Meta, OpenAI และ Uber เดิมพัน AI Agent เชิงรุกที่เริ่มคุยก่อน

TL;DR: Muse ของ Meta, Dots ของ OpenAI และผู้ช่วยคนขับของ Uber ต่างเดิมพันในสิ่งเดียวกัน นั่นคือ Agent จะเป็นฝ่ายเริ่มพูดก่อน สิ่งนี้เปลี่ยนโจทย์ที่ยากจากการ "ตอบอะไร" เป็นการขัดจังหวะ "เมื่อไหร่" ผ่านช่องทางไหน และด้วยข้อเสนออะไร ซึ่ง Machine Learning แบบดั้งเดิมและโมเดลการตัดสินใจใหม่ๆ สามารถเข้ามาแก้ปัญหานี้ได้

สามการเปิดตัว หนึ่งรูปแบบ

Meta Muse (8 ก.ย.): Agent ส่วนตัวที่สามารถจองบริการ ส่งอีเมล และทำงานต่อได้แม้ปิดแอปไปแล้ว มันจดจำรายละเอียดและให้คำแนะนำโดยไม่ต้องถาม พร้อมตรวจสอบเพื่อขออนุมัติทั้งในแอปของตัวเองและ WhatsApp

OpenAI Dots (29 ก.ย.): Agent ที่ทำงานตลอดเวลาเพื่อทำการ "วิจัยเชิงรุก" (proactive research) โดยจะตรวจสอบแอปของคุณแบบอ่านอย่างเดียวเพื่อตรวจจับใบแจ้งหนี้ที่ลืมจ่ายหรือข้อบกพร่องใน Slack และจะติดต่อคุณผ่าน ChatGPT, Slack หรือ Teams ทั้งในรูปแบบข้อความและเสียง

ผู้ช่วยคนขับของ Uber: เปลี่ยนสัญญาณตลาดแบบสดๆ ให้กลายเป็นคำแนะนำเชิงรุก เช่น การชี้เป้าให้คนขับที่ว่างงานไปยังโซนที่มีความต้องการสูงพร้อมหลักฐานยืนยัน โดยยึดหลักการอยู่ "ข้างคนขับเสมอ" และมีเวอร์ชันเสียงแบบไม่ต้องใช้มือควบคุมที่ประกาศเมื่อวันที่ 24 ก.ย.

จาก pull สู่ push

แชทบอทเคยเป็นอินเทอร์เฟซแบบดึงข้อมูล (pull) ที่ผู้ใช้เลือกจังหวะเวลาและคำถามเอง แต่ Proactive agents กลับด้านสิ่งนั้น หากขัดจังหวะบ่อยเกินไปผู้ใช้จะรำคาญจนปิดเสียง แต่หากช้าเกินไปโอกาสสำคัญอาจหลุดลอย แม้ LLM จะเขียนข้อความได้ดี แต่มันอาจไม่ใช่เครื่องมือที่เหมาะสมที่สุดในการตัดสินใจว่าควรส่งข้อความนั้นออกไปหรือไม่

กฎ: มูลค่าต้องชนะต้นทุนการขัดจังหวะ

ทุกข้อความเชิงรุกคือการเดิมพัน โดยควรส่งเฉพาะเมื่อมูลค่าที่คาดหวังต่อผู้ใช้สูงกว่าต้นทุนในการขัดจังหวะ ซึ่งมูลค่าพิจารณาจาก 4 ส่วน คือ ความสำคัญของข้อมูล, แนวโน้มที่ผู้ใช้จะดำเนินการ, ความเร่งด่วนของโอกาส และผลประโยชน์นั้นเป็นของใคร

มูลค่าจะเป็นตัวกำหนดการตัดสินใจทั้งหมด ข้อความที่มีมูลค่าสูงและเร่งด่วนต้องส่งทันที ส่วนข้อความมูลค่าปานกลางให้รอสรุปยอด และที่เหลือจะไม่ถูกส่งเลย ยิ่งข้อความมีค่ามากเท่าไหร่ ก็ยิ่งได้รับสิทธิ์ในช่องทางที่รบกวนผู้ใช้ได้มากขึ้นเท่านั้น

