Matthew is a generative AI platform designed to enhance teaching and learning at Chiang Mai University in Thailand. Developed through a collaborative effort by a diverse team of faculty members, Matthew embodies a shared passion for leveraging AI to drive educational innovation. Matthew was conceived in late 2023, trialled in 2024 and released university-wide on February 14, 2025.

• Lead developer -- Kamonphop Srisopha

• Backend architecture -- Ratsameetip Wita, Chaiy Rungsiyakull

• Project lead -- Arnan Sipitakiat

• Policy advisor -- Rattasit Sukhahuta

• Concept advisors -- Siriwut Buranapin, Thanomporn Laohajaratsang, Siriporn Peansukmanee

• Project Manager -- Tunpicha Arinta

• Documentation -- Worawit Tepsan, Montiya Phoungsub, Janejira Kaensarn

• Researchers -- Kamonphop Srisopha, Pornrat Wattanakasiwich, Ratsameetip Wita, Montiya Phoungsub, Woraluk Angsuwarangoon, Suthida Chamrat, Udomchoke Asawimalkit, Siriwut Buranapin, Thanomporn Laohajaratsang, Arnan Sipitakiat, Siriporn Peansukmanee

• User Support -- Athicha Lertwiram, Panithi Panwut, Janejira Kaensarn

• API and add-on developers -- Thivakorn Jansaard, Chawalid Punyajarern, Nattapas Rompo, Pongsit Yayapao, Peeranut Pongpakatien

ความหมายของ Prompt

Prompt หมายถึง คำสั่งหรือคำถามที่ใช้สำหรับสื่อสารกับ Generative AI โดยการเขียน Prompt ที่ดีจะช่วยให้ AI สามารถให้คำตอบที่ตรงกับความต้องการของผู้ใช้มากขึ้น การเรียนรู้เทคนิคการเขียน Prompt จึงเป็นสิ่งจำเป็นสำหรับผู้ที่ต้องการใช้ AI อย่างมีประสิทธิภาพ

องค์ประกอบพื้นฐานของ Prompt

1. Instruction (คำสั่ง) – อธิบายว่าต้องการให้ AI ทำอะไร

2. Context (บริบท) – ข้อมูลพื้นฐานที่ช่วยให้ AI เข้าใจสถานการณ์หรือเงื่อนไขของคำสั่งมากขึ้น

3. Input Data (ข้อมูลนำเข้า) – ข้อมูลที่ AI ต้องใช้ในการประมวลผล

4. Output (ผลลัพธ์ที่คาดหวัง) – คำอธิบายเกี่ยวกับผลลัพธ์ที่ต้องการให้ AI สร้างขึ้น

ตัวอย่างการเขียน Prompt

ตัวอย่างที่ 1: การแปลภาษา

Prompt: แปลข้อความต่อไปนี้จากภาษาอังกฤษเป็นภาษาไทย: "I am learning about Artificial Intelligence and Machine Learning." ให้คำแปลเป็นประโยคที่อ่านเข้าใจง่ายสำหรับผู้เริ่มต้น

องค์ประกอบ:

• Instruction: แปลข้อความต่อไปนี้จากภาษาอังกฤษเป็นภาษาไทย

• Input Data: "I am learning about Artificial Intelligence and Machine Learning."

• Output: ให้คำแปลเป็นประโยคที่อ่านเข้าใจง่ายสำหรับผู้เริ่มต้น

ตัวอย่างที่ 2: สร้างแผนการท่องเที่ยว

Prompt: คุณเป็นผู้ช่วยวางแผนท่องเที่ยว ฉันมีงบ 30,000 บาท และต้องการเที่ยวเชียงใหม่ 3 วัน 2 คืน กรุณาสร้างแผนการเดินทางที่รวมที่พัก การเดินทาง และสถานที่ท่องเที่ยว ให้แผนการเดินทางเป็นตาราง Markdown

องค์ประกอบ:

• Context: คุณเป็นผู้ช่วยวางแผนท่องเที่ยว

• Input Data: ฉันมีงบ 30,000 บาท และต้องการเที่ยวเชียงใหม่ 3 วัน 2 คืน

• Instruction: กรุณาสร้างแผนการเดินทางที่รวมที่พัก การเดินทาง และสถานที่ท่องเที่ยว

• Output: ให้แผนการเดินทางเป็นตาราง Markdown

แนวทางการเขียน Prompt อย่างมีประสิทธิภาพ

สรุป

การเขียน Prompt อย่างมีประสิทธิภาพช่วยให้ AI สร้างผลลัพธ์ที่ตรงกับความต้องการของผู้ใช้มากขึ้น ควรระบุคำสั่งให้ชัดเจน กำหนดบริบท เพิ่มตัวอย่าง และทดลองปรับปรุงเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด การเรียนรู้และฝึกฝนเทคนิคเหล่านี้จะช่วยให้คุณสามารถใช้ Generative AI ได้อย่างมีประสิทธิภาพสูงสุด

Prompt Engineering เป็นกลยุทธ์ในการใช้ข้อความหรือคำสั่งเพื่อกระตุ้นให้ระบบ AI สร้างผลลัพธ์ตามที่ต้องการ เทคนิคนี้ช่วยให้ได้ผลลัพธ์ที่มีประสิทธิภาพและตรงกับเป้าหมายที่ตั้งไว้มากขึ้น โดยการใช้รูปแบบ (Pattern) ที่เหมาะสม

ตัวอย่าง Prompt Techniques

1. Personal Pattern The Persona Pattern การออกแบบคำสั่งโดยมุ่งเน้นไปที่ความต้องการ ข้อมูลพื้นฐาน หรือบริบทส่วนบุคคล เพื่อให้ผลลัพธ์ที่ได้มีความเฉพาะด้านและตรงกับผู้ใช้มากที่สุด

2. Audience Pattern The Audience Persona Pattern การออกแบบคำสั่งที่คำนึงถึงผู้รับสารหรือกลุ่มเป้าหมายที่ต้องการสื่อสาร โดยกำหนดการใช้ภาษาหรือบริบทให้เหมาะสมกับกลุ่มเป้าหมาย

3. Chain of Thought (CoT) Pattern Chain of Thought (CoT) Pattern การกระตุ้นให้ AI คิดเป็นลำดับขั้นตอนเพื่อให้ได้คำตอบที่ซับซ้อนและมีเหตุผลมากขึ้น โดยสามารถใช้คำสั่งเช่น "อธิบายเป็นขั้นตอน" หรือ "ช่วยวิเคราะห์ปัญหานี้ทีละขั้นตอน"

4. Zero-shot และ Few-shot Prompting Zero Shot and Few Shot Prompting

   • Zero-shot Prompting: การให้ AI ทำงานโดยไม่มีตัวอย่างมาก่อน เช่น "อธิบายแนวคิดของเศรษฐศาสตร์พฤติกรรม"

   • Few-shot Prompting: การให้ตัวอย่างบางส่วนเพื่อให้ AI เข้าใจแนวทางก่อน เช่น "ตัวอย่างของข้อความเชิญงานคือ... กรุณาสร้างข้อความเชิญงานในลักษณะเดียวกัน"

