คุมคุณภาพ AI Chatbot ด้วยหลัก Paul Grice
จากบทความตอนที่แล้วที่เราคุยกันเรื่องพื้นฐานของ Conversation Design ไป และมีการเล่าถึงกฏ 4 ข้อของ Paul Grice แต่ไม่ได้ลงรายละเอียดเอาไว้ เลยเอามาเล่าขยายความกันอีกทีในบทความนี้ครับ
ก่อนอื่นขอย้อนความนิดหน่อย ว่ามีน้องๆ หลายคนยังสงสัยว่า “ปกติเราคุยกับ ChatGPT มันก็ดูฉลาดดีนะ ถ้าเอามาคุยกับลูกค้าเลย ก็น่าจะได้นี่นา” จริงๆ คำว่า “ฉลาด” ขึ้นอยู่กับว่าเราจะเอาไปทำอะไรด้วยครับ เวลาเราคุยกับ AI ส่วนตัว เรามีความคาดหวังแบบ “เพื่อนคุยกัน” พอมันตอบมั่วบ้าง เราก็แค่ถามใหม่ แต่ลองนึกภาพถ้า AI ตัวนี้ต้องไปรับบท “แอดมินร้านค้า” แทนเราล่ะ?
ลูกค้าคงไม่ได้ให้โอกาสกับเราขนาดนั้น ถ้า AI ตอบไม่ดี หรือพูดนอกเรื่อง นั่นส่งผลต่อความน่าเชื่อถือของแบรนด์เราทันที เพราะฉะนั้นก่อนลงมือเขียน Prompt เรามาดู 4 กฎของ Paul Grice แบบสรุปสั้นๆ ในตารางนี้กันก่อน ว่าแต่ละข้อช่วยให้ AI ตอบได้เหมือนคุยกับคนมากขึ้นอย่างไร และทำไม AI ถึงพลาดได้ง่ายๆ ถ้าเราไม่ใส่ใจในแต่ละข้อครับ
| ความหมาย | ทำไม AI ถึงพลาดได้ | |
|---|---|---|
| 1. Quality (คุณภาพ) | ห้ามมโน! ต้องตอบความจริงตามคลังข้อมูลที่มีเท่านั้น | AI ไม่รู้ว่าตัวเองควรไม่รู้ เพราะมันไม่ได้ตอบตามที่รู้แต่ตอบตามสถิติ |
| 2. Quantity (ปริมาณ) | ไม่มากไม่น้อยไป ตอบแค่ที่ลูกค้าอยากรู้และพร้อมไปต่อ | มักจะตอบยาวเกินไป เพราะมันอ่านหนังสือเยอะกว่าอ่านบทสนทนา |
| 3. Relation (ความเกี่ยวข้อง) | ต้องตรงประเด็น และพากลับมาสู่การขายเสมอ | โดนลูกค้าพาออกนอกเรื่องได้ง่าย เพราะมันตามน้ำเก่ง |
| 4. Manner (วิธีการ) | ชัดเจน เป็นธรรมชาติ และคุมบุคลิกแบรนด์ให้มั่น | ภาษาดูรู้ว่าเป็น AI เพราะมันไม่ได้รู้จัก Brand ของเรา |
การทำให้ AI สร้างบทสนทนาดีๆ จึงท้าทายมากครับ สนุกเหมือนการออกแบบ UI ให้ใช้งานง่ายๆ เลยล่ะ
ที่มาที่ไป และทำไมต้องเป็น Paul Grice
ทฤษฎีนี้ไม่ได้เกิดในยุค AI นะครับ มันเกิดขึ้นตั้งแต่ปี 1975 แล้วโดย Paul Grice นักปรัชญาและนักภาษาศาสตร์ เขาต้องการอธิบายว่า มนุษย์เราเข้าใจ “ความหมายแฝง” (Implicature) ได้อย่างไร ทั้งที่บางครั้งคนพูดพูดไม่ครบ หรือพูดอย่างแต่หมายถึงอีกอย่าง แต่เราคุยกันรู้เรื่องเพราะเราต่างมี Cooperative Principle ผมแปลได้ประมาณว่า “ความพยายามนำพาบทสนทนาไปด้วยกัน”
ที่นี้พอถึงยุค AI (LLM) ที่เรากำลังพยายามทำให้เครื่องจักรเลียนแบบการคุยของมนุษย์ ทฤษฎีอายุ 50 ปีของ Grice ก็ถูกดึงกลับมาเป็นรากฐานหรือเป็น “พิมพ์เขียว” ที่ดีมากๆ ในการสอน AI ให้มีความเป็นมนุษย์ รู้จักจังหวะจะโคน และไม่คุยแบบหุ่นยนต์
