สร้าง AI Agents วิเคราะห์สินเชื่อเฉพาะทางด้วย Amazon Bedrock AgentCore
บทนำ
องค์กรในยุค 2026 ไม่ได้ต้องการ AI ที่ทำหน้าที่แค่เพียง "ตอบคำถาม" แต่องค์กรต่าง ๆ ต้องการ Agentic AI ที่สามารถทำหน้าที่เป็น "ผู้ช่วยทำงาน" แทนมนุษย์ในงานที่สามารถทำตามขั้นตอนได้
โดยเฉพาะในอุตสาหกรรมการเงิน ซึ่งเต็มไปด้วยงานเอกสารและขั้นตอนการตรวจสอบเครดิตที่ซับซ้อน (Credit Analysis)
การนำ AI มาช่วยลดภาระงานในส่วนนี้ จะเป็นทางออกที่ช่วยลดเวลาทำงานได้เป็นอย่างมาก แต่องค์กรจะสร้าง AI Agent อย่างไรให้ทำงานได้ถูกต้อง ตรวจสอบได้ และบริหารต้นทุนได้อย่างคุ้มค่า
ลดภาระงานด้วย AI ที่ตรวจสอบได้
หัวใจสำคัญของ Session นี้คือ เราไม่จำเป็นต้องทำงานหนักในส่วน Routine Work อีกต่อไป
ภาพจำเดิมที่มอง AI มีไว้เพียงแค่ค้นหาข้อมูลหรือร่างอีเมลกำลังจะเปลี่ยนไป เมื่อเรานำ Architecture Multi-Agent เข้ามาใช้
AI จะถูกวางบทบาทให้เป็นทีมงานที่ทำตั้งแต่การหาข้อมูล อ่านงบการเงิน ไปจนถึงการกรอกฟอร์ม
แต่สิ่งสำคัญที่สุดสำหรับสายการเงิน คือ ความน่าเชื่อถือและการตรวจสอบได้
AI ต้องสามารถระบุได้ว่านำข้อมูลมาจากเอกสารหน้าไหน บรรทัดใด เพื่อให้มนุษย์สามารถเข้ามาตรวจสอบและตัดสินใจในขั้นตอนสุดท้ายได้อย่างมั่นใจ (Human-in-the-loop)
Amazon Bedrock: แพลตฟอร์มรวม Foundation Models ชั้นนำ
ก่อนจะไปดู Use Case เรามาทำความรู้จักกับ Amazon Bedrock กันก่อน ซึ่งเป็น Service จาก AWS ที่รวบรวม Models ยอดนิยมไว้ในที่เดียว โดยมีจุดเด่น ดังนี้
- Customization: นำข้อมูลองค์กรมาใช้งานกับ AI Application ได้โดยตรงเพื่อปรับแต่งให้เข้ากับบริบทของธุรกิจ
- Safety & Privacy: ใช้ Guardrails ป้องกันการตอบคำถามหรือ Request ที่ไม่เหมาะสม และรักษาความปลอดภัยของข้อมูล
- Orchestrate Agent: รองรับการ Deploy AI Application สู่ Production ผ่าน Agentic Framework เพื่อให้ Agent สื่อสารและทำงานร่วมกันได้
- โมเดลที่รองรับ: มีให้เลือกมากมาย เช่น Amazon Nova, Anthropic Claude, Meta Llama, DeepSeek และ GPT (coming soon) จาก Partnership ใหม่กับ OpenAI
3 Best Practices: เลือกและปรับใช้โมเดลให้มีประสิทธิภาพ
เมื่อมีโมเดลให้เลือกใช้มากมาย เราจะทราบได้อย่างไรว่าตัวไหนเหมาะสมกับ Use Case ของเรามากที่สุด?
1. Identify: คัดเลือกโมเดล (5-10 โมเดล)
โดยพิจารณาจากรูปแบบข้อมูลที่ใช้ เช่น Text, รูปภาพ, เสียง และความสามารถเฉพาะทาง เช่น การคิดเป็นลำดับขั้นตอน, การเรียกใช้ Tool หรือความเข้าใจศัพท์การเงิน
2. Evaluate: ประเมินผลและวัดความแม่นยำ
สร้าง "Golden Data Set" หรือชุดข้อมูลมาตรฐานที่ผู้เชี่ยวชาญยืนยันว่าถูกต้อง เพื่อใช้ในการทดสอบ (Prompt to Test) หากคนสร้างเคสทดสอบไม่ครอบคลุม สามารถใช้ Multi-Agent ช่วยสร้างข้อมูลจำลองและประเมินผลเบื้องต้น ก่อนให้คนรีวิวอีกครั้ง (Human-in-the-loop)
3. Optimize: ปรับจูนเพิ่มความเร็วและประสิทธิภาพ (Performance & Latency)
เพื่อลดเวลาตอบสนอง และการเพิ่มความแม่นยำ โดยเราสามารถทำ Model Customization หรือ Fine-Tuning บนแพลตฟอร์ม เพื่อนำข้อมูลเฉพาะทางขององค์กรมาสอน AI เพิ่มเติม ทำให้ Agent ทำงานได้มีประสิทธิภาพและตรงบริบทของธุรกิจมากขึ้น
Use Case จาก LH Bank: วิเคราะห์เครดิตจาก 3 วัน เหลือ 1 ชั่วโมง
Lead Application Developer มาแชร์ประสบการณ์จริงของ LH Bank เนื่องจากธุรกิจสินเชื่อธนาคารที่มีการเติบโตเร็ว ทำให้พนักงาน RM ต้องรับภาระหนักในการทำฟอร์มวิเคราะห์เครดิต (CA Form) ที่ยาวถึง 19 หน้าและมีกว่า 400 ฟิลด์ ซึ่งปกติต้องใช้เวลา 3 วันเต็มในการรวบรวมข้อมูล จึงเป็นจุดเริ่มต้นที่ตัดสินใจนำ AI เข้ามาช่วยแก้ปัญหา
ทีมงานได้พัฒนา Web Application ร่วมกับ AWS Bedrock AgentCore โดยมีกระบวนการทำงานดังนี้:
- Supervisor Agent: ทำหน้าที่รับข้อมูลและแจกจ่ายงานตามความเหมาะสม
- Sub-Agents: ทำงานขนานกัน (In-Parallel) เช่น ค้นหาข้อมูลