Cortex LLM คือโมเดลภาษาที่เป็นแกนหลักของ Argus ออกแบบตามวิธีที่สมองคนรับรู้ รับสัญญาณหลายทางพร้อมกัน เลือกว่าจะโฟกัสอะไร จำบริบทไว้ในความจำใช้งาน คาดการณ์จากสิ่งที่รู้อยู่แล้ว และตรวจความมั่นใจของตัวเอง แทนที่จะแปลทีละประโยคแบบแยกขาดกัน
ปัญหา
ระบบแปลทุกวันนี้ออกแบบมาสำหรับผู้ใช้รายบุคคล แปลทีละประโยคโดยไม่มีบริบทต่อเนื่อง ใช้ได้ดีกับการคุยสองคน แต่ไม่พอสำหรับการประชุมองค์กรที่มีผู้พูดหลายคน หลายภาษา และบริบทที่สะสมตลอดการประชุม
ระบบต้องรู้เองว่าแต่ละคนพูดภาษาอะไรโดยไม่ต้องตั้งค่า และต้องจับได้นิ่ง ไม่สลับไปมา
คนในองค์กรเอเชียมักพูดอังกฤษปนในประโยคไทย จีน หรือญี่ปุ่น
การแปลทีละประโยคทำให้คำสรรพนาม การอ้างถึงเรื่องก่อนหน้า และศัพท์เฉพาะขององค์กรหายไป
แปลเร็วมักไม่แม่น แปลแม่นมักช้าเกินไปสำหรับการคุยสด
ผู้ใช้ไม่เห็นว่า AI ตัดสินใจอย่างไร จึงลังเลที่จะพึ่งพาในการประชุมสำคัญ
ข้อมูลเสียงภาษาไทยจากการประชุมธุรกิจยังมีน้อยเมื่อเทียบกับอังกฤษและจีน
สมองคนแก้ปัญหาเหล่านี้ได้ทุกวัน
ล่ามมืออาชีพฟังหลายคนพร้อมกัน จำบริบทได้ เดาคำที่ได้ยินไม่ชัด และรู้ตัวว่าเมื่อไหร่ไม่แน่ใจ Cortex ตั้งคำถามว่าหลักการของสมองเหล่านี้จะกลายเป็นสถาปัตยกรรม AI ได้หรือไม่
กรอบแนวคิด
Cortex ไม่ได้จำลองเซลล์ประสาท แต่หยิบหลักการทำงานที่ยอมรับในประสาทวิทยาการรู้คิดมาเป็นแนวเปรียบเชิงวิศวกรรม เพื่อกำหนดหน้าที่ของแต่ละโมดูล ไม่ได้อ้างว่าทำงานเหมือนสมองในเชิงชีววิทยา
| หลักการสมอง | ในสมอง | ใน CORTEX |
|---|---|---|
| การรวมประสาทสัมผัสหลายทาง | รวมสัญญาณจากหลายประสาทสัมผัสเป็นการรับรู้เดียว | รวมคำพูด น้ำเสียง จังหวะ และอารมณ์ เป็นภาพแทนของคำพูดหนึ่งเดียว |
| การจำเสียง | มีส่วนเฉพาะที่จำเสียงของแต่ละคน | ลายเสียง (ECAPA-TDNN) ผูกกับตัวตนและภาษาของผู้พูดแต่ละคน |
| การเลือกโฟกัส ปรากฏการณ์งานเลี้ยงค็อกเทล | จับเสียงที่ต้องการท่ามกลางเสียงรบกวน | ให้น้ำหนักกับผู้พูดหลักและกรองเสียงรอบข้าง |
| ความจำใช้งาน Baddeley | เก็บข้อมูลชั่วคราวเพื่อใช้ประมวลผลต่อ | Meeting Context Buffer เก็บผู้พูด หัวข้อ และการอ้างอิงไว้ตลอดการประชุม |
| การประมวลผลเชิงคาดการณ์ Friston | คาดการณ์สิ่งที่จะเข้ามา แล้วปรับจากส่วนที่คลาดเคลื่อน | Topic-aware Prior คาดคำและความหมายจากหัวข้อ และแก้คำที่ได้ยินไม่ชัด |
| ศูนย์ภาษา Wernicke / Broca | การเข้าใจกับการพูดออกมาเป็นสองกระบวนการที่ทำงานร่วมกัน | แยกชั้นความเข้าใจออกจากการสร้างข้อความภาษาปลายทาง |
| พื้นที่ทำงานร่วม Baars | ข้อมูลสำคัญถูกกระจายไปหลายระบบพร้อมกัน | พื้นที่ทำงานร่วมที่ทุกโมดูลอ่านและเขียนได้ |
| การบันทึกเป็นความจำระยะยาว | ย้ายสิ่งสำคัญจากความจำระยะสั้นไปเป็นความจำถาวร | หลังประชุม สรุปความรู้เข้าคลังความรู้ขององค์กร โดยได้รับความยินยอม |
| การบริหารจัดการของสมองส่วนหน้า | วางแผน ชั่งน้ำหนักทางเลือก และควบคุมการกระทำ | โมดูล Consult และ Act |
| การรู้ตัวของระบบ | รู้ว่าตัวเองรู้หรือไม่รู้ | ประเมินความมั่นใจ และติดธงจุดที่ไม่แน่ใจให้ผู้ใช้ตรวจ |
สถาปัตยกรรม
การประมวลผลแบ่งเป็นสี่ชั้น ตั้งแต่การรับรู้ถึงการลงมือ สัญญาณไหลลงด้านล่าง ขณะที่ Global Workspace ส่งบริบทย้อนกลับไปทุกชั้น ความจำของการประชุมช่วยการแปล และ Predictive Prior ช่วยการรับรู้แก้คำที่ได้ยินไม่ชัด
เสียงเป็นข้อความ ลายเสียง น้ำเสียงและอารมณ์
ผู้พูดหลัก กรองเสียงรบกวน ผูกภาษาอย่างนิ่ง
ความหมายและเจตนา แสดงผลหลายภาษาพร้อมกัน
ให้คำแนะนำ สร้างงาน สรุปเข้า Origami
ทุกชั้นอ่านและเขียนบริบทร่วมกันที่นี่ ทั้งสองทิศทาง
Working Memory
บัฟเฟอร์บริบทการประชุม: ผู้พูด หัวข้อ และการอ้างอิง
Long-term Memory
ความรู้และศัพท์เฉพาะขององค์กร โดยได้รับความยินยอม
Predictive Prior
คาดคำและความหมายจากหัวข้อที่กำลังคุย
การรู้ตัวของระบบ
ประเมินความมั่นใจ และแสดงจุดที่ไม่แน่ใจให้ผู้ใช้เห็น
⇄ เชื่อมกับทั้งสี่ชั้น
คำถามวิจัยและสมมติฐาน
สมมติฐานหลัก: ในบริบทองค์กร การถอดเสียงและการแปลจะแม่นและเป็นธรรมชาติขึ้นอย่างมีนัยสำคัญ เมื่อระบบประมวลผลแบบสมอง แทนการแปลทีละประโยคแยกกัน
คำถามวิจัย
การระบุภาษาของผู้พูดนิ่งขึ้นแค่ไหน เมื่อใช้ลายเสียงร่วมกับบริบทการสนทนา เทียบกับการตรวจจากเสียงอย่างเดียว?
ความจำใช้งานระดับการประชุมช่วยให้คุณภาพการแปลดีขึ้นแค่ไหน เทียบกับการแปลทีละประโยค?
การคาดการณ์ตามหัวข้อช่วยลดความผิดพลาดในการถอดศัพท์เฉพาะได้แค่ไหน?
การแปลหลายระดับ (เร็ว → เกลาประโยค → เรียบเรียงย่อหน้า) สมดุลระหว่างความเร็วกับความแม่นได้หรือไม่?
การแสดงความมั่นใจของ AI ช่วยเพิ่มความไว้ใจและการใช้งานของผู้ใช้หรือไม่?
