Module 1 Beginner

AI & LLM Fundamentals 2026

เข้าใจ AI, LLM, Reasoning Models และ AI Landscape ในยุคปัจจุบัน

🎯 วัตถุประสงค์การเรียนรู้ Module 1

1.1 AI คืออะไร

1.1.1 AI คืออะไร? 🖼️ ดูภาพประกอบ

AI (Artificial Intelligence) คือระบบคอมพิวเตอร์ที่สามารถทำงานที่ปกติต้องใช้สติปัญญาของมนุษย์ เช่น การเข้าใจภาษา วิเคราะห์ข้อมูล สร้างสรรค์เนื้อหา และตัดสินใจ

💡 จำง่ายๆ

AI ไม่ได้ "คิด" เหมือนมนุษย์ — มัน "คาดเดา" คำตอบที่น่าจะถูกที่สุดจากข้อมูลที่เรียนรู้มา เปรียบเหมือนนักเรียนที่ท่องจำหนังสือทั้งห้องสมุดแล้วตอบคำถามจากความจำ

1.1.2 ประวัติความเป็นมาของ AI (70+ ปี)

📜 เส้นทาง AI จากอดีตสู่ปัจจุบัน ดูรายละเอียดเพิ่มเติม
ยุคเหตุการณ์สำคัญ
1950s
จุดกำเนิด		 Alan Turing เสนอ "Turing Test" (1950) | บัญญัติคำว่า "AI" ที่ Dartmouth Workshop (1956) โดยจอห์น แมคคาร์ธี
1960s-70s
ยุคทอง		 โปรแกรมบุกเบิกอย่าง ELIZA (แชตบอตแรก) | Neural Network รุ่นแรก (Perceptron)
1970s-80s
AI Winter #1		 ฮาร์ดแวร์จำกัด + งบวิจัยถูกตัด → AI หยุดชะงัก
1980s
ฟื้นฟู		 Expert Systems (ระบบผู้เชี่ยวชาญ) | Backpropagation Algorithm
1990s-2010s
Big Data		 Deep Blue ชนะหมากรุก (1997) | Deep Learning ปฏิวัติวงการ (ImageNet 2012) | AlphaGo ชนะโกะ (2016)
2020s
Generative AI		 Transformer Architecture → ChatGPT, Claude, Gemini | Multimodal AI (ภาพ+เสียง+วิดีโอ)

1.1.3 AI อยู่รอบตัวเราแล้ว

ในชีวิตประจำวัน

  • Face ID บนมือถือ — นั่นคือ AI
  • Google Maps แนะนำเส้นทาง — นั่นคือ AI
  • Netflix แนะนำหนัง — นั่นคือ AI
  • Siri, Google Assistant — นั่นคือ AI

ในงานตำรวจ/ราชการ

  • ระบบตรวจจับใบหน้า — AI วิเคราะห์ภาพ
  • ระบบตรวจจับทะเบียนรถ — AI อ่านป้าย
  • Chatbot ตอบคำถามประชาชน — AI สนทนา
  • ระบบวิเคราะห์ข้อมูลอาชญากรรม — AI หารูปแบบ
💡 AI ฝังอยู่ในแทบทุกผลิตภัณฑ์แล้ว

ทุกวันนี้ AI ไม่ได้เป็นแค่ "แอปแยกต่างหาก" อีกต่อไป แต่ถูกฝังเข้าไปในแทบทุกผลิตภัณฑ์และทุกแพลตฟอร์มที่เราใช้ — ตั้งแต่มือถือ, เบราว์เซอร์, โปรแกรมออฟฟิศ, แอปธนาคาร ไปจนถึงระบบงานราชการ หลายครั้งมันทำงานเงียบๆ อยู่เบื้องหลังจนเราไม่ทันสังเกต การเข้าใจว่า AI อยู่ตรงไหนบ้าง จึงเป็นก้าวแรกของการใช้มันอย่างรู้เท่าทัน

🔍 ตัวอย่างจริง: AI ช่วยงานสืบสวนอย่างไร (ข้อมูลสมมติ)

สถานการณ์: ทีมสืบสวนได้รับ CDR (บันทึกการโทร) ของผู้ต้องสงสัยในคดีหลอกลวงออนไลน์ จำนวน 8,000 รายการ พร้อม log การเข้าใช้งานบัญชีธนาคารอีกหลายพันแถว

