สวัสดีปีใหม่ 2025 ทุกท่านครับบบ สำหรับใครที่เข้ามาอ่านบทความนี้ผมก็ขอให้ทุกท่านสุขภาพร่างกายแข็งแรง มีแต่สิ่งดี ๆ เข้ามากันทุกท่านเลยย เอาล่ะ เรามาเข้าสู่เนื้อหากันดีกว่า ผมเชื่อว่าทุกท่านต้องเคยได้ยินผ่านหูผ่านตากันมาบ้างเกี่ยวกับคำว่า AI หรือ ปัญญาประดิษฐ์ หรือพวกโลโก้เหล่านี้
ใช่ครับ โลโก้เหล่านี้ที่เราคุ้นหน้าคุ้นตากันมันคือ AI ครับ ถ้าอ้างอิงจากสถิติในปี 2024 ในช่วง 6 ปีที่ผ่านมา อัตราการนำ AI มาใช้ในองค์กรของผู้ตอบแบบสำรวจอยู่ที่ประมาณ 50% แต่และจากผลสำรวจในปีที่แล้วชี้ให้เห็นว่ามีการนำ AI มาใช้งานเพิ่มขึ้นเป็น 72% ซึ่งแสดงให้เห็นว่าในปัจจุบันนี้ AI เริ่มเข้ามามีบทบาทมากกับเรามากขึ้นเรื่อย ๆ
AI แล้วแท้จริงแล้ว คืออะไร?
AI หรือ Intelligent Machines เป็นศาสตร์แขนงหนึ่งที่มีการเลียนแบบพฤติกรรมการทำงานของมนุษย์ทั้งในด้านความคิด, การทำงาน และอื่นๆ เมื่อเราเราพูดถึง AI เราจะนึกถึงหุ่นยนต์หรือเครื่องจักรกันใช่ไหมคับ แต่จริง ๆ แล้วสิ่งเหล่านั้นมันเป็นแค่เพียงส่วนหนึ่งของคำว่า AI เท่านั้น
โดยถ้าดูจากรูปด้านบนจะเห็นได้อย่างชัดเจนว่า AI มีการแบ่งออกเป็นแยกย่อยภายในอีกซึ่งจะถูกมองเป็นชั้น ๆ
- Artificial Intelligence (AI): เป็นคำที่มีความกว้างมาก แต่โดยทั่วไปจะเกี่ยวข้องกับเครื่องจักรที่มีความฉลาด
- Machine Learning (ML): เป็นส่วนที่มุ่งเน้นเฉพาะการจดจำรูปแบบในข้อมูล ซึ่งเป็นแนวทางสำคัญที่ช่วยให้เราสามารถนำความรู้จากรูปแบบที่ค้นพบ ไปประยุกต์ใช้กับข้อมูลหรือสิ่งที่สังเกตเห็นใหม่ได้อย่างมีประสิทธิภาพ
- Deep Learning: เน้นที่ข้อมูลที่ไม่มีโครงสร้าง ซึ่งรวมถึงข้อความและรูปภาพ โดยอาศัยเครือข่ายประสาทเทียม (Neural Networks) ซึ่งเป็นเทคนิคในการสร้างปัญญาประดิษฐ์โดยใช้โครงข่ายประสาทเทียมหรือข่ายงานประสาทเทียมหลายๆ ชั้นเหมือนแบบจำลองอันเรียบง่ายของสมองมนุษย์
- Large Language Models (LLMs): เป็นเทคโนโลยีปัญญาประดิษฐ์ประเภทหนึ่งที่ได้รับการออกแบบมาเพื่อทำความเข้าใจและสร้างข้อความในภาษามนุษย์อย่างมีประสิทธิภาพ
จากที่ผมเกริ่น ๆ มาทั้งหมดนี้ก็เพราะอยากให้เห็นว่า AI ที่เราเรียกทุกวันนี้มันมีอะไรที่มากกว่านั้น เอาล่ะมาเข้าประเด็นหลักของหัวข้อในวันนี้ดีกว่าครับ อย่างที่ได้เห็นไปว่า AI มีแยกย่อยต่าง ๆ มากมายมีคนนำไปพัฒนาและสร้างเป็นสิ่งใหม่โดยมีรากฐานมาจากสิ่งที่ผมได้พูดไปตอนแรก
ซึ่งเมื่อไม่นานมานี้ผมลองเข้าไปใน Github และลองเลื่อน ๆ หา Repositories ที่เป็น Treading หรือที่นิยมแล้วผมไปเห็น AI Tools ตัวหนึ่งที่น่าสนใจคือ
PydanticAI คือเฟรมเวิร์กที่ออกแบบมาเพื่อทำให้การสร้างแอปพลิเคชัน Generative AI ใน Python ง่ายขึ้น โดยนำแนวคิดและความสะดวกจาก FastAPI มาปรับใช้ในการพัฒนาแอปที่ใช้ AI รวมถึงทำหน้าที่เป็นสะพานเชื่อมระหว่างนักพัฒนาและโมเดลภาษา (LLMs) โดยมีเครื่องมือสำหรับสร้าง Agents / AI Agent
AI Agent คืออะไร แล้วทำไมถึงต้องสร้าง?
