เทคนิคการใช้ AI สุดอัจฉริยะของ Yusuke Narita [ฉบับเก็บตก]

ระเบียบวิธีสำหรับการประเมิน การออกแบบ และความปลอดภัย เพื่อ "ไม่ให้ AI จบลงเพียงแค่เป็นเครื่องมืออำนวยความสะดวก"

หากคุณคิดว่ายูซูเกะ นาริตะ เป็นเพียง "นักวิชาการที่พูดถึง AI มากมาย" คุณกำลังมองข้ามแก่นแท้ของเขาไป วิธีที่เขาเผชิญหน้ากับ AI ไม่ได้อยู่ในขอบเขตทั่วไปของการเพิ่มประสิทธิภาพการทำงาน เช่น การสร้างประโยคด้วยแชทบอท การสรุปการประชุม หรือการเขียนพรอมพ์ให้ดี แต่จุดเด่นของเขาอยู่ที่การมอง AI เป็น "อุปกรณ์ที่ดำเนินการตัดสินใจ" และคิดร่วมกันว่าจะออกแบบมันอย่างไร จะประเมินมันอย่างไร และจะนำไปใช้ในสังคมอย่างปลอดภัยได้อย่างไร

บนเว็บไซต์อย่างเป็นทางการของเขา เขาอธิบายความเชี่ยวชาญของเขาว่า "การออกแบบธุรกิจและนโยบายสาธารณะโดยใช้ข้อมูล อัลกอริทึม และความคิด" และ "การพัฒนาวิธีการออกแบบอัลกอริทึมการตัดสินใจทางสังคมในเชิงข้อมูล" ในโปรไฟล์มหาวิทยาลัยเยลอย่างเป็นทางการของเขา ศูนย์กลางของงานวิจัยของเขาคือการออกแบบอัลกอริทึมการตัดสินใจในนโยบายและธุรกิจ โดยใช้การผสมผสานระหว่างการอนุมานเชิงสาเหตุ การเรียนรู้ของเครื่อง และการประมาณค่าเชิงโครงสร้าง กล่าวอีกนัยหนึ่ง สำหรับเขาแล้ว AI ไม่ใช่แอปพลิเคชันเดี่ยวๆ แต่เป็นรากฐานของ "หน่วยสืบราชการลับที่ขับเคลื่อนการตัดสินใจในโลกแห่งความเป็นจริง" เช่น การแนะนำ การโฆษณา การค้นหา และการจัดสรรนโยบาย

และสุดท้าย มีเพียงสิ่งเดียวเท่านั้น

การใช้งานที่แนะนำในบทความนี้—"ไม่ให้ AI เขียนคำตอบ แต่ให้มันจัดเรียงวัสดุให้คุณตัดสินใจ"—จะกลับไปสู่การใช้งานดั้งเดิมในวันพรุ่งนี้ หากคุณแค่อ่านและเห็นด้วย มันจะมีความหมายก็ต่อเมื่อคุณรันมันในงานของคุณเองจริงๆ เท่านั้น

ดังนั้น ฉันจึงเตรียมชุดปฏิบัติการฟรี เพื่อให้คุณสามารถนำวิธีคิดนี้ไปใช้ในการดำเนินงานของคุณเองได้โดยตรง

คุณจะได้รับสิ่งต่อไปนี้:

คุณไม่จำเป็นต้องเข้าร่วมการให้คำปรึกษาหรือสัมมนาฟรี คุณสามารถรับได้โดยตรงหลังจากเพิ่ม LINE

รับได้ที่นี่:

จากที่นี่

ตอนนี้ ไปกันเลย

1. แก่นแท้ของการใช้ AI แบบนาริตะคือ "การตัดสินการตัดสินใจของ AI" มากกว่า "การถาม AI"

หลายคนใช้ AI ในฐานะเวอร์ชันที่เหนือกว่าของเครื่องมือค้นหา หรือเป็นแหล่งจ้างงานภายนอกสำหรับการเขียน แน่นอนว่าสิ่งนั้นมีประสิทธิภาพในตัวเอง แต่วิธีการเผชิญหน้ากับ AI แบบนาริตะนั้นอยู่เหนือกว่าสิ่งนั้น ในความคิดของเขา AI ไม่ได้แค่ตอบคำถามเท่านั้น แต่มันดำเนินการ "ตัดสินใจ" เอง เช่น ควรแนะนำสินค้าใด ควรแสดงโฆษณาใด ควรแจกจ่ายคูปองใด และสิ่งที่สำคัญคือ อย่าปล่อยให้การตัดสินใจนั้นไม่ถูกตรวจสอบ แต่ให้ออกแบบมันเพื่อให้สามารถให้คะแนนได้ในภายหลังเสมอ

ข้อเท็จจริงที่แสดงโดยนาริตะ: AI ไม่ใช่ "กล่องตอบคำถาม" แต่เป็น "ผู้ทำการตัดสินใจ"

ในบทความที่เขียนร่วมกันโดยนาริตะ ระบุว่า "อัลกอริทึมกำลังเข้ามาดำเนินการตัดสินใจหลายอย่างในนโยบายและธุรกิจ" เทคนิคการใช้งานแรกที่เห็นจากที่นี่คือ การปฏิบัติต่อ AI ไม่ใช่ "กล่องที่ส่งคืนคำตอบ" แต่เป็น "ผู้ทำการตัดสินใจ" และสร้างระบบเพื่อวัดคุณภาพของการตัดสินใจนั้นก่อน หากคุณใช้ AI เพียงเพื่อย่ออีเมล ความได้เปรียบทางการแข่งขันก็มีน้อย อย่างไรก็ตาม หากคุณสร้างโครงสร้างที่คุณมอบหมายการตัดสินใจให้กับ AI ตรวจสอบคุณภาพของการตัดสินใจนั้นด้วยข้อมูล และปรับปรุงมันในขณะที่ป้องกันการเสื่อมสภาพ AI จะกลายเป็นไม่ใช่แค่เครื่องมือเพิ่มประสิทธิภาพ แต่เป็นเครื่องยนต์ตัดสินใจสำหรับธุรกิจ

