พจนานุกรม AI
คำศัพท์ AI สำหรับธุรกิจ: 30 คำที่ต้องรู้ก่อนเลือกเครื่องมือ
แปล 30 คำศัพท์ AI เป็นภาษาธุรกิจ ตั้งแต่ LLM, Token และ Hallucination ถึง RAG, AI Agent, Human-in-the-loop และ AI Governance พร้อมคำถามก่อนเลือกเครื่องมือ
คำศัพท์ AI ที่ธุรกิจต้องรู้ ไม่ได้มีไว้ให้ทีมพูดเหมือนนักพัฒนา แต่มีไว้ถามให้ถูกก่อนซื้อเครื่องมือ ส่งข้อมูล หรือยอมให้ระบบตัดสินใจแทนคน หน้านี้แปล 30 คำที่พบบ่อยเป็นภาษางาน พร้อมบอกว่าคำนั้นมีผลต่อข้อมูล ต้นทุน คุณภาพ และความเสี่ยงอย่างไร
เริ่มจาก 8 คำนี้ก่อน
ถ้ามีเวลาอ่านจำกัด ให้เข้าใจ AI, Model, Generative AI, LLM, Prompt, Token, Context Window และ Hallucination ก่อน เพราะคำเหล่านี้อธิบายทั้งสิ่งที่เครื่องมือทำได้ ข้อจำกัด และสาเหตุที่คำตอบอาจผิด
คำพื้นฐานที่ใช้เลือกเครื่องมือ
1. AI — ปัญญาประดิษฐ์
โปรแกรมหรือแบบจำลองที่ทำงานซับซ้อนซึ่งปกติต้องใช้การรับรู้ การคาดการณ์ หรือการตัดสินใจของคน ในงานธุรกิจ คำว่า AI อาจหมายถึงระบบแนะนำสินค้า ระบบอ่านข้อความ หรือเครื่องมือสร้างเนื้อหา จึงต้องถามต่อเสมอว่า “AI ส่วนไหน ทำงานอะไร และใครตรวจผล”
2. Machine Learning — การเรียนรู้ของเครื่อง
วิธีทำให้ระบบเรียนรูปแบบจากข้อมูลเพื่อทำนายหรือจัดกลุ่มสิ่งใหม่ ตัวอย่างคือคาดการณ์ลูกค้าที่อาจเลิกใช้บริการ ไม่ใช่ระบบที่เข้าใจกฎธุรกิจทั้งหมดโดยอัตโนมัติ คุณภาพขึ้นกับข้อมูล ตัวแปร วิธีทดสอบ และสภาพงานจริงหลังเปิดใช้
3. Generative AI — AI ที่สร้างเนื้อหาใหม่
AI ที่สร้างข้อความ ภาพ เสียง วิดีโอ หรือโค้ดจากคำสั่ง เหมาะกับงานร่าง สำรวจทางเลือก และผลิตต้นฉบับ แต่ไม่ควรถือว่าผลลัพธ์เป็นข้อเท็จจริงหรือไฟล์พร้อมเผยแพร่จนกว่าจะตรวจความถูกต้อง สิทธิ์ และบริบท
4. Model — แบบจำลอง
ระบบคำนวณที่ผ่านการฝึกมาเพื่อรับข้อมูลและสร้างผลลัพธ์ รุ่นที่ต่างกันอาจต่างกันด้านความแม่น ความเร็ว ราคา ความยาวข้อมูลที่รับได้ และความสามารถใช้เครื่องมือ อย่าเลือกจากชื่อรุ่นเพียงอย่างเดียว ให้ทดสอบกับงานจริงและเกณฑ์เดียวกัน
5. LLM — โมเดลภาษาขนาดใหญ่
โมเดลที่เรียนรูปแบบภาษาและสร้างข้อความต่อเนื่องจากบริบท LLM ช่วยสรุป ร่าง แปลงรูปแบบ และตอบคำถามได้ แต่ไม่ได้เป็นฐานข้อมูลข้อเท็จจริงโดยตัวมันเอง หากคำตอบต้องอ้างข้อมูลบริษัทหรือข้อมูลล่าสุด ต้องมีแหล่งข้อมูลและการตรวจสอบเพิ่ม
6. Multimodal AI — AI ที่รับข้อมูลหลายรูปแบบ