ขั้นตอนAI ช่วยอะไรมนุษย์ทำอะไร
1. คัดกรอง หาเบอร์ที่ติดต่อบ่อยผิดปกติ, ช่วงเวลาโทรกระจุกตัว, เลขที่ติดต่อซ้ำหลายเหยื่อ กำหนดเกณฑ์ "ผิดปกติ" และตรวจว่าผลสมเหตุผล
2. สรุป ย่อ pattern เป็นตารางเชื่อมโยง (link analysis เบื้องต้น) ตีความความเชื่อมโยงในบริบทคดี
3. ตัดสินใจ ❌ ไม่ฟันธงว่าใครผิด ✅ พนักงานสอบสวนชั่งน้ำหนักพยานหลักฐานและตัดสินใจ

⚠️ ข้อมูลในตัวอย่างเป็นข้อมูลสมมติทั้งหมด — ในงานจริงห้ามนำข้อมูลส่วนบุคคล/ข้อมูลลับขึ้น public AI และต้องมี Human-in-the-Loop เสมอ (ดูฝึกปฏิบัติจริงได้ที่ Lab ของแต่ละ Module เช่น lab-m04 CDR Link Analysis)

1.1.4 ประโยชน์ของ AI

🎯 4 ประโยชน์หลักของ AI
#ประโยชน์ตัวอย่างการใช้งาน
1 เพิ่มประสิทธิภาพ (Efficiency) ลดเวลาทำงานซ้ำๆ เช่น สรุปเอกสาร, ร่างจดหมาย, วิเคราะห์ข้อมูล
2 ลดข้อผิดพลาด (Accuracy) ตรวจสอบเอกสาร, ตรวจจับ pattern ผิดปกติ, QA งาน
3 เข้าถึงความรู้ (Knowledge Access) ค้นหาข้อมูลจากเอกสารหลายพันหน้าในวินาที, แปลภาษา
4 สร้างสรรค์ (Creativity) Brainstorm ไอเดีย, ร่างเนื้อหา, สร้างภาพ/วิดีโอ
💡 หลักคิด

AI ไม่ได้มาแทนที่มนุษย์ แต่ช่วยให้มนุษย์ทำงานได้ "เร็วขึ้น ดีขึ้น และโฟกัสงานสำคัญได้มากขึ้น"

1.1.5 ประเภทของ AI ที่ควรรู้จัก

📂 ประเภท AI — แบ่งตามเทคโนโลยี vs การใช้งาน
ประเภทตามเทคโนโลยีประเภทตามการใช้งาน
Machine Learning (ML) — ระบบที่เรียนรู้จากข้อมูลโดยไม่ต้องเขียนกฎตายตัวAI สร้างภาพ: DALL-E, Midjourney, Ideogram
Deep Learning — ML ที่ใช้โครงข่ายประสาทเทียมหลายชั้นเพื่อเรียนรู้ pattern ซับซ้อนAI สร้างวิดีโอ: Sora, Runway, Kling
NLP (Natural Language Processing) — AI ที่เข้าใจและสร้างภาษามนุษย์AI สนทนา / LLM: ChatGPT, Claude, Gemini
Computer Vision — AI ที่เข้าใจและวิเคราะห์ภาพ/วิดีโอAI Coding IDE: Cursor, Claude Code, Copilot, Kiro

ฝั่งซ้ายคือ "เครื่องยนต์หลังบ้าน" (ML, Deep Learning, NLP, Computer Vision) ส่วนฝั่งขวาคือ "แอปที่คนใช้จริง" (สร้างภาพ, สร้างวิดีโอ, สนทนา, เขียนโค้ด) — ทั้งสองฝั่งไม่ได้จับคู่ 1:1 กัน แต่เทคโนโลยีหลายตัวรวมกันจึงเกิดเป็นเครื่องมือที่เราคุ้นหู

💡 โฟกัสของหลักสูตรนี้

หลักสูตรนี้โฟกัส LLM — เพราะเป็นประเภทที่ใช้งานเอกสาร วิเคราะห์ ร่างหนังสือ ซึ่งตรงกับงานทั่วไป | Prompt สำหรับ LLM ≠ Prompt สำหรับ Midjourney — คนละประเภท คนละกฎ

1.1.6 เปรียบเทียบความสามารถ AI — OpenLeaderboard

📊 AI Leaderboard Resources

ต้องการเปรียบเทียบความสามารถของ AI Models ต่างๆ สามารถดูจากแหล่งเหล่านี้:

แหล่งข้อมูลจุดเด่นลิงก์
Chatbot Arena มนุษย์โหวตเปรียบเทียบ AI แบบ blind test — ค่า ELO rating lmarena.ai
Artificial Analysis เปรียบเทียบ Quality, Speed, Price ของ AI Models artificialanalysis.ai
OpenRouter Rankings ดู pricing และ performance ของ models ต่างๆ ที่ใช้งานผ่าน OpenRouter openrouter.ai/rankings
💡 วิธีอ่าน Leaderboard

