ตัวแทน LLM: คู่มือฉบับสมบูรณ์

โมเดลภาษาขนาดใหญ่ (LLM) เป็นเครื่องมือขับเคลื่อน AI ช่วยให้ผู้คนสามารถถามคำถามง่ายๆ และได้รับคำตอบง่ายๆ แต่จะเกิดอะไรขึ้นหากคุณต้องการทำมากกว่านั้น นั่นคือจุดที่ตัวแทน LLM มีความเป็นเลิศ มีตัวแทน LLM อยู่หลายประเภท แต่ทั้งหมดจัดการกับคำถามที่ซับซ้อนกว่า ซึ่งต้องใช้หน่วยความจำ การใช้เหตุผลเชิงลำดับ และการใช้เครื่องมือหลายอย่าง

ปัจจุบัน LLM สามารถจัดการพารามิเตอร์ได้มากกว่าล้านล้านรายการ ความต้องการแรงงานดิจิทัลที่ขับเคลื่อนโดยตัวแทนจะยังคงเติบโตต่อไป เนื่องจากบริษัทต่างๆ มองหาวิธีเพิ่มการใช้ Generative AI

เราจะแยกแยะว่าตัวแทน LLM ประเภทต่างๆ ทำงานอย่างไร พวกมันสามารถทำอะไรได้บ้าง ส่วนประกอบที่จำเป็น ความท้าทายที่เกิดขึ้น และธุรกิจต่างๆ ใช้เครื่องมือเหล่านี้อย่างไรในปัจจุบันและในอนาคต

สิ่งที่เราจะพูดถึง:

• ตัวแทน LLM คืออะไร
• ตัวแทน LLM สามารถทำอะไรได้บ้าง
• ประเภทของตัวแทน LLM และสิ่งที่แต่ละประเภทสามารถทำได้
• ส่วนประกอบของตัวแทน LLM
• ธุรกิจต่างๆ ใช้ตัวแทน LLM ประเภทต่างๆ อย่างไร
• ความท้าทายที่อาจเกิดขึ้นของตัวแทน LLM
• อนาคตของตัวแทน LLM
• การนำด้วย LLM

LLM เป็นระบบปัญญาประดิษฐ์ (AI) ที่ใช้การผสมผสานระหว่างหน่วยความจำ การวางแผน และการใช้เหตุผลตามลำดับ เพื่อสร้างคำตอบเชิงลึกต่อคำถามของผู้ใช้ในลักษณะที่คล้ายกับการตอบสนองของมนุษย์ นี่คือตัวอย่าง:

ผู้ใช้ 1 ขอให้แชทบอทภายในบริษัทซึ่งได้รับการฝึกอบรมโดยใช้ LLM ดึงสถิติเงินเดือนของปีที่แล้วขึ้นมา แชทบอททำตามกระบวนการที่ตั้งไว้ล่วงหน้าเพื่อค้นหาฐานข้อมูลที่เกี่ยวข้องและส่งคืนชุดข้อมูลที่เจาะจง

อย่างไรก็ตาม ผู้ใช้ 2 มีคำถามที่ลึกกว่านั้น เขาต้องการทราบว่ากฎหมายระดับรัฐบาลกลางและระดับรัฐฉบับใหม่จะมีผลกระทบต่อนโยบายที่อิงจากข้อมูลเงินเดือนของปีที่แล้วอย่างไร ในเคสนี้ แชทบอทไม่สามารถตอบได้ แม้แชทบอทจะสามารถให้ข้อมูลเกี่ยวกับการจ่ายเงินเดือนและข้อมูลเกี่ยวกับกฎหมายใหม่ได้ แต่ก็ไม่สามารถรวมข้อมูลเหล่านั้นให้เป็นคำตอบที่มีความหมายได้ แต่ตัวแทน LLM สามารถทำได้