The Persona Pattern เป็นเทคนิคที่ใช้ใน Prompt Engineering เพื่อสร้าง “บุคลิก” (Persona) ให้กับ AI หรือผู้ช่วยดิจิทัล โดยกำหนดลักษณะเฉพาะตัวของ AI ให้ตอบสนองผู้ใช้ด้วยสไตล์ (Style), น้ำเสียง (Tone & Manner), ความรู้ (Expertise) และมุมมองที่กำหนดไว้ล่วงหน้า เพื่อให้สอดคล้องกับบทบาทที่ต้องการ

องค์ประกอบหลักของ The Persona Pattern ประกอบด้วย

• Identity (ตัวตน) ที่ระบุว่าผู้ช่วย AI เป็นใคร เช่น แพทย์ ผู้เชี่ยวชาญ นักวิทยาศาสตร์ หรือโค้ชสุขภาพ

• Tone & Manner (น้ำเสียงและท่าที) ที่บ่งบอกอารมณ์หรือสไตล์การสื่อสาร เช่น เป็นมิตร วิชาการ สนุกสนาน หรือจริงจัง

• Knowledge & Expertise (ความรู้และความเชี่ยวชาญ) ที่ครอบคลุมขอบเขตความรู้ที่ต้องการ เช่น การแพทย์ เทคโนโลยี หรือธุรกิจ

• และ Values & Perspective (ค่านิยมและมุมมอง) ที่ระบุว่าควรมีมุมมองแบบใด เช่น เน้นหลักวิทยาศาสตร์ จริยธรรม หรือเน้นความยืดหยุ่น เพื่อทำให้ AI สามารถสื่อสารและให้คำแนะนำได้อย่างสอดคล้องและตรงตามความคาดหวังของผู้ใช้งานมากที่สุด

โดยมีรูปแบบทั่วไปคือ

สมมุติว่าคุณคือ [บุคลิคของคนที่ต้องการให้ช่วย] อธิบาย/ตอบคำถาม [สิ่งที่ต้องการให้ Generative AI ช่วย]

ตัวอย่างการใช้ The Persona Pattern ในการสร้าง Prompt

1. Prompt ทั่วไป

❌ "แนะนำอาหารเพื่อสุขภาพให้หน่อย" (ขาดความเฉพาะเจาะจง น้ำเสียงไม่แน่นอน)

2. Prompt ที่ใช้ Persona Pattern

✅ "คุณเป็นนักโภชนาการที่มีประสบการณ์และชอบให้คำแนะนำในเชิงปฏิบัติ คุณใช้ภาษาที่เข้าใจง่ายและให้คำแนะนำที่เป็นมิตร โปรดแนะนำเมนูอาหารเพื่อสุขภาพสำหรับคนที่ต้องการลดน้ำหนัก แต่ยังต้องการความอร่อย"

ตัวอย่างที่ 1:

คุณคือ Andrew Ng หนึ่งในผู้บุกเบิกและผู้นำด้าน AI ผู้ก่อตั้ง DeepLearning.AI และ Coursera และดำรงตำแหน่งประธานบริหารของ Landing AI

โปรดอธิบายเกี่ยวกับ Generative AI โดยใช้ความรู้และประสบการณ์จริงของคุณในฐานะผู้เชี่ยวชาญและนักวิจัยด้าน AI คนสำคัญ โดย

ขอบเขตเนื้อหา (Scope) ดังนี้

• อธิบายความหมายและกลไกเบื้องหลังของ Generative AI

• เล่าถึงภูมิหลังและความก้าวหน้าของเทคโนโลยีนี้

• ยกตัวอย่างการนำ Generative AI ไปใช้ในงานจริง หรือโอกาสทางธุรกิจและอุตสาหกรรม

• อธิบายข้อควรระวังหรือความท้าทายในการพัฒนาและนำ Generative AI ไปใช้งานในวงกว้าง

• แสดงวิสัยทัศน์ในอนาคตของ Generative AI จากมุมมองของคุณเอง ในฐานะผู้ที่ได้เห็นการเติบโตของ AI มาโดยตลอด

รูปแบบการสื่อสาร (Style):

• ใช้น้ำเสียงที่เป็นกันเอง แต่ยังคงน่าเชื่อถือและเข้าใจง่าย

• สอดแทรกประสบการณ์หรือเหตุการณ์ส่วนตัวเพื่อเชื่อมโยงกับผู้ฟัง

• ถ่ายทอดวิสัยทัศน์และเป้าหมายในการพัฒนา AI เพื่อประโยชน์กับสังคมในวงกว้าง

The Audience Persona Pattern เป็นเทคนิคในการกำหนด “บุคลิกของกลุ่มเป้าหมาย” โดยพิจารณาจากข้อมูลสำคัญ ได้แก่

• Demographics (อายุ, เพศ, อาชีพ, รายได้, การศึกษา)

• Psychographics (ค่านิยม, ไลฟ์สไตล์, งานอดิเรก)

• Pain Points (อุปสรรคที่กลุ่มเป้าหมายเผชิญ)

• และ Goals & Needs (เป้าหมายและความต้องการ) เพื่อให้เราสามารถเข้าใจตัวตนและบริบทของผู้รับสารได้อย่างเจาะลึก จนนำไปสู่การสื่อสารอย่างมีประสิทธิภาพ

โดยรูปแบบทั่วไปของ Prompt คือ

อธิบาย/ตอบคำถาม [สิ่งที่ต้องการให้ Generative AI ช่วย] สำหรับ​ [ระบุกลุ่มเป้าหมาย]

ตัวอย่างการสร้าง Audience Persona

ตัวอย่างที่ 1:

อธิบายเกี่ยวกับ Generative AI ให้เด็กอายุ 1 ขวบฟัง

ตัวอย่างที่ 2:

อธิบายเครื่องมือบริหารเวลาที่ช่วยให้ทำงานเสร็จเร็วขึ้น 2 เท่าให้ คนวัยทำงานที่มีงานยุ่งตลอดเวลา และกำลังมองหาเครื่องมือช่วยบริหารเวลา

ตัวอย่างที่ 3:

อธิบายอาหารสำเร็จรูปที่มีโภชนาการครบถ้วนให้ คุณแม่ที่ต้องทำงานและดูแลครอบครัว จึงต้องการโภชนาการที่ดีสำหรับลูกอย่างสะดวกและรวดเร็ว

การผสมผสาน Persona Pattern กับ Chain of Thought (CoT) Chain of Thought คือการกระตุ้นให้ AI คิดเป็นลำดับขั้นตอน เพื่อให้คำตอบมีโครงสร้างและมีเหตุผลมากขึ้น สามารถใช้คำสั่งใน Prompt เช่น "ช่วยอธิบายทีละขั้นตอน" หรือ "โปรดวิเคราะห์ปัญหานี้ทีละขั้นตอน"

ตัวอย่าง Prompt ที่รวม Persona Pattern และ Chain of Thought: ✅ "คุณคือนักวิทยาศาสตร์ด้าน AI ผู้มีประสบการณ์ 10 ปี โปรดช่วยอธิบายว่า Generative AI ทำงานอย่างไรทีละขั้นตอน โดยให้เริ่มจาก:

1. กลไกการทำงานพื้นฐาน เช่น การใช้โมเดล Neural Network

2. การฝึกโมเดล (Training) และการสร้างผลลัพธ์ (Generation)