เทียบกับของที่เราใช้กันอยู่
ถ้าลองเทียบกฏ 4 ข้อของ Grice กับแนวทางที่อ่านเจอบ่อยๆ ก็จะมีความคล้ายๆ กันอยู่ครับ (แต่แค่คล้ายๆ นะครับ เทียบให้เข้าใจง่ายๆ ในเบื้องต้นก่อน) ในระหว่างที่อธิบายผมจะใช้ Persona ตามบทความที่แล้วนะครับ คือ “Admin ของเราไม่ใช่คน แต่เป็นหมา”
Quality:
คือการทำ หัวใจสำคัญคือ การสร้าง “ความน่าเชื่อถือ” ครับ ในโลกของ LLM เราเจอปัญหาเรื่อง Hallucination หรือ AI มโนเก่งมาก กฎข้อนี้จึงเน้นไปที่การคุมให้ AI ตอบเฉพาะสิ่งที่มีหลักฐานยืนยัน ซื้งก็คือการทำ Grounding ครับ เป็นวิธีดักทางไม่ให้ AI มโน โดยการให้ context กับมันเอาไว้ก่อนเลย มันจะได้ไม่เอาความรู้อื่นๆ ของมันมาตอบ หรือมันจะได้ไม่มั่นใจเกินไป
ตัวอย่างเช่น
ลูกค้า: “วิตามินตัวนี้กินแล้วขนสวยภายใน 3 วันเลยไหมนุด?”
❌ AI: “แน่นอนโฮ่ง! กินแล้วขนสวยวิ้งค์ทันใจใน 3 วันแน่นอน สั่งเลย!”
✅ AI: “จากข้อมูลที่มี น้องจะเริ่มเห็นผลเรื่องความเงางามของขนใน 2-4 สัปดาห์เมื่อทานต่อเนื่องนะโฮ่ง ไม่แนะนำให้เร่งผลเร็วเกินไปเพื่อสุขภาพที่ดีของน้องครับ”
แบบที่ไม่ดีคือ AI พยายามเอาใจแต่พูดเกินจริงจากข้อมูลสินค้า ถ้าเราสามารถให้ข้อมูลเรื่องการบำรุงขนกับ AI มันก็จะสามารถ ค้าน ความเชื่อของลูกค้าได้อย่างมั่นใจ
Quantity:
กฎข้อนี้คือการทำ Progressive Disclosure ครับ คือการเลือกตอบเฉพาะที่ลูกค้าถาม ไม่ต้องร่ายยาวเป็นเรียงความจนลูกค้าขี้เกียจอ่าน
ตัวอย่างเช่น
ลูกค้า: “มีเมล็ดกาแฟมั้ย?”
❌ AI: “มีครับ เรามี Brazil Santos รสนุ่มช็อกโกแลต, Ethiopia กลิ่นผลไม้เปรี้ยวสดใส และ Colombia บอดี้แน่นคั่วเข้ม ทุกตัวคั่วสดใหม่ทุกสัปดาห์ใช้แหล่งปลูกโดยตรง เหมาะกับดริป เฟรนช์เพรส…”
✅ AI: “มีครับ ตอนนี้ที่ร้านมี 3 ชนิด เดี๋ยวผมช่วยแนะนำให้ นุดชอบดื่มแนวเข้มๆ หรือสายผลไม้เปรี้ยวๆ ดีครับ?”
แบบที่ไม่ดีคือตอบเยอะเกินไป กะให้จบในการตอบทีเดียว ทำให้ไม่เกิดบทสนทนาและทำให้คนไม่อยากอ่านด้วย จริงๆ อันนี้เป็นตัวอย่างที่ดีมากๆ ครับ เพราะเวลาถาม ChatGPT มันชอบตอบยาวๆ ให้จบในทีเดียว แล้วเราก็ชอบด้วย เพราะมันเอาไปใช้ได้ทันที เราไม่ได้อยากคุยเล่นกับ ChatGPT ไม่เหมือนเราคุยกับคน หรือคุยกับ Admin ร้านค้า
Relation:
คือการเข้าใจ Context และ Conversation History ไม่พาลูกค้าออกทะเล และต้องจบด้วยเป้าหมายทางธุรกิจ (Call to Action) เสมอ
ลูกค้า: “สูตรนี้ลดน้ำหนักได้จริงไหม?”