"เมื่อไหร่" และ "อย่างไร" คือปัญหาการคาดการณ์

ทีมแจ้งเตือนและทีมการเติบโตได้แก้ปัญหานี้มานานผ่านโมเดลต่างๆ เช่น:

• Uplift models: ประมาณการว่าการสะกิดนั้นกระตุ้นให้เกิดการกระทำได้จริงหรือไม่
• Contextual bandits: เรียนรู้จังหวะเวลาและช่องทางที่ดีที่สุดสำหรับผู้ใช้แต่ละราย
• Receptivity models: คาดการณ์ว่าผู้ใช้พร้อมตอบรับในขณะนั้นหรือไม่ เช่น กำลังขับรถหรืออยู่ในที่ประชุม

แต่ละช่องทางมี "ราคา" ที่ต้องจ่าย การแสดงการ์ดในแอปมีต้นทุนต่ำ แชทมีต้นทุนสูงขึ้น และการโทรด้วยเสียงจะถูกเก็บไว้สำหรับช่วงเวลาวิกฤตที่มือไม่ว่างเท่านั้น โดยการติดตามผลลัพธ์ของ Uber ช่วยให้ได้ข้อมูล (labels) ที่จำเป็นสำหรับโมเดลเหล่านี้

โมเดลการตัดสินใจ (Decision models) อยู่ตรงไหน

โมเดลคลาสใหม่ถูกออกแบบมาเพื่อสิ่งนี้โดยเฉพาะ เช่น Jev ของ TypeSafe และ Julia 1 จาก Supersonic Labs ซึ่งจะไม่คืนค่าเป็นข้อความ แต่จะคืนคำตัดสินที่มีโครงสร้างชัดเจน (typed judgment) เช่น คะแนน หรือการตอบ ใช่/ไม่ใช่ พร้อมความน่าจะเป็น โดย Julia 1 สามารถประมวลผลบน CPU ได้เร็วถึง 33 ms ต่อหนึ่งการตัดสินใจ

Agent จะประเมินตัวกระตุ้น (triggers) จำนวนมหาศาลก่อนจะเลือกส่งออกไปจริง โดยใช้คำถามราคาถูกเพื่อกรองก่อนเรียกใช้ LLM ว่าสิ่งนี้คุ้มค่ากับการขัดจังหวะหรือไม่ ควรส่งทันทีหรือรอรวมกลุ่ม และควรส่งผ่านช่องทางใด อย่างไรก็ตาม โมเดลเหล่านี้จะตัดสินตามบริบทที่ได้รับเท่านั้น จึงอาจยังไม่รู้พฤติกรรมเฉพาะบุคคลในระยะยาว

ขายพ่วงอย่างระมัดระวัง

การที่ Agent เริ่มพูดก่อนเป็นช่องทางธุรกิจที่มีประสิทธิภาพ Meta เริ่มสำรวจด้านพาณิชย์ใน Muse สำหรับธุรกิจขนาดเล็ก ขณะที่ OpenAI เปิดตัว Dots พร้อมสมาชิกใหม่ราคา 500 ดอลลาร์ต่อเดือน ส่วน Uber ก็มีบริการส่งของที่ต้องการโปรโมต แต่ทุกข้อเสนอต้องผ่านเกณฑ์มูลค่าเดียวกัน หากผู้ใช้รู้สึกว่า Agent กำลังขายของแทนที่จะรับใช้ ความน่าเชื่อถือจะหมดไปทันที

บทสรุป

การแข่งขันครั้งนี้จะถูกตัดสินด้วยวิจารณญาณในการจัดการความสนใจของผู้ใช้ ใครที่พูดน้อยแต่ถูกจังหวะ ถูกที่ และอยู่ข้างเดียวกับผู้ใช้จะเป็นผู้ชนะ ซึ่งบริษัทที่มีข้อมูลการแจ้งเตือนสะสมมานานหลายปีอาจเป็นฝ่ายได้เปรียบในการเริ่มต้น

Jean-marc เป็นผู้บริหารธุรกิจ AI ที่ประสบความสำเร็จ เขาเป็นผู้นำในการเร่งการเติบโตของโซลูชัน AI และก่อตั้งบริษัท Computer Vision ในปี 2006 ทั้งยังเป็นวิทยากรด้าน AI และได้รับปริญญา MBA จาก Stanford