⚠️ หมายเหตุ: Leaderboard เปลี่ยนแปลงบ่อย — ตรวจสอบข้อมูลล่าสุดก่อนตัดสินใจเลือก Model

1.2 LLM — Large Language Model

1.2.1 LLM คืออะไร?

LLM (Large Language Model) คือ AI ที่ถูกฝึกด้วยข้อมูลข้อความมหาศาล (หลายล้านล้านคำ) สามารถเข้าใจและสร้างภาษาได้ หลักการทำงานคือ "ทำนายคำถัดไป" (Next Token Prediction)

🔤 ตัวอย่าง Next Token Prediction

เมื่อเราพิมพ์ "ข้าวมัน..." AI จะคำนวณความน่าจะเป็นของคำถัดไป:

คำถัดไปที่เป็นไปได้ความน่าจะเป็น
ไก่60%
ปู15%
หมู10%
เป็ด10%
อื่นๆ5%

AI เลือกคำที่น่าจะเป็นมากที่สุด → ได้ "ไก่" → แล้ววนซ้ำทำนายคำถัดไปเรื่อยๆ จนครบประโยค — นี่คือทั้งหมดที่ LLM ทำ ไม่ได้ "เข้าใจ" ความหมายจริงๆ

💡 "เข้าใจ" กับ "รู้" ไม่เหมือนกัน

เมื่อ AI ตอบดูฉลาด สมองเราโยงว่า "มันเข้าใจ" — แต่ทางเทคนิค AI แค่เลือกคำที่น่าจะมาถัดไปให้ประโยคสมเหตุสมผล

1.2.2 จาก "เดาคำถัดไป" สู่ "ผู้ช่วยที่ทำตามคำสั่ง" — Pretraining → SFT → RLHF

ถ้า LLM ทำแค่ "เดาคำถัดไป" แล้วทำไมมันถึงตอบคำถามและทำตามคำสั่งเราได้? คำตอบอยู่ที่ ขั้นตอนการฝึก (Training Pipeline) — โมเดลยุคแรกอย่าง GPT-3 (2020) เก่งเรื่องเติมข้อความต่อ แต่ยัง "ไม่เชื่อฟังคำสั่ง" จนกระทั่ง InstructGPT (2022) นำเทคนิค RLHF มาใช้ จึงกลายเป็นผู้ช่วยที่ใช้งานได้จริง (เป็นรากฐานของ ChatGPT)

🏗️ 3 ขั้นการฝึก LLM ให้กลายเป็นผู้ช่วย
ขั้นชื่อทำอะไรผลลัพธ์
1Pretrainingฝึกเดาคำถัดไปจากข้อความมหาศาลบนอินเทอร์เน็ตรู้ภาษา/ความรู้กว้าง แต่ยัง "ไม่เชื่อฟัง"
2SFT (Supervised Fine-Tuning)สอนด้วยตัวอย่างคู่ "คำสั่ง → คำตอบที่ดี" ที่มนุษย์เขียนเริ่มทำตามรูปแบบคำสั่งได้
3RLHF (RL from Human Feedback)ให้มนุษย์จัดอันดับคำตอบ → ฝึก reward model → ปรับโมเดลให้ตอบแบบที่คนชอบตอบตรงใจ ปลอดภัย เป็นผู้ช่วยจริง
💡 RLHF ทำงานยังไงแบบเข้าใจง่าย

แนวคิดจากงานวิจัย InstructGPT — Training language models to follow instructions (Ouyang et al., 2022) — ปัจจุบันมีเทคนิคต่อยอด เช่น DPO และ RLAIF ที่ลดการพึ่งพาแรงงานมนุษย์

🎯 ทำไมเรื่องนี้สำคัญกับการเขียน Prompt

เพราะโมเดลถูกฝึกด้วย "ตัวอย่างคำสั่ง → คำตอบ" การเขียน prompt ที่มีรูปแบบคำสั่งชัดเจน (บทบาท + งาน + รูปแบบผลลัพธ์) จึงตรงกับสิ่งที่มันถูกฝึกมา ทำให้ได้ผลดีกว่า — และเพราะมันถูกปรับให้ "ตอบแบบที่คนชอบ" มันจึงมีแนวโน้ม เออออตามผู้ใช้ (sycophancy) บางครั้งจึงต้องสั่งให้มัน "โต้แย้งถ้าเราผิด"

1.2.3 ทำไมเรียก "Large"?

