การวิเคราะห์เชิงวิพากษ์ของกรณีการใช้งาน LLM ในโลกแห่งความเป็นจริง: ระหว่างคำสัญญาและความเป็นจริง

ในขณะที่การถกเถียงเกี่ยวกับคุณค่าที่แท้จริงของโมเดลภาษาขนาดใหญ่ (LLM) ยังคงดำเนินต่อไป จำเป็นอย่างยิ่งที่จะต้องวิเคราะห์กรณีการใช้งานจริงที่บริษัทต่างๆ นำไปปฏิบัติ การวิเคราะห์นี้มีวัตถุประสงค์เพื่อวิเคราะห์การประยุกต์ใช้ LLM ในภาคส่วนต่างๆ อย่างเป็นรูปธรรม พร้อมประเมินคุณค่า ข้อจำกัด และศักยภาพที่แท้จริงของมันอย่างวิเคราะห์

‍

อีคอมเมิร์ซและการค้าปลีก: การเพิ่มประสิทธิภาพที่ตรงเป้าหมายหรือการออกแบบมากเกินไป?

ในอุตสาหกรรมค้าปลีกและอีคอมเมิร์ซ ปริญญานิติศาสตร์ (LLM) ได้รับการว่าจ้างสำหรับงานที่หลากหลาย:

• ผู้ช่วยภายในและการปรับปรุงเวิร์กโฟลว์ : Instacart ได้พัฒนาผู้ช่วย AI ชื่อ Ava เพื่อช่วยให้ทีมเขียน ตรวจสอบ และแก้ไขโค้ด ปรับปรุงการสื่อสาร และสร้างเครื่องมือภายใน แม้ว่าผู้ช่วยเหล่านี้จะดูมีแนวโน้มที่ดี แต่ก็ยังมีคำถามว่าผู้ช่วยเหล่านี้มีคุณค่ามากกว่าเครื่องมือการทำงานร่วมกันแบบดั้งเดิมและซับซ้อนน้อยกว่ามากหรือไม่
• การควบคุมเนื้อหาและความปลอดภัย : Whatnot ใช้ LLM เพื่อปรับปรุงการควบคุมเนื้อหาแบบหลายโหมด การป้องกันการทุจริต และการตรวจจับความผิดปกติในการประมูล Zillow ใช้ LLM เพื่อระบุเนื้อหาที่เลือกปฏิบัติในรายการอสังหาริมทรัพย์ กรณีเหล่านี้แสดงถึงการใช้งานเฉพาะที่ LLM สามารถมอบคุณค่าที่แท้จริงได้ แต่จำเป็นต้องมีระบบการตรวจสอบอย่างละเอียดเพื่อหลีกเลี่ยงผลบวกและผลลบที่ผิดพลาด
• การสกัดและจำแนกข้อมูล : OLX ได้สร้าง Prosus AI Assistant ขึ้นมาเพื่อระบุบทบาทงานในโฆษณา ขณะที่ Walmart ได้พัฒนาระบบเพื่อสกัดคุณลักษณะของผลิตภัณฑ์จากไฟล์ PDF กรณีศึกษาเหล่านี้แสดงให้เห็นถึงประโยชน์ของหลักสูตร LLM ในการทำงานซ้ำๆ ให้เป็นระบบอัตโนมัติ ซึ่งปกติแล้วจะต้องอาศัยแรงงานคนจำนวนมาก
• การสร้างเนื้อหาเชิงสร้างสรรค์ : StitchFix ผสานรวมข้อความที่สร้างขึ้นโดยอัลกอริทึมเข้ากับการควบคุมดูแลโดยมนุษย์ เพื่อทำให้การสร้างหัวข้อโฆษณาและคำอธิบายสินค้าเป็นเรื่องง่าย Instacart สร้างภาพสินค้าอุปโภคบริโภค แอปพลิเคชันเหล่านี้ก่อให้เกิดคำถามเกี่ยวกับความคิดสร้างสรรค์ของเนื้อหาที่สร้างขึ้น และความเป็นไปได้ที่จะทำให้ภาษาโฆษณามีความเป็นเนื้อเดียวกัน
• การปรับปรุงการค้นหา : Leboncoin, Mercado Libre และ Faire ใช้ LLM เพื่อปรับปรุงความเกี่ยวข้องในการค้นหา ขณะที่ Amazon ใช้ LLM เพื่อทำความเข้าใจความสัมพันธ์เชิงสามัญสำนึกและให้คำแนะนำผลิตภัณฑ์ที่เกี่ยวข้องมากขึ้น กรณีเหล่านี้แสดงให้เห็นถึงศักยภาพในการเพิ่มมูลค่าของ LLM อย่างมีนัยสำคัญ แต่ความซับซ้อนในการคำนวณและต้นทุนพลังงานที่เกี่ยวข้องอาจไม่เพียงพอที่จะปรับปรุงให้ดีขึ้นกว่าอัลกอริทึมการค้นหาที่มีอยู่

