การมาถึงของ Generative AI ในช่วงหลายปีที่ผ่านมา เปลี่ยนแปลงการทำงาน และธุรกิจไปอย่างลึกซึ้ง ทั้งในเชิงประสิทธิภาพ การตัดสินใจ และการสร้างรูปแบบธุรกิจใหม่ๆ ที่ไม่เคยมีมาก่อน ช่วยปลดล็อคคุณภาพการทำงานให้สูงขึ้นและเร็วขึ้นกว่าทุกเทคโนโลยีที่เคยมีมา 

แต่แค่การใช้ Generative AI เป็น ไม่ได้หมายความว่าคุณจะชนะและอยู่จุดสูงสุดบนโลกธุรกิจ

หนึ่งในสิ่งที่องค์กรจำนวนมากให้ความสนใจกันคือ AI Agent โปรแกรมซอฟต์แวร์ที่สามารถทำงานตามคำสั่งและประมวลผลข้อมูลเพื่อบรรลุเป้าหมายต่างๆ ที่ถูกกำหนดไว้ได้แบบอัตโนมัติ จนทำงานได้แทนมนุษย์ แต่ IBM เผยว่า AI Agent มีหลายระดับ แบ่งแยกกันไปตามระดับของความฉลาด การตัดสินใจ และการปฏิสัมพันธ์กับคำสั่งเพื่อทำให้ผลลัพธ์ออกมาประสบความสำเร็จ บทความนี้จึงขอพาทุกคนมาทำความรู้จัก AI Agent ทั้ง 5 ระดับกัน

Simple Reflex Agents

AI Agent ระดับนี้จะอยู่ในขั้นระดับพื้นฐานที่สุด ถูกออกแบบมาให้ทำตามเซ็ตคำสั่งเงื่อนไขที่ตั้งเอาไว้ โดยจะตัดสินใจแบบไม่ใช่ข้อมูลจากอดีต หรือผลลัพธ์ที่จะเกิดขึ้นได้ในอนาคตเลย ไม่สามารถคิด วิเคราะห์ หรือพัฒนาองค์ความรู้ของตัวเอง เป็นเพียงระบบ condition-action rule ที่ถ้ามีเงื่อนไขบางอย่างเกิดขึ้นตามกฎที่ตั้งไว้ ตัวโปรแกรมก็จะทำงานตามคำสั่งตามสเต็ป เปรียบเสมือนกับเครื่องจักรที่ทำสิ่งเดิมซ้ำไปซ้ำมา

ตัวอย่างของ Simple Reflex agents ก็คือเทอร์โมสตัท (thermostat) ที่จะเปิดฮีตเตอร์เมื่อจับอุณหภูมิลดลงต่ำเกินมาตรวัดที่กำหนด และจะปิดฮีตเตอร์เมื่ออุณหภูมิกลับมาอยู่ในระดับที่ต้องการ อีกตัวอย่างคล้าย ๆ กันก็จะเป็นสัญญาณไฟจราจรที่จะเปลี่ยนสีไฟด้วยการใช้เซนเซอร์ตรวจความหนาแน่นของการจราจร

Model-Based Reflex Agents

AI Agent ระดับนี้ยังคงใช้ condition-action rule ในการตัดสินใจอยู่ แต่ความพิเศษที่เพิ่มมาก็คือมันไม่ได้แค่ตอบสนองตามคำสั่งที่ตั้งไว้อย่างเดียว แต่ยังมีโมเดลแบบของสภาพแวดล้อมบรรจุเข้าไปในความทรงจำด้วย มีการติดตามสถานะปัจจุบันของสภาพแวดล้อม พร้อมทั้งเข้าใจว่าปฏิสัมพันธ์ที่ผ่านมามันส่งผลกระทบต่อสภาพแวดล้อม เป็น AI Agent ที่ตัดสินใจได้เก่งขึ้นและทำงานภายใต้สถานการณ์ที่มีความซับซ้อนและคาดเดายากได้ดีขึ้น

ตัวอย่างของ Model-Based Reflex Agents ก็คือเครื่องดูดฝุ่นอัตโนมัติที่ไม่ใช่แค่ทำความสะอาดไปเรื่อยแบบซ้ำ ๆ วนไปวนมา แต่มันยังจำแผนผังห้องได้ ที่สำคัญคือรู้ว่าตรงไหนทำความสะอาดไปแล้วและตรงไหนยังไม่ได้ทำ