📏 ขนาดของ LLM — ทำไมต้อง "Large"
มิติคำอธิบายตัวอย่าง
Parameters จำนวน "ตัวแปร" ที่ model เรียนรู้ ยิ่งมากยิ่งจำ pattern ได้มาก Llama 4: เปิด weights | GPT-4: ~1.76T (ประมาณการ) | รุ่น frontier ใหม่ (GPT-5.5, Claude Opus 4.8) ไม่เปิดเผย
Training Data ข้อมูลที่ใช้ฝึก — ทั้งอินเทอร์เน็ต หนังสือ โค้ด หลายล้านล้าน tokens (trillions)
Compute พลังประมวลผลที่ใช้ฝึก GPU clusters มูลค่าหลายร้อยล้านดอลลาร์
💡 เปรียบเทียบง่ายๆ

ถ้า Parameters = "จำนวนเซลล์สมอง" และ Training Data = "ประสบการณ์ชีวิต" → LLM = คนที่มีสมองใหญ่มหาศาลและอ่านหนังสือทั้งห้องสมุดโลก

1.2.4 ความสามารถของ LLM

🎯 สิ่งที่ LLM ทำได้
ความสามารถตัวอย่างการใช้งาน
Text Generation เขียนบทความ, ร่างอีเมล, สร้างเนื้อหา
Summarization สรุปเอกสารยาว, ย่อบทความ, Extract key points
Translation แปลภาษา, Localization, Cross-language Q&A
Q&A / Information Extraction ตอบคำถามจากเอกสาร, หา entities, ดึงข้อมูลเฉพาะ
Reasoning & Analysis วิเคราะห์ข้อมูล, เปรียบเทียบ, ให้เหตุผล
Code Generation เขียนโค้ด, แก้ bug, อธิบายโค้ด, Convert code
Creative Writing เขียนเรื่องสั้น, Brainstorm ไอเดีย, สร้าง content
Role-playing / Persona แสดงบทบาทเป็นผู้เชี่ยวชาญ, Customer service, Tutor

1.2.5 LLM ยอดนิยม 2026

🏆 Top LLM Models 2026
ProviderModelจุดเด่นราคาโดยประมาณ
OpenAI GPT-5.5 All-rounder, Agentic, Web search ดี, Voice mode $20/เดือน (Plus)
Anthropic Claude Opus 4.8 / Sonnet 4 Writing + Coding ดีที่สุด, Context ยาว $20/เดือน (Pro)
Google Gemini 2.5 Pro/Flash, Gemini Omni Context 1M+, เชื่อม Google Workspace, Any-to-Any ฟรี / $20/เดือน (Advanced)
Meta Llama 4 Open source, รันได้ Local ฟรี (Self-hosted)
xAI Grok 3 เชื่อมต่อ X (Twitter), Real-time data $25/เดือน
DeepSeek DeepSeek R1 ราคาถูกมาก, Reasoning, Open-weight ถูกมาก (API)
⚠️ กฎสำคัญ: เลือก 1 ตัว แล้วใช้จนคล่อง

อย่าสลับไปมาระหว่าง ChatGPT, Claude, Gemini ในช่วงแรก — เลือก 1 ตัว แล้ว master มันก่อน

📌 หมายเหตุชื่อรุ่น: ชื่อและเวอร์ชันโมเดล (เช่น GPT-5.5, Claude Opus 4.8) เป็นข้อมูล ณ ปี 2026 และเปลี่ยนเร็วมาก — ตรวจสอบรุ่นล่าสุดและราคาจากเว็บผู้ให้บริการก่อนใช้งานจริงเสมอ

1.2.6 Reasoning Models

Reasoning Models คือ LLM รุ่นใหม่ที่ถูกฝึกให้ "คิด" ก่อนตอบ — ใช้ Extended Thinking / Chain-of-Thought แบบ built-in

🧠 Standard vs Reasoning Models
มิติStandard ModelsReasoning Models
วิธีคิดตอบทันที"คิด" ก่อนตอบ (Extended Thinking)
Chain-of-Thoughtต้องสั่งให้ทำBuilt-in (ทำเองอัตโนมัติ)
เหมาะกับงานทั่วไป, Creative, ChatMath, Logic, Code, Analysis
ตัวอย่างGPT-5.5 (โหมดเร็ว), Claude Sonnet 4, Gemini 2.5 FlashGPT-5.5 (thinking), Claude Opus 4.8, DeepSeek R1, Gemini 2.5 Pro
ราคาถูกกว่าแพงกว่า (ใช้ thinking tokens เพิ่ม)
ความเร็วเร็วช้ากว่า (ต้องคิดก่อน)
💡 เมื่อไหร่ใช้ Reasoning Models?
💡 เคล็ดลับ — เริ่มจาก Standard ก่อน