ฟินเทคและการธนาคาร: การนำทางด้านมูลค่าและความเสี่ยงด้านกฎระเบียบ

‍

ในภาคการเงิน LLM จะถูกใช้ด้วยความระมัดระวัง เนื่องจากข้อมูลมีความละเอียดอ่อนและมีข้อกำหนดด้านกฎระเบียบที่เข้มงวด

• การจำแนกประเภทและการติดแท็กข้อมูล : Grab ใช้ LLM สำหรับการกำกับดูแลข้อมูล การจัดประเภทเอนทิตี การระบุข้อมูลที่ละเอียดอ่อน และการกำหนดแท็กที่เหมาะสม กรณีการใช้งานนี้น่าสนใจเป็นพิเศษเนื่องจากช่วยแก้ไขปัญหาสำคัญสำหรับสถาบันการเงิน แต่จำเป็นต้องมีกลไกการควบคุมที่เข้มงวดเพื่อป้องกันการจำแนกประเภทที่ผิดพลาด
• การรายงานอาชญากรรมทางการเงิน : SumUp สร้างรายงานที่มีโครงสร้างสำหรับการรายงานการฉ้อโกงทางการเงินและการฟอกเงิน แอปพลิเคชันนี้แม้จะมีแนวโน้มว่าจะช่วยลดภาระงานที่ต้องทำด้วยมือ แต่กลับก่อให้เกิดความกังวลเกี่ยวกับความสามารถของนักกฎหมายนิติศาสตร์ (LLM) ในการจัดการเรื่องที่ละเอียดอ่อนทางกฎหมายได้อย่างเหมาะสมโดยไม่ต้องมีมนุษย์ควบคุมดูแล
• การสนับสนุนการสอบถามทางการเงิน : Digits แนะนำคำถามที่เกี่ยวข้องกับธุรกรรมทางการเงิน กรณีการใช้งานนี้แสดงให้เห็นว่าหลักสูตร LLM สามารถสนับสนุนผู้เชี่ยวชาญได้โดยไม่ต้องเปลี่ยนบุคลากร ซึ่งเป็นแนวทางที่อาจยั่งยืนกว่าการทำงานอัตโนมัติทั้งหมด

เทคโนโลยี: ระบบอัตโนมัติและความช่วยเหลือทางเทคนิค

‍

ในอุตสาหกรรมเทคโนโลยี LLM ถูกใช้กันอย่างแพร่หลายเพื่อปรับปรุงเวิร์กโฟลว์ภายในและประสบการณ์ของผู้ใช้:

• การจัดการเหตุการณ์และความปลอดภัย : จากข้อมูล security.googleblog.com ระบุว่า Google ใช้ LLM เพื่อจัดทำสรุปเหตุการณ์ด้านความปลอดภัยและความเป็นส่วนตัวสำหรับกลุ่มเป้าหมายที่หลากหลาย รวมถึงผู้บริหาร ผู้จัดการ และทีมพันธมิตร วิธีนี้ช่วยประหยัดเวลาของผู้จัดการและปรับปรุงคุณภาพของสรุปเหตุการณ์ Microsoft ใช้ LLM เพื่อวินิจฉัยเหตุการณ์ที่เกิดขึ้นจริง ขณะที่ Meta ได้พัฒนาระบบวิเคราะห์สาเหตุที่แท้จริงโดยใช้ AI Incident.io สร้างสรุปเหตุการณ์ด้วยซอฟต์แวร์ กรณีเหล่านี้แสดงให้เห็นถึงคุณค่าของ LLM ในการเร่งกระบวนการสำคัญ แต่ก็ก่อให้เกิดคำถามเกี่ยวกับความน่าเชื่อถือในสถานการณ์ที่มีความเสี่ยงสูง
• ความช่วยเหลือด้านการเขียนโปรแกรม : GitHub Copilot ให้คำแนะนำโค้ดและการเติมคำอัตโนมัติ ขณะที่ Replit ได้พัฒนา LLM สำหรับการซ่อมแซมโค้ด NVIDIA ใช้ LLM เพื่อตรวจจับช่องโหว่ของซอฟต์แวร์ เครื่องมือเหล่านี้ช่วยเพิ่มผลผลิตของนักพัฒนา แต่ก็อาจแพร่กระจายรูปแบบโค้ดที่ไม่มีประสิทธิภาพหรือไม่ปลอดภัยได้หากใช้งานอย่างไม่เหมาะสม
• การสืบค้นข้อมูลและการค้นหาภายใน : Honeycomb ช่วยให้ผู้ใช้เขียนการสืบค้นข้อมูล และ Pinterest แปลงการสืบค้นของผู้ใช้ให้เป็นการสืบค้น SQL กรณีศึกษาเหล่านี้แสดงให้เห็นว่าหลักสูตร LLM สามารถทำให้การเข้าถึงข้อมูลเป็นประชาธิปไตยได้อย่างไร แต่ก็อาจนำไปสู่การตีความที่ไม่ถูกต้องหรือไม่มีประสิทธิภาพหากปราศจากความเข้าใจอย่างถ่องแท้เกี่ยวกับโครงสร้างข้อมูลพื้นฐาน
• การคัดกรองและการจัดการคำขอรับการสนับสนุน : GoDaddy คัดกรองคำขอรับการสนับสนุนเพื่อปรับปรุงประสบการณ์ของลูกค้า Dropbox จะสรุปและตอบคำถามที่เกี่ยวข้องกับไฟล์ กรณีเหล่านี้แสดงให้เห็นถึงศักยภาพของ LLM ในการปรับปรุงการบริการลูกค้า แต่ยังคงมีความกังวลเกี่ยวกับคุณภาพและความถูกต้องของคำตอบที่ได้รับ

การส่งมอบและการเคลื่อนที่: ประสิทธิภาพการดำเนินงานและการปรับแต่ง

‍

ในอุตสาหกรรมการจัดส่งและการเคลื่อนที่ LLM ถูกนำมาใช้เพื่อปรับปรุงประสิทธิภาพการปฏิบัติงานและประสบการณ์ของผู้ใช้:

• การทดสอบและการสนับสนุนทางเทคนิค : Uber ใช้ LLM เพื่อทดสอบแอปพลิเคชันมือถือด้วย DragonCrawl และได้สร้าง Genie ซึ่งเป็น AI co-pilot เพื่อตอบคำถามฝ่ายสนับสนุน เครื่องมือเหล่านี้สามารถลดเวลาในการทดสอบและการสนับสนุนได้อย่างมาก แต่อาจไม่สามารถตรวจจับปัญหาที่ซับซ้อนหรือกรณีพิเศษได้เหมือนการทดสอบโดยมนุษย์
• การดึงข้อมูลและจับคู่ข้อมูลผลิตภัณฑ์ : DoorDash ดึงรายละเอียดผลิตภัณฑ์จากข้อมูล SKU และ Delivery Hero จับคู่สินค้าคงคลังกับผลิตภัณฑ์ของคู่แข่ง กรณีศึกษาเหล่านี้แสดงให้เห็นว่าหลักสูตร LLM สามารถทำให้กระบวนการจับคู่ข้อมูลที่ซับซ้อนเป็นแบบอัตโนมัติได้อย่างไร แต่อาจทำให้เกิดอคติหรือการตีความที่ผิดพลาดได้หากไม่มีการควบคุมที่เหมาะสม
• การค้นหาแบบสนทนาและความเกี่ยวข้อง : Picnic ช่วยปรับปรุงความเกี่ยวข้องในการค้นหารายการสินค้า ขณะที่ Swiggy ได้นำระบบค้นหาแบบประสาทมาใช้เพื่อช่วยให้ผู้ใช้ค้นหาอาหารและของชำแบบสนทนา กรณีศึกษาเหล่านี้แสดงให้เห็นว่า LLM สามารถทำให้อินเทอร์เฟซการค้นหาใช้งานง่ายขึ้นได้อย่างไร แต่ก็อาจสร้าง "ฟองกรอง" ที่จำกัดการค้นพบผลิตภัณฑ์ใหม่ๆ ได้เช่นกัน
• ระบบสนับสนุนอัตโนมัติ : DoorDash ได้สร้างแชทบอทสนับสนุนแบบ LLM ที่ดึงข้อมูลจากฐานความรู้เพื่อสร้างคำตอบที่แก้ไขปัญหาได้อย่างรวดเร็ว วิธีการนี้สามารถปรับปรุงเวลาตอบสนองได้ แต่จำเป็นต้องมีมาตรการป้องกันที่แข็งแกร่งเพื่อรับมือกับสถานการณ์ที่ซับซ้อนหรือสถานการณ์ที่ตึงเครียดทางอารมณ์

โซเชียล สื่อ และ B2C: เนื้อหาและการโต้ตอบส่วนบุคคล

‍

ในอุตสาหกรรมโซเชียลมีเดียและบริการ B2C มีการใช้ LLM เพื่อสร้างเนื้อหาที่เป็นส่วนตัวและปรับปรุงการโต้ตอบ:

• การวิเคราะห์และกลั่นกรองเนื้อหา : Yelp ได้อัปเดตระบบกลั่นกรองเนื้อหาด้วย LLM เพื่อตรวจจับภัยคุกคาม การคุกคาม การใช้ถ้อยคำหยาบคาย การโจมตีส่วนบุคคล หรือคำพูดแสดงความเกลียดชัง LinkedIn วิเคราะห์เนื้อหาต่างๆ บนแพลตฟอร์มเพื่อดึงข้อมูลเกี่ยวกับทักษะต่างๆ กรณีเหล่านี้แสดงให้เห็นถึงศักยภาพของ LLM ในการปรับปรุงคุณภาพเนื้อหา แต่กลับทำให้เกิดความกังวลเกี่ยวกับการเซ็นเซอร์และการจำกัดเสรีภาพในการแสดงออก
• การสร้างเนื้อหาทางการศึกษาและการตลาด : Duolingo ใช้ LLM เพื่อช่วยนักออกแบบสร้างแบบฝึกหัดที่เกี่ยวข้อง ขณะที่ Nextdoor ใช้ LLM เพื่อสร้างหัวข้ออีเมลที่น่าสนใจ แอปพลิเคชันเหล่านี้อาจเพิ่มประสิทธิภาพ แต่ก็อาจทำให้เนื้อหามีมาตรฐานมากเกินไปได้เช่นกัน
• การแปลและการสื่อสารหลายภาษา : Roblox ใช้ประโยชน์จากโมเดลหลายภาษาที่ปรับแต่งได้ เพื่อให้ผู้ใช้สามารถสื่อสารได้อย่างราบรื่นในภาษาแม่ของตน แอปพลิเคชันนี้แสดงให้เห็นถึงศักยภาพของ LLM ในการเอาชนะอุปสรรคทางภาษา แต่อาจนำความแตกต่างทางวัฒนธรรมที่ไม่ถูกต้องเข้ามาสู่การแปล
• การโต้ตอบกับสื่อ : Vimeo ช่วยให้ผู้ใช้มีส่วนร่วมในการสนทนาผ่านวิดีโอผ่านระบบถาม-ตอบ (Q&A) ที่ใช้ RAG ซึ่งสามารถสรุปเนื้อหาวิดีโอ เชื่อมโยงไปยังช่วงเวลาสำคัญ และถามคำถามติดตามผล แอปพลิเคชันนี้แสดงให้เห็นว่า LLM สามารถเปลี่ยนแปลงวิธีที่เราโต้ตอบกับสื่อได้อย่างไร แต่ในขณะเดียวกันก็ตั้งคำถามเกี่ยวกับความถูกต้องของการตีความที่สร้างขึ้น