การประยุกต์ใช้กับบุคคลและบริษัท

หากคุณแทนที่วิธีคิดนี้ด้วยบุคคลหรือบริษัท ก็จะเป็นเช่นนี้ ก่อนที่จะให้ AI ทำอะไร ให้ตัดสินใจก่อนว่า "นี่คือการตัดสินใจเพื่อปรับปรุงอะไร?" และ "เราจะวัดในภายหลังอย่างไรว่าการตัดสินใจนั้นดี?" สำหรับการขาย อย่าแค่สร้างข้อเสนอ แต่กำหนดการตัดสินใจว่าจะให้ข้อเสนอใดกับลูกค้ารายใด และการตรวจสอบอัตราการปิดการขายนั้นเป็นชุดเดียวกัน สำหรับอีคอมเมิร์ซ อย่าแค่อธิบายสินค้า แต่ให้คะแนนการตัดสินใจว่าจะแสดงสินค้าใดให้ใคร โดยรวมถึงไม่เพียงแต่อัตราการซื้อ แต่ยังรวมถึงประสิทธิภาพของสินค้าคงคลังด้วย แบบนาริตะคือแนวคิดของการออกแบบ "ระบบการตัดสินใจ" มากกว่า "คำตอบ" ของ AI

2. การตัดสินใจใช้ AI ด้วย "การประเมินก่อน"

ส่วนที่สอดคล้องกันมากที่สุดของวิธีคิดของนาริตะคือแนวคิดการประเมินก่อน ในบทความที่เขียนร่วมกันของเขา เขาชี้ให้เห็นว่า แม้การทดสอบ A/B จะเชื่อถือได้ แต่ก็ใช้เวลาและเงิน และมีความเสี่ยงต่อความล้มเหลว ดังนั้น เขาจึงโต้แย้งซ้ำแล้วซ้ำเล่าว่า แทนที่จะลองใช้ในระบบการผลิตทันที คุณควรประมาณก่อนว่า "จะเกิดอะไรขึ้นถ้าคุณทำแตกต่างออกไป" จากข้อมูลบันทึกในอดีต

การประเมินก่อนคืออะไร?

การประเมินก่อนในการใช้ AI ไม่ใช่ "การนำ AI มาใช้เพราะมันเป็นที่นิยม" ก่อนอื่น คุณต้องตัดสินใจก่อนว่า "จะวัดอย่างไรว่าการตัดสินใจของ AI นี้ดี" ล่วงหน้า

ตัวอย่างเช่น พิจารณางานของการทำให้ฝ่ายบริการลูกค้าเป็น AI ในเชิงผิวเผิน มันคืองาน "การสร้างคำตอบโดยอัตโนมัติ" แต่เมื่อแยกย่อยด้วยการประเมินก่อน การออกแบบมาก่อน: อะไรคือคำตอบที่ดี (อัตราการแก้ไขปัญหา ความพึงพอใจ หรือเวลาตอบสนอง?) จะใช้ข้อมูลใดในการวัด และจะสังเกตเห็นเมื่อมันเสื่อมสภาพได้อย่างไร?

การประยุกต์ใช้กับบุคคลและบริษัท

การใช้ AI แบบนาริตะนั้นเฉียบคมในการแยกนี้ แทนที่จะโยนทุกอย่างให้ AI คุณกำหนดก่อนว่า "อะไรคือการตัดสินใจที่ดี" เตรียมเกณฑ์วัดมัน จากนั้นจึงขยับ AI เป็นครั้งแรก ก่อนที่จะคิดว่าจะให้ AI ทำอะไร ให้ตั้งคำถามว่าคุณต้องการปรับปรุงอะไรตั้งแต่แรก นี่คือการนำ AI แบบประเมินก่อน

3. "การให้คะแนนด้วยข้อมูลในอดีตก่อนที่จะขึ้นระบบการผลิต" = แนวคิดของการประเมินผลเชิงตรงกันข้าม

แกนหลักของงานวิจัยของนาริตะคือเทคโนโลยีที่เรียกว่า Off-Policy Evaluation (OPE) มันเป็นคำที่ยาก แต่เนื้อหานั้นง่าย: "การให้คะแนนมาตรการที่ยังไม่ได้ทำจากข้อมูลบันทึกในอดีตล่วงหน้า"

ทำไม "การขึ้นระบบการผลิตทันที" ถึงอันตราย?

วิธีคิดนี้สามารถนำไปใช้โดยตรงสำหรับการใช้ AI หลายองค์กรล้มเหลวเพราะพวกเขารันวิธีการใหม่ที่คิดขึ้นมาในระบบการผลิตทันที มันใช้ได้ถ้ามันได้ผล แต่ถ้ามันพลาด มันจะทำให้การตอบสนองของลูกค้าแย่ลง และเสียเวลาและต้นทุน

การประยุกต์ใช้กับบุคคลและบริษัท

หากคุณคิดในแบบนาริตะ ลำดับของการนำ AI มาใช้จะเป็นเช่นนี้ ก่อนอื่น หากคุณคิดพรอมพ์หรือนโยบายใหม่ อย่าใส่ทั้งหมดลงในระบบการผลิตทันที ถัดไป ใช้บันทึกของกรณีที่คล้ายกันในอดีตเพื่อประมาณว่า "จะเกิดอะไรขึ้นถ้าเป็นวิธีการใหม่นั้น" จากนั้น เฉพาะสิ่งที่ได้รับการยืนยันแล้วว่าไม่เสื่อมสภาพอย่างชัดเจนเท่านั้นที่จะถูกนำเข้าสู่ระบบการผลิตทีละน้อย