สมมติฐาน
การผูกภาษาด้วยลายเสียงร่วมกับบริบท ลดอัตราภาษาสลับไปมาได้อย่างมีนัยสำคัญเมื่อเทียบกับค่าตั้งต้น
การแปลที่ใช้ความจำใช้งานระดับการประชุมได้คะแนนสูงกว่าการแปลทีละประโยคอย่างมีนัยสำคัญ
การปรับโมเดลด้วยคลังศัพท์ตามหัวข้อ ลดอัตราความผิดพลาดของศัพท์เฉพาะได้อย่างมีนัยสำคัญ
ผู้ใช้ให้คะแนนความเข้าใจการประชุมหลายภาษาสูงขึ้นเมื่อใช้ Argus
แผนพัฒนา
การพัฒนาเรียงตามลำดับของสมอง ตั้งแต่การรับรู้ถึงการใช้เหตุผล แต่ละเฟสต่อยอดจากเฟสก่อน และต้องผ่านด่านที่วัดผลได้ ความสามารถของ Argus เปิดใช้ได้ทันทีที่ผ่านแต่ละเฟส ไม่ต้องรอครบทั้งห้า
เฟส 1 · การรับรู้
ฟังเสียงพูด 5 ภาษา
ด่าน 1 · WER/CER และ DER ถึงเป้าเทียบค่าตั้งต้น
เฟส 2 · การโฟกัส
การโฟกัสและผูกภาษา
ด่าน 2 · ระบุภาษาถูก ≥ 95% · ภาษาสลับไปมาลดลง ≥ 50%
เฟส 3 · ความเข้าใจ
ความเข้าใจและความจำ
ด่าน 3 · คุณภาพดีกว่าการแปลทีละประโยค · หน่วงไม่เกิน 2 วินาที
เฟส 4 · การคาดการณ์
การคาดการณ์และความจำขององค์กร
ด่าน 4 · WER ศัพท์เฉพาะลดลง ≥ 30% · DPO อนุมัติ
เฟส 5 · การใช้เหตุผล
การใช้เหตุผลและการรู้ตัวของระบบ
Cortex LLM v1.0 ใช้งานจริงใน Argus
ตัวชี้วัดและด่านผ่าน
เป้าด้านล่างเป็นค่าเบื้องต้น จะกำหนดเป็นตัวเลขจริงเมื่อวัดค่าตั้งต้นในเฟส 1 แล้ว
| เฟส | ตัวชี้วัด | วัดอะไร | เป้าเบื้องต้น |
|---|---|---|---|
| 1 การรับรู้ | WER / CER รายภาษา | อัตราความผิดพลาดของการถอดเสียง (CER สำหรับไทย จีน ญี่ปุ่น) | ภาษาไทยดีกว่าค่าตั้งต้นสาธารณะ ≥ 20% |
| 1 การรับรู้ | DER | อัตราความผิดพลาดของการแยกผู้พูด | ต่ำกว่าค่าตั้งต้นในการประชุมจำลอง |
| 2 การผูกภาษาและการโฟกัส | ความแม่นในการระบุภาษา | ระบุภาษาของผู้พูดแต่ละคนถูกต้อง | ≥ 95% ต่อช่วงพูด |
| 2 การผูกภาษาและการโฟกัส | อัตราภาษาสลับไปมา | จำนวนครั้งที่ภาษาสลับผิดต่อผู้พูดต่อชั่วโมง | ลดลง ≥ 50% จากค่าตั้งต้น |
| 3 ความเข้าใจและความจำ | COMET / ผู้ประเมินเจ้าของภาษา | คุณภาพการแปลระดับความหมาย | ดีกว่าการแปลทีละประโยคอย่างมีนัยสำคัญ |
| 3 ความเข้าใจและความจำ | เวลาก่อนแสดงผลครั้งแรก | เวลาตั้งแต่พูดจบจนคำแปลแรกขึ้นจอ | < 2 วินาที |
| 4 การคาดการณ์และความจำองค์กร | WER ศัพท์เฉพาะ | ความผิดพลาดของศัพท์เฉพาะองค์กร | ลดลง ≥ 30% เทียบโมเดลทั่วไป |
| 5 การใช้เหตุผลและการรู้ตัวของระบบ | ความคลาดเคลื่อนของความมั่นใจ | ความมั่นใจที่แสดงตรงกับความแม่นจริงแค่ไหน | ต่ำกว่าเกณฑ์ที่ตกลงในเฟส 4 |
| 5 การใช้เหตุผลและการรู้ตัวของระบบ | ความเข้าใจและความไว้ใจของผู้ใช้ | แบบสอบถามหลังประชุมในองค์กรนำร่อง | ดีกว่ากลุ่มควบคุมอย่างมีนัยสำคัญ |
ความนิ่งสร้างความไว้ใจได้มากกว่าความแม่นที่เพิ่มขึ้นเล็กน้อย
บทเรียนสำคัญจากการออกแบบ Argus: การระบุภาษาที่ไม่สลับไปมา ทำให้ระบบรู้สึกน่าเชื่อถือมากกว่าความแม่นที่เพิ่มขึ้นนิดหน่อย อัตราภาษาสลับไปมาจึงเป็นด่านหลักของเฟส 2
วิธีการ