การจดจำอดีตคือปัจจัยสำคัญที่ทำให้ Model-Based Reflex ทำงานได้มีประสิทธิภาพมากกว่า Simple Reflex อย่างเห็นได้ชัด สามารถรับมือกับสถานการณ์ที่ต้องอาศัยการจดจำสิ่งต่าง ๆ สำหรับการตัดสินใจในอนาคต แต่ถึงแม้ AI Agent ระดับนี้จะมีการพัฒนาความคล่องตัวยืดหยุ่น แต่ก็ยังขาดกระบวนการใช้เหตุผลและการเรียนรู้ที่สามารถแก้ปัญหาที่มีความซับซ้อนสูงในสภาพแวดล้อมที่หลากหลายได้

Goal-Based Agents

AI Agent ในระดับนี้ไม่ได้แค่ทำงานตามเงื่อนไขคำสั่ง condition-action rule แต่จะเป็นการทำงานด้วยการโฟกัสที่เป้าหมาย (goal) เพื่อแก้ปัญหา โดยมีการ “วางแผน” และการใช้ “เหตุผล” เพื่อบรรลุเป้าหมายนั้น

ตัวอย่างของ Goal-Based Agents ก็คือหุ่นยนต์ที่ออกแบบมาให้เดินทางในตึกจากห้องหนึ่งไปอีกห้องหนึ่ง ซึ่งตัวหุ่นยนต์ก็จะไม่ได้แค่หลบหลีกสิ่งกีดขวางได้อย่างเดียว แต่ยังสามารถวางแผนเส้นทางเพื่อลดระยะทางให้ใกล้ที่สุด และหลีกเลี่ยงสิ่งกีดขวางที่เคยเจอแล้วได้ด้วย

หลักการสำคัญของ AI Agent ระดับนี้คือการรับรู้สถานะของสภาพแวดล้อม เก็บแบบจำลองโลกไว้ในความจำ รู้ว่าจุดหมายที่ต้องการคืออะไร แล้วใช้กระบวนการวางแผนหรือการคำนวณเพื่อตัดสินใจว่าควรทำอะไรต่อไปเพื่อให้เข้าใกล้เป้าหมายนั้น แต่ก็ยังไม่ได้ทรงพลังถึงขั้นที่ว่าทำทุกอย่างได้เอง สาเหตุสำคัญคือหลายครั้งมันยังต้องอาศัยการตั้งการตัดสินใจล่วงหน้าอยู่ดี

Utility-Based Agents

AI Agent ในไม่ได้ทำงานด้วยการเลือกว่าทางเลือกไหนจะบรรลุเป้าหมายสำเร็จ แต่มันมองลึกไปอีกว่าทางไหนจะทำให้เป้าหมายบรรลุผลสำเร็จอย่างมีประสิทธิภาพที่สุดเท่าที่จะเป็นไปได้ สามารถตัดสินใจได้ดีที่สุดกว่าทุกระดับที่ผ่านมา

ตัวอย่างของ Utility-Based Agents ก็คือรถยนต์ที่ขับอัตโนมัติที่จะคำนึงถึงความเร็ว การประหยัดน้ำมัน และความปลอดภัย ไว้ใช้ในการตัดสินใจเพื่อเดินทางไปถึงจุดหมายปลายทางได้ดีที่สุดภายใต้ตัวแปรทั้งสามตัวนี้

ข้อดีของเอเจนต์แบบนี้คือมันจัดการกับสถานการณ์ที่ซับซ้อนได้ดี โดยเฉพาะเวลามีหลายปัจจัยที่ต้องพิจารณาพร้อมกัน เช่น ความเร็ว ความปลอดภัย ค่าใช้จ่าย หรือความสะดวกสบายของผู้ใช้ เพราะเราสามารถถ่วงน้ำหนักความสำคัญแต่ละอย่างรวมเข้าไปในฟังก์ชันอรรถประโยชน์ได้ และมันยังรับมือกับความไม่แน่นอนได้ด้วย โดยคำนวณจาก “ผลลัพธ์ที่น่าจะเกิดขึ้น” แล้วเลือกสิ่งที่ให้ประโยชน์โดยรวมมากที่สุด

อย่างไรก็ตาม การออกแบบฟังก์ชั่นของ Utility-Based Agents ไม่ใช่เรื่องง่าย เพราะเราต้องแปลงสิ่งที่เป็นนามธรรม เช่น ความปลอดภัย ความยุติธรรม หรือความพึงพอใจของผู้ใช้ ให้กลายเป็นค่าตัวเลขที่เอเจนต์เข้าใจได้ ถ้ากำหนดไม่ดี มันก็อาจทำบางอย่างที่ไม่ตรงกับเจตนาที่เราต้องการจริง ๆ