AI นั้นทรงพลัง แต่ถ้าคุณนำมันเข้าสู่ระบบการผลิตโดยไม่มีการตรวจสอบ ความล้มเหลวจะถึงผู้ใช้อย่างเต็มรูปแบบ ในทางกลับกัน หากคุณส่งออกหลังจากให้คะแนนด้วยข้อมูลในอดีตก่อน คุณสามารถลดอัตราการเกิดอุบัติเหตุได้อย่างมาก กล่าวอีกนัยหนึ่ง สิ่งที่สำคัญในฐานะขั้นตอนก่อนของการใช้ AI ไม่ใช่การพยายามอย่างหนัก แต่เป็นการอ่านล่วงหน้าอย่างปลอดภัยด้วยข้อมูลประวัติ

4. "การตั้งคำถามกับเกณฑ์วัดเอง" = อย่าเชื่อถือเมตริกเดียว

สิ่งที่ขาดไม่ได้ในวิธีการเผชิญหน้ากับ AI แบบนาริตะคือความสงสัยต่อวิธีการประเมินเอง ในบทความที่เขียนร่วมกันของเขา มีบทความหนึ่งที่กล่าวว่า "วิธีการประเมินแบบใดดีที่สุดนั้นเปลี่ยนแปลงไปตามงาน และไม่มีผู้ชนะเพียงรายเดียว" ดังนั้น คุณควรเตรียมเกณฑ์วัดหลายๆ อย่าง และเลือกแบบที่เหมาะที่สุดสำหรับแต่ละสถานการณ์

ทำไมเมตริกเดียวถึงอันตราย?

สิ่งนี้แสดงให้เห็นเสาหลักที่สำคัญของการใช้ AI แบบนาริตะ นั่นคือ อย่าตัดสินผลลัพธ์ของ AI ด้วย "ตัวเลขเดียว" ในธุรกิจ มันง่ายที่จะกระโดดไปที่เมตริกเดียว เช่น อัตราการคลิกเพิ่มขึ้นหรือการตอบสนองดี แต่ตัวเลขนั้นวัดสิ่งที่คุณต้องการปรับปรุงจริงๆ หรือไม่?

การประยุกต์ใช้กับบุคคลและบริษัท

หากบุคคลเลียนแบบสิ่งนี้ เมื่อประเมินผลลัพธ์ของ AI ให้มองจากหลายมุมเสมอ ตัวอย่างเช่น หากคุณวัดแชทบอทด้วย "อัตราการแก้ไขปัญหา" เพียงอย่างเดียว แม้ว่าอัตราการแก้ไขปัญหาจะเพิ่มขึ้น แต่ถ้าผู้ใช้รู้สึกว่ามัน "เย็นชา" และออกไป มันก็คือความล้มเหลวจริงๆ ดังนั้น ให้ดูอัตราการแก้ไขปัญหา ความพึงพอใจ อัตราการเลิกใช้ และเวลาตอบสนองแยกกัน

การใช้ AI แบบนาริตะตั้งคำถามว่าเกณฑ์วัดถูกต้องหรือไม่ ก่อนที่จะเปรียบเทียบโมเดล AI จะปรับให้เหมาะสมตามเกณฑ์วัดที่คุณตั้งไว้ ดังนั้น หากเกณฑ์วัดผิดพลาด ยิ่งมันฉลาดมากเท่าไหร่ มันก็จะยิ่งวิ่งไปในทิศทางที่ผิดมากขึ้นเท่านั้น การทำให้สิ่งนี้มั่นคงก่อนคือแบบนาริตะ

5. อย่าเลื่อน "ข้อจำกัดในโลกแห่งความเป็นจริงที่น่ารำคาญ"

สิ่งที่เหมือนกันในงานวิจัยล่าสุดของนาริตะคือการนำปัญหาจริงในโลกมาใส่ในระบบการประเมินตั้งแต่ต้น ไม่ใช่เป็นสิ่งที่คิดทีหลัง ปัญหาของสินค้าและบทความใหม่ที่เพิ่มขึ้นเรื่อยๆ ปัญหาของขีดจำกัดสูงสุดของสินค้าคงคลังและงบประมาณคูปอง และปัญหาของพฤติกรรมที่แตกต่างกันไปในแต่ละผู้ใช้ เขานำข้อจำกัดเหล่านี้มาพิจารณาตั้งแต่เริ่มต้น

ทำไม AI ที่สร้างขึ้นด้วยอุดมคติถึงพังในระบบการผลิต

สิ่งที่สำคัญที่นี่คือ การใช้ AI ไม่ได้จบลงที่ "เงื่อนไขในอุดมคติ" การดำเนินงานในโลกแห่งความเป็นจริงมักมีงบประมาณ จำนวนชั่วโมงทำงาน เงื่อนไขต้องห้าม และความหลากหลายของผู้ใช้เสมอ แม้ว่าคุณจะสร้างพรอมพ์ที่ทำงานได้ดีในสภาวะอุดมคติ มันก็จะพังเมื่อเจอข้อจำกัดในโลกแห่งความเป็นจริง

ตัวอย่างเช่น ขีดจำกัดสูงสุดของสินค้าคงคลัง หากคุณสั่งให้ AI "นำเสนอสินค้าที่ดูเหมือนจะได้รับการตอบรับที่ดีออกมาเรื่อยๆ" สินค้ายอดนิยมจะหมดลงในทันที และคุณจะไม่สามารถนำเสนออะไรให้กับลูกค้าที่มาทีหลังได้ งานวิจัยของนาริตะคำนึงถึงข้อจำกัดด้านอุปทานดังกล่าวตั้งแต่เริ่มต้น และประเมินโดยดูที่ "การจัดสรรให้กับผู้ใช้ในอนาคต" มากกว่าแค่ "การตอบสนองในขณะนี้"