ตัวแทน LLM สามารถเข้าใจและตอบสนองต่อคำถามที่ซับซ้อนได้โดยใช้การผสมผสานระหว่างการเรียนรู้ของกลไก (ML) และการประมวลผลภาษาธรรมชาติ (NLP) ลักษณะเฉพาะเหล่านี้ช่วยแยกตัวแทนออกจากโมเดลการสร้างโดยการเสริมจากภายนอก (RAG) ซึ่งดึงข้อมูลจากแหล่งภายในเพื่อตอบคำถามง่ายๆ

ตัวแทน LLM สามารถใช้เหตุผลและตรรกะในการตอบคำถามได้ แทนที่จะพิจารณาคำถามเพียงอย่างเดียว ตัวแทนสามารถแบ่งคำถามออกเป็นส่วนย่อยๆ เพื่อค้นหาคำตอบได้ จากนั้นจึงใช้ความจำของคำถามเดิมเพื่อรวมคำตอบและสร้างผลลัพธ์ที่แม่นยำ สิ่งนี้ช่วยให้ตัวแทน AI สามารถตอบคำถามเชิงลึกที่อิงจากชุดข้อมูลหลายชุด สร้างสรุปจากข้อความ เขียนโค้ด หรือสร้างแผนได้

ตัวแทน LLM สามารถปรับปรุงผลลัพธ์ของตนได้ตามกาลเวลาโดยการวิเคราะห์และเรียนรู้จากการโต้ตอบก่อนหน้า ในความเป็นจริง ตัวแทนสามารถทบทวนพฤติกรรมของตนเอง กำหนดความสำเร็จของพฤติกรรมนี้ และทำการเปลี่ยนแปลงเพื่อปรับปรุงผลลัพธ์

เพื่อปรับปรุงในแต่ละงาน ตัวแทน LLM จะใช้เครื่องมือ เช่น การค้นหาเว็บหรือตัวทดสอบโค้ด เพื่อตรวจสอบความแม่นยำและลดเวลาในการตอบสนอง ตัวแทนสามารถระบุและแก้ไขข้อผิดพลาดเหล่านี้ได้โดยการประเมินคำตอบอย่างต่อเนื่องเทียบกับข้อมูลใหม่และข้อมูลในอดีต

ตัวแทนยังสามารถทำงานควบคู่กันได้ ตัวอย่างเช่น ตัวแทนหนึ่งอาจรับหน้าที่ค้นหาข้อมูลและสร้างคำตอบ ในขณะที่อีกตัวอาจประเมินผลลัพธ์เพื่อความแม่นยำ ตัวที่สามสามารถประเมินประสิทธิภาพของสองตัวแรกและเสนอแนะการปรับปรุง ตัวแทนเหล่านี้จะรวมข้อมูลของตนเข้าด้วยกันเพื่อสร้างผลลัพธ์ที่เกี่ยวข้องเดียว

คุณสามารถกำหนดค่าตัวแทน LLM ให้ทำหน้าที่ต่างๆ ได้หลายอย่าง แต่ตัวแทนประเภทต่างๆ จะไม่แยกจากกัน ตัวแทนหนึ่งตัวสามารถดำเนินการหลายฟังก์ชันพร้อมกันหรือตามลำดับได้

ประเภททั่วไปของตัวแทน LLM ได้แก่:

• ตัวแทน LLM เฉพาะงาน: ตัวแทนเหล่านี้ได้รับการออกแบบมาเพื่อดำเนินการที่กำหนดไว้อย่างแคบๆ เช่น การตรวจสอบสถานะการสั่งซื้อของลูกค้าหรือการอัปเดตข้อมูลการจัดส่ง โดยทั่วไป ตัวแทนเฉพาะงานจะดึงข้อมูลจากกลุ่มข้อมูลขนาดเล็ก เช่น ข้อมูลที่นำเสนอโดยโมเดลภาษาขนาดเล็ก (SLM)
• ตัวแทน Conversational LLM: ตัวแทน Conversational AI สามารถโต้ตอบกับผู้ใช้ปลายทาง เช่น พนักงานหรือลูกค้า และให้คำตอบสำหรับคำถามทั่วไป ความแตกต่างระหว่างตัวแทน AI กับแชทบอท คือ ตัวแทนเหล่านี้จะเรียนรู้เมื่อเวลาผ่านไป ซึ่งทำให้สามารถตอบสนองคำถามของผู้ใช้ได้อย่างเป็นธรรมชาติมากขึ้น
• ตัวแทน LLM ที่สนับสนุนการตัดสินใจ: ตัวแทนสนับสนุนการตัดสินใจจะแสดงข้อมูลเชิงลึกจากชุดข้อมูลหรือให้ข้อมูลสรุปขนาดใหญ่เพื่อปรับปรุงการตัดสินใจ ตัวอย่างเช่น เจ้าหน้าที่ข้อมูลความปลอดภัยระดับสูงของบริษัทอาจใช้ LLM ที่สนับสนุนการตัดสินใจเพื่อประเมินและสรุปผลกระทบของการโจมตีการรักษาความปลอดภัยทางไซเบอร์ของทุกองค์กรในช่วงเวลาที่กำหนด
• ตัวแทน LLM ที่ทำให้เวิร์กโฟลว์ทำงานอัตโนมัติ: ตัวแทน LLM ที่ทำให้เวิร์กโฟลว์ทำงานอัตโนมัติทำให้เวิร์กโฟลว์หลายขั้นตอนทำงานอัตโนมัติ ตัวแทนอัตโนมัติจะได้รับข้อมูลระบบที่จำเป็น ข้อมูลจำเพาะด้านการทำงาน และประสิทธิภาพเวิร์กโฟลว์ในอดีต เพื่อสร้างฐานข้อมูลพื้นฐานการปฏิบัติการ จากนั้นตัวแทนจะดำเนินการตามภารกิจที่ได้รับมอบหมายและปรับปรุงตามเวลาที่ผ่านไป
• ตัวแทน LLM สำหรับการดึงข้อมูล: วิธี RAG ถูกใช้โดยตัวแทน LLM ประเภทเหล่านี้เพื่อค้นหาและดึงข้อมูลจากระบบใดๆ ก็ได้ การดึงข้อมูลที่นี่ค่อนข้างตรงไปตรงมา ตัวแทนมีความเป็นเลิศในการระบุและรวบรวมข้อมูลที่เกี่ยวข้องและละเว้นข้อมูลที่ไม่เกี่ยวข้อง
• ตัวแทน LLM ที่ทำงานร่วมกัน: ตัวแทนที่ทำงานร่วมกันทำงานร่วมกับหรือควบคู่กับตัวแทนอื่น ตัวแทนเหล่านี้ทำงานแบบคู่ขนานได้อย่างมีประสิทธิภาพ ซึ่งทำให้สามารถลดเวลาตอบสนองได้โดยไม่สูญเสียความแม่นยำ
• ตัวแทน LLM การเรียนรู้แบบปรับตัว: ตัวแทนแบบปรับตัวใช้ข้อมูลในอดีตเพื่อปรับปรุงประสิทธิภาพในอนาคต ตัวแทนจะประเมินผลลัพธ์ที่ผ่านมาและเปรียบเทียบกับผลลัพธ์ที่เหมาะสมเพื่อพัฒนากลยุทธ์ใหม่

การสร้างตัวแทน AI ที่มีความสามารถรองรับระดับ LLM ต้องใช้โมเดลภาษาขนาดใหญ่ LLM นี้สร้างและตีความข้อความภาษาธรรมชาติ และส่วนประกอบเพิ่มเติม เช่น วิศวกรรมพร้อมท์ โมดูลหน่วยความจำ หรือระบบการดึงข้อมูล เพื่อปรับปรุงความเข้าใจบริบทและการใช้งาน สำหรับตัวแทน LLM ทุกประเภท องค์ประกอบระดับสูงสามประการได้แก่ สมอง ความจำ และการวางแผน

สมองของตัวแทนเป็นโมเดลภาษาที่สามารถเข้าใจและตอบสนองต่อคำถามของผู้ใช้ได้ ตัวแทนใช้พร้อมท์ — คำถามหรือคำพูดที่ผู้ใช้พูด — เพื่อชี้นำกระบวนการตัดสินใจและตอบคำถาม ด้วยการใช้โซลูชัน เช่น Agentforce สมองเหล่านี้สามารถปรับแต่งได้ด้วยเฟรมเวิร์กที่ออกแบบมาสำหรับสถานการณ์เฉพาะ เช่น การจัดการการเงิน ทรัพยากรบุคคล หรือภารกิจด้านการรักษาความปลอดภัยทางไซเบอร์