Learning Agents

ในขณะที่ AI Agent ระดับอื่น ๆ จะมีอาศัยกฎเกณฑ์ที่ถูกกำหนดไว้และโมเดลตั้งต้น แต่ Learning Agent จะเป็นการพัฒนาเรียนรู้พฤติกรรมของตัวเองผ่านฟีดแบ็กจากสภาพแวดล้อมอยู่ตลอดเวลา มีการเรียนรู้จากประสบการณ์และปรับปรุงตัวเองตลอดเวลา

หัวใจของ Learning Agent มักอธิบายผ่านองค์ประกอบสี่อย่างที่ทำงานร่วมกันอย่างลื่นไหล 

1. Performance Element สมองที่เลือกการกระทำตอบสนองสถานการณ์ตรงหน้า
2. Learning Element เฝ้าดูผลงานของตัวเองแล้วปรับพารามิเตอร์ ความรู้ หรือกลยุทธ์ให้ดีขึ้น
3. Critics ผู้วิจารณ์ที่ให้ฟีดแบ็ก เช่น คะแนนรางวัล ความแม่นยำ หรือสัญญาณผิดพลาด
4. Problem Generator ชวนให้ลองสิ่งใหม่ ๆ ไม่ให้เอเจนต์ยึดติดกับวิธีเดิมเสมอไป เพราะการกล้าสำรวจนอกเส้นทางเดิมคือทางลัดสู่การค้นพบวิธีที่ดีกว่าในอนาคต

ภาพรวมนี้ทำให้เห็นว่า Learning Agent ไม่ได้เรียนรู้และพัฒนาตัวเองแบบสุ่มสี่สุ่มห้า แต่เรียนอย่างมีระบบแบบแผน ความสามารถในการเรียนรู้จากปฏิสัมพันธ์ระหว่างตัวโปรแกรมกับสภาพแวดล้อมภายนอก ทำให้ AI Agents ระดับนี้มีคุณค่าและคุณประโยชน์มากสำหรับการทำ Chatbots ที่ทรงพลัง 

ทำไม AI Agent ถึงเป็นปัจจัยสำคัญในการยกระดับธุรกิจขององค์กร?

เมื่อเราย้อนกลับไปดูตั้งแต่ระดับแรกของ AI Agents จะเห็นว่าเส้นทางการพัฒนานี้ไม่ได้เป็นเพียงเรื่องของเทคโนโลยี แต่คือการสร้าง “ความสามารถในการตัดสินใจ” ที่ฉลาดขึ้นอย่างต่อเนื่อง และนี่แหละคือหัวใจที่ทำให้ AI Agents กลายมาเป็นตัวเร่งการเปลี่ยนแปลงของธุรกิจยุคใหม่

องค์กรไม่สามารถพึ่งพาเพียงแรงงานมนุษย์หรือกระบวนการแบบดั้งเดิมได้อีกต่อไป AI Agents เข้ามาเติมเต็มช่องว่างนี้ด้วยการทำงานซ้ำ ๆ แทนคน ได้อย่างอัตโนมัติ, และที่สำคัญคือ ตัดสินใจแบบ real-time ได้ดีกว่ามนุษย์ในหลายบริบท

ดังนั้น การลงทุนใน AI Agents ไม่ได้เป็นเพียงการเพิ่มประสิทธิภาพ แต่คือการสร้าง รากฐานใหม่ของการแข่งขันทางธุรกิจ องค์กรที่สามารถผสาน AI Agents เข้ากับกระบวนการทำงาน จะก้าวข้ามจากการทำงานเชิงรับ ไปสู่การขับเคลื่อนนวัตกรรมเชิงรุก มีความยืดหยุ่นต่อความไม่แน่นอน และสร้างคุณค่าที่แตกต่างให้ลูกค้าได้อย่างต่อเนื่อง

Generative AI Agent Lab for Executives

เวิร์กชอปสำหรับผู้บริหารแบบเข้มข้น 1 วัน ที่ช่วยคุณทำ Prototype AI Agent อย่างเป็นระบบ เจาะจงกับบริบทของธุรกิจ ช่วยเร่งสปีดการทำ AI Transformation ขององค์กรคุณ ผลักดัน AI Implementation ในองค์กรให้สำเร็จ ห้ามพลาด! Generative AI Agent Lab for Executives

สมัครเรียน อ่านรายละเอียดเพิ่มเติม คลิก Generative AI Agent Lab for Executives ได้เลย!

---

Sources

Types of AI agents | IBM