ระบบที่ทำงานกับข้อความ ภาพ เสียง หรือวิดีโอร่วมกันได้ เช่น อ่านใบเสร็จจากรูปแล้วจัดข้อมูลเป็นตาราง คำว่า “รองรับภาพ” ไม่ได้แปลว่าอ่านข้อความเล็ก ๆ หรือภาพทุกชนิดได้แม่นเท่ากัน จึงต้องทดสอบกับไฟล์จริง
7. Training Data — ข้อมูลที่ใช้ฝึก
ข้อมูลที่ใช้ปรับแบบจำลองให้เรียนรู้รูปแบบ เป็นคนละเรื่องกับข้อมูลที่ผู้ใช้ส่งเข้าเครื่องมือระหว่างใช้งาน หากผู้ขายบอกว่า “AI เรียนรู้จากข้อมูลคุณ” ต้องถามว่าใช้เพื่อปรับคำตอบในบัญชี หรือใช้ฝึกโมเดล รวมถึงถามเรื่องสิทธิ์ ระยะเก็บ และการลบข้อมูล
8. Inference — ช่วงที่โมเดลกำลังสร้างคำตอบ
ขั้นตอนนำโมเดลที่ฝึกแล้วมาประมวลผลข้อมูลใหม่ เวลาตอบ ต้นทุนต่อคำขอ และข้อจำกัดปริมาณงานมักเกิดในช่วงนี้ ธุรกิจที่เรียกใช้จำนวนมากจึงต้องทดสอบทั้งคุณภาพและความเร็ว ไม่ใช่ดูตัวอย่างหนึ่งครั้ง
คำที่ใช้ตอนสั่งงาน AI
9. Prompt — คำสั่งพร้อมบริบท
ข้อมูลที่ส่งให้ AI เพื่อระบุงาน เป้าหมาย ข้อเท็จจริง ข้อจำกัด และรูปแบบผลลัพธ์ Prompt ที่ดีไม่จำเป็นต้องยาว แต่ต้องให้ข้อมูลที่มีผลต่อคำตอบ อ่านต่อได้ที่ วิธีเขียน Prompt ให้ตอบสม่ำเสมอ
10. Token — หน่วยย่อยที่โมเดลใช้ประมวลผล
ข้อความถูกแบ่งเป็นหน่วยย่อย ไม่ได้เท่ากับจำนวนคำเสมอไป Token มีผลต่อปริมาณข้อความที่รับได้ เวลา และค่าใช้บริการ การแนบเอกสารยาวมากจึงอาจทำให้บริบทส่วนสำคัญถูกลดทอนหรือมีต้นทุนเพิ่ม
11. Context Window — พื้นที่ข้อมูลที่โมเดลมองเห็นในหนึ่งงาน
ขีดจำกัดรวมของคำสั่ง ประวัติสนทนา เอกสาร และคำตอบที่โมเดลใช้ในรอบนั้น ต่อให้ระบบรับไฟล์ใหญ่ได้ ก็ไม่ได้แปลว่าจะให้ความสำคัญทุกส่วนเท่ากัน ควรแยกงาน ตั้งคำถามเฉพาะ และระบุส่วนอ้างอิง
12. System Instruction — กติกาหลักของระบบ
คำสั่งระดับระบบที่กำหนดบทบาท พฤติกรรม และข้อจำกัดก่อนรับคำถามผู้ใช้ ในงานองค์กรควรกำหนดสิ่งที่ระบบทำได้ แหล่งข้อมูลที่อนุญาต รูปแบบส่งต่อ และกรณีที่ต้องหยุดถามคน
13. Temperature — ระดับความหลากหลายของคำตอบ
ค่าที่มีผลต่อความสุ่มในการสร้างข้อความในบางระบบ งานสรุปข้อมูลหรือแปลงรูปแบบมักต้องการความสม่ำเสมอ ส่วนงานระดมความคิดอาจยอมรับความหลากหลายได้ แต่การลดค่านี้ไม่ได้รับประกันว่าข้อเท็จจริงจะถูกต้อง
14. Hallucination — คำตอบที่ฟังน่าเชื่อแต่ไม่มีฐานรองรับ
เกิดเมื่อโมเดลสร้างข้อมูล ชื่อ แหล่งอ้างอิง หรือความสัมพันธ์ที่ไม่ตรงข้อเท็จจริง ป้องกันด้วยการจำกัดแหล่งข้อมูล ขอหลักฐาน แยกข้อเท็จจริงจากข้อเสนอแนะ และให้ผู้รับผิดชอบตรวจคำตอบก่อนใช้ ดู วิธีตรวจคำตอบจาก AI
15. Grounding — ผูกคำตอบกับข้อมูลที่กำหนด