หน่วยความจำช่วยให้ตัวแทนเรียกคืนการกระทำก่อนหน้าเพื่อปรับปรุงผลลัพธ์ครั้งต่อไป สามารถแบ่งย่อยได้อีกเป็น 3 ประเภท:

• ระยะสั้น: หน่วยความจำระยะสั้นในตัวแทนจะใช้กับการสนทนาหรือภารกิจปัจจุบัน เป็นบันทึกคำเตือนของผู้ใช้และการดำเนินการใดๆ ที่ดำเนินการโดยตัวแทนจนถึงขณะนี้
• ระยะยาว: หน่วยความจำระยะยาวคือที่เก็บข้อมูลจากบทสนทนาหรือคำกระตุ้นในอดีตซึ่งอาจกินเวลานานเป็นสัปดาห์หรือเป็นเดือน หน่วยความจำนี้ให้บริบทกับงานปัจจุบันและตัวแทนสามารถตรวจสอบเพื่อระบุข้อผิดพลาดที่อาจเกิดขึ้นและพื้นที่สำหรับการปรับปรุง
• ไฮบริด: หน่วยความจำไฮบริดรวมหน่วยความจำระยะสั้นและระยะยาวเข้าด้วยกันเพื่อปรับปรุงการตอบสนองของตัวแทนในขณะนั้นโดยรักษาความตระหนักรู้สถานการณ์และดึงข้อมูลที่เกี่ยวข้องออกมาใช้แบบไดนามิก

โมดูลการวางแผนช่วยปรับปรุงการตอบสนองโดยแบ่งงานที่ซับซ้อนออกเป็นส่วนย่อยๆ:

• การกำหนดแผน (ทั้งแบบที่มีและไม่มีข้อคำติชม): การกำหนดแผนเป็นขั้นตอนแรก ตัวแทนแบ่งงานออกเป็นงานย่อยแล้วจึงดำเนินการให้เสร็จสมบูรณ์ แผนงานอาจถูกสร้างขึ้นและดำเนินการได้โดยมีหรือไม่มีคำติชม หากไม่มีคำติชม แผนงานต่างๆ จะได้รับการพัฒนาและดำเนินการโดยตัวแทนที่ไม่มีการควบคุมดูแลจากมนุษย์ กากมีคำติชม มนุษย์ในวงจรจะประเมินแผนและเสนอคำแนะนำก่อนที่จะดำเนินการตามแผน
• การทบทวนแผน: การทบทวนแผนเกิดขึ้นหลังจากดำเนินการตามแผนแล้ว การใช้เครื่องมือประเมินภายในร่วมกับคำติชมจากภายนอกของมนุษย์ในการทบทวนแผนจะช่วยระบุพื้นที่ที่ต้องปรับปรุง

ในทางปฏิบัติ ส่วนประกอบเหล่านี้จะทำงานร่วมกันเหมือนสมองของมนุษย์ที่เรียบง่าย สมองของตัวแทนจะรับและตีความคำถามของผู้ใช้ หน่วยความจำระยะสั้นใช้เพื่อสร้างความเข้าใจเกี่ยวกับงานปัจจุบัน ในขณะที่หน่วยความจำระยะยาวจะให้บริบท การวางแผนแบ่งงานที่ซับซ้อนออกเป็นงานย่อยๆ จากนั้นจึงดำเนินการให้เสร็จสมบูรณ์เพื่อแก้ไขปัญหาและให้คำตอบ

การทบทวนแผนช่วยลดความเสี่ยงของข้อผิดพลาดในอนาคตได้ด้วยการทำให้สามารถประเมินผลลัพธ์อย่างมีวิจารณญาณ ระบุข้อผิดพลาดที่อาจเกิดขึ้น และปรับปรุงความถูกต้องและความสอดคล้องของแผน

