Fine-Tuning LLM คืออะไร? ปรับ AI ให้เข้าใจธุรกิจ SME ไทยได้จริง

Fine-tuning LLM คือการนำโมเดลภาษาขนาดใหญ่ที่ฝึกมาแล้วมาปรับแต่งต่อด้วยข้อมูลจริงของธุรกิจ SME ไทย เช่น แคตตาล็อกสินค้า เอกสารภายใน และบทสนทนาการขาย เพื่อให้ AI เข้าใจศัพท์เฉพาะ เงื่อนไข และน้ำเสียงของแบรนด์ โดยไม่ต้องสร้างโมเดลจากศูนย์ นี่คือทางออกสำหรับเจ้าของกิจการที่รู้สึกว่า AI ทั่วไปตอบกำกวม ไม่รู้จักคำโปรยสินค้า หรือตอบด้วยภาษาที่ไม่ตรงกับทีมขายจริง การ fine-tuning ใช้ข้อมูลที่กิจการมีอยู่แล้วมาเพิ่มความแม่นยำ และไม่จำเป็นต้องมีทีม data scientist ขนาดใหญ่

Fine-tuning LLM คืออะไร

LLM ทั่วไปถูกฝึกให้เรียนรู้จากข้อมูลอินเทอร์เน็ตระดับมหาศาล ทำให้รู้ภาษาไทยและความรู้ทั่วไป แต่ไม่ได้รู้จักธุรกิจของคุณโดยเฉพาะ การ fine-tuning คือการนำโมเดลนั้นมาฝึกซ้ำอีกครั้งด้วยชุดข้อมูลขนาดเล็กของกิจการ เช่น คำถาม-คำตอบจากแชตจริง เอกสารข้อกำหนด หรือแคตตาล็อกสินค้า ในทางเทคนิคเรียกว่า supervised fine-tuning โดยให้โมเดลเรียนรู้รูปแบบคำตอบที่ถูกต้องผ่านตัวอย่าง input-output จำนวนหนึ่ง แล้วปรับน้ำหนักภายในโมเดลให้เชี่ยวชาญงานนั้นมากขึ้น

เปรียบเทียบกับพนักงานใหม่: ถ้าเราจ้างคนที่เรียนภาษาไทยมาจากมหาวิทยาลัย เรายังต้องอบรมเขาด้วยคู่มือบริษัท สินค้าที่ขาย และวิธีพูดกับลูกค้า Fine-tuning ก็คือการอบรม LLM ด้วยคู่มือและบทสนทนาของบริษัทนั่นเอง ไม่ต้องสร้างคนขึ้นมาใหม่ แค่ปรับคนที่มีทักษะพื้นฐานให้ทำงานในบริบทที่เฉพาะขึ้น

ทำไม Fine-tuning ถึงสำคัญกับ SME ไทย

โมเดล AI ทั่วไปถูกฝึกด้วยข้อมูลส่วนใหญ่เป็นภาษาอังกฤษและข้อมูลสากล แม้จะพูดภาษาไทยได้ แต่ไม่รู้จักชื่อสินค้า รหัสตัวแทนจำหน่าย วิธีคิดราคาส่ง หรือโปรโมชันเฉพาะกิจการ ตัวอย่างเช่น ร้านขายอุปกรณ์การเกษตรแห่งหนึ่งในขอนแก่น ถาม AI ทั่วไปว่า "ปุ๋ยแบบไหนเหมาะกับมันสำปะหลังช่วงหน้าแล้ง" โมเดลอาจตอบความรู้ทั่วไป แต่ไม่รู้ว่าร้านมีสินค้าอะไรในสต็อก ราคาเท่าไร หรือทีมขายเคยแนะนำลูกค้าอย่างไร

SME ที่ให้บริการลูกค้าซ้ำ ๆ เช่น โรงแรม คลินิก ร้านอะไหล่ หรือบริษัททัวร์ ต้องตอบคำถามเดิมในหลายช่องทาง ถ้าไม่ปรับ AI ให้รู้จักบริบทของตน พนักงานยังต้องเสียเวลาตอบซ้ำหรือแก้คำตอบผิด เมื่อปรับ fine-tuning ด้วยข้อมูลจริงของธุรกิจ AI จะเข้าใจคำศัพท์เฉพาะและตอบได้ในสไตล์ที่เคยตอบดีแล้ว ทำให้ลดงานซ้ำซ้อนและสร้างความประทับใจให้ลูกค้า

