Module 12 · ทำงานกับภาพ เสียง เอกสาร — โดยข้อมูลไม่หายระหว่างทาง
วิธีที่คนส่วนใหญ่ทำ
ภาพ → [แปลงเป็นคำบรรยาย] → ข้อความ → [AI วิเคราะห์] → ข้อความ
└─ เสียข้อมูลไป 90% ตรงนี้ ─┘
วิธีที่ถูก
ภาพ → [AI อ่านภาพตรงๆ] → ข้อมูลมีโครงสร้าง → [วิเคราะห์]
└─ แปลงครั้งเดียว จุดที่ตรวจสอบได้ ─┘
ทุกครั้งที่แปลงรูปแบบข้อมูล ข้อมูลหายไปบางส่วนเสมอ — คำถามคือหายส่วนไหน และสำคัญไหม
ภาพใหญ่ → รายละเอียดเล็กหาย
แก้ — crop เฉพาะส่วนที่ต้องการก่อนส่ง
นับของเกิน 10 ชิ้น ผิดบ่อย
แก้ — อย่าให้ AI นับ ใช้วิธีอื่น
เดาต่อจากบริบท
แก้ — สั่งว่า "อ่านไม่ออกให้เขียน UNREADABLE"
ตารางหัวซ้อน → จับคู่ผิด
แก้ — ขอผลเป็นโครงสร้าง แล้วสุ่มตรวจ 2–3 แถว
กฎเหล็ก: ถ้าต้องการตัวเลขถูก 100% — ห้ามให้ AI อ่านภาพแล้วสรุปเอง
ให้ สกัดออกมาเป็นข้อมูลมีโครงสร้างก่อน แล้วให้โปรแกรมคำนวณ
ทำไมต้องมีขั้นกลางที่มีโครงสร้าง
จุดตรวจอยู่ตรงกลาง ไม่ใช่ตอนท้าย — ตรวจตอนท้ายคือตรวจสายเกินไป
ถ่ายรูปใบเสร็จ
AI สกัด → วันที่ · ร้าน · ยอด · หมวด · ความมั่นใจ
ตรวจ — ยอดรวมตรงกับที่นับมือไหม · มีใบไหนความมั่นใจต่ำ
โปรแกรมคำนวณสรุป — ไม่ใช่ AI
AI เขียนคำอธิบายจากตัวเลขที่คำนวณแล้ว
สังเกตว่า AI ไม่ได้บวกเลขเลย — AI อ่านและเขียน แต่โปรแกรมคำนวณ
ภาพ → คำบรรยาย
หาย — การจัดวาง สี สัดส่วน รายละเอียดเล็ก
เสียง → ข้อความ
หาย — น้ำเสียง จังหวะ การเน้น ความลังเล
ตาราง → ความเรียง
หาย — ความสัมพันธ์ระหว่างแถวกับคอลัมน์
วิดีโอ → ภาพนิ่ง
หาย — การเคลื่อนไหว ลำดับเวลา
⚠️ เกมกระซิบ — ปัญหาที่พบบ่อยในระบบหลาย agent
Agent ตัวที่ 3 ตัดสินใจจากคำบรรยายของคำบรรยายของภาพ — ผิดสะสมทุกชั้น
ทางแก้: เก็บต้นฉบับไว้เสมอ ให้ agent ที่ต้องการรายละเอียดย้อนไปดูเอง
ส่งที่อยู่ของไฟล์ ไม่ใช่ส่งคำบรรยาย
ปลายทางที่ต้องการรายละเอียด เปิดต้นฉบับได้เอง
แนบความมั่นใจและที่มาเสมอ
ปลายทางจะได้รู้ว่าควรเชื่อแค่ไหน และควรตรวจซ้ำไหม
ประกาศความสามารถให้ชัด
"ฉันรับภาพและ PDF · คืนข้อมูลมีโครงสร้าง · ทำเสียงไม่ได้"
อ่านเอกสารสแกน
ภาพ → ข้อมูลมีโครงสร้าง · อย่าสรุปตรงจากภาพ
ตรวจแบบ/ผังโครงการ
ถามเฉพาะจุด · อย่าถาม "วิเคราะห์ภาพนี้"
สรุปประชุม
เสียง → ถอดข้อความ → สกัด · แนบรายชื่อและศัพท์เฉพาะ
เทียบงานออกแบบหลายชิ้น
ส่งทุกภาพพร้อมกัน + เกณฑ์ · อย่าดูทีละภาพ
เคล็ดลับเรื่องเสียง: ส่งรายชื่อคน ชื่อโครงการ และศัพท์เฉพาะไปพร้อมไฟล์เสียงเสมอ — ลดความผิดพลาดได้มาก
1 · Modality Audit
งานไหนที่มีภาพ/เสียง/เอกสาร แต่ตอนนี้ใช้แค่ข้อความ
2 · Pipeline Design
ระบุขั้นกลางที่มีโครงสร้าง + จุดตรวจ
3 · Lossy Boundary
ต้องมี 1 จุดที่ตัดสินใจไม่แปลง + เหตุผล
4 · Message Protocol
ออกแบบรูปแบบข้อความระหว่าง agent 3 ตัว
5 · Test Case — ต้องมีกรณี "ผลลัพธ์ดูถูกแต่ผิดจริง" และวิธีตรวจจับ
แต่รู้ได้อย่างไรว่ามันทำงานดีจริง? Module 13 จะให้เครื่องมือวัด — และวิธีตอบคำถามว่า คุ้มหรือไม่
ถัดไป → Module 13 · AI Strategy & Evaluation