บางทีมนุษย์เราอยากที่จะสามารถควบคุมผลลัพธ์หรือคำตอบให้เป็นไปตามที่เราต้องการ ยกตัวอย่างเช่น เวลาเราถามข้อมูลกับ AI แล้วได้คำตอบที่ตรงบ้างไม่ตรงบ้างกับสิ่งต้องการ หรือว่าบางทีได้คำตอบแบบวนไปวนมาจนทำให้ต้องใส่คำถามไปเรื่อยๆไม่สิ้นสุด จึงเป็นสาเหตุที่ว่าถ้าหากเราสามารถควบคุมผลลัพธ์ที่เราต้องการได้หล่ะจะเป็นอย่างไร
AI Agent เป็นโปรแกรมซอฟต์แวร์ที่ออกแบบมาเพื่อโต้ตอบกับสิ่งแวดล้อม โดยรับข้อมูล (perceive) และดำเนินการ (act) ตามข้อมูลนั้น เพื่อให้บรรลุเป้าหมายที่กำหนดซึ่งสามารถสามารถจำลองพฤติกรรมที่ดูฉลาดได้มีความซับซ้อนตั้งแต่ระบบที่ใช้กฎ (rule-based systems) ง่ายๆ ไปจนถึงโมเดลที่ใช้ Machine Learning ขั้นสูงหรืออาจจะใช้กฎที่กำหนดล่วงหน้าหรือโมเดลที่ฝึกมาแล้วในการตัดสินใจ และบางครั้งอาจต้องการการควบคุมหรือดูแลจากภายนอก
หรือให้พูดง่าย ๆ ก็คือระบบหรือซอฟต์แวร์ที่สามารถรับข้อมูลและดำเนินการตามเป้าหมายโดยอัตโนมัติ
ประเภทของ AI Agents
- Reactive Agents: ตัวแทนที่ตอบสนองต่อข้อมูลแบบเรียลไทม์ โดยไม่จำเป็นต้องจดจำข้อมูลในอดีต เหมาะสำหรับงานที่ง่าย เช่น การตอบคำถามที่พบบ่อย
- Cognitive Agents: ตัวแทนที่สามารถเรียนรู้จากประสบการณ์ที่ผ่านมาเพื่อพัฒนาการตัดสินใจ เหมาะสำหรับงานซับซ้อน เช่น การตรวจจับการฉ้อโกง หรือการวิเคราะห์ข้อมูลเพื่อคาดการณ์อนาคต
AI Agents ทำงานอย่างไร?
AI agents ใช้เทคโนโลยีต่าง ๆ เช่น การเรียนรู้ของเครื่อง (Machine Learning) การประมวลผลภาษาธรรมชาติ (Natural Language Processing) และบางครั้งการเรียนรู้เชิงลึก (Deep Learning) AI Agents ก็ทำงานผ่านวงจรง่าย ๆ ได้ดังนี้
- การรับรู้ (Perception): AI agents รวบรวมข้อมูลจากสภาพแวดล้อมหรือจากคำสั่งของผู้ใช้ ข้อมูลเหล่านี้อาจเป็นคำถามของลูกค้า หรือข้อมูลเชิงการเงิน
- การวิเคราะห์ (Reasoning): หลังจากรวบรวมข้อมูล ตัวแทนจะใช้แบบจำลองหรืออัลกอริธึมที่ได้รับการโปรแกรมมาเพื่อวิเคราะห์ข้อมูล และในบางกรณีใช้โมเดลการเรียนรู้เชิงลึกเพื่อให้ได้ข้อเสนอแนะ
- การดำเนินการ (Action): เมื่อได้ผลลัพธ์ ตัวแทนจะดำเนินการตามข้อมูลที่วิเคราะห์ ไม่ว่าจะเป็นการตอบคำถาม การทำธุรกรรม หรือการส่งข้อมูลไปยังระบบอื่นเพื่อการประมวลผลเพิ่มเติม
คุณสมบัติหลักของ PydanticAI
- Model-agnostic: สามารถทำงานร่วมกับโมเดลต่าง ๆ เช่น OpenAI, Anthropic, Gemini, Ollama, Groq, และ Mistral และสามารถเพิ่มการรองรับโมเดลอื่น ๆ ได้อย่างง่ายดาย
- Python-centric Design: ใช้โครงสร้างการควบคุมและการประกอบเอเจนต์ที่คุ้นเคยใน Python ทำให้ง่ายต่อการนำแนวปฏิบัติมาตรฐานของ Python มาใช้ในโครงการที่ขับเคลื่อนด้วย AI
- Structured Responses: ใช้ความสามารถของ Pydantic ในการตรวจสอบและจัดโครงสร้างผลลัพธ์ของโมเดล เพื่อให้มั่นใจว่าผลลัพธ์มีความสม่ำเสมอในแต่ละครั้ง