การประยุกต์ใช้กับบุคคลและบริษัท

แนวคิดนี้สามารถนำไปใช้กับงานทั่วไปได้เช่นกัน เมื่อคิดถึงมาตรการ AI แทนที่จะสร้างด้วยอุดมคติก่อนแล้วค่อยปรับทีหลัง ให้รวม "งบประมาณที่ใช้ได้" "จำนวนชั่วโมงทำงานที่ใช้ได้" "สิ่งที่ต้องไม่ทำเด็ดขาด" และ "ช่วงของผู้ใช้เป้าหมาย" เป็นข้อสมมติฐานตั้งแต่เริ่มต้น การใช้ AI แบบนาริตะไม่เลื่อนข้อจำกัดในโลกแห่งความเป็นจริง ยิ่ง AI ถูกสร้างขึ้นมาอย่างสวยงามมากเท่าไหร่ มันก็จะยิ่งล้มเหลวในระบบการผลิตมากขึ้นเท่านั้น หากละเลยข้อจำกัด

6. การปฏิบัติต่อ AI ไม่ใช่ "เครื่องตอบคำถาม" แต่เป็น "เครื่องจักรหลีกเลี่ยงการเสื่อมสภาพ"

สิ่งที่แสดงถึงงานวิจัยของนาริตะได้ดีคือแนวคิดของการปฏิบัติต่อ "การไม่แย่ลง" เองว่าเป็นผลลัพธ์ ในงานวิจัยของเขา มีสิ่งที่กำหนดข้อจำกัดว่ามันจะไม่ต่ำกว่านโยบายที่กำลังดำเนินการอยู่ด้วยความน่าจะเป็นสูง และสิ่งที่ค่อยๆ คลายเบรกความปลอดภัยภายในจำนวนการแนะนำเล็กน้อย

แนวคิดของการนับ "การหลีกเลี่ยงการเสื่อมสภาพ" เป็นผลลัพธ์

นี่คือการก้าวกระโดดครั้งใหญ่ในการใช้ AI แบบนาริตะ การใช้ AI จำนวนมากมองแค่ว่า "ดีขึ้นแค่ไหน" แต่นาริตะปฏิบัติต่อ "สามารถหลีกเลี่ยงการเสื่อมสภาพได้มากแค่ไหน" ว่าเป็นผลลัพธ์ที่สำคัญพอๆ กัน

การประยุกต์ใช้กับบุคคลและบริษัท

สิ่งนี้ยังชี้ให้เห็นในการใช้ AI ของบริษัทอีกด้วย เมื่อพยายามปรับปรุงคุณภาพของคำตอบ แทนที่จะเปลี่ยนทุกอย่างเป็นวิธีการใหม่ทันที ให้รับประกันก่อนว่ามันไม่ต่ำกว่าวิธีการปัจจุบัน แล้วค่อยลองทีละน้อย โดยเฉพาะอย่างยิ่ง ลองนโยบายใหม่กับเพียง 1-5% ของทั้งหมด และกำหนดเส้นหยุดล่วงหน้า เช่น "หยุดถ้ามันเสื่อมสภาพอย่างชัดเจน"

สิ่งที่สร้างความแตกต่างในการใช้ AI ไม่ใช่แค่ความโดดเด่นของการรุก แต่คือคุณสามารถขยายขอบเขตของการสำรวจได้มากแค่ไหนในขณะที่ระงับความน่าจะเป็นของการเสื่อมสภาพ ในคำพูดของนาริตะ เฉพาะเมื่อออกแบบการปรับปรุงคุณภาพของ AI และการระงับการทำงานผิดพลาด คำตอบที่ผิด และอคติบนโต๊ะเดียวกันในเวลาเดียวกัน AI จึงจะเติบโตได้อย่างปลอดภัย

7. การรวม "จริยธรรม" ไว้ในการคำนวณ ไม่ใช่เป็นแค่หมายเหตุ

ลักษณะเฉพาะของมุมมอง AI ของนาริตะคือวิธีที่เขาจัดการกับจริยธรรม ในขณะที่จริยธรรมมักจะเป็น "หมายเหตุที่เพิ่มต่อท้าย" ในหลายสาขา ในงานวิจัยของนาริตะ จริยธรรมถูกรวมไว้ในปัญหาการปรับให้เหมาะสม

การรวมจริยธรรมในการปรับให้เหมาะสม

ตัวอย่างเช่น ในงานวิจัยเกี่ยวกับการออกแบบการทดลองทางการแพทย์ เขาชี้ให้เห็นว่าวิธีการทั่วไปมีปัญหาทางจริยธรรม เช่น การกำหนดการรักษาที่ทราบว่าได้ผลน้อยกว่าหรือการรักษาที่ผู้เข้าร่วมไม่ชอบ ดังนั้น เขาจึงรวมความชอบของผู้เข้าร่วมและผลกระทบที่คาดการณ์ไว้ในการคำนวณการจัดสรรตั้งแต่เริ่มต้น เพื่อพยายามเพิ่มความพึงพอใจของผู้เข้าร่วม

การประยุกต์ใช้กับบุคคลและบริษัท

หากคุณดึงสิ่งนี้กลับไปสู่การใช้ AI มันก็กลายเป็นเรื่องราวที่จำเป็น มันไม่ใช่ "โอเคถ้าความแม่นยำสูง" แต่เป็น "การนำความรู้สึกของผู้ที่ใช้มันและต้นทุนของความเสียหายมาใส่ในการประเมินตั้งแต่เริ่มต้น"

ตัวอย่างเช่น เมื่อนำเสนอคำแนะนำใหม่ด้วย AI หากคุณไม่นำเสนอตัวเลือกใหม่ ระบบจะหยุดนิ่ง แต่ถ้าคุณนำเสนอมากเกินไป คุณจะพลาดและเกิดอุบัติเหตุ งานวิจัยของนาริตะพยายามตอบสนองทั้ง "ความใหม่ (การเปิดเผยที่ยุติธรรม)" และ "ความปลอดภัย" นี้พร้อมกัน หากคุณไล่ตามประสิทธิภาพเพียงอย่างเดียว ภาระจะตกอยู่ที่ใครบางคนที่ไหนสักแห่ง แบบนาริตะรวมต้นทุนของภาระนั้นไว้ในการคำนวณตั้งแต่เริ่มต้น มันปฏิบัติต่อจริยธรรมไม่ใช่เป็นเบรก แต่เป็นส่วนหนึ่งของการออกแบบ