Fine-tuning ต่างจาก Prompt และ RAG ตรงไหน

Prompt engineering คือการเขียนคำสั่งให้ละเอียด เช่น "ตอบเป็นพนักงานขายสุภาพ" แต่โมเดลไม่ได้จำข้อมูลใหม่ หากถามนอกกรอบคำสั่งก็ตอบตามความรู้เดิม RAG หรือ Retrieval-Augmented Generation เป็นการค้นหาข้อมูลจากแหล่งภายนอก เช่น เอกสารบริษัทในฐานข้อมูลเวกเตอร์ แล้วส่งให้โมเดลสรุป วิธีนี้เหมาะกับข้อมูลที่เปลี่ยนบ่อย เช่น ราคาสินค้า นโยบายโปรโมชัน และสามารถอ้างอิงแหล่งที่มาได้ แต่ยังต้องออกแบบระบบค้นหาให้ดี ไม่เช่นนั้นอาจได้เอกสารไม่ตรงคำถาม

Fine-tuning ฝังความรู้และรูปแบบภาษาไว้ในตัวโมเดลเอง หลังเทรนแล้วตอบได้ทันที ไม่ต้องค้นหาเอกสารทุกครั้ง เหมาะกับงานที่ต้องการ tone ของแบรนด์หรือภาษาเฉพาะกลุ่ม แต่ถ้าข้อมูลเปลี่ยนทุกวัน การปรับโมเดลซ้ำบ่อย ๆ อาจแพงและช้า

| เทคนิค | กลไก | เหมาะกับ | | Prompt | สั่งให้โมเดลตอบตามกติกา | ปรับพฤติกรรมคร่าว ๆ | | RAG | ดึงเอกสารรอบ ๆ คำถาม | ข้อมูลเปลี่ยนบ่อย ต้องการอ้างอิง | | Fine-tuning | ฝังความรู้และสไตล์ในตัวโมเดล | ภาษาเฉพาะกลุ่ม น้ำเสียงแบรนด์ |

ทั้งสามไม่จำเป็นต้องเลือกอย่างใดอย่างหนึ่ง ธุรกิจจำนวนมากใช้ RAG + Fine-tuning ร่วมกัน โดย fine-tuning ทำให้โมเดลรู้จักภาษากิจการ และ RAG ช่วยดึงราคาหรือสต็อกล่าสุดมาประกอบคำตอบ

ธุรกิจ SME แบบไหนเหมาะจะ Fine-tuning

• งานที่มีคำศัพท์เฉพาะ เช่น โรงงานผลิตชิ้นส่วน ร้านอะไหล่รถยนต์ ธุรกิจอาหารฮาลาล หรือคลินิกความงาม คำศัพท์เทคนิคและกฎหมายที่โมเดลทั่วไปไม่รู้จะทำให้คำตอบผิดความหมาย
• งานที่ลูกค้าใช้ภาษาเฉพาะกลุ่ม เช่น กลุ่มวัยรุ่น กลุ่มคนรักสัตว์ หรือชุมชนอาชีพเดียวกัน ภาษาแชต คำย่อ และสแลงต่างจากภาษาเขียนในอินเทอร์เน็ต
• งานที่ต้องการ tone และสไตล์ประจำแบรนด์ เช่น โรงแรมบูติกที่ต้องการตอบแบบสุภาพอบอุ่น หรือแบรนด์เสื้อผ้าที่ต้องการมุกติดตลก Fine-tuning ทำให้ AI เลียนแบบเสียงของแบรนด์ได้สม่ำเสมอ
• งานที่มีบทสนทนาขายซ้ำ เช่น ร้านค้าออนไลน์ บริษัททัวร์ หรือสำนักงานบัญชี ที่เจอคำถาม "ส่งของกี่วัน", "มีโปรโมชันไหม" หรือ "ขอใบกำกับภาษี" ซ้ำเดิมทุกวัน