เริ่มด้วย Standard Model ก่อน ถ้าคำตอบไม่ดีพอค่อยเปลี่ยนไป Reasoning Model — ประหยัดทั้งเงินและเวลา

⚡ กฎ 2026 สำหรับ Reasoning Models

เมื่อใช้ Reasoning Models — ไม่ต้องสั่ง "คิดทีละขั้นตอน" เพราะมัน built-in แล้ว ให้บอกแค่ "สิ่งที่ต้องการ" + "ข้อจำกัด" → ดู Module 7: Constraint-First Prompting

1.3 Model Selection Guide 2026

1.3.1 เลือก Model ให้เหมาะกับงาน

🎯 Quick Decision Table — เลือก Model แรกของคุณ
ถ้าคุณเป็น...แนะนำเหตุผลสั้นๆ
ใช้ Google Workspace (Gmail, Drive) 🥇 Gemini เชื่อมต่อ Google ได้ทันที
งานเขียน / ร่างเอกสาร 🥇 Claude Writing quality ดีที่สุด
ต้องการ All-rounder + Web Search 🥇 ChatGPT Web search ดี + Voice mode
งบจำกัด / ทดลองก่อน 🥈 Gemini Free ฟรี + ดีพอสำหรับเริ่มต้น
ต้องการ Context ยาวมาก 🥇 Gemini 2.5 Pro Context 1M+ tokens
งาน Coding 🥇 Claude Sonnet 4 / GPT-5.5 Code quality ดี + เข้าใจ context
📊 Model Selection by Task Type
ประเภทงานBest ChoiceAlternativeหมายเหตุ
📝 Writing / Content Claude GPT-5.5 Claude มี natural tone ดีกว่า
🔍 Research / Web Search ChatGPT Gemini ChatGPT มี web search ดีที่สุด
📊 Data Analysis ChatGPT (Code Interpreter) Claude ChatGPT รัน Python ได้ในตัว
💻 Coding Claude Sonnet 4 GPT-5.5 ใช้ใน AI IDE ได้ดี
🧮 Math / Logic GPT-5.5, Claude Opus 4.8 DeepSeek R1 ใช้ Reasoning model
📄 Long Document Gemini 2.5 Pro Claude Context ยาวที่สุด
🖼️ Vision / Image GPT-5.5, Gemini 2.5 Pro Claude ทุกตัวรองรับ multimodal
🔒 Privacy / Local Llama 4 (Local) DeepSeek รันในเครื่องเองได้
📚 ต้องการข้อมูล Model ละเอียด?

ดูตาราง Top AI Models 2026 ครบทุกตัว, AI Ecosystem (Coding, Agents), และ Case Studies ได้ที่ Module 21: Resources & Reference

1.4 ข้อจำกัด AI และ Security

1.4.1 ข้อจำกัด 4 ข้อของ AI และวิธีรับมือ

⚠️ 4 ข้อจำกัดหลักของ AI
#ข้อจำกัดคำอธิบายวิธีรับมือ
1 Knowledge Cutoff ข้อมูลมีถึงวันที่กำหนด ไม่รู้เหตุการณ์ล่าสุด ใช้ Web Search / ระบุวันที่ / RAG
2 Hallucination อาจ "แต่งเรื่อง" สร้างข้อมูลเท็จอย่างมั่นใจ ตรวจสอบตัวเลข วันที่ ชื่อ มาตราทุกครั้ง
3 Context Window Limit จำได้จำกัดในแต่ละ conversation Context Engineering (Module 3) / ใช้ Model ที่ context ยาว
4 Bias (อคติ) เรียนจากข้อมูลมนุษย์ — มีอคติทางวัฒนธรรม ใช้วิจารณญาณ ไม่ให้ AI ตัดสินใจเรื่องสำคัญคนเดียว
🛡️ 5 เทคนิคลด Hallucination
เทคนิควิธีทำ
1. Cross-referenceถาม AI จาก 2+ แหล่ง เปรียบเทียบคำตอบ
2. Ask for Sources"ตอบพร้อมอ้างอิงแหล่งที่มา ถ้าไม่มีให้บอกว่าเป็นการอนุมาน"
3. Confidence Level"ระบุ confidence level (high/medium/low) สำหรับแต่ละข้อมูล"
4. Structured Verification"แยกเป็น [FACT] ข้อเท็จจริง และ [OPINION] ความเห็น"
5. Chain Verification"ข้อมูลที่ตอบมา รู้ได้อย่างไร? มีข้อมูลที่ขัดแย้งหรือไม่?"