8. การประเมินผู้ประเมินเอง = การปรับให้เหมาะสมระดับเมตาหนึ่งขั้น

สิ่งที่น่าสนใจเกี่ยวกับงานวิจัยของนาริตะคือ ก่อนที่จะเปรียบเทียบโมเดล AI เขาวางขั้นตอนเพื่อตรวจสอบว่า "วิธีการเปรียบเทียบ (ผู้ประเมิน) เองถูกต้องหรือไม่" ในงานวิจัยของเขา มีวิธีการเลือกโดยอัตโนมัติว่าวิธีการประเมินแบบใดดีตามงาน

การตรวจสอบ "เกณฑ์วัด" ก่อนโมเดล

สิ่งที่เห็นได้จากสิ่งนี้คือ มุมมองของนาริตะต่อการปรับให้เหมาะสมด้านประสิทธิภาพนั้นสูงกว่าการปรับแต่งโมเดลหนึ่งขั้น หลายคนแข่งขันกันว่า "โมเดลไหนเหนือกว่า" แต่นาริตะยืนยันว่า "เกณฑ์วัดที่ใช้ให้คะแนนโมเดลนั้นถูกต้องเหมาะสมหรือไม่" ก่อนหน้านั้น

การประยุกต์ใช้กับบุคคลและบริษัท

หากบริษัททั่วไปเลียนแบบสิ่งนี้ ก่อนที่จะเปรียบเทียบเครื่องมือ AI พวกเขาจะตั้งคำถามกับเกณฑ์ในการเปรียบเทียบ ตัวอย่างเช่น เมื่อพยายามเปรียบเทียบ AI สองตัวด้วย "ความเร็วของการตอบสนอง" พวกเขาจะถามก่อนว่าความเร็วเป็นสิ่งที่สำคัญที่สุดในธุรกิจนี้หรือไม่ หากคุณเปรียบเทียบด้วยเกณฑ์ที่ผิดเพี้ยน แม้ว่าคุณจะเลือกตัวที่ชนะ มันก็จะเสื่อมสภาพจริงๆ

การใช้ AI ดูเหมือนเป็นการต่อสู้ของ "จะเลือกโมเดลไหน" แต่จริงๆ แล้วมันคือการต่อสู้ของ "จะเลือกโดยใช้เกณฑ์อะไร" หากคุณเรียนรู้จากแบบนาริตะ คุณควรวัดความถูกต้องของเกณฑ์วัดก่อนที่จะวัดประสิทธิภาพของโมเดล

9. การรู้ว่าวิธีการทั่วไปพังใน "ทางเลือกจำนวนมาก"

ในงานวิจัยของนาริตะ มีการรับรู้ว่าวิธีการประเมินทั่วไปพังในสถานการณ์ที่มีทางเลือก (การกระทำ) มากมาย เขาโต้แย้งว่าในสถานการณ์ที่เกี่ยวข้องกับทางเลือกจำนวนมาก เช่น การแนะนำและการค้นหาที่มีตัวเลือกมากเกินไป และโมเดลภาษา การประเมินโดยใช้ฟีเจอร์และการฝังเป็นสิ่งจำเป็น มากกว่าการเปรียบเทียบอัตราชนะแบบง่าย

ทำไมการประเมินถึงพังด้วยทางเลือกจำนวนมาก

สิ่งนี้กระทบโดยตรงกับการใช้ LLM ในปัจจุบัน AI เชิงสร้างสรรค์มีตัวเลือกมากมายสำหรับผลลัพธ์และทางเลือกสำหรับเครื่องมือที่สามารถใช้ได้ ในสถานการณ์เช่นนี้ หากคุณเพียงแค่เปรียบเทียบว่า "อันไหนดีกว่า A หรือ B" การเปรียบเทียบเองก็จะไม่เสถียร

การประยุกต์ใช้กับบุคคลและบริษัท

หากบุคคลนำสิ่งนี้ไปใช้ ยิ่งมีงานที่มีทางเลือก AI มากเท่าไหร่ ก็ยิ่งหลีกเลี่ยงการเปรียบเทียบแบบสองทางเลือกที่คร่าวๆ ตัวอย่างเช่น อย่าตัดสินใจทันทีว่า "พรอมพ์ตัวไหนดีที่สุดจาก 10 ตัวเลือก" ด้วยตัวอย่างขนาดเล็ก เมื่อมีตัวเลือกมากมาย อย่ารีบตัดสินใจและดูอย่างละเอียดภายใต้เงื่อนไขหลายๆ อย่าง

การใช้ AI แบบนาริตะถือว่าการประเมินจะยากขึ้นเมื่อจำนวนทางเลือกเพิ่มขึ้น ดังนั้น ในสถานการณ์ที่มีตัวเลือกมากมาย พวกเขายึดติดกับการประเมินที่ออกแบบไว้ มากกว่าการเปรียบเทียบแบบง่าย

10. การเข้าใจความสำคัญของ "การลดแรงเสียดทานของข้อมูลนำเข้า"

ที่รากฐานของงานวิจัยของนาริตะคือแนวคิดของการทิ้งข้อมูลอย่างถูกต้องต่อไป เพื่อให้ระบบการตัดสินใจทำงานได้อย่างต่อเนื่อง ในโครงสร้างพื้นฐานข้อมูลที่เขาเกี่ยวข้อง ข้อมูลเช่น ตัวเลือกใดถูกนำเสนอด้วยความน่าจะเป็นเท่าใดจะถูกบันทึกไว้ เพื่อให้ "สาเหตุที่ผลลัพธ์นั้นเกิดขึ้น" สามารถให้คะแนนได้อย่างยุติธรรมในภายหลัง