การประเมินเชิงวิพากษ์: มูลค่าที่แท้จริงเทียบกับการทำตามแนวโน้ม

ดังที่ Chitra Sundaram ผู้อำนวยการฝ่ายบริหารข้อมูลของ Cleartelligence, Inc. ระบุไว้ว่า "LLMs มักกินทรัพยากร การฝึกอบรมและการใช้งานโมเดลเหล่านี้ต้องใช้พลังประมวลผลมหาศาล ส่งผลให้เกิดการปล่อยคาร์บอนจำนวนมาก ไอทีที่ยั่งยืนคือการเพิ่มประสิทธิภาพการใช้ทรัพยากร ลดของเสีย และเลือกใช้โซลูชันที่มีขนาดเหมาะสม" ข้อสังเกตนี้มีความเกี่ยวข้องอย่างยิ่งเมื่อวิเคราะห์กรณีการใช้งานที่นำเสนอ

‍

เมื่อวิเคราะห์กรณีการใช้งานเหล่านี้ จะเห็นข้อควรพิจารณาที่สำคัญหลายประการดังนี้:

1. มูลค่าเพิ่มเทียบกับความซับซ้อน

‍

แอปพลิเคชัน LLM หลายตัวมีการปรับปรุงเพิ่มเติมเล็กน้อยเมื่อเทียบกับโซลูชันที่มีอยู่เดิม แต่มีค่าใช้จ่ายด้านการคำนวณ พลังงาน และการใช้งานที่สูงขึ้นอย่างมาก ดังที่ Chitra Sundaram กล่าวไว้ว่า "การใช้ LLM เพื่อคำนวณค่าเฉลี่ยอย่างง่ายก็เหมือนกับการใช้บาซูก้ายิงแมลงวัน" (paste-2.txt) สิ่งสำคัญคือต้องประเมินว่ามูลค่าที่เพิ่มขึ้นนั้นคุ้มค่ากับความซับซ้อนนี้หรือไม่ โดยเฉพาะอย่างยิ่งเมื่อพิจารณาถึง:

• ความต้องการระบบการตรวจสอบที่แข็งแกร่ง
• ต้นทุนพลังงานและผลกระทบต่อสิ่งแวดล้อม
• ความซับซ้อนของการบำรุงรักษาและการอัปเดต
• ความต้องการทักษะเฉพาะทาง

2. การพึ่งพาการดูแลของมนุษย์

‍

กรณีการใช้งานที่ประสบความสำเร็จส่วนใหญ่ใช้แนวทาง "มนุษย์ร่วมอยู่ในวงจร" ซึ่งหลักสูตรนิติศาสตรมหาบัณฑิต (LLM) เข้ามาช่วยแทนที่จะเข้ามาแทนที่การแทรกแซงของมนุษย์โดยสิ้นเชิง สิ่งนี้ชี้ให้เห็นว่า:

• ระบบอัตโนมัติเต็มรูปแบบผ่าน LLM ยังคงเป็นปัญหา
• คุณค่าหลักอยู่ที่การเพิ่มขีดความสามารถของมนุษย์ ไม่ใช่การทดแทน
• ประสิทธิภาพขึ้นอยู่กับคุณภาพของการโต้ตอบระหว่างมนุษย์กับเครื่องจักร

3. ความจำเพาะของโดเมนเทียบกับแอปพลิเคชันทั่วไป

‍

กรณีการใช้งานที่น่าสนใจที่สุดคือกรณีที่ LLM ได้รับการปรับแต่งและเพิ่มประสิทธิภาพสำหรับโดเมนเฉพาะโดยมีความรู้เกี่ยวกับโดเมนฝังไว้ผ่าน:

• การปรับแต่งข้อมูลเฉพาะอุตสาหกรรม
• การบูรณาการกับระบบและแหล่งความรู้ที่มีอยู่
• ราวกั้นและข้อจำกัดเฉพาะบริบท

4. การบูรณาการกับเทคโนโลยีที่มีอยู่

กรณีที่มีประสิทธิผลสูงสุดจะไม่ใช้ LLM แบบแยกส่วน แต่บูรณาการเข้ากับ:

• ระบบกู้คืนและจัดเก็บข้อมูล (RAG)
• อัลกอริทึมเฉพาะทางและเวิร์กโฟลว์ที่มีอยู่
• กลไกการตรวจสอบและควบคุม

ดังที่กรณีการใช้งานของ Google เน้นย้ำ การรวม LLM เข้ากับเวิร์กโฟลว์เหตุการณ์ด้านความปลอดภัยและความเป็นส่วนตัวช่วยให้ "เร่งการตอบสนองต่อเหตุการณ์โดยใช้ AI เชิงสร้างสรรค์" โดยมีบทสรุปที่สร้างขึ้นเพื่อปรับให้เหมาะกับกลุ่มเป้าหมายต่างๆ ช่วยให้มั่นใจได้ว่าข้อมูลที่เกี่ยวข้องจะไปถึงบุคคลที่เหมาะสมในรูปแบบที่เป็นประโยชน์ที่สุด

‍

บทสรุป: แนวทางเชิงปฏิบัติต่อ LLM

จิตรา สุนทราราม นำเสนอมุมมองที่แจ่มชัดเมื่อเธอกล่าวว่า "เส้นทางสู่การวิเคราะห์ที่ยั่งยืนคือการเลือกเครื่องมือที่เหมาะสมกับงาน ไม่ใช่แค่การไล่ตามเทรนด์ล่าสุด แต่เป็นการลงทุนในนักวิเคราะห์ที่มีทักษะและการกำกับดูแลข้อมูลที่แข็งแกร่ง รวมถึงการให้ความสำคัญกับความยั่งยืนเป็นอันดับแรก"

‍

การวิเคราะห์กรณีการใช้งานจริงเหล่านี้ยืนยันว่าหลักสูตร LLM ไม่ใช่เครื่องมือที่ครบครัน แต่เป็นเครื่องมือที่ทรงพลัง ซึ่งเมื่อนำไปประยุกต์ใช้กับปัญหาเฉพาะอย่างอย่างมีกลยุทธ์ สามารถสร้างคุณค่าที่สำคัญได้ องค์กรต่างๆ ควร:

1. ระบุปัญหาเฉพาะ ที่การประมวลผลภาษาธรรมชาติมีข้อได้เปรียบที่สำคัญเหนือแนวทางดั้งเดิม
2. เริ่มต้นด้วยโครงการนำร่อง ที่สามารถแสดงมูลค่าได้อย่างรวดเร็วและวัดผลได้
3. บูรณาการ LLM เข้ากับระบบที่มีอยู่ แทนที่จะแทนที่เวิร์กโฟลว์ทั้งหมด
4. รักษากลไกการกำกับดูแลของมนุษย์ โดยเฉพาะอย่างยิ่งสำหรับแอปพลิเคชันที่สำคัญ
5. ประเมินอัตราส่วนต้นทุน-ผลประโยชน์อย่างเป็นระบบ โดย พิจารณาไม่เพียงแต่การปรับปรุงประสิทธิภาพเท่านั้น แต่ยังรวมถึงต้นทุนด้านพลังงาน การบำรุงรักษา และการอัปเกรดด้วย

บริษัทที่ประสบความสำเร็จในยุค LLM ไม่จำเป็นต้องเป็นบริษัทที่นำหลักสูตรนี้ไปใช้กันอย่างแพร่หลายที่สุด แต่เป็นบริษัทที่นำหลักสูตรไปใช้อย่างมีกลยุทธ์มากที่สุด โดยสร้างสมดุลระหว่างนวัตกรรมและความจริงจัง และจับตาดูมูลค่าที่แท้จริงที่เกิดขึ้นอย่างแม่นยำเกินกว่าที่โฆษณาไว้

‍