งานวิจัยใช้แนวทาง Design Science Research ร่วมกับการทดลองเชิงปริมาณ คือสร้างระบบ ทดสอบกับชุดข้อมูลมาตรฐาน ประเมินในองค์กรจริง และทำซ้ำทุกเฟส
ข้อมูล
ชุดข้อมูลสาธารณะ
ค่าตั้งต้นของการรู้จำเสียง การแยกผู้พูด และการแปล ครบทั้ง 5 ภาษา
การประชุมจำลอง
เสียงบันทึกหลายภาษาจากสถานการณ์ที่ออกแบบไว้ เช่น การสลับภาษา การพูดซ้อนกัน และเสียงรบกวน โดยได้รับความยินยอมจากผู้เข้าร่วม
เสียงพูดภาษาไทยในงานธุรกิจ
เสียงประชุมภาษาไทยที่มีศัพท์อังกฤษปน พร้อมข้อความถอดเสียงที่ผู้เชี่ยวชาญตรวจแล้ว
องค์กรนำร่อง
ข้อมูลจากพันธมิตรนำร่อง ภายใต้ข้อตกลงการใช้ข้อมูลและ PDPA
การทดลอง
E1 · การผูกภาษา
ตรวจจากเสียงอย่างเดียว เทียบ ลายเสียง + บริบท
RQ1 · H1
E2 · ความจำบริบท
แปลทีละประโยค เทียบ ใช้ Meeting Context Buffer
RQ2 · H2
E3 · ศัพท์เฉพาะ
โมเดลทั่วไป เทียบ โมเดลที่มี Topic-aware Prior
RQ3 · H3
E4 · การแปลหลายระดับ
ระดับเดียว เทียบ สามระดับ วัดความหน่วงและคุณภาพ
RQ4
E5 · การศึกษาภาคสนาม
ประชุมหลายภาษาที่ใช้กับไม่ใช้ Argus ในองค์กรนำร่อง
RQ5 · H4
จริยธรรม ความเป็นส่วนตัว และ PDPA
ตาม PDPA ของไทย ลายเสียงนับเป็นข้อมูลชีวมิติ หลักการเหล่านี้จึงใช้ตั้งแต่เฟส 1 เป็นต้นไป
ขอความยินยอมก่อนเสมอ
ผู้เข้าร่วมทุกคนในข้อมูลวิจัยและการประชุมนำร่องให้ความยินยอมเป็นลายลักษณ์อักษร
ลายเสียงใช้เฉพาะในการประชุม
โดยปกติลายเสียงจะถูกลบเมื่อประชุมจบ และเก็บไว้เฉพาะเมื่อได้รับความยินยอม
เสียงอยู่ในองค์กร
เสียงและข้อมูลชีวมิติไม่ออกนอกองค์กร มีแค่ข้อความที่ขึ้นคลาวด์
ไม่ลงทะเบียนเสียงคนนอก
เสียงของคนนอกการประชุม เช่น โต๊ะข้าง ๆ หรือบูธใกล้เคียง จะไม่ถูกลงทะเบียน
ความโปร่งใส
ผู้เข้าร่วมรู้เสมอว่าเมื่อไหร่กำลังบันทึกและแปล และระบบระบุตัวตนและภาษาอย่างไร
ปรึกษา DPO ทุกครั้งที่เปลี่ยน
ปรึกษาเจ้าหน้าที่คุ้มครองข้อมูลส่วนบุคคลทุกครั้งที่ประเภทข้อมูลหรือระยะเวลาเก็บเปลี่ยน
ไม่ประเมินแอบแฝง
ไม่นำข้อมูลการประชุมไปประเมินผลงานรายบุคคล หากไม่มีนโยบายชัดเจนและความยินยอม
ผลลัพธ์
ด้านวิชาการ: สถาปัตยกรรมที่ได้แรงบันดาลใจจากสมองสำหรับการแปลประชุมหลายผู้พูด และองค์ความรู้ใหม่ด้านการผูกผู้พูดกับภาษาในภาษาเอเชีย
ด้านทรัพยากร: ชุดข้อมูลและวิธีประเมินสำหรับการประชุมธุรกิจภาษาไทยที่พูดสลับภาษา
ด้านผลิตภัณฑ์: Cortex LLM v1.0 เป็นแกนของ Argus เชื่อมกับ Origami Platform
ด้านองค์กร: หลักฐานว่าการสื่อสารหลายภาษาที่มี AI ช่วย ทำให้เข้าใจการประชุมและได้ผลดีขึ้น
ภาษาที่ใกล้กันมาก เช่น ไทยกับลาว อาจทำให้ระบุภาษาผิด
หลายคนพูดซ้อนกันยังเป็นโจทย์ยากของการแยกผู้พูด
ผลภาคสนามจากองค์กรนำร่องจำนวนจำกัด อาจไม่สะท้อนทุกอุตสาหกรรม
การเปรียบกับสมองเป็นกรอบการออกแบบ ไม่ใช่การจำลองทางชีววิทยา
เพิ่มภาษา เช่น เวียดนาม อินโดนีเซีย และภาษาอาเซียนอื่น ๆ
รับรู้ภาพควบคู่กับเสียง เช่น สไลด์และเอกสารที่ขึ้นจอระหว่างประชุม
เชื่อมข้อมูลจากการประชุมเข้ากับ Origami HR Skills Graph เป็นวงจรหลักฐานต่อเนื่อง