การคงไว้ซึ่ง "สถานะที่ตรวจสอบได้" อย่างต่อเนื่อง

การใช้ AI ที่นี่ไม่ใช่แค่ประสิทธิภาพ มันคือ "การคงไว้ซึ่งสถานะที่สามารถตรวจสอบได้ในภายหลังโดยไม่รู้สึกว่าน่ารำคาญ" หากการตรวจสอบน่ารำคาญ ผู้คนจะหยุดทำ นั่นเป็นเหตุผลที่จำเป็นต้องมีการออกแบบที่ลดอุปสรรคในการบันทึกและการประเมิน

การประยุกต์ใช้กับบุคคลและบริษัท

หากคุณนำแนวคิดนี้ไปใช้ในการใช้ AI ในชีวิตประจำวัน สิ่งสำคัญคือ "การลดแรงเสียดทานของการตรวจสอบ" การให้คะแนนผลลัพธ์ของ AI ด้วยตนเองทุกครั้งจะไม่ยั่งยืน ดังนั้น ให้ทำเทมเพลตพรอมพ์ที่คุณใช้บ่อย ตัดสินใจเมตริกที่จะวัดผลลัพธ์ล่วงหน้า และทำให้ผลลัพธ์ถูกทิ้งไว้โดยอัตโนมัติ ยิ่งคุณลดระยะทางไปสู่การตรวจสอบลงมากเท่าไหร่ วงจรการปรับปรุง AI ก็จะยิ่งหมุนต่อไป

วิธีการเผชิญหน้ากับ AI แบบนาริตะในท้ายที่สุดมุ่งไปที่ "มนุษย์กำหนดการตัดสินใจที่ดี AI ดำเนินการ ผลลัพธ์จะถูกบันทึกไว้เสมอ และได้รับการปรับปรุงอีกครั้ง"

11. การใช้ด้วยความรู้สึกวิกฤต

ในมุมมอง AI ของนาริตะ มีความรู้สึกตึงเครียดเกี่ยวกับการมอบหมายการตัดสินใจให้กับอัลกอริทึมในเวลาเดียวกันกับที่ให้ความสนใจกับความเป็นไปได้ ในการสนทนาครั้งหนึ่ง เขากล่าวในทำนองว่า "เงิน" เป็นเพียงการแสดงแบบหนึ่งมิติที่หยาบของสิ่งที่ผู้คนทำในอดีต และหากมีข้อมูลที่ละเอียดกว่านี้ ก็สามารถแทนที่ด้วยสิ่งนั้นได้ เขามองว่า AI และข้อมูลเป็นรากฐานที่สามารถแทนที่เกณฑ์การตัดสินใจของสังคมเองได้

ความรับผิดชอบจะคลุมเครือมากขึ้นเมื่อคุณมอบหมายการตัดสินใจมากขึ้น

ประเด็นนี้ยังสำคัญในฐานะเทคนิคการใช้ AI การใช้ AI เพียงเพราะมันสะดวกนั้นเป็นอันตราย ยิ่งคุณมอบหมายการตัดสินใจให้กับ AI มากเท่าไหร่ ก็ยิ่งคลุมเครือมากขึ้นว่าความรับผิดชอบนั้นเป็นของใครและตัดสินใจโดยใช้เกณฑ์อะไร การรั่วไหลของข้อมูล ข้อมูลที่ผิด อคติ ตำแหน่งของความรับผิดชอบ และการพึ่งพามากเกินไป หากคุณมอบหมายการตัดสินใจให้กับ AI ในขณะที่เพิกเฉยต่อสิ่งเหล่านี้ คุณจะสูญเสียความไว้วางใจในระยะยาวเพื่อแลกกับประสิทธิภาพระยะสั้น

การประยุกต์ใช้กับบุคคลและบริษัท

หากคุณเรียนรู้จากแบบนาริตะ อย่าหยุดเพราะกลัว AI แต่ให้ออกแบบโดยมีข้อเสี่ยงเป็นข้อสมมติฐาน สร้างกฎเพื่อไม่ให้ใส่ข้อมูลที่เป็นความลับ ทิ้งการยืนยันของมนุษย์สำหรับการตัดสินใจที่สำคัญ ทิ้งบันทึกการตัดสินใจของ AI กำหนดขอบเขตความรับผิดชอบเมื่อเกิดการตัดสินใจที่ผิดพลาด การใช้ AI คือการออกแบบไม่เพียงแต่คันเร่ง แต่ยังรวมถึงเบรกด้วย

12. การทำซ้ำ "การลองด้วยการแนะนำแบบจำกัด"

สิ่งที่สอดคล้องกันในงานวิจัยของนาริตะคือแนวคิดของการเริ่มต้นจากจำนวนการแนะนำที่จำกัดเล็กน้อย แทนที่จะเป็นการเปลี่ยนระบบเต็มรูปแบบ ในงานวิจัยของเขา กระแสของการไม่ใช้นโยบายใหม่กับทั้งหมดทันที แต่ลองก่อนในส่วนหนึ่ง ดูผลลัพธ์ เรียนรู้ใหม่ และขยายทีละน้อย ปรากฏซ้ำแล้วซ้ำเล่า

"การลองเล็ก" ทำงานได้ดีกว่าในยุคที่การสร้างต้นแบบทำได้รวดเร็ว

ในยุค AI ทัศนคติ "การลองเล็ก" นี้ยิ่งมีความสำคัญมากขึ้น เนื่องจากต้นทุนของการสร้างต้นแบบลดลงอย่างมากเนื่องจาก AI แต่สิ่งล่อใจให้รันโดยไม่มีการตรวจสอบก็แข็งแกร่งขึ้นเช่นกัน เอกสารการวางแผน โค้ด ข้อความโฆษณา รายงานการวิเคราะห์ สิ่งที่เคยใช้เวลาหลายวันตอนนี้กลายเป็นร่างแรกในไม่กี่นาที นั่นเป็นเหตุผลว่าทำไมการไม่พอใจกับร่างแรกและลองเล็กและตรวจสอบจึงมีประสิทธิภาพ