1.4.2 เมื่อไหร่ไม่ควรใช้ AI

🚫 เมื่อไหร่ไม่ควรใช้ AI ตัดสินใจคนเดียว
❌ ห้าม AI ตัดสินใจแทน⚠️ ใช้ได้แต่ต้องตรวจสอบก่อน
สรุปความผิด/ฟันธงคดีอ้างอิงมาตรา/คำพิพากษา
ออกหมายจับ/คำสั่งจับกุมตัวเลข/สถิติ/การคำนวณ
วินิจฉัยทางการแพทย์แปลเอกสารราชการ/กฎหมาย
ตัดสินใจสินเชื่อ/ประกันภัยสรุปคำให้การ/พยานหลักฐาน
ตัดสินใจทางกฎหมายแทนทนายร่างเอกสารราชการ

หลักการ: AI ช่วย "ประมวลผล" — มนุษย์ต้อง "ตัดสินใจ" (Human-in-the-Loop)

1.4.3 Security พื้นฐาน 5 ข้อ

🛡️ Security พื้นฐาน — จำ 5 ข้อก่อนใช้งาน
#หลักการคำอธิบาย
1 ห้ามข้อมูลจริง/ลับ ใช้ sample data / ข้อมูลสมมติในการทดลอง ห้ามใส่ข้อมูลส่วนบุคคลจริงใน public AI
2 Human-in-the-Loop AI เป็นผู้ช่วย ไม่ใช่ผู้ตัดสินใจ — ต้องมีมนุษย์ตรวจสอบเสมอ
3 Verify ทุกครั้ง ตรวจ fact มาตรา ตัวเลข ก่อนนำไปใช้จริง — AI อาจ hallucinate
4 Prompt Injection อย่า copy-paste ข้อความจากแหล่งไม่น่าเชื่อถือลงใน Prompt โดยตรง
5 Log & Audit งานสำคัญต้องบันทึกว่าใช้ AI ช่วยส่วนใด เพื่อ accountability

เรียนละเอียดเพิ่มเติม → Module 12: AI Security 2026

1.5 Token & Settings

1.5.1 Token คืออะไร?

Token คือหน่วยย่อยที่สุดที่ AI ใช้ประมวลผลข้อความ — ไม่ใช่ "คำ" แต่เป็น "ชิ้นส่วนของคำ"

💡 อุปมา Token

Token เปรียบเหมือน น้ำหนักกระเป๋าบนเครื่องบิน — ใส่เกิน บินไม่ได้ / ภาษาไทยหนักกว่าอังกฤษ ~2-3 เท่า

📊 ตัวอย่างการนับ Token

คลิกข้อความเพื่อเลือก หรือกดปุ่ม เพื่อคัดลอกไปวางใน Tokenizer

TH
ภาษาไทย
แอปเปิ้ล
= 2-4 Tokens
ถูกหั่นเป็น "แอ" + "ป" + "เปิ้ล"
US
ภาษาอังกฤษ
Apple
= 1 Token
คำสั้นๆ = 1 Token
📝
ประโยคไทย
สวัสดีครับ
= 5-8 Tokens
แพงกว่าภาษาอังกฤษ!
🔤 Token ทำงานอย่างไร?
ข้อความToken breakdownจำนวน Tokens
"Hello" Hello 1 token
"Hello world" Hello + world 2 tokens
"สวัสดี" ส+วัส+ดี (โดยประมาณ) 3-5 tokens

หลักการ: ภาษาอังกฤษ ~1 token/word | ภาษาไทย ~2-4 tokens/word

1.5.2 Token ภาษาไทย vs อังกฤษ

📊 เปรียบเทียบ Token ไทย vs อังกฤษ
ข้อความภาษาไทย (tokens)ภาษาอังกฤษ (tokens)อัตราส่วน
"สวัสดีครับ" / "Hello" ~5-8 ~1 5-8x
"สรุปรายงานนี้เป็น 3 ข้อ" / "Summarize in 3 points" ~15-20 ~5 3-4x
Prompt เต็ม ~200 คำ ~500-700 ~250-300 2x
⚠️ ผลกระทบ