ตัวอย่างจริง: ร้านเสื้อผ้าออนไลน์ในกรุงเทพฯ รวบรวมข้อความตอบลูกค้าจาก LINE จำนวน 500 คู่คำถาม-คำตอบ แล้ว fine-tune โมเดลให้พูดสั้น มีอิโมจิ และเสนอสินค้าเสริมที่ตรงกับคำสั่งซื้อ หลังปรับ พนักงานขายใช้เวลาตอบแชตน้อยลง และลูกค้าได้คำตอบสม่ำเสมอแม้ยามดึก ผลลัพธ์ไม่ใช่แค่ความแม่นยำ แต่คือความเป็นแบรนด์

ขั้นตอนและข้อมูลที่ต้องเตรียม

การเริ่ม Fine-tuning จริง ๆ ไม่ได้ซับซ้อน แต่ต้องมีวินัยเรื่องข้อมูล ขั้นแรก ตั้งเป้าหมาย ให้ชัด เช่น "ให้ AI ตอบคำถามส่งของได้เหมือนพนักงานขาย" วัดผลด้วยเวลาที่พนักงานใช้ต่อแชตหรือความถูกต้องของข้อมูล ขั้นที่สอง รวบรวมข้อมูลจริง จากช่องทางที่ลูกค้าติดต่อ เช่น LINE, Messenger, บันทึกการขาย หรือแคตตาล็อกที่ทีมขายใช้ประจำ

ขั้นที่สาม ลบข้อมูลส่วนบุคคลตาม PDPA ตัดชื่อ อีเมล เบอร์โทร และข้อมูลระบุตัวตนออกจากชุดฝึก แทนที่ด้วยข้อมูลสมมุติหรือตัดทิ้ง ขั้นที่สี่ จัดรูปแบบเป็นคู่คำถาม-คำตอบ เช่น JSONL ที่มี system, user, assistant เพื่อบอกโมเดลว่าควรตอบแบบไหน ขั้นที่ห้า เลือกโมเดลและเริ่มเทรน โดยใช้ epochs น้อย ๆ ก่อน และขั้นสุดท้าย ประเมินผลเทียบก่อน-หลัง ด้วยชุดคำถามที่โมเดลไม่เคยเห็น

ปริมาณข้อมูลขั้นต่ำขึ้นอยู่กับงาน งานแคบ ๆ เช่น ตอบคำถามโปรโมชัน หลักร้อยคู่คำตอบก็เริ่มเห็นผล แต่คุณภาพต้องสูง ควรให้ทีมขายหรือเจ้าของธุรกิจตรวจทานคำตอบต้นแบบก่อนเทรน ถ้าข้อมูลยังน้อยและไม่เป็นระเบียบ ให้เริ่มจาก RAG ก่อนแล้วค่อยเพิ่ม fine-tuning เมื่อมีข้อมูลจริงสะสมมากขึ้น

ทางเลือกสำหรับ SME ไทย

สำหรับ SME ที่อยากทดลองเร็ว API Fine-tuning เป็นทางเลือกที่ลงทุนต่ำที่สุด เช่น OpenAI fine-tuning API อัปโหลดชุดข้อมูล JSONL เลือกโมเดลพื้นฐาน แล้วผู้ให้บริการจัดการฝึกให้ หรือ Google Gemini fine-tuning ผ่าน Vertex AI สำหรับองค์กรที่ใช้ Google Cloud อยู่แล้ว ทั้งสองคิดค่าใช้จ่ายตามจำนวน token และการเรียกใช้โมเดล ราคาเปลี่ยนแปลงตามรอบและขนาดโมเดล ผู้ประกอบการควรสอบถามราคาปัจจุบันจากผู้ให้บริการ เพราะผลจริงขึ้นกับปริมาณงานและบริบท