การให้ AI ตอบโดยอ้างเอกสาร ฐานข้อมูล หรือผลค้นหาที่ระบุ ช่วยลดการเดาจากความรู้ทั่วไป แต่ยังต้องตรวจว่าระบบดึงส่วนที่ถูกต้อง แหล่งข้อมูลยังใหม่ และการสรุปไม่บิดความหมาย
คำเกี่ยวกับข้อมูลขององค์กร
16. Retrieval — การค้นข้อมูลมาใช้ตอบ
ขั้นตอนค้นเอกสารหรือข้อมูลที่เกี่ยวข้องก่อนส่งให้โมเดล คุณภาพคำตอบจึงขึ้นกับการค้นหา สิทธิ์เข้าถึง โครงสร้างเอกสาร และความสดของข้อมูล ไม่ใช่ขึ้นกับโมเดลอย่างเดียว
17. RAG — ให้ AI ค้นข้อมูลก่อนตอบ
ย่อจาก Retrieval-Augmented Generation เป็นวิธีค้นข้อมูลจากแหล่งที่กำหนดแล้วใช้ข้อมูลนั้นประกอบคำตอบ เหมาะกับคู่มือภายใน นโยบาย หรือฐานความรู้ที่เปลี่ยนได้ แต่ต้องมีเจ้าของข้อมูล ระบบอัปเดต และวิธีแจ้งเมื่อหาแหล่งอ้างอิงไม่พบ
18. Embedding — การแทนความหมายเป็นชุดตัวเลข
วิธีเปลี่ยนข้อความหรือข้อมูลให้ระบบเปรียบเทียบความใกล้เคียงทางความหมายได้ ธุรกิจไม่จำเป็นต้องคำนวณเอง แต่ควรรู้ว่า “คล้ายกัน” ไม่เท่ากับ “ถูกต้อง” และอาจค้นเอกสารที่ใช้คำต่างกันแต่ความหมายใกล้กันได้
19. Vector Database — ฐานสำหรับค้นความใกล้เคียง
ระบบจัดเก็บและค้นตัวแทนเชิงตัวเลข เช่น Embedding ใช้ในระบบค้นเอกสารด้วยความหมาย ไม่ใช่ฐานข้อมูลวิเศษที่แก้เอกสารซ้ำ สิทธิ์ผิด หรือข้อมูลเก่าได้เอง
20. Fine-tuning — ปรับโมเดลด้วยตัวอย่างเฉพาะ
การฝึกต่อด้วยตัวอย่างเพื่อให้รูปแบบหรือพฤติกรรมเฉพาะสม่ำเสมอขึ้น เหมาะเมื่อมีตัวอย่างคุณภาพจำนวนพอและงานซ้ำชัด ไม่ใช่ทางเลือกแรกสำหรับการเพิ่มข้อเท็จจริงล่าสุด ซึ่งมักเหมาะกับ Retrieval หรือ RAG มากกว่า
คำเกี่ยวกับ Workflow และระบบอัตโนมัติ
21. AI Assistant — ผู้ช่วยที่รอคำสั่ง
ระบบช่วยตอบหรือทำงานตามคำขอของผู้ใช้ โดยคนยังเป็นผู้เริ่มและตัดสินใจ เหมาะกับงานร่าง สรุป และค้นข้อมูล หากระบบลงมือข้ามหลายขั้นเอง ต้องกำหนดสิทธิ์และจุดตรวจเพิ่ม
22. AI Agent — ระบบที่วางแผนและลงมือผ่านเครื่องมือ
ซอฟต์แวร์ที่รับเป้าหมาย วางแผน และดำเนินการบางอย่างแทนผู้ใช้ เช่น เรียก API หรืออัปเดตระบบ ยิ่งทำงานได้มาก ยิ่งต้องจำกัดพื้นที่การกระทำ สิทธิ์ งบประมาณ และเงื่อนไขหยุด
23. Tool Calling — การให้ AI เรียกใช้เครื่องมือ
การเชื่อมโมเดลกับฟังก์ชัน เช่น ค้นสต็อก สร้างเอกสาร หรือส่งข้อมูล ความเสี่ยงไม่ได้อยู่แค่คำตอบผิด แต่อยู่ที่การกระทำผิดด้วย จึงต้องตรวจพารามิเตอร์ ใช้สิทธิ์ต่ำสุด และบันทึกการทำงาน
24. AI Workflow — ลำดับงานที่มี AI อยู่บางขั้น
กระบวนการตั้งแต่รับข้อมูล ประมวลผล ตรวจ อนุมัติ และส่งต่อ โดย AI อาจช่วยเพียงหนึ่งหรือหลายขั้น Workflow ที่ดีต้องระบุเจ้าของงาน จุดตรวจ และทางออกเมื่อระบบทำไม่ได้ ดู วิธีออกแบบ AI Workflow
