาะจงให้
LLM โดยละเอียด เพื่อให้การตอบสนองมีความรู้และน้ำเสียงที่เหมาะสมกับบทบาทนั้น ๆ
• เทคนิค ใช้คำว่า "Act as..." หรือ "คุณคือ..." แล้วตามด้วยรายละเอียดของบุคลิก
• ตัวอย่าง "คุณคือ ผู้เชี่ยวชาญด้านเศรษฐศาสตร์จุลภาคที่มีชื่อเสียงจาก Harvard ที่มีประสบการณ์
20 ปี ในการวิเคราะห์นโยบายการเงิน จงวิเคราะห์ว่าการขึ้นดอกเบี้ยของธนาคารกลางสหรัฐฯ จะ
ส่งผลกระทบต่อตลาดอสังหาริมทรัพย์ในเอเชียตะวันออกเฉียงใต้อย่างไร ใช้น้ำเสียงเชิงวิชาการและ
เน้นตัวเลขทางสถิติ"
• ประโยชน์ ทำให้ผลลัพธ์มีความลึกซึ้งและมีจุดยืนที่ชัดเจน
4. กลยุทธ์การเขียน Prompt เพื่อความแม่นยำและปลอดภัย
กลยุทธ์เหล่านี้ช่วยควบคุมการตอบสนองของ LLM ในเชิงโครงสร้างและเนื้อหา
4.1 Grounding (การกำหนดฐานข้อมูลอ้างอิง) การกำหนดให้ LLM ใช้ข้อมูลที่ผู้ใช้ป้อนเท่านั้นใน
การตอบสนอง และห้ามใช้ความรู้ทั่วไปที่ LLM เรียนรู้มา
• เทคนิค มักใช้ในงาน RAG (Retrieval-Augmented Generation) โดยระบุอย่างชัดเจนว่า "ใช้
ข้อมูลจากเอกสารที่ฉันแนบมาเท่านั้น ถ้าข้อมูลไม่เพียงพอ ให้ตอบว่า 'ข้อมูลไม่เพียงพอ' อย่า
สร้างคำตอบจากความรู้ของคุณเอง"
• ประโยชน์ ช่วยลดปัญหาการสร้างข้อมูลเท็จ (Hallucination) และเพิ่มความน่าเชื่อถือของ
ผลลัพธ์
4.2 Output Restriction (การจำกัดรูปแบบผลลัพธ์) การควบคุมรูปแบบข้อมูลที่ LLM ส่งออกมา
เพื่อให้ง่ายต่อการประมวลผลต่อโดยโปรแกรมอื่น ๆ
• เทคนิค สั่งให้ LLM สร้างผลลัพธ์ในรูปแบบเฉพาะ เช่น JSON, HTML, Markdown Table, หรือ
รายการที่มีการจัดลำดับ