❌ AI: “สูตรนี้ผลิตจากโรงงานมาตรฐานระดับโลก มีส่วนผสมจากธรรมชาติ 100% ปลอดภัยแน่นอนครับ”
✅ AI: “สูตรนี้เน้นลดการสะสมไขมันโดยเฉพาะเลยโฮ่ง! ถ้าคุมอาหารควบคู่ไปด้วยจะเห็นผลชัดมาก นุดอยากให้น้องลดน้ำหนักประมาณกี่กิโลดีครับ?”
จะเห็นว่าคำตอบแรกนั้นตอบไม่ตรงคำถามเรื่องการลดน้ำหนัก แต่ไปตอบเรื่องความปลอดภัยแทน
Manner:
คือการออกแบบ Persona ครับ ตั้งแต่น้ำเสียง (Tone) ไปจนถึงคำศัพท์ที่ใช้ให้เข้ากับกลุ่มเป้าหมาย เพื่อให้บทสนทนาลื่นไหลและเข้าใจง่ายที่สุด
ตัวอย่างเช่น
ลูกค้า: “ขอทราบราคาหน่อย”
❌ AI: “ราคาผลิตภัณฑ์ขนาด 500 กรัม อยู่ที่ 350 บาท ส่วนขนาด 1 กิโลกรัม อยู่ที่ 600 บาท ทั้งนี้ราคายังไม่รวมค่าจัดส่งตามระยะทางที่กำหนด”
✅ AI: “มี 2 ขนาดให้นุดเลือกนะโฮ่ง! ถุงเล็ก 350.- ส่วนถุงใหญ่คุ้มกว่าแค่ 600.- เองจ้า รับถุงใหญ่ไปลองให้ตัวแสบที่บ้านเลยมั้ยอะเป่า?”
ของที่ไม่ดีคือตอบเป็นภาษากลางๆ ดูเป็นหุ่นยนต์ ถ้าอยากให้เป็นคนหรือยิ่งถ้าอยากให้เป็นคนที่น่าจำ ก็ต้องใส่ Personality เข้าไปเหมือนที่เราบอกว่า “น้องเป็นหมา ไม่ใช่คน”
มาลองเอาไปใช้จริงใน System Prompt ดูกันครับ
มาดูกันว่าถ้าเราอยากให้ Bot ของเราคุยเก่งเหมือนที่ Grice บอก เราต้องเขียน System Prompt กันอย่างไรดี ผมจะขอไล่ไปจาก Manner ก่อนะครับ
- Manner ใส่บุคลิกโดยการกำหนด role และรูปแบบการคุย
อย่างสั่งแค่ว่ามันคือใคร เพราะผลลัพธ์ที่ได้มักจะกว้างเกินไปและคุมคุณภาพไม่ได้ ให้บอกให้เฉพาะเจาะจงลงไปเลย ถ้าใส่ “จริต” หรือคำศัพท์ที่มักจะใช้บ่อยๆ ยิ่งดี เพราะจะทำให้ดูเป็นธรรมชาติ และเข้ากับแบรนด์ได้ด้วย เช่น
“จริต” ของ Bot คือลายเซ็นของแบรนด์นะโฮ่ง!System Prompt
คุณคือน้องหมาเจ้าของร้านที่ร่าเริง ขี้เล่น และเชี่ยวชาญเรื่องโภชนาการ
เรียกลูกค้าเจ้าของสัตว์เลี้ยงว่า ‘นุด’ ลงท้ายด้วย ‘โฮ่ง’ แทนคำว่าครับ เรียกสัตว์เลี้ยงว่า ‘น้อง’ และมีคำพูดติดปากว่า ‘อย่างแรง‘
- Quantity & Quality ใส่ข้อกำหนดและวิธีตอบ
ขั้นนี้สำคัญมาก คือการดักทางไม่ให้ AI ตอบยาวจนน่ารำคาญ และห้ามมโนข้อมูล
System Prompt
- Strict Constraints: ห้ามตอบยาวเกิน 2 ประโยค (เว้นแต่ถามลึก) และห้าม Copy รายละเอียดสินค้ามาแปะทั้งหมด
- Dynamic Response: ถ้าลูกค้าถามกว้างๆ ให้แนะนำสั้นๆ แล้วโยนคำถามกลับทันทีเพื่อบีบประเด็น
- Format: ห้ามใช้ Bullet Point ในการแนะนำเบื้องต้น ให้พิมพ์ต่อกันเหมือนประโยคบอกเล่า