25. Human-in-the-loop — จุดที่คนต้องตรวจหรือตัดสินใจ
การวางคนไว้ในขั้นที่ผลกระทบสูง ข้อมูลไม่ชัด หรือจำเป็นต้องใช้ดุลยพินิจ ไม่ได้หมายถึงให้คนอ่านทุกคำตอบ แต่เลือกตรวจตามความเสี่ยงและเก็บหลักฐานการอนุมัติ
คำที่ใช้ควบคุมคุณภาพและความเสี่ยง
26. Evaluation — การประเมินผล
การทดสอบระบบด้วยชุดงานและเกณฑ์ที่กำหนด เช่น ความถูกต้อง ความครบ ความปลอดภัย เวลา และต้นทุน ต้องใช้ตัวอย่างที่แทนงานจริง รวมกรณีผิดพลาด และทำซ้ำเมื่อโมเดลหรือข้อมูลเปลี่ยน
27. Guardrail — กติกาป้องกันการใช้งานผิดขอบเขต
ข้อจำกัดก่อน ระหว่าง หรือหลังการประมวลผล เช่น ปิดบังข้อมูลส่วนตัว จำกัดเครื่องมือ ตรวจรูปแบบ หรือบังคับขออนุมัติ Guardrail ลดความเสี่ยงได้แต่ไม่แทนการออกแบบสิทธิ์และการติดตามเหตุผิดปกติ
28. Bias — ความเอนเอียง
รูปแบบที่ทำให้ผลลัพธ์ไม่เป็นธรรม ไม่เหมาะสม หรือสะท้อนข้อมูลที่ไม่สมดุล ต้องตรวจทั้งข้อมูล ตัวอย่างทดสอบ กลุ่มที่ได้รับผลกระทบ และวิธีอุทธรณ์ โดยเฉพาะงานบุคคล เครดิต สุขภาพ และบริการสาธารณะ
29. AI Governance — วิธีที่องค์กรกำกับการใช้ AI
บทบาท นโยบาย การอนุมัติ การจัดระดับความเสี่ยง การติดตาม และหลักฐานที่ทำให้องค์กรรู้ว่า AI ใดถูกใช้กับข้อมูลอะไร Governance ที่ใช้ได้จริงควรช่วยให้ทีมตัดสินใจเร็วขึ้นอย่างมีขอบเขต ไม่ใช่มีเพียงเอกสารนโยบาย
30. Responsible AI — การพัฒนาและใช้ AI อย่างรับผิดชอบ
แนวทางที่คำนึงถึงความน่าเชื่อถือ ความปลอดภัย ความเป็นส่วนตัว ความเป็นธรรม ความโปร่งใส และความรับผิดชอบ ต้องแปลงหลักการเป็นเจ้าของงาน จุดตรวจ ตัวชี้วัด และวิธีรับมือเมื่อเกิดผลกระทบ
ก่อนซื้อเครื่องมือ AI ให้ถาม 10 ข้อนี้
- ระบบช่วยงานใด และผลลัพธ์ต้องดีขึ้นอย่างไร
- ใช้โมเดลใด และเปลี่ยนรุ่นโดยแจ้งหรือไม่
- ข้อมูลของเราเก็บที่ใด นานเท่าไร และใช้ฝึกโมเดลหรือไม่
- ใครเข้าถึงข้อมูล คำสั่ง และประวัติการทำงานได้
- ระบบอ้างข้อมูลจากแหล่งใด และแสดงแหล่งที่มาหรือไม่
- AI เรียกใช้เครื่องมือหรือแก้ข้อมูลจริงได้มากแค่ไหน
- ขั้นใดต้องให้คนตรวจ อนุมัติ หรือหยุดระบบ
- ทดสอบคุณภาพด้วยชุดงานใด และผ่านเกณฑ์อะไร
- คิดค่าบริการจากผู้ใช้ Token งาน หรือปริมาณการเรียก
- เมื่อผิดพลาด จะย้อนกลับ ตรวจประวัติ และแจ้งผู้ได้รับผลกระทบอย่างไร
ตัวอย่าง: แปลศัพท์ให้เป็นการตัดสินใจ