3. กระบวนการเบื้องหลังที่ช่วยให้โมเดลสามารถ "สร้าง" เนื้อหาใหม่จากข้อมูลเดิม

4. ข้อจำกัดหรือปัญหาที่พบในปัจจุบัน"

โปรดใช้น้ำเสียงเชิงวิชาการ แต่เข้าใจง่าย และอธิบายเป็นขั้นตอนอย่างชัดเจน"

Zero-shot prompting หมายถึงการให้คำสั่ง (prompt) โดยไม่มีตัวอย่างหรือการสาธิต ภายในคำสั่งนั้น โมเดลจะต้องทำงานหรือให้คำตอบตามคำสั่งที่ได้รับโดยไม่มีตัวอย่างเพิ่มเติมเพื่อช่วยนำทาง

"จำแนกข้อความเป็นกลาง (neutral), เชิงลบ (negative) หรือเชิงบวก (positive)" ข้อความ: "ฉันคิดว่าการไปเที่ยวก็โอเคนะ" ผลลัพธ์ที่ได้: ???

Few-shot Prompting หมายถึง การให้คำสั่ง (prompt) พร้อมตัวอย่างบางส่วน เพื่อช่วยให้โมเดลเข้าใจบริบทและดำเนินการตามคำสั่งได้แม่นยำขึ้น

ต่างจาก Zero-shot Prompting ที่ไม่มีตัวอย่างเลย Few-shot Prompting จะให้ตัวอย่าง (demonstrations) ก่อนคำถามหรือคำสั่งจริง ซึ่งช่วยให้โมเดลเข้าใจรูปแบบของคำตอบที่ต้องการ

ตัวอย่าง: ข้อความ: "ฉันมีวันที่ยอดเยี่ยมมาก!" → อารมณ์: บวก ข้อความ: "ฉันรู้สึกแย่มากวันนี้" → อารมณ์: ลบ ข้อความ: "มันเป็นวันธรรมดา ไม่มีอะไรพิเศษ" → อารมณ์: กลาง

ตอนนี้วิเคราะห์อารมณ์ของข้อความต่อไปนี้: ข้อความ: "ฉันตื่นเต้นกับการเดินทางสุดสัปดาห์นี้!" อารมณ์: ???

อาจารย์สามารถสร้าง Assistant ที่ช่วยตั้งคำถามให้นักศึกษาตอบเป็นข้อ ๆ โดยให้นักศึกษาตอบจนกว่าจะถูกทั้งหมด และเมื่อครบทุกคำถามแล้ว ให้สรุปคำตอบโดยรวม โดยสามารถกำหนด Prompt ใน Instruction โดยมีตัวอย่างดังนี้:

คุณจะทำหน้าที่เป็นผู้สอบถามนักศึกษาเกี่ยวกับกระบวนการ Design Thinking โดยมีขั้นตอนดังนี้:
- เริ่มต้นด้วยการถามคำถามแรกในรายการ
- เมื่อนักศึกษาตอบถูกต้อง ให้ชมนักศึกษาพร้อมให้คำอธิบายเพิ่มเติม และเปลี่ยนไปถามคำถามถัดไป 
- หากนักศึกษาตอบผิดให้แจ้งว่าคำตอบไม่ถูกต้องพร้อมทั้งให้คำอธิบายว่าทำไมถึงไม่ถูกต้อง ให้กำลังใจนักศึกษา
  และให้พวกเขาลองตอบใหม่จนกว่าจะถูก
- เมื่อถามครบทุกคำถามแล้ว ให้สรุปคำตอบทั้งหมดที่ถูกต้อง

รายการคำถาม:

ขั้นตอนที่ 1 ของ Design Thinking คืออะไร?
✅ คำตอบที่ถูกต้อง: Empathize ขั้นตอนนี้คือการเข้าใจความรู้สึกและความต้องการของผู้ใช้งานอย่างลึกซึ้ง 
เราจะต้องสังเกตและฟังอย่างตั้งใจเพื่อเก็บข้อมูล
เกี่ยวกับปัญหาที่พวกเขาเผชิญอยู่

ขั้นตอนที่ 2 ของ Design Thinking คืออะไร?
✅ คำตอบที่ถูกต้อง: Define ขั้นตอนนี้คือการสรุปปัญหาที่เราได้เรียนรู้จากการ Empathize ให้ชัดเจน 
เพื่อที่จะนำไปแก้ไขได้อย่างตรงจุด

ขั้นตอนที่ 3 ของ Design Thinking คืออะไร?
✅ คำตอบที่ถูกต้อง: Ideate ในขั้นตอนนี้ เราจะระดมความคิดเพื่อหาวิธีแก้ปัญหาที่สร้างสรรค์และหลากหลายที่สุด 

ขั้นตอนที่ 4 ของ Design Thinking คืออะไร?
✅ คำตอบที่ถูกต้อง: Prototype ในขั้นตอนนี้ เราจะสร้างแบบจำลองหรือโมเดลของวิธีแก้ปัญหาเพื่อนำไปทดลองและพัฒนาต่อ 

ขั้นตอนที่ 5 ของ Design Thinking คืออะไร?
✅ คำตอบที่ถูกต้อง: Test ขั้นตอนนี้คือการนำแบบจำลองหรือ Prototype ไปทดสอบกับผู้ใช้งานจริง 
เพื่อดูว่าวิธีการแก้ปัญหาที่เราเลือกนั้นได้ผลดีหรือยัง

1. การเก็บข้อมูลส่วนตัว

   • เราอาจเก็บรวบรวมข้อมูลส่วนตัวของคุณ เช่น ชื่อ อีเมล และข้อมูลการใช้งาน เพื่อวัตถุประสงค์ในการวิเคราะห์ ปรับปรุงการศึกษา และงานวิจัยภายในแอพลิเคชัน

   • ข้อมูลทั้งหมดจะถูกจัดเก็บและประมวลผลด้วยความปลอดภัยและความเป็นส่วนตัวตามมาตรฐานสากลและตามพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 (PDPA)

2. การใช้งานข้อมูลส่วนตัว

   • ข้อมูลส่วนตัวที่เก็บรวบรวมจะถูกใช้เพื่อปรับปรุงบริการและประสบการณ์การใช้งานของคุณ เพื่อวัตถุประสงค์ในการศึกษา และงานวิจัย

   • ข้อมูลทั้งหมดจะถูกทำให้เป็นข้อมูลนิรนาม (anonymous) เพื่อรักษาความเป็นส่วนตัวของผู้ใช้งาน

3. การเปิดเผยข้อมูล

   • เราจะไม่เปิดเผยข้อมูลส่วนตัวของคุณให้แก่บุคคลที่สาม ยกเว้นในกรณีที่กฎหมายกำหนดหรือได้รับความยินยอมจากคุณ

   • ข้อมูลนิรนามอาจถูกใช้เพื่อการศึกษา งานวิจัย และวิเคราะห์ทางสถิติ

4. สิทธิของผู้ใช้งาน

   • คุณมีสิทธิในการเข้าถึง แก้ไข และลบข้อมูลส่วนตัวของคุณได้ตลอดเวลา โดยติดต่อเราผ่านช่องทางที่กำหนด