- Dependency Injection System: มีระบบ Dependency Injection ที่เป็นทางเลือก เพื่อให้ข้อมูลและบริการแก่ System Prompts, เครื่องมือ และตัวตรวจสอบผลลัพธ์ของเอเจนต์ ซึ่งมีประโยชน์สำหรับการทดสอบและการพัฒนาที่ขับเคลื่อนด้วยการประเมินผล
- Streamed Responses: สามารถสตรีมผลลัพธ์จาก LLM อย่างต่อเนื่อง พร้อมการตรวจสอบทันที เพื่อให้ได้ผลลัพธ์ที่รวดเร็วและแม่นยำ
ซึ่งในวันนี้ผมจะพามาลองสร้างและใช้งาน AI Agens แบบง่าย ๆ โดยสามารถทำตาม Step By Step ได้เลยครับ
ขั้นตอนที่ 1 Running Ollama Server
มาเริ่มในส่วนการเลือกใช้โมเดลกันก่อนครับซึ่งตัวโมเดลที่ผมจะเอามาใช้งานนั้นจะอยู่ที่โปรแกรม Ollama โดยสามารถโหลดได้ที่ https://ollama.com/download
เมื่อเราโหลดมาแล้วให้ติดตั้งแล้วไปที่หน้าต่าง Terminal แล้วลองตรวจสอบว่าได้ติดตั้งเรียบร้อยแล้วด้วยคำสั่ง “ollama”
ถ้าขึ้นดังรูปแสดงว่าเราติดตั้งเรียบร้อยแล้ว
ขั้นตอนที่ 2 Using Model with Ollam
จากนั้นถึงเวลาในการเลือกโมเดลที่ถูกใจโดยที่เราไปที่แถบ “Models”
จะเห็นได้ว่ามีโมเดลต่าง ๆ มากมายที่เราสามารถเลือกใช้งานแต่ว่าขึ้นอยู่กับสเปคคอมของแต่ละคนด้วย เพราะฉะนั้นควรเลือกใช้โมเดลให้เหมาะสมกับสเปคของอุปกรณ์ของเรา
ในที่นี้ผมเลือกโมเดล llama3.2 จากนั้นทำการคัดลอกคำสั่ง “ollama run llama3.2” เพื่อที่จะใช้งานตัวโมเดล
จากนั้นเปิดหน้า Terminal ขึ้นมาและวางคำสั่งที่คัดลอกมา
ขั้นตอน 3 Environment Setup
จากนั้นเราทำการสร้าง venv เพื่อเอาไว้โหลดโมดูลที่จะใช้สำหรับสร้าง AI Agens
python -m venv .venvใช้งาน venv ที่สร้าง
.\.venv\Scripts\activateกลับมาที่ตัว Pydantic Ai เราจะทำการลงผ่าน pip ด้วยคำสั่ง
pip install pydantic-aiเนื่องจากเราต้องการจะสร้าง SQL Query โดยให้เจ้าตัว AI Agens สร้าง Query ออกมาให้โดยเราแค่ใส่สิ่งที่เราต้องการ ดังนั้นจึงต้องมีการสร้างฐานข้อมูลในที่นี้จะใช้ Docker เพื่อความสะดวกในการใช้งานและฐานข้อมูลจะเป็น Postgres SQL
docker run — rm -e POSTGRES_PASSWORD=postgres -p 54320:5432 postgres
ขั้นตอนที่ 4 Run Code Demo
เมื่อเราเตรียมทุกอย่างเรียบร้อยแล้วถึงเวลาในการสร้าง AI Agens กันแล้วครับ โดยสามารถใช้โค้ตตัวอย่างจาก github นี้ในการทดสอบสร้างได้เลยครับ https://github.com/Jerryx1234/Pydantic_Ai_Code_Test/blob/main/sql_ai.py โดยเราสามารถเปลี่ยนโมเดลที่ใช้งานได้ตามความต้องการ
ขั้นตอน 5 Test Script
จากนั้นทดสอบใช้งานโดยใส่คำสั่งให้ตัว AI Agens แสดง Query รายการคอลัมน์ทั้งหมด
ก็จบกันไปแล้วครับสำหรับการสร้าง AI Agens ที่เรียกได้ว่าใคร ๆ ก็สามารถทำได้ซึ่งตัวอย่างที่ผมนำมาแสดงนี้เป็นแค่การใช้งานขั้นพื้นฐานซึ่งเจ้าตัว Pydantic AI นี้สามารถต่อยอดใช้งานได้อีกหลาย ๆ แบบและยิ่งตัวโมเดลที่ใช้งานเก่งเท่าไหร่ AI Agens ที่สร้างออกมาก็จะเก่งมากขึ้นทั้งนี้ทั้งนั้นก็ขึ้นอยู่กับผู้สร้างด้วยครับว่าสามารถนำไปปรับใช้งานได้อย่างไรบ้าง หวังว่าบทความนี้จะเป็นประโยชน์ต่อผู้อ่านที่มาถึงตรงนี้นะครับบบบ