1.5.3 เครื่องมือ Tokenizer

🔧 เครื่องมือนับ Token ที่แนะนำ
เครื่องมือจุดเด่นลิงก์
OpenAI Tokenizer ของ OpenAI โดยตรง ใช้ได้กับ GPT models platform.openai.com/tokenizer
Tiktokenizer เห็น token แยกสีสวยงาม เข้าใจง่าย tiktokenizer.vercel.app
Token Counter (Claude) สำหรับ Claude models โดยเฉพาะ ใช้ใน Claude interface หรือ API
💡 เคล็ดลับการประหยัด Token

1.5.4 Workshop: นับ Token

🎯 Workshop: ลองนับ Token ด้วยตัวเอง

วัตถุประสงค์: เข้าใจว่า Token ทำงานอย่างไร และภาษาไทยใช้ Token มากกว่าอังกฤษแค่ไหน

ขั้นตอน:

  1. เปิด OpenAI Tokenizer
  2. ลองพิมพ์ข้อความต่อไปนี้แล้วดูจำนวน Token:
    • "สรุปรายงานนี้เป็น bullet points 5 ข้อ"
    • "Summarize this report as 5 bullet points"
  3. เปรียบเทียบจำนวน Token
  4. ลองเขียน Prompt เดียวกันแบบ ไทยล้วน vs ไทย+EN ผสม

ตัวอย่างการทดลอง:

PromptToken (โดยประมาณ)
❌ "ช่วยสรุปเนื้อหาในเอกสารนี้ให้เป็นหัวข้อสำคัญ 5 ข้อ โดยเขียนเป็นภาษาไทยที่เข้าใจง่าย" ~45-55 tokens
✅ "Task: Summarize attached document. Format: 5 bullet points in Thai. Style: Simple language." ~20-25 tokens

ผลลัพธ์: Prompt แบบผสม EN ประหยัด Token ได้ ~50% โดยให้ผลลัพธ์เหมือนกัน

1.5.5 Temperature

Temperature ควบคุม "ความสุ่ม" ของคำตอบ — ยิ่งสูง ยิ่งหลากหลาย / ยิ่งต่ำ ยิ่งตอบเหมือนเดิม

🌡️ Temperature Settings
Temperatureลักษณะเหมาะกับงาน
0 ตอบเหมือนเดิมทุกครั้ง (Deterministic) งานวิเคราะห์, กฎหมาย, ข้อมูลที่ต้องแม่นยำ
0.3-0.5 ค่าแนะนำ — สมดุลระหว่างความแม่นยำและความลื่นไหล งานทั่วไป, เขียนรายงาน
0.7-1.0 ตอบหลากหลาย มีความคิดสร้างสรรค์ Brainstorm, Creative writing, ไอเดียใหม่
>1.0 สุ่มมาก อาจไม่สมเหตุผล ไม่แนะนำสำหรับงานจริง
💡 กฎง่ายๆ

งานที่ต้องการ "ความถูกต้อง" → Temperature ต่ำ (0-0.3)
งานที่ต้องการ "ความหลากหลาย" → Temperature สูง (0.7-1.0)

⚠️ หมายเหตุ: ค่า default ของ API ส่วนใหญ่ (เช่น OpenAI) คือ 1.0 ไม่ใช่ 0.3-0.5 — ช่วง 0.3-0.5 คือ "ค่าแนะนำ" สำหรับงานเอกสารทั่วไป

1.5.6 Reasoning Budget

Reasoning Budget ควบคุมว่า Reasoning Model จะ "คิด" ลึกแค่ไหนก่อนตอบ — ยิ่งมาก ยิ่งแม่นยำ แต่ช้าและแพงกว่า

🧠 Reasoning Budget Settings (API Level)
ProviderParameterค่าที่ใช้ได้
OpenAI (GPT-5.5 o-series) reasoning_effort low | medium | high
Anthropic (Claude Opus) budget_tokens จำนวน tokens สำหรับ thinking (เช่น 5000, 10000)
💡 สำหรับผู้ใช้ทั่วไป

Reasoning Budget ส่วนใหญ่ตั้งค่าผ่าน API ไม่ใช่ใน UI ปกติ — ถ้าใช้ ChatGPT Plus หรือ Claude Pro แบบปกติ ระบบจะจัดการให้อัตโนมัติ

🔗 พร้อมเริ่มเขียน Prompt แล้ว!