   • คุณมีสิทธิในการขอถอนความยินยอมในการประมวลผลข้อมูลส่วนบุคคลของคุณได้ทุกเมื่อ

5. การเก็บรักษาข้อมูล

   • ข้อมูลส่วนตัวจะถูกเก็บรักษาเป็นระยะเวลาที่จำเป็นต่อการบรรลุวัตถุประสงค์ในการเก็บรวบรวมข้อมูลดังกล่าว

6. จริยธรรมการวิจัยในคน

   • การวิจัยทั้งหมดที่เกี่ยวข้องกับข้อมูลส่วนตัวของผู้ใช้งานจะปฏิบัติตามหลักจริยธรรมการวิจัยในคน

   • ข้อมูลที่ใช้ในการวิจัยจะถูกเก็บรวบรวม ประมวลผล และรายงานในลักษณะที่ไม่สามารถระบุตัวตนของผู้ใช้งานได้

7. การเปลี่ยนแปลงเงื่อนไขการใช้งาน

   • เราขอสงวนสิทธิ์ในการเปลี่ยนแปลงเงื่อนไขการใช้งานโดยไม่ต้องแจ้งให้ทราบล่วงหน้า โดยเงื่อนไขการใช้งานที่เปลี่ยนแปลงจะมีผลบังคับใช้เมื่อประกาศบนแอพลิเคชัน

อาจารย์สามารถใช้ Matthew เพื่อสนทนาเหมือนกับ Generative AI อื่นๆได้ แต่ Matthew นั้นจะมีความสามารถพิเศษที่ Generative AI ส่วนใหญ่ไม่มี นั่นคือ

นักศึกษาสามารถใช้งานผู้ช่วยนี้ตามที่อาจารย์กำหนดความสามารถไว้ อาจารย์สามารถเรียนรู้การเริ่มต้นใช้งานเพิ่มเติมตามวิธีการดังนี้

1. เมื่อ Login เข้ามาในหน้า Matthew จะเห็นหน้าจอประกอบด้วย

1.1 Main Interaction Area: Chat Interface

• ส่วนพื้นที่หลักสำหรับโต้ตอบหรือสนทนากับระบบ AI

1.2 Your Personal Assistants

• ส่วนที่แสดงรายชื่อหรือการเข้าถึง AI Assistants ที่มีอยู่ ทั้งที่อาจารย์สร้างขึ้น และที่ได้รับสิทธิ์การใช้งาน

1.3 Left Sidebar: Navigation Menu

• แถบเมนูด้านซ้ายมือ สำหรับนำทางไปยังส่วนต่าง ๆ ของระบบ (อาจเป็นลักษณะย่อขนาด ขึ้นอยู่กับหน้าจอคอม)

2. สำหรับอาจารย์ที่ต้องการสร้างผู้ช่วยสอน AI (AI Teaching Assistance)

ความต่างของ Matthew ที่ Generative AI อื่นให้ไม่ได้คือการสร้างผู้ช่วยสอน AI ที่อาจารย์สามารถให้นักศึกษาในคลาสเรียนของอาจารย์เข้าไปใช้ได้

2.1 เลือก “Creator Portal” จาก Left Sidebar มุมซ้ายล่าง

2.2 เมื่อเข้า Creator Portal

หลังจากเข้า Create Portal จะเจอหน้าจอซึ่งประกอบไปด้วย

Creator Dashboard

ภายใน “Creator Dashboard” จะแบ่งเป็น 2 ส่วนหลัก ๆ คือ Overview และ My assistant

Overview

ในหน้านี้ อาจารย์สามารถตรวจสอบข้อมูลทั่วไป สถานะจะประกอบด้วยข้อมูลดังต่อไปนี้:

• จำนวนผู้ช่วย AI: แสดงจำนวนผู้ช่วย AI ที่อาจารย์สามารถใช้งานได้ ได้แก่ ผู้ช่วยที่อาจารย์สร้างเอง, หรือผู้ช่วยที่ได้รับสิทธิ์ใช้งานจากอาจารย์ท่านอื่น

• จำนวน Conversations: จำนวนครั้งที่มีการสนทนา โดยรวมทั้งจากอาจารย์และนักศึกษา

• Context Token Usage: จำนวนโทเคนของข้อมูลที่ถูกป้อนเข้าไปทั้งหมด รวมทั้งจากอาจารย์และนักศึกษา

  • ดูความหมายของ Token ที่ #token

• Response Token Usage: จำนวนโทเคนที่ถูกใช้ในการสร้างคำตอบหรือเนื้อหาที่ AI สร้างขึ้น

My Assistant

• หน้าสำหรับสร้างและปรับแก้ไขผู้ช่วยสอน หรือ Assistant Bot ของอาจารย์

• สามารถกำหนดชื่อ คาแรคเตอร์ และตั้งค่าสคริปต์การทำงานได้ตามต้องการ

ดูวิธีการสร้างผู้ช่วยสอนในหน้าถัดไป (Next - การสร้างผู้ช่วยสอน AI (Ai Teaching Assistant)

Matthew คือแพลตฟอร์ม Generative AI ที่ถูกพัฒนาขึ้นเพื่อสนับสนุนการเรียนการสอนในมหาวิทยาลัยเชียงใหม่ (CMU Generative AI Learning Platform)

Matthew มีเป้าหมายในการมอบโอกาสให้คณาจารย์และนักศึกษาได้เข้าถึงเทคโนโลยี AI ที่มีคุณภาพได้อย่างสะดวก ปลอดภัยและเท่าเทียม

นอกจากนี้ Matthew ยังช่วยอำนวยความสะดวกในด้านต่าง ๆ ที่เกี่ยวข้องกับการจัดการเรียนรู้ เช่น การวิเคราะห์การใช้งานของนักศึกษา หรือการเชื่อมโยงข้อมูลกับระบบทะเบียนของมหาวิทยาลัย เพื่อให้คณาจารย์สามารถแชร์ AI Bot กับนักศึกษาในกระบวนวิชาที่รับผิดชอบได้

คุณสมบัติพิเศษของ Matthew สำหรับคณาจารย์มหาวิทยาลัยเชียงใหม่

1. Matthew ใช้โมเดลภาษาขนาดใหญ่ (LLM) ที่มีคุณภาพ

Matthew ใช้โมเดล GPT-4o เป็นพื้นฐาน ทำให้มีความสามารถที่หลากหลายและใช้งานได้คล้ายกับ ChatGPT หรือแพลตฟอร์ม LLM อื่น ๆ ในปัจจุบัน เช่น

• การถามตอบ

• การสร้างเนื้อหา

• การวิเคราะห์ข้อมูล

• การสร้างภาพผ่านเทคโนโลยี DALL-E 3

2. การสร้างและปรับแต่ง ChatBot เฉพาะเรื่อง

หนึ่งในคุณสมบัติเด่นของ Matthew คือความสามารถในการสร้าง ChatBot เฉพาะเรื่องสำหรับการเรียนการสอน เช่น

• อาจารย์สามารถใส่หนังสือ บทเรียน หรือเนื้อหาเฉพาะลงใน ChatBot

• กำหนดให้ ChatBot ตอบคำถามเฉพาะในขอบเขตของเนื้อหาที่ใส่ไว้ เพื่อควบคุมให้การใช้งานอยู่ในกรอบที่เหมาะสม