สถานการณ์จำลอง: ทีมต้องการให้ AI ตอบคำถามจากคู่มือพนักงาน คำว่า LLM บอกว่าเครื่องมือสร้างภาษาได้ ส่วน RAG บอกว่าจะค้นคู่มือก่อนตอบ แต่การตัดสินใจยังต้องตรวจว่าเอกสารใดเป็นแหล่งหลัก ใครอัปเดต สิทธิ์ของแต่ละคนต่างกันหรือไม่ และเมื่อไม่พบคำตอบระบบจะหยุดหรือเดา
ดังนั้นโจทย์ไม่ใช่ “ควรใช้ LLM รุ่นไหน” อย่างเดียว แต่คือ “ระบบค้นเอกสารถูกฉบับ จำกัดสิทธิ์ แสดงแหล่งอ้างอิง และส่งต่อคนเมื่อไม่มั่นใจได้หรือไม่”
Checklist ก่อนเริ่มโครงการ AI
- ระบุงาน เจ้าของงาน ผู้ใช้ และผู้ได้รับผลกระทบ
- แยกข้อมูลทั่วไป ข้อมูลภายใน ข้อมูลส่วนบุคคล และข้อมูลอ่อนไหว
- กำหนดตัวอย่างผลลัพธ์ที่ผ่านและไม่ผ่าน
- ทดสอบกรณีข้อมูลไม่ครบ ข้อมูลขัดกัน และคำสั่งนอกขอบเขต
- กำหนด Human-in-the-loop ตามระดับความเสี่ยง
- จำกัด Tool Calling และสิทธิ์ให้เท่าที่ต้องใช้
- เก็บบันทึก Version แหล่งข้อมูล ผลทดสอบ และการอนุมัติ
- วัดคุณภาพ เวลา ต้นทุน และเหตุผิดพลาดก่อนขยาย
คำถามที่พบบ่อย
AI กับ Generative AI เหมือนกันไหม
ไม่เหมือนกันทั้งหมด AI เป็นคำกว้าง ส่วน Generative AI เป็นกลุ่มระบบที่สร้างเนื้อหาใหม่ เช่น ข้อความหรือภาพ ระบบคาดการณ์ยอดขายก็เป็น AI ได้โดยไม่ใช่ Generative AI
RAG กับ Fine-tuning ควรเลือกอะไร
ถ้าต้องให้คำตอบอ้างข้อมูลที่อัปเดตได้ มักเริ่มประเมิน RAG ก่อน หากต้องการให้รูปแบบหรือพฤติกรรมเฉพาะสม่ำเสมอและมีตัวอย่างคุณภาพมากพอจึงพิจารณา Fine-tuning ทั้งสองวิธีใช้ร่วมกันได้
ใช้ AI Agent แล้วไม่ต้องมีคนทำงานหรือไม่
ไม่ควรสรุปเช่นนั้น Agent ทำงานข้ามขั้นได้ แต่ยังต้องมีคนกำหนดสิทธิ์ เกณฑ์หยุด การตรวจ และผู้รับผิดชอบเมื่อเกิดข้อผิดพลาด งานที่กระทบเงิน สิทธิ์ หรือคนต้องวางจุดอนุมัติชัดเจน
เลือกคำศัพท์เท่าที่จำเป็น แล้วกลับไปดูงานจริง
ศัพท์มีประโยชน์เมื่อช่วยให้ถามผู้ขาย ออกแบบการทดลอง และควบคุมความเสี่ยงได้ ถ้าทีมยังไม่รู้ว่างานใดต้องดีขึ้น ให้เริ่มจาก วิธีเริ่มใช้ AI ในองค์กร และ วิธีเลือก AI ให้เหมาะกับงาน ก่อนเลือกระบบจากชื่อเทคโนโลยี
แหล่งอ้างอิง
- Google for Developers: Machine Learning Glossary — นิยาม AI, Generative AI, LLM, Token, Agent, Evaluation และคำที่เกี่ยวข้อง
- NIST AI Risk Management Framework — แนวทางความน่าเชื่อถือ การวัด และการจัดการความเสี่ยง AI
- OECD AI Principles — หลักการ AI ที่น่าเชื่อถือและความรับผิดชอบ
ผู้เขียน: อาจารย์หลิง ณิชชา ทัตพงษ์พฤธา ผู้ก่อตั้ง AJLinkOfficial และบริษัท อินดิจิทัล จำกัด เรียบเรียงเรื่อง AI และ Digital Marketing ให้เชื่อมกับการตัดสินใจและการทำงานของธุรกิจ