การประยุกต์ใช้กับบุคคลและบริษัท

ในเทคนิคการใช้ AI แบบนาริตะ AI ไม่ใช่ "เวทมนตร์ที่ส่งออกผลิตภัณฑ์สำเร็จรูปในครั้งเดียว" แต่เป็นอุปกรณ์เพื่อเพิ่มจำนวนครั้งที่คุณลองเล็กและตรวจสอบ ลองกับ 1-5% ดูผลลัพธ์ ยืนยันการเสื่อมสภาพ กลับมา ปรับปรุง ลองอีกครั้ง ผู้ที่สามารถเร่งวงจรนี้อย่างปลอดภัยจะได้รับประโยชน์จาก AI ผู้ที่ใช้ AI แต่ไม่ได้รับผลลัพธ์กำลังเดิมพันมากเกินไปในการแนะนำเต็มรูปแบบครั้งเดียว

13. วิธีการปฏิบัติสำหรับบุคคลเพื่อเลียนแบบการใช้ AI แบบนาริตะ

คุณไม่จำเป็นต้องมีรากฐานการวิจัยของมหาวิทยาลัยหรือข้อมูลขนาดใหญ่เหมือนนาริตะ หากเป็นเพียงแนวคิด แม้แต่บุคคลก็สามารถเลียนแบบได้ตั้งแต่วันนี้

5 ขั้นตอนที่คุณทำได้ตั้งแต่วันนี้

ก่อนอื่น ก่อนที่จะให้ AI ทำอะไร ให้เขียนในหนึ่งประโยคว่า "ฉันต้องการปรับปรุงอะไร" ทุกคนหลงทางเพราะพวกเขาข้ามขั้นตอนนี้ ถัดไป ตัดสินใจล่วงหน้า "ด้วยตัวเลขอะไรฉันจะวัดคุณภาพนั้น" ประการที่สาม แม้ว่าคุณจะคิดพรอมพ์ใหม่ อย่าใช้มันกับทุกอย่างทันที ก่อนอื่นให้ลองกับกรณีที่คล้ายกันในอดีตหรือส่วนหนึ่งก่อน ประการที่สี่ อย่าตัดสินผลลัพธ์ด้วยตัวเลขเดียว ให้มองจากหลายมุม ประการที่ห้า เตรียมระบบล่วงหน้าที่คุณสามารถสังเกตเห็นและหยุดได้เมื่อมันเสื่อมสภาพ

หากคุณทำกระแสนี้ต่อไป AI จะเปลี่ยนจากเครื่องมืออำนวยความสะดวกธรรมดาไปเป็นรากฐานการตัดสินใจของคุณเองที่ปรับปรุงอย่างต่อเนื่องโดยไม่พัง

14. หากบริษัทเลียนแบบ ให้สร้าง "ระบบการตัดสินใจ" มากกว่า "ความแม่นยำของคำตอบ"

ประเด็นที่ใหญ่ที่สุดที่บริษัทควรเรียนรู้จากแบบนาริตะคือ ไม่ใช่การมุ่งเน้นไปที่การเพิ่มความแม่นยำของคำตอบของ AI เพียงอย่างเดียว สิ่งที่งานวิจัยของนาริตะปรับปรุงมาอย่างต่อเนื่องคือระบบสำหรับ "การตัดสินใจ ให้คะแนน และปรับปรุงอย่างปลอดภัย" มากกว่าความถูกต้องของคำตอบแต่ละรายการ

"ระบบการตัดสินใจ" มากกว่าความฉลาดของโมเดล

ในหลายบริษัท การนำ AI มาใช้หยุดอยู่ที่การเปรียบเทียบว่า "โมเดลไหนฉลาด" แต่ถ้าคุณคิดในแบบนาริตะ สิ่งที่สำคัญไม่ใช่ความฉลาดของโมเดล แต่คือมีการออกแบบเพื่อประเมินการตัดสินใจนั้น ป้องกันการเสื่อมสภาพ ปฏิบัติตามข้อจำกัดในโลกแห่งความเป็นจริง และรวมจริยธรรมหรือไม่ หากคุณนำ AI มาใช้ในขณะที่วัตถุประสงค์และ KPI คลุมเครือ มันจะจบลงเป็นเหตุการณ์ภายในที่ใช้เทคโนโลยีล่าสุด

วัฒนธรรมที่บริษัทควรมี

หากบริษัทจริงจังกับการใช้ AI ก่อนอื่นต้องกำหนด "สิ่งที่ถือว่าเป็นการตัดสินใจที่ดี" ในฐานะผู้บริหาร จัดระเบียบข้อมูลเพื่อวัดมัน สร้างระบบเพื่อตรวจจับการเสื่อมสภาพ และมีวัฒนธรรมของการขยายจากการแนะนำแบบจำกัด AI ไม่ใช่ธีมเฉพาะสำหรับแผนก信息系统 "ระบบการตัดสินใจ" ถูกตั้งคำถามในการขาย การพัฒนา การผลิต กฎหมาย ทรัพยากรบุคคล การเงิน และการตอบสนองลูกค้า กล่าวอีกนัยหนึ่ง การใช้ AI คือการออกแบบการตัดสินใจเอง

15. หลุมพรางของการใช้ AI แบบนาริตะ และสิ่งที่ควรพูดอย่างตรงไปตรงมา

แน่นอนว่าไม่จำเป็นต้องยกย่องแบบนาริตะตามที่เป็นอยู่ ในขณะที่ทัศนคติของการประเมิน การตรวจสอบ และความปลอดภัยอย่างละเอียดช่วยลดอุบัติเหตุ แต่ก็มีสถานการณ์ที่ทำให้ความเร็วช้าลงเช่นกัน หากคุณระมัดระวังในการให้คะแนนทุกอย่าง มีบางครั้งที่คุณจะไม่สามารถเคลื่อนไหวในสถานการณ์ที่คุณควรลองอย่างรวดเร็ว สิ่งสำคัญในการใช้ AI ไม่ใช่การลอกเลียนแบบนาริตะอย่างผิวเผิน แต่เป็นการนำหลักการไปใช้ตามสภาพแวดล้อมของคุณเอง

