พื้นฐานการใช้ AIการเขียน Prompt

Training, Prompting และ Context ต่างกันอย่างไร

เรียนรู้เรื่อง “Training, Prompting และ Context ต่างกันอย่างไร” เพื่อแยกความสามารถ ข้อมูล สิทธิ์ ต้นทุน และความรับผิดชอบก่อนตัดสินใจใช้ AI

เป้าหมาย: อธิบายแนวคิดด้วยระบบจริงและถามคำถามที่ตรวจหลักฐานได้ · ใช้เวลาประมาณ 14 นาที

Capability → State → Action → Responsibility

ถามสี่คำถามนี้แทนการเดาจากชื่อผลิตภัณฑ์

Capability

ส่วนใดสร้าง จำแนก ค้น หรือคำนวณ

State

ข้อมูลและ memory อยู่ที่ใด นานเท่าไร

Action

เรียก tool หรือเปลี่ยนระบบได้หรือไม่

Responsibility

ใครตรวจ อนุมัติ และรับผล

คำศัพท์ที่ต้องแปล

training

อธิบาย training ด้วยสิ่งที่ระบบทำ ข้อมูลที่ใช้ และข้อจำกัด

ขอ architecture, policy และ evidence แทนคำโฆษณา

Prompt

อธิบาย Prompt ด้วยสิ่งที่ระบบทำ ข้อมูลที่ใช้ และข้อจำกัด

training เปลี่ยนน้ำหนักโมเดล prompting ให้คำสั่งตอนใช้งาน ส่วน context ให้ข้อมูลชั่วคราวสำหรับคำขอปัจจุบัน

context

อธิบาย context ด้วยสิ่งที่ระบบทำ ข้อมูลที่ใช้ และข้อจำกัด

weight

อธิบาย weight ด้วยสิ่งที่ระบบทำ ข้อมูลที่ใช้ และข้อจำกัด

ศัพท์ที่ทำให้ตัดสินใจผิด

ใช้คำ Agent กับทุกอย่าง

ประเมินสิทธิ์และความเสี่ยงผิด

วาด data/action flow

คิดว่า upload = training

คาดว่าระบบจำถาวร

แยก context, RAG, memory, fine-tuning

open = free

พลาด license และ operations

ตรวจสิทธิ์และ TCO

ถอดคำโฆษณาเป็นคำถาม

ทีมพูดว่าอัปโหลด PDF หนึ่งครั้งคือฝึกโมเดลแล้ว

เขียนคำถามถึง vendor/ทีมเทคนิคเรื่อง capability, data, action, evaluation และ responsibility

ดูคำตอบตัวอย่าง

ระบุว่า Model ใดทำอะไร ข้อมูลถูกส่งและเก็บที่ไหน ใช้ training หรือไม่ มี memory/RAG อย่างไร Agent เรียก tool ด้วยสิทธิ์ใด ใช้ API แบบไหน license อนุญาตอะไร ใคร evaluate และใครอนุมัติผลกระทบ

capability
data/state
tools/permission
evaluation
license/cost
owner

บันทึกช่วยจำ

คำศัพท์และผลิตภัณฑ์เปลี่ยนเร็ว ให้ตรวจเอกสารทางการล่าสุด
ชื่อทางการตลาดไม่รับรอง architecture หรือสิทธิ์

สรุปบทเรียนนี้

แยกความสามารถจากผลิตภัณฑ์
ถามข้อมูลและสิทธิ์
ตัดสินจาก evidence