มีหลายวิธีในการใช้ตัวแทน LLM ประเภทนี้ รวมถึง:

• การขาย: ด้วย AISales AI ตัวแทนสามารถติดต่อลูกค้าเป้าหมายและให้ข้อมูลผลิตภัณฑ์ กำหนดการพบปะกับตัวแทนฝ่ายขาย หรือเสนอราคาและโปรโมชันพิเศษได้
• การบริการ: ตัวแทน AI ที่ให้บริการสามารถตอบคำถามของลูกค้า เสนอคำแนะนำในการแก้ไขปัญหาทางเทคนิค หรือส่งคำถามไปยังตัวแทนที่เป็นมนุษย์ได้
• การพาณิชย์: ด้วยการใช้ AI เพื่อการพาณิชย์ ตัวแทนสามารถเปิดใช้งานสถานะคำสั่งซื้อและการติดตามตามความต้องการ การแก้ไขคำสั่งซื้อ และช่วยเหลือในการคืนสินค้าหรือคืนเงิน
• การตลาด: ด้วยความสามารถในการจัดการกับพร้อมท์ที่ซับซ้อน ตัวแทน LLM สามารถใช้ AI ทางการตลาดเพื่อระบุกลุ่มเป้าหมายและสร้างแคมเปญทางการตลาดที่ปรับแต่งให้เหมาะกับกลุ่มต่างๆ โดยอิงจากประสิทธิภาพของแคมเปญในอดีตได้

แม้ว่าข้อได้เปรียบของ AI และ LLM จะมีมากมาย แต่คุณอาจยังต้องเผชิญกับความท้าทายบางประการกับตัวแทน LLM ประเภทต่างๆ ปัญหาทั่วไปได้แก่:

หากตัวแทน LLM ไม่ได้รับการฝึกอบรมด้วยข้อมูลที่เพียงพอหรือข้อมูลขาดความหลากหลาย อาจทำให้เกิดบริบทที่จำกัด สิ่งนี้ลดความสามารถของตัวแทนในการสร้างคำตอบที่เกี่ยวข้องและดำเนินการได้

ตัวแทนมีความโดดเด่นในการวางแผนระยะสั้น แต่อาจประสบปัญหาในการจัดการคำขอสำหรับแผนระยะยาวที่กินเวลานานหลายเดือนหรือหลายปี เนื่องจากขาดหน่วยความจำถาวร ข้อจำกัดของหน้าต่างบริบท และช่องว่างการรวมเครื่องมือ (และทรัพยากร)

ข้อมูลแหล่งที่มาที่ไม่ถูกต้องหรือคำแนะนำที่ไม่ชัดเจนอาจนำไปสู่ผลลัพธ์ที่ไม่สอดคล้องกัน หากคำถามเดียวกันส่งคืนผลลัพธ์ที่แตกต่างกัน ก็จะลดประโยชน์ของตัวแทน LLM

ตัวแทนสามารถปรับแต่งเพื่อรับบทบาทต่าง ๆ ได้ อย่างไรก็ตาม ความสำเร็จของบทบาทเหล่านี้ขึ้นอยู่กับเฟรมเวิร์ก AI ที่ใช้ เนื่องจากเฟรมเวิร์กจะกำหนดว่าจะสามารถฝึกอบรม ปรับใช้ และผสานการทำงานตัวแทนกับเครื่องมือและระบบอื่นๆ ได้อย่างมีประสิทธิภาพแค่ไหน

แม้ว่าพร้อมท์จะเป็นพื้นฐานของคำตอบของตัวแทน แต่ตัวแทน LLM ยังควรใช้ความจำและการไตร่ตรองในตนเองเพื่อแจ้งคำตอบด้วย หากขาดหรือไม่มีส่วนประกอบเหล่านี้ อาจทำให้ขอบเขตและความแม่นยำของคำตอบถูกจำกัด