ถ้าธุรกิจมีข้อมูลอ่อนไหวหรือต้องการควบคุมทุกขั้นตอน Open Source อย่าง Llama, Qwen, Mistral หรือโมเดลภาษาไทยอย่าง OpenThaiGPT ก็เป็นตัวเลือกที่เปิดให้ปรับแต่งต่อได้ ข้อดีคือเก็บข้อมูลในโครงสร้างของตัวเองและไม่ต้องส่งข้อมูลให้บริษัทภายนอก แต่ต้องมีวิศวกรที่เข้าใจ GPU, Docker, การตั้งค่า training pipeline และการดูแลเซิร์ฟเวอร์ สำหรับ SME ที่ไม่มีทีมเทคนิค ควรเริ่มจาก API ก่อนแล้วค่อยสร้างความรู้ภายในองค์กร

ข้อควรระวัง: ค่าใช้จ่าย ภาพหลอน และธรรมาภิบาลข้อมูล

ค่าใช้จ่าย มีสองส่วนหลัก: ค่าฝึกโมเดล และค่าเก็บ/เรียกใช้โมเดลหลังเทรนเสร็จ ราคาของผู้ให้บริการ API ระบุเป็นต่อล้าน token และอาจมีค่าใช้จ่ายรายเดือน ต้องคำนวณเป็นต้นทุนรวมเทียบกับเวลาพนักงานที่ประหยัดได้ ไม่ใช่ดูแค่ราคาต่อครั้ง

ภาพหลอน หรือ hallucination ยังเกิดขึ้นได้แม้ผ่าน fine-tuning แล้ว โมเดลอาจตอบมั่นใจด้วยข้อมูลที่ไม่มีในบริษัท ดังนั้นควรเพิ่มตัวอย่างคำตอบ "ไม่ทราบ/ให้ติดต่อทีมขาย" ในชุดฝึก และใช้ RAG ช่วยตรวจสอบข้อเท็จจริงสำหรับคำถามที่ต้องการความแม่นยำสูง เช่น ราคา หรือข้อกำหนดทางกฎหมาย

การประเมินผล ต้องทำก่อน-หลังเสมอ ใช้ชุดทดสอบ 50-100 คำถามที่โมเดลไม่เคยเห็น วัดทั้งความถูกต้อง โทนภาษา และความปลอดภัย ให้เจ้าของธุรกิจหรือพนักงานหน้างานเป็นผู้ให้คะแนน อย่าเชื่อเฉพาะ training loss เพราะอาจแค่จำข้อมูลซ้ำ

ธรรมาภิบาลข้อมูล คือสิ่งที่ SME มองข้ามไม่ได้ ต้องมีฐานทางกฎหมายตาม PDPA ขอ consent จากเจ้าของข้อมูลก่อนนำมาใช้ ทำข้อมูล anonymize และจำกัดสิทธิ์ผู้เข้าถึง API key รวมถึงเก็บบันทึกเวอร์ชันข้อมูลและโมเดลเพื่อย้อนกลับเมื่อผลลัพธ์มีปัญหา

สรุป: SME ไทยควรเริ่มจากจุดไหน

เริ่มจากงานเดียวที่เจ็บปวดที่สุด เช่น ตอบคำถามสินค้าหรือบริการที่พนักงานต้องพิมพ์ซ้ำทุกวัน รวบรวม 100-200 คำถามจากแชตจริง ทำความสะอาดข้อมูล ตัดข้อมูลส่วนบุคคลแล้วลอง fine-tune กับ API ก่อน เปรียบเทียบผลกับโมเดลเดิม ถ้าคุณภาพดีขึ้น ให้ขยายจำนวนข้อมูลและกำหนดรอบปรับปรุง ถ้ายังไม่ดีพอ ให้ใช้ RAG เสริมหรือปรับชุดคำถามใหม่

Fine-tuning ไม่ใช่เวทมนตร์ แต่คือการลงทุนกับข้อมูลที่มีอยู่เพื่อให้ AI สื่อสารแบบธุรกิจคุณจริง ๆ สำหรับ SME ไทยที่อยากแข่งขัน คำถามไม่ใช่ว่าควรใช้ AI หรือไม่ แต่คือจะเริ่มเก็บข้อมูลและสร้างชุดคำตอบมาตรฐานตั้งแต่เมื่อไหร่