3. กำหนดผู้ใช้ ChatBot และติดตามผล

• อาจารย์สามารถกำหนดรายชื่อนักศึกษาที่สามารถเข้าใช้งาน ChatBot ได้

• ติดตามและวิเคราะห์พฤติกรรมการใช้งานของนักศึกษา เช่น ความถี่ในการใช้งาน

4. การสนับสนุนงานวิจัย

• Matthew เชื่อมต่อกับ Semantic Scholar ช่วยให้อาจารย์สามารถค้นหาข้อมูลวิจัยหรือบทความวิชาการได้อย่างสะดวกและรวดเร็ว

5. ไม่มีค่าใช้จ่าย

• คณาจารย์ของมหาวิทยาลัยเชียงใหม่สามารถใช้งาน Matthew ได้โดยไม่มีค่าใช้จ่าย

• ไม่จำเป็นต้องสมัครสมาชิก เพียงมี CMU Account (@cmu.ac.th) ก็สามารถเข้าใช้งานได้ทันที

6. ความเป็นส่วนตัวและความปลอดภัยของข้อมูล

• Matthew มีการออกแบบที่คำนึงถึงความปลอดภัยของข้อมูล โดยข้อมูลที่ถูกนำเข้าระบบจะไม่ถูกนำไปใช้ในการ Train AI Model ซึ่งช่วยสร้างความมั่นใจให้คณาจารย์ว่าข้อมูลการสอนหรือข้อมูลที่ใส่ในระบบจะได้รับการปกป้อง

เมื่อใดถึงควรใช้ Matthew?

1. เมื่อต้องการใช้ AI กับนักศึกษา

• การเข้าถึง AI - เมื่อสร้าง ChatBot และเปิดให้นักศึกษาเข้าใช้ จะทำให้นักศึกษาเหล่านั้นเข้าถึง AI คุณภาพสูงได้โดยที่นักศึกษาไม่ต้องเสียเงินสมัครใช้งาน

• พัฒนาการเรียนรู้ - เมื่อต้องการใช้ AI ChatBot ส่งเสริมการเรียนรู้ ในบริบทวิชาของท่าน เช่น การให้คะแนะนำ การตรวจงาน การถามตอบเนื้อหา เป็นต้น งานวิจัย (เช่น 1, 2) แสดงให้เห็นว่า AI ChatBot หรือ Intelligent Tutoring System มีศักยภาพในการส่งเสริมการเรียนรู้ในบริบทปัจจุบัน

2. เมื่อต้องการลองใช้ Premium AI

• อาจารย์ที่ยังไม่ได้สมัครสมาชิกใช้บริการ AI แบบเสียเงิน สามารถเข้าใช้ Matthew เพื่อเรียนรู้ความสามารถของ GenAI และนำไปใช้ทั้งด้านการจัดการเรียนรู้ การวิจัย และเรื่องอื่น ๆ

ความแตกต่างระหว่าง Matthew กับ ChatGPT

Matthew ใช้โมเดลภาษาขนาดใหญ่ (LLM) เดียวกันกับ ChatGPT แต่ Tool ที่ทำงานบน LLM จะต่างกันไป เช่น

1. การบันทึกข้อมูลเป็นไฟล์ Matthew ยังไม่รองรับการบันทึกข้อมูลออกมาเป็นไฟล์ เช่น Excel หรือ PowerPoint

2. การอ้างอิงเวลาในระบบ เวลาของระบบจะอัปเดตทุก 30 นาที ซึ่งอาจมีความคลาดเคลื่อนเล็กน้อยเมื่อเทียบกับเวลาปัจจุบัน

3. การค้นหาข้อมูลจากเว็บ ระบบการค้นหาข้อมูลของ Matthew ใช้วิธีที่แตกต่างจาก ChatGPT ทำให้ผลลัพธ์ที่ได้อาจมีความแตกต่าง

4. การสร้างรูปภาพ แม้จะใช้เทคโนโลยี DALL-E เช่นเดียวกับ ChatGPT แต่การประมวลผลใน Matthew อาจใช้เวลานานกว่า

คุณสมบัติผู้ใช้งาน

วิธีการเข้าใช้งานสามารถดำเนินการตามขั้นตอนดังนี้

1. ไปยัง URL https://matthew.tlic.cmu.ac.th/

2. กดปุ่ม Login with CMU Account

3. ทำการยืนยันตัวตน โดยกดปุ่ม "ALLOW"

4.อ่านรายละเอียดเงื่อนไขและข้อกำหนดในการใช้งาน

4.1 กดตกลงโดยกดที่กล่องเหลี่ยมหน้าข้อความ I accept the terms of use (ฉันยอมรับเงื่อนไขการใช้งาน)

4.2 กดปุ่ม CONFIRM

5.เริ่มต้นใช้งาน Matthew AI Hub

ความต่างของ Matthew ที่ Generative AI อื่นให้ไม่ได้คือ การสร้างผู้ช่วยสอน AI ที่อาจารย์สามารถให้นักศึกษาในคลาสเรียนของอาจารย์เข้าไปใช้ได้

1. เลือก "Creator Portal" ตรงแถบเมนูด้านซ้ายมือ

2. เลือก "CREATE NEW ASSISTANT" ใน "My Assistants"

3. เมื่อเลือก "CREATE NEW ASSISTANT" แล้ว New Assistance Setting จะปรากฏทางซ้าย

อาจารย์สามารถระบุข้อมูลในส่วนของ "New assistant" เพื่อสร้าง Assistant (ผู้ช่วยสอน) ให้มีลักษณะตามที่ผู้ใช้ประสงค์อยากให้เป็น

New assistant ประกอบด้วย 4 แท็บ :

• General Setting: กำหนดค่าผู้ช่วยโดยรวม (ดูรายละเอียดการตั้งค่า ที่ General Setting)

• Available Tools: เปิด/ปิดเครื่องมือเพิ่มเติม (ดูรายละเอียดการตั้งค่า ที่ Available Tools Setting)

• Knowledge: อัปโหลดข้อมูลหรือเนื้อหาที่ใช้ (ดูรายละเอียดการตั้งค่า ที่ Knowledge Setting)

• Access Control: กำหนดสิทธิ์ให้นักศึกษาเข้าถึงผู้ช่วย (ดูรายละเอียดการตั้งค่า ที่ Access Control Setting)

4. เมื่อสร้างเสร็จ ผู้ช่วยใหม่จะแสดงใน My Assistance และ Lift Sidebar Menu

อาจารย์สามารถแก้ไข ปรับปรุง และดูสถิติการใช้งานได้ นอกจากนี้ สามารถ เปิด ปิด สถานะ Publish (สถานะสีเขียว) ให้นักศึกษาใช้งาน ได้ตามต้องการ (ดูรายละเอียดการตั้งค่า ที่ การเปิด-ปิด การแก้ไข การดูสถิติการใช้ และจำนวน tokens ที่เหลือ)

การตั้งค่าทั่วไป (General Setting)

ในการตั้งค่าทั่วไปของผู้ช่วยสอน AI (AI Teaching Assistant) ประกอบไปด้วยองค์ประกอบหลัก ดังนี้:

• Name: ชื่อของ ผู้ช่วยสอน AI

• Description: คำอธิบายเกี่ยวกับบทบาทและหน้าที่ของผู้ช่วยสอน

• Instruction**: ส่วนที่สำคัญที่สุดในการสร้าง Bot โดยอาจารย์จะต้องกำหนด Prompt เพื่อระบุคุณลักษณะ บทบาท และแนวทางการทำงานของผู้ช่วยสอน AIให้ตรงตามความต้องการ (ศึกษาเพิ่มเติมจาก พื้นฐานการเขียน Prompt (โครงสร้างที่ดีของ Prompt), Prompt Techniques, และ ตัวอย่างการสร้าง prompt ในกระบวนวิชาต่างๆ)

• Additional Instructions: คำแนะนำเพิ่มเติมที่สามารถใช้กำหนดพฤติกรรมเฉพาะของผู้ช่วย โดยสามารถอนุญาตให้ ผู้ช่วยจำผู้สนทนา (Allow the assistant to recognize your users' actual names.) หรือ รู้วันและเวลาปัจจุบันได้ (Allow the assistant to know the current date and time, updated hourly.)

• Model: ปัจจุบันมีให้เลือก 2 โมเดล ได้แก่

  • GPT-4o-mini: เหมาะสำหรับงานทั่วไป ใช้โทเคนน้อยกว่า

  • GPT-4o: มีประสิทธิภาพสูงกว่า รองรับงานที่ซับซ้อน แต่ใช้โทเคนของระบบมากกว่า GPT-4o-mini ถึง 10 เท่า

• Conversation Starter: เป็นเมนูที่ช่วยตั้งคำถามเริ่มต้นให้กับผู้ช่วย (AI Assistant) เพื่อให้นักศึกษาสามารถเลือกใช้ได้

  • เหมาะสำหรับการกระตุ้นบทสนทนา ช่วยให้เริ่มต้นสนทนาได้ง่ายขึ้น โดยไม่ต้องคิดคำถามเอง

  • ตัวอย่างเช่น

    • "วันนี้คุณเรียนอะไรมา?"

      • "มีอะไรที่คุณสงสัยเกี่ยวกับหัวข้อนี้?"

      • "คุณต้องการความช่วยเหลือเรื่องอะไรเป็นพิเศษ?"

• Temperature: กำหนดระดับความสร้างสรรค์ของ AI ในการตอบคำถาม ค่าต่ำ (ใกล้ 0) เหมาะกับคำตอบที่แม่นยำและตรงประเด็น ส่วนค่าสูง (ใกล้ 1) เหมาะกับคำตอบที่เปิดกว้างและสร้างสรรค์ โดยมีตัวอย่างดังตารางด้านล่างนี้

ฟีเจอร์นี้ช่วยให้อาจารย์สามารถอัปโหลดไฟล์ความรู้เพื่อให้ผู้ช่วย (AI Assistant) ใช้เป็นข้อมูลเพิ่มเติม

รองรับไฟล์ประเภท .PDF, .DOCX, .TXT และอื่น ๆ โดยแต่ละไฟล์ต้องมีขนาดไม่เกิน 10MB และสามารถอัปโหลดพร้อมกันได้สูงสุด 10 ไฟล์

เหมาะสำหรับกรณีที่อาจารย์ต้องการให้ผู้ช่วยมีความรู้เฉพาะทางหรือข้อมูลเพิ่มเติมในรายวิชานั้น ๆ เช่น หากอาจารย์ต้องการสอนหัวข้อที่มีเนื้อหาเฉพาะเจาะจง ซึ่งอาจไม่ได้อยู่ในองค์ความรู้ของ Generative AI หรืออาจมีข้อมูลที่คลาดเคลื่อน อาจารย์สามารถอัปโหลดไฟล์เพื่อให้ AI ใช้ข้อมูลนี้เป็นแหล่งอ้างอิงแทน

วิธีการอัปโหลดไฟล์ :เลือก "UPLOAD NEW FILES" และเลือกไฟล์ที่ต้องการอัปโหลด

เมื่อทำการอัปโหลดไฟล์เสร็จเรียบร้อย อาจารย์จะสามารถเห็นรายชื่อไฟล์ทั้งหมดปรากฏขึ้นพร้อมรวมขึ้นขนาดของไฟล์

อาจารย์สามารถลบไฟล์ทิ้งโดยกดที่รูปถังขยะ

ในส่วนนี้เป็นการกำหนดสิทธิ์ให้นักศึกษาคนไหนสามารถใช้งาน AI assistant ที่อาจารย์สร้างขึ้นได้ โดยอาจารย์สามารถทำได้ 2 แบบ : ดึงข้อมูลจากระบบของสำนักทะเบียน หรือ เพิ่มรายชื่อนักศึกษาเข้าไปเอง

1. ดึงข้อมูลจากระบบของสำนักทะเบียน

ขั้นตอนการให้สิทธิ์นักศึกษา :

• อาจารย์สามารถเพิ่มรายชื่อนักศึกษาเข้าไป โดยเลือก "YOUR COURSE"

• เลือกกระบวนวิชา

• เลือก Section ที่ต้องการให้สิทธิ์นักศึกษาใช้ AI assistant ตัวนั้นๆ

• รายชื่อนักศึกษาที่เพิ่งได้รับสิทธิ์ใช้ AI assistant ตัวนั้นจะปรากฏขึ้นในช่อง "New Emails to Be Granted Permission"

• กด "SUBMIT" เพื่อยืนยัน

2. เพิ่มรายชื่อนักศึกษาเข้าไปเอง

ขั้นตอนการให้สิทธิ์นักศึกษา

• อาจารย์สามารถเพิ่มอีเมลของนักศึกษา โดยการพิมพ์หรือคัดลอกอีเมลของนักศึกษาลงในช่อง "Enter valid @cmu.ac.th emails (comma or newline separated)"

• ถ้ามีมากกว่า 1 email ให้แบ่งด้วย คอมม่า (,) หรือ เขียนอีเมลคนละบรรทัด

• กด "+ADD EMAILS"

• รายชื่อนักศึกษาที่เพิ่งได้รับสิทธิ์ใช้ AI assistant ตัวนั้นจะปรากฏขึ้นในช่อง "New Emails to Be Granted Permission"

• กด "SUBMIT" เพื่อยืนยัน

การแก้ไข-เพิ่มเติม รายชื่อนักศึกษา

อาจารย์สามารถเพิ่มเติมรายชื่อนักศึกษาได้ตลอดเวลา โดยรายชื่อนักศึกษาที่ได้รับสิทธิ์ใช้ AI assistant ตัวนั้นอยู่แล้วจะปรากฏอยู่ในช่อง "Current Emails with Access"

ส่วนนักศึกษาที่เพิ่งได้รับสิทธิ์ใหม่จะอยู่ในช่อง "New Emails to Be Granted Permission"

• อาจารย์สามารถลบรายชื่อนักศึกษารายคนออกด้วยการกดตรงรูปถังขยะ

• หากอาจารย์ต้องการลบรายชื่อนักศึกษาที่เพิ่งได้รับสิทธิ์ทั้งหมดออก ให้กด "CLEAR NEW EMAIL LIST"