ตัวอย่างหนึ่งคือการพึ่งพาพร้อมท์ สิ่งนี้เกิดขึ้นเมื่อ LLM “พึ่งพา” พร้อมท์เพื่อให้ข้อมูลเชิงบริบทเกี่ยวกับผลลัพธ์ที่ต้องการ อย่างดีที่สุด การพึ่งพาพร้อมท์จะทำให้ผลลัพธ์มีความลำเอียงเล็กน้อย อย่างเลวร้ายที่สุด ผลลัพธ์อาจไม่แม่นยำ

ปริมาณความรู้มหาศาลที่จัดการและจัดเก็บโดยตัวแทน LLM อาจนำไปสู่ความท้าทายในการจัดการ ความท้าทายเหล่านี้อาจปรากฏออกมาในรูปแบบประสิทธิภาพที่ลดลงหรือการตอบสนองที่ไม่ถูกต้อง

โดยทั่วไป ตัวแทน LLM จะปรับปรุงประสิทธิภาพการทำงาน ซึ่งอาจหมายถึง ROI ที่เพิ่มขึ้นจากการใช้ตัวแทน และการประหยัดทั่วทั้งธุรกิจ แต่หากตัวแทนไม่ผสานการทำงานกับระบบที่มีอยู่หรือถูกสร้างขึ้นบนเฟรมเวิร์กที่ใช้ทรัพยากรมาก อาจทำให้ต้นทุนเพิ่มขึ้นและประสิทธิภาพลดลง

เนื่องจากอัลกอริทึม ML มีความซับซ้อนมากขึ้นและชิปเซ็ตมีประสิทธิภาพมากขึ้น คาดว่าตัวแทน LLM และตัวแทน AI ประเภทเหล่านี้จะฉลาดขึ้น รวดเร็วขึ้น และมีความสามารถในการเรียนรู้เพิ่มมากขึ้น ในทางปฏิบัติ สิ่งนี้จะเปิดโอกาสให้แชทบอทที่ขับเคลื่อนด้วย AI ได้ทำงานร่วมกับมนุษย์ แทนที่จะทำงานตามหลัง

พิจารณาการขาย B2B โดยทั่วไป พนักงานอาจใช้หลักสูตร LLM เพื่อปรับปรุงการตลาดหรือการคัดลอกผลิตภัณฑ์และสร้างโอกาสในการขายที่มีศักยภาพ ด้วยเครื่องมือขั้นสูงมากขึ้น พนักงานสามารถใช้ตัวแทนเพื่อออกแบบและจัดส่งแคมเปญอีเมลเชิงลึกและตอบคำถามจากลูกค้า ข้อนี้มอบประโยชน์สองต่อคือการปรับแต่งให้เหมาะกับลูกค้าได้ดียิ่งขึ้นและพนักงานมีเวลามากขึ้นในการเน้นไปที่การสร้างกลยุทธ์การขายในระยะยาว

เนื่องจาก AI ขององค์กรมีการเติบโตแบบก้าวกระโดด ธุรกิจต่างๆ จึงได้รับประโยชน์จากตัวแทน LLM หลากหลายประเภท เทคโนโลยีนี้ช่วยให้บริษัทต่างๆ สามารถปรับปรุงการบริการลูกค้า เพิ่มประสิทธิภาพการตัดสินใจ และจัดการปัญหาที่ซับซ้อนและหลายขั้นตอนได้

Agentforce กำลังช่วยให้บริษัทต่างๆ เป็นผู้นำด้วยหลักสูตร LLM ด้วยการสร้างและปรับแต่งตัวแทน AI อัตโนมัติ ธุรกิจต่างๆ จะสามารถผสมผสานประสบการณ์ของพนักงานที่เป็นมนุษย์กับความเชี่ยวชาญด้าน AI ที่เพิ่มมากขึ้น เพื่อรองรับลูกค้าและพนักงานได้ตลอด 24 ชั่วโมงทุกวัน ลองใช้ Agentforce ด้วยตัวคุณเอง เพื่อดูว่ามันสามารถช่วยให้คุณเชื่อมต่อกับลูกค้าได้ดีขึ้นและทำให้พนักงานของคุณมีประสิทธิภาพมากขึ้นได้อย่างไร