เพื่อความซื่อสัตย์: ส่วนนี้ "ยังไม่ได้รับการยืนยัน"

และมีอีกสิ่งหนึ่งที่ฉันต้องการเขียนอย่างตรงไปตรงมา "วิธีการแบบนาริตะ" ที่แนะนำในบทความนี้ไม่ใช่สิ่งที่ตัวนาริตะเองพูดว่า "นี่คือวิธีที่ฉันใช้ AI" มันเป็น "แนวทาง" ที่สร้างขึ้นใหม่ด้วยความน่าจะเป็นสูงโดยการอ่านเอกสารสาธารณะของเขา (เว็บไซต์, ประวัติย่อ, เอกสารวิจัย) อย่างละเอียด กิจวัตรส่วนตัว เช่น นาริตะใช้ LLM ตัวไหนในชีวิตประจำวันและเขาพิมพ์พรอมพ์อะไร ไม่สามารถยืนยันได้ในข้อมูลสาธารณะ ดังนั้น ฉันจะไม่เติมจินตนาการนั้นและจะทิ้งไว้อย่างตรงไปตรงมาว่า "ยังไม่ได้รับการยืนยัน"

หลักการที่ยังสามารถนำมาใช้ได้

เหนือสิ่งอื่นใด หลักการที่จะนำมาใช้คือ: คิดด้วยการประเมินก่อน ให้คะแนนด้วยข้อมูลในอดีตก่อนการผลิต ตั้งคำถามกับเกณฑ์วัดเอง รวมข้อจำกัดในโลกแห่งความเป็นจริงตั้งแต่เริ่มต้น ปฏิบัติต่อการหลีกเลี่ยงการเสื่อมสภาพเองว่าเป็นผลลัพธ์ และรวมจริยธรรมในการคำนวณ และไม่แสร้งทำเป็นไม่เห็นความเสี่ยง

บทสรุป: เทคนิคการใช้ AI ของยูซูเกะ นาริตะคือ "การเติบโตของระบบการตัดสินใจที่ดีโดยไม่ทำให้มันพัง"

ถ้าต้องอธิบายแนวทางการเผชิญหน้ากับ AI ของ Yusuke Narita ด้วยคำเดียว ก็คือการปฏิบัติต่อ AI ไม่ใช่ในฐานะ "เครื่องตอบคำถาม" แต่ในฐานะ "อุปกรณ์ตัดสินใจ" และสร้างระบบเพื่อให้คะแนนการตัดสินนั้นและปรับปรุงโดยไม่ทำให้มันพัง แทนที่จะมองหาพรอมต์ที่ทรงพลังที่สุดหรือเครื่องมือที่ยอดเยี่ยม ให้ออกแบบพื้นฐานของสิ่งที่ AI ตัดสิน วิธีการวัดว่ามันดีหรือไม่ และวิธีป้องกันการเสื่อมถอย

สรุปหลักการสไตล์นาริตะ

หลักการสำหรับสิ่งนั้นชัดเจน ด้วยการประเมินเป็นอันดับแรก ให้นิยามสิ่งที่คุณต้องการปรับปรุงก่อน ให้คะแนนด้วยข้อมูลในอดีตก่อนที่จะนำไปใช้งานจริง อย่าเชื่อถือตัวเลขเดียว และตั้งคำถามกับมาตรวัดนั้นเอง อย่าเลื่อนข้อจำกัดในโลกแห่งความเป็นจริงออกไป แต่ให้รวมมันเข้ากับตั้งแต่เริ่มต้น มองว่าการหลีกเลี่ยงการเสื่อมถอยนั้นเป็นผลลัพธ์ในตัวของมันเอง ผนวกจริยธรรมเข้าไปในการคำนวณ แทนที่จะเป็นเพียงเชิงอรรถ และลองเล็กๆ จากการนำไปใช้ในวงจำกัด แล้วขยายอย่างปลอดภัย

สิ่งที่สร้างความแตกต่างอย่างแท้จริงในยุค AI ไม่ใช่แค่ "คุณกำลังใช้ AI ตัวไหน" แต่เป็นว่าคุณสามารถประเมินและปรับปรุงการตัดสินของ AI อย่างต่อเนื่องได้มากเพียงใด โดยไม่ทำให้มันพัง จุดแข็งของนาริตะอยู่ที่ความจริงที่ว่าเขาไม่ได้ไล่ตามคำตอบของเทรนด์ AI แต่กลับเผชิญหน้ากับการเติบโตของระบบการตัดสินของ AI อย่างสม่ำเสมอ โดยไม่ปล่อยให้มันล่ม

ดังนั้น สิ่งที่เราควรเรียนรู้ไม่ใช่ "ทำวิจัยแบบเดียวกับนาริตะ" แต่คือการเลือกการตัดสินใจหนึ่งอย่างที่จะมอบหมายให้ AI ในงานของคุณเอง กำหนดเกณฑ์ที่คุณต้องการปรับปรุง และปรับปรุงทีละน้อยพร้อมกับป้องกันการเสื่อมถอย แทนที่จะพอใจแค่ให้ AI เขียนประโยค ให้วัดคุณภาพของการตัดสินของ AI และเติบโตมันโดยไม่ทำลายมัน เทรนด์พรอมต์เปลี่ยนไปในครึ่งปี แต่แนวคิดที่ให้ความสำคัญกับการประเมินก่อนนี้จะยังคงใช้ได้ไม่ว่า AI จะวิวัฒนาการไปมากแค่ไหน

นั่นคือสิ่งที่เป็นประโยชน์ในทางปฏิบัติมากที่สุดที่สามารถเรียนรู้ได้จากเทคนิคการใช้ AI ของ Yusuke Narita