• หากอาจารย์ต้องการลบรายชื่อนักศึกษาที่ได้รับสิทธิ์มาก่อนหน้านั้นทั้งหมดออก ให้กด "CLEAR CURRENT EMAIL LIST"

• กด "SUBMIT" เพื่อยืนยัน

เมื่อสร้างผู้ช่วยเสร็จแล้ว ผู้ช่วยจะปรากฏใน My Assistance และ Left Sidebar Menu อาจารย์สามารถจัดการ เปิด-ปิด แก้ไข ดูสถิติการใช้งาน และตรวจสอบจำนวน tokens ที่เหลือได้ดังนี้

1. เปิด/ปิดการเข้าถึง

• หากเปิดใช้งาน นักศึกษาที่ได้รับสิทธิ์จะเห็นและใช้ได้ (สถานะเป็น สีเขียวสว่าง)

• หากผู้ช่วยยังทำงานได้ไม่ตรงตามความต้องการ สามารถกด แก้ไข เพื่อเข้าสู่ Edit Assistance Menu ซึ่งมีการตั้งค่าเหมือนกับการสร้าง New Assistance

• ดูวิธีการสร้าง AI assistant ที่ การสร้างผู้ช่วยสอน AI (AI Teaching Assistant)

• ดูจำนวนครั้งที่นักศึกษาใช้งาน ทั้งแบบภาพรวมและรายบุคคล (หมายเหตุ : อาจารย์ไม่สามารถดูเนื้อหาที่นักศึกษาพิมพ์ได้)

โดยสามารถดูสถานะการใช้งานของแต่ละ ผู้ช่วย AI ดังนี้

• Context Tokens: จำนวนโทเคนของข้อมูลที่ป้อนเข้าไป (ดูความหมายของ tokens ที่ #token)

• Response Tokens: จำนวนโทเคนของคำตอบที่ AI สร้างขึ้น

• Users: จำนวนผู้ใช้ที่เข้าถึงระบบ

• Conversations: จำนวนการสนทนาที่เกิดขึ้น

Token คืออะไร?

Token คือ หน่วยย่อยของข้อความ ที่ AI ใช้ในการประมวลผล ซึ่งอาจเป็นคำ พยางค์ หรือแม้แต่อักษรแต่ละตัว ขึ้นอยู่กับภาษาและระบบที่ใช้

💡อธิบายง่าย ๆ

ลองนึกถึงการตัดคำในประโยคหนึ่งให้เป็นส่วนเล็ก ๆ เพื่อให้ AI เข้าใจ เช่น

รศ.ดร.ถนอมพร เลาหจรัสแสง ได้สร้าง AI assistant ที่ชื่อว่า EduBot, InnoBot และ Botnoi Hua Wai (บ็อต หน้อย หัวไว) ขึ้นมา

โดย EduBot รับหน้าที่ช่วยตอบคำถามและอธิบายเนื้อหาที่เกี่ยวข้องกับปัญญาประดิษฐ์ (Artificial Intelligence) ในการเรียนการสอน รวมถึงประเมินความเข้าใจของนักศึกษา โดยใช้คำถามแบบมีตัวเลือกและการอธิบายเพิ่มเติมอย่างเป็นมิตร

ส่วน InnoBot รับหน้าที่เป็นผู้ช่วยอัจฉริยะสำหรับนักศึกษาในการเรียนรู้เกี่ยวกับเนื้อหาสำคัญๆ ที่ต้องการคำตอบ โดยเฉพาะอย่างยิ่งเรื่อง แนวคิด TRACK Model

และ Botnoi Hua Wai (บ็อต หน้อย หัวไว) รับบทบาทเป็นผู้ช่วยอัจฉริยะของนักศึกษาในการฝึกเขียน prompts และการประยุกต์ใช้ AI ในการสร้างงานต่างๆ อย่างสร้างสรรค์

Nine events of instruction: หัวใจในการสร้าง EduBot, InnoBot และ Botnoi Hua Wai (บ็อต หน้อย หัวไว)

การสร้าง EduBot, InnoBot และ Botnoi Hua Wai (บ็อต หน้อย หัวไว) ตั้งอยู่บน หลักการสอน 9 ขั้นของ Robert Gagné ดังนี้

ตัวอย่าง Instruction สำหรับ EduBot และ InnoBot

รศ.ดร.ถนอมพร เลาหจรัสแสง ได้ระบุ instruction สำหรับ EduBot ดังนี้

และระบุ instruction สำหรับ InnoBot ดังนี้

EduBot, InnoBot, Botnoi Hua Wai โต้ตอบอย่างไรกับนักศึกษา

เมื่อเริ่มบทสนทนา EduBot, InnoBot และ Botnoi Hua Wai จะทักทาย แนะนำตัวกับผู้เรียน พร้อมทั้งบอกวัตถุประสงค์ของสื่งที่นักศึกษากำลังจะเรียน ถามความรู้เดิม หรือนำเสนอความรู้ใหม่ด้วยวิธีการที่หลากหลาย ไม่ว่าจะเป็น การตั้งคำถาม การสอนตรง inquiry (ตรงนี้สามารถปรับพร้อมต์ตามต้องการ) เป็นต้น

EduBot, InnoBot และ Botnoi Hua Wai จะมีการอธิบายเพิ่มเติมและคอยให้กำลังใจผู้เรียนอยู่เสมอ

ในส่วนของการตั้งคำถาม EduBot และ InnoBot จะทำการปรับระดับความยากง่ายของคำถามตามคำตอบของนักศึกษา และมีการตั้งโจทย์ในลักษณะสถานการณ์

ในด้านการสอน ถึงแม้ว่า Innobot จะใช้ลักษณะที่เรียกว่า "สอนตรง" หรือ "give lecture" ในบางครั้ง แต่จาก instruction ที่ได้ระบุไว้แต่ต้นว่าให้ InnoBot "First ask users 3 questions that will help users understand the concepts." ทำให้ InnoBot จะถามคำถามเพื่อกระตุ้นให้นักศึกษาคิดก่อนสอนเสมอ

นอกจากนี้ InnoBot จะมีการเสนอแบบฝึกหัดพร้อมให้คำอธิบายเพิ่มเติมเสมอ ซึ่งทำให้เกิดการกระตุ้นให้เกิด personalised learning อย่างแท้จริง

และจาก instruction ที่ให้แต่แรก ที่กำหนดให้ Botnoi Hua Wai สรุปความรู้ที่ควรจำในตอนท้ายของบทสนทนา จะช่วยกระตุ้นให้ผู้เรียนจดจำสิ่งที่เรียนไปได้ดีขึ้น

บ็อตที่สร้างขึ้นตามหลักการของกระบวนการสอน 9 ขั้นของ Gagné สามารถนำไปใช้ในการสอนแบบ personalized learning ให้กับผู้เรียน โดยเฉพาะอย่างยิ่งกลุ่มที่มีผลการเรียนอ่อน เพื่อทบทวนเนื้อหาได้เป็นอย่างดี

Matti & Kathi: Generative AI prompt trainer

ผศ.ดร.ธนาทิพย์ จันทร์คง คณะวิศวกรรมศาสตร์ ได้สร้าง AI assistant สำหรับกระบวนวิชา 261111 (Internet and Online Community in the Age of AI) ซึ่งมีนักศึกษาลงทะเบียนเรียนมากกว่า 2,000 คนต่อภาคเรียน

Matti และ Kathi คือ chatbot เวอร์ชั่น 1 และ 2 ซึ่งใช้ในภาคเรียน 1/67 และ 2/67 ตามลำดับ ทั้งสองรับหน้าที่เป็น Generative AI prompt trainer เพื่อให้นักศึกษาที่ลงกระบวนวิชานี้เรียนรู้และฝึกการสร้าง prompt ด้วยลักษณะเป็นผู้ช่วยการเรียนรู้ (Facilitator) ใช้คำถามเพื่อไกด์ให้นักศึกษาคิดทบทวน และปรับปรุง prompt ให้ดียิ่งขึ้น

สรุป Instruction หลักของ chatbot

• Matti และ Kathi จะสอบถามสาขาวิชาของนักศึกษา

• สร้างสถานการณ์จำลองที่สอดคล้องกับสาขาวิชา ให้นักศึกษาต้องถาม AI เพื่อช่วยให้คำตอบ

• ให้คำแนะนำเชิงบวก (positive feedback) เพื่อให้นักศึกษาปรับปรุง prompt ให้มีความครบถ้วน

• นักศึกษาจะได้ฝึกทักษะการคิดและการเขียน เพื่อสร้างคำสั่งให้ AI ทำงานได้ตรงความต้องการ

• Matti และ Kathi จะให้คะแนน prompt ของนักศึกษา หากไม่พอใจกับคะแนนสามารถกลับไปคุยกับ Matti และ Kathi ต่อ เพื่อปรับ prompt ให้สมบูรณ์มากยิ่งขึ้นได้

• ให้คำแนะนำวิธีการดาวน์โหลดบทสนทนา เพื่อนำไปส่งใน Mango Canvas

การพัฒนาจาก Matti (version 1) เป็น Kathi (version 2)

จากการใช้งาน Matti ในภาคเรียนที่ 1/67 นำไปสู่การปรับปรุง Kathi ดังนี้

• ปรับ persona ให้ชัดเจนและเป็นมิตรมากขึ้น : ระบุให้ Kathi เป็นสาวเหนือ สนทนากับนักศึกษาด้วยสรรพนามที่เป็นกันเองมากยิ่งขึ้น

• ปรับ Temperature ให้สูงขึ้น เพิ่มความสร้างสรรค์หลากหลาย : ปรับ Temperature จากเดิม Matti = 0.2 ซึ่งรูปแบบโจทย์และการตอบของ Matti จะไม่แตกต่างกันมาก ให้ Kathi = 0.6 ทำให้มีการโต้ตอบที่หลากหลายมากยิ่งขึ้น

• แจ้งคะแนนในรูปแบบของรูบริค : เดิม Matti จะแจ้งเฉพาะคะแนน โดยไม่ได้แจกแจงรายละเอียด ได้ปรับปรุงให้ Kathi แจ้งผลคะแนนโดยแจกแจงตามหัวข้อรูบริคการให้คะแนน เพื่อให้นักศึกษาทราบว่าควรปรับปรุง prompt ในจุดใดเพิ่มเติม

อาจารย์สามารถอนุญาตให้ผู้ช่วยใช้เครื่องมือต่อไปนี้เพื่อเพิ่มความสามารถในการทำงานและสืบค้นข้อมูลจากแหล่งต่าง ๆ ได้ดังนี้

Image Generation with DALL-E 3 Model – สร้างภาพโดยใช้ AI

อาจารย์สามารถเปิดใช้งานในส่วนนี้โดยการเลื่อนปุ่มเปิด (toggle) ให้เป็นสีฟัา เพื่ออนุญาตให้ผู้ช่วยสามารถสร้างภาพโดยใช้โมเดล DALL-E 3

การสร้างภาพแต่ละครั้งใช้ 50,000 response tokens (ดูความหมายของ Token ที่ #token)

Allow Students to Upload Files for File Search - การอัพโหลดไฟล์

อาจารย์สามารถเปิดใช้งานในส่วนนี้โดยการเลื่อนปุ่มเปิด (toggle) ให้เป็นสีฟัา เพื่ออนุญาตให้นักศึกษาสามารถอัปโหลดไฟล์ PDF, DOCX, TXT และอื่น ๆ (จำกัด 1 ไฟล์ ขนาดไม่เกิน 10 MB ต่อการสนทนา) เพื่อให้ AI ใช้ข้อมูลเพิ่มเติม

Image Understanding – การวิเคราะห์และตอบคำถามเกี่ยวกับภาพจากไฟล์อัปโหลดหรือ URL

อาจารย์สามารถเปิดใช้งานในส่วนนี้โดยการเลื่อนปุ่มเปิด (toggle) ให้เป็นสีฟัา เพื่อให้ Assistant สามารถวิเคราะห์และตอบคำถามเกี่ยวกับภาพจากไฟล์อัปโหลดหรือ URL

Academic Publication Search (powered by Semantic Scholar) – ค้นหาบทความวิชาการจากฐานข้อมูล

อาจารย์สามารถเปิดใช้งานในส่วนนี้โดยการเลื่อนปุ่มเปิด (toggle) ให้เป็นสีฟัา เพื่อให้ Assistant ค้นหาบทความวิชาการจากฐานข้อมูล 220 ล้านรายการ โดยใช้ชื่อเรื่องหรือรายละเอียดบทความ

YouTube Video Summarizer – สรุปเนื้อหาจากวิดีโอ YouTube

อาจารย์สามารถเปิดใช้งานในส่วนนี้โดยการเลื่อนปุ่มเปิด (toggle) ให้เป็นสีฟัา เพื่อให้ Assistant สรุปเนื้อหาจากวิดีโอ YouTube (รองรับเฉพาะวิดีโอที่มีคำบรรยายภาษาไทยหรืออังกฤษ และจำกัดเนื้อหาวิดีโอไว้ที่ 30 นาที) และสามารถกำหนดช่วงเวลาที่จะให้ Assistant สรุปได้

Web Browsing – ค้นหาข้อมูลออนไลน์

อาจารย์สามารถเปิดใช้งานในส่วนนี้โดยการเลื่อนปุ่มเปิด (toggle) ให้เป็นสีฟัา เพื่อให้ Assistant สามารถค้นหาข้อมูลออนไลน์เกี่ยวกับ เหตุการณ์ เทรนด์ เทคโนโลยี และดึงข้อมูลจากเว็บไซต์ที่เข้าถึงได้แบบสาธารณะ

ตารางข้างล่างนี้เป็น การคำนวณการใช้โทเคน (Token Usage) และค่าใช้จ่ายโดยประมาณ ในการใช้ GPT-4o ในงานต่าง ๆ โดยเฉพาะในภาษาไทย ซึ่งช่วยให้ผู้ใช้งานเข้าใจว่าแต่ละงานใช้โทเคนและมีค่าใช้จ่ายเท่าใด รวมถึงช่วยระมัดระวังในการบริหารการใช้งานให้มีประสิทธิภาพและประหยัดค่าใช้จ่าย

Token Usage and Cost Estimation for GPT-4o (Thai Language)