ปี 2026 น่าจะเป็นปีที่องค์กรจำนวนมากเริ่มจริงจังกับการเอา Generative AI ไปใช้งานในระบบหลักแทนที่จะแค่ทดลองใช้ ทำให้โจทย์เปลี่ยนจากการดูว่าทำได้หรือไม่ เป็นการพิจารณาว่าโมเดลนั้นแม่นยำพอหรือไม่ ควบคุมความเสี่ยงได้อย่างไร คุ้มต้นทุนและทำงานได้เร็วพอในบริบทงานจริงหรือเปล่า?
ด้วยเหตุนี้ทำให้เกิด Domain-Specific Models และ Small Language Models ที่ถูกออกแบบให้เหมาะกับงานเฉพาะทางมากขึ้น แทนการพึ่งพาโมเดลใหญ่ทั่วไปเพียงอย่างเดียว Gartner จัด Domain-Specific Language Models เป็นหนึ่งในเทคโนโลยีที่มาแรง ซึ่งช่วยทำให้ความแม่นยำกับความน่าเชื่อถือดีขึ้นสำหรับงานเฉพาะทาง และ Gartner คาดการณ์ว่าภายในปี 2028 โมเดล GenAI ที่องค์กรใช้งานมากกว่าครึ่งจะเป็นโมเดลแบบ domain-specific
Domain-Specific Models (DSLM)
DSLM คือโมเดลที่ถูกฝึกมาให้เข้าใจภาษา ความรู้ กฎเกณฑ์ และรูปแบบของโดเมนนั้น ๆ เช่น แพทย์ การเงิน กฎหมาย ประกันภัย พลังงาน ฯลฯ จึงให้ผลลัพธ์ที่ตรงงานมากกว่าโมเดลทั่วไป โดย Gartner อธิบายว่า DSLM คือโมเดลที่ trained หรือ fine-tuned บนข้อมูลเฉพาะเพื่อให้แม่นกว่า ถูกต้องกว่า และสอดคล้อง compliance มากขึ้น
DSLM ไม่ได้เริ่มจากการสร้างโมเดลใหม่ตั้งแต่ศูนย์ ในทางปฏิบัติองค์กรนิยมออกแบบเป็น 3 ชั้น
- ชั้นความรู้ (Knowledge): เอกสาร/ฐานความรู้/ระเบียบ/คู่มือ/นโยบายขององค์กรที่อัปเดตได้ตลอด
- ชั้นโมเดล (Model): อาจเป็น LLM หรือ SLM ที่เหมาะกับงาน
- ชั้นการคุมคุณภาพ (Governance & Evaluation): การทดสอบความถูกต้อง การตรวจอ้างอิง ความปลอดภัยและความเป็นส่วนตัว
Small Language Models (SLM)
SLM คือโมเดลภาษาที่มีขนาดเล็กกว่า LLM (พารามิเตอร์น้อยกว่า ใช้หน่วยความจำน้อยกว่า) โดย IBM นิยามว่าเป็นโมเดลที่สามารถประมวลผลและเข้าใจภาษาได้ แต่มีขนาดและขอบเขตเล็กกว่า LLM
ข้อดีของ SLM ที่ตอบโจทย์ขององค์กรคือ
- คุมต้นทุน (Cost): ค่า inference ถูกลงมาก และโมเดลเล็กช่วยให้ยิ่งคุมงบง่ายขึ้น
- คุมความหน่วง (Latency): งานองค์กรหลายอย่างต้องการคำตอบเร็ว (เช่น call center, internal search, workflow automation)
- คุมข้อมูล (Confidentiality / Data locality): รันในระบบปิดได้
Stanford AI Index 2025 กล่าวว่าต้นทุนการทำ inference สำหรับระบบที่ทำได้ระดับ GPT-3.5 ลดลงมากกว่า 280 เท่า ระหว่างเดือนพฤศจิกายน 2022 ถึงตุลาคม 2024 และระบุสาเหตุว่ามาจากโมเดลเล็กที่เก่งขึ้น รวมถึงฮาร์ดแวร์ที่ถูกลงและประหยัดพลังงานขึ้น
ภาพที่พบในองค์กรคือ ใช้โมเดลใหญ่เป็นฐาน แล้วทำให้เฉพาะทางก่อน จากนั้นค่อยทำให้เล็กลงเท่าที่พอสำหรับการใช้งานจริง
- RAG (Retrieval-Augmented Generation) คือการให้โมเดลค้นหาเอกสารที่เกี่ยวข้องก่อน แล้วค่อยตอบโดยอิงข้อมูลนั้น เพื่อเพิ่มความถูกต้องและลดการหลอน (hallucination)
- PEFT (Parameter-Efficient Fine-Tuning) เป็นแนวทางปรับแต่งโมเดลใหญ่ให้เข้ากับงานเฉพาะ โดยปรับพารามิเตอร์ ลดต้นทุนและข้อจำกัดของฮาร์ดแวร์ PEFT เป็นแนวทางสำคัญสำหรับการปรับโมเดลไปสู่โดเมนต่าง ๆ โดยลดค่าใช้จ่ายลงอย่างมีนัยสำคัญ
ตัวอย่างการนำไปใช้งานจริง ได้แก่ สายสุขภาพ ใช้ RAG เพื่อช่วยให้ตอบบนไกด์ไลน์หรือเอกสารที่ตรวจสอบได้ ช่วยเพิ่มความน่าเชื่อถือ และแก้เรื่อง traceability/hallucination ทำให้นำโมเดลไปใช้ในรูปแบบงานประจำ เช่น สรุป discharge summary หรือสรุปผลแล็บตามฟอร์แมต
อีกตัวอย่างคืองานด้านการเงิน ที่ปรับใช้ DSLM ให้เข้าใจศัพท์เฉพาะและกฎภายใน เพื่อนำไปช่วยในงานตอบคำถามลูกค้า ช่วยอ่านสัญญา ตรวจนโยบาย และทำรายงานแบบฟอร์ม
ปี 2026 ไม่ใช่การแข่งกันว่าใครมีโมเดลใหญ่ที่สุดอีกต่อไป แต่สนใจว่าใครเอาไปใช้จริงได้คุ้มค่าและปลอดภัยที่สุด DSLM ทำให้ AI เข้าใจบริบทอุตสาหกรรม และทำงานได้เสถียรขึ้น ขณะที่ SLM ทำให้ทำงานได้ไว คุมงบง่าย และนำไปใช้งานได้หลากหลาย เมื่อจับคู่กับ RAG และการปรับแต่งแบบ PEFT จะได้ระบบที่ทั้งใช้ได้จริง และขยายได้ใน production
อ้างอิง:
Gartner. “Top Strategic Technology Trends for 2026”
Gartner Newsroom. “Gartner Identifies the Top Strategic Technology Trends for 2026”
Stanford HAI. “The 2025 AI Index Report”
IBM. “What are Small Language Models (SLM)?”
Alberts et al., Retrieval-Augmented Generation and Hallucination Span Detection
Joren et al., SUFFICIENT CONTEXT: A NEW LENS ON RETRIEVAL AUGMENTED GENERATION SYSTEMS
Han et al., Parameter-Efficient Fine-Tuning for Large Models: A Comprehensive Survey
Wang et al., Parameter-efficient fine-tuning in large language models: a survey of methodologies