อันนี้เหมือนจะเป็น Prompt ทีดีเพราะกำหนดครบทั้ง Quantity และ Quality แต่กลับขัดกับหลัก Prompt Engineering ที่ให้ระวังการใช้ negative prompt และต้องรู้ว่า AI นับเลขไม่เก่งด้วย เรามาลองปรับ prompt กันดู
System Prompt
ตอบคำถามโดยใช้ข้อมูลจาก Context ที่ให้ไว้เท่านั้น หากข้อมูลที่ลูกค้าถามไม่มีในระบบ ให้แจ้งลูกค้าไปตรงๆ ว่า “ขอโทษนะนุด ข้อมูลส่วนนี้ไม่มีในมือเลย โฮ่ง” แทนการคาดเดา
- Concise Response: สรุปใจความสำคัญให้สั้นที่สุดเพียงประเด็นเดียวต่อการตอบหนึ่งครั้ง เพื่อให้บทสนทนาลื่นไหลเหมือนคนคุยกัน
- Dynamic Engagement: กรณีที่ลูกค้าถามคำถามกว้างๆ ให้เลือกดึงจุดเด่นของสินค้ามาเพียง 1 อย่าง แล้วจบด้วยการถามคำถามกลับเพื่อสอบถามความสนใจของลูกค้าทันที
- Chat-Style Format: เขียนเนื้อหาเป็นประโยคบอกเล่าต่อเนื่องกันในย่อเดียว เลียนแบบลักษณะการพิมพ์แชทในมือถือ
- Relation & Closing Sale ผมเติมเป้าหมายทางธุรกิจไปด้วย :-P
นี่คือจุดที่ทำให้ AI กลายร่างจาก admin ไปเป็นพนักงานขาย โดยการบอกเป้าหมายให้ Bot ของเราด้วย ในกรณีที่ Bot ของเราเป็นหมอ หรือเป็นทนาย เป้าหมายของ bot ก็ควรเปลี่ยนตามไปด้วยครับ มาลองดูตัวอย่างกัน
System Prompt
- Mission: สร้างแรงจูงใจในการซื้อโดยใช้เทคนิค Scarcity (เช่น “เหลือ 2 ถุงสุดท้ายแล้วน้า”) หรือ Social Proof (เช่น “เพื่อนๆ สี่ขาโหวตให้เป็น The Best”)
- Call to Action: จบประโยคด้วยการชวนซื้อหรือถามเพื่อปิดการขายเสมอ
อันนี้เป็นตัวอย่างคร่าวๆ ของการเขียนน system prompt เพื่อให้ Bot ของเราสามารถตอบได้อย่างที่คุณ Grice เค้าแนะนำไว้ครับ
ทำไมเรื่องนี้น่าเรียน และจะไปเรียนเพิ่มได้ที่ไหน
การที่เรารู้เรื่องนี้จะเปลี่ยนบทบาทเราจาก UX Designer ทั่วไป ให้กลายเป็น “Conversation ?Designer” ครับ เราไม่ได้ออกแบบแค่ “หน้าตา” ของแอปอีกต่อไป แต่เรากำลังออกแบบ “ระบบความคิด” และ “พฤติกรรม” ของ AI เพื่อให้มันสร้างประสบการณ์ที่ดีที่สุดให้กับมนุษย์
Reading List: สำหรับใครที่อยากไปให้สุด ผมแนะนำให้ลองหาอ่าน:
-
หนังสือ “Studies in the Way of Words” โดย Paul Grice (ต้นฉบับทฤษฎี)
-
บทความ “Conversation Design Guidelines” จากเว็บ ServiceNow
หวังว่าบทความนี้จะช่วยให้เพื่อนๆ เห็นภาพการนำศาสตร์ของภาษามาประยุกต์ใช้ในโลก AI ได้ชัดเจนขึ้นนะครับ ใครลองเอาไปปรับ Prompt แล้วผลลัพธ์เป็นยังไง มาแชร์กันได้นะโฮ่ง!
Comments