หลังจากเข้าใจ AI, LLM, Token และ Settings แล้ว — ใน Module 2: Prompt Engineering Fundamentals จะเริ่มเรียนรู้การเขียน Prompt อย่างเป็นระบบ (BI-BO → OC → PTCF)

1.6 ข้อผิดพลาดที่พบบ่อย & จริยธรรม

1.6.1 ข้อผิดพลาดที่พบบ่อยของมือใหม่

🚧 7 ข้อผิดพลาดที่พบบ่อย — และวิธีแก้
#❌ ข้อผิดพลาด✅ วิธีที่ถูกต้อง
1 เชื่อคำตอบ AI ทันทีเพราะ "ฟังดูมั่นใจ" Verify ตัวเลข วันที่ ชื่อ มาตรา ทุกครั้งก่อนใช้งานจริง
2 ถามแบบกว้างๆ เช่น "ช่วยวิเคราะห์ให้หน่อย" ระบุบริบท + ขอบเขต + รูปแบบผลลัพธ์ที่ต้องการ
3 วางข้อมูลส่วนบุคคล/ข้อมูลลับจริงลงใน public AI ใช้ข้อมูลสมมติ หรือ mask ข้อมูล / ใช้ระบบ Local / Enterprise tier
4 สลับ Model ไปมาตั้งแต่เริ่ม จนไม่คล่องสักตัว เลือก 1 ตัว master ก่อน แล้วค่อยขยาย
5 สั่ง "คิดทีละขั้นตอน" กับ Reasoning Model (ซ้ำซ้อน) Reasoning Model คิดเองอยู่แล้ว — บอกแค่เป้าหมาย + ข้อจำกัด
6 ลืมว่าภาษาไทยกิน Token มากกว่า ทำให้ context เต็ม/ค่าใช้จ่ายบาน วางแผนความยาว ใช้ keyword EN (Task:, Format:) ช่วยประหยัด
7 ให้ AI "ตัดสินใจ" เรื่องสำคัญแทนมนุษย์ AI ช่วยประมวลผล — มนุษย์ต้องตัดสินใจ (Human-in-the-Loop)

1.6.2 จริยธรรมการใช้ AI ในงานสืบสวน/ราชการ

⚖️ หลักจริยธรรม 5 ข้อที่ต้องยึดถือ
หลักการเหตุผล & วิธีปฏิบัติ
1. ความเป็นส่วนตัว (Privacy) ห้ามนำ PII จริง/ข้อมูลคดีลับขึ้น public AI — เคารพ พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล (PDPA)
2. ความเป็นธรรม (Fairness/Bias) AI มีอคติจากข้อมูลฝึก — อย่าให้ AI ชี้นำว่าใครเป็นผู้ต้องสงสัยจากเชื้อชาติ เพศ ศาสนา หรือพื้นที่
3. ความโปร่งใส (Transparency) ระบุชัดเจนว่าส่วนใดของงานใช้ AI ช่วย เพื่อให้ตรวจสอบย้อนกลับได้
4. ความรับผิดชอบ (Accountability) ผู้ใช้เป็นผู้รับผิดชอบผลลัพธ์ ไม่ใช่ AI — ต้อง Log & Audit งานสำคัญ
5. การใช้ตามกฎหมาย (Lawful Use) ใช้ AI เฉพาะในกรอบอำนาจหน้าที่ที่ชอบด้วยกฎหมาย ไม่ละเมิดสิทธิ

เรียนจริยธรรม + Security เชิงลึกเพิ่มเติม → Module 12: AI Security 2026

💡 หลักคิดสั้นๆ

AI ที่เก่งไม่ได้แปลว่าใช้ได้ทุกที่ — "ใช้ได้ไหม" ต้องผ่านทั้งกฎหมายและจริยธรรมก่อน "ใช้ดีไหม"

✅ หลังเรียน Module 1 — สิ่งที่ควรทำได้
🤔 คำถามทบทวน

โจทย์: คุณได้รับมอบหมายให้วิเคราะห์เอกสาร PDF ภาษาไทย 80 หน้า จะใช้ AI Model ตัวไหน? มีข้อควรระวังอะไรบ้าง?

คลิกดูเฉลย
  • Model: Gemini 2.5 Pro (context 1M+) หรือ Claude Opus (context ยาว)
  • Token: ภาษาไทยใช้ Token ~2-3× ของอังกฤษ — 80 หน้าไทยอาจใช้ 100,000+ tokens
  • Hallucination: ตรวจตัวเลขและข้อมูลสำคัญที่ AI สรุปทุกครั้ง
  • Security: ถ้าเป็นเอกสารลับ ห้ามใช้ public AI — ต้องรัน Local หรือใช้ Enterprise tier
  • Strategy: อาจต้อง chunk document หรือสรุปบางส่วนก่อนวิเคราะห์รวม
📚 อ่านเพิ่มเติม
M2: Prompt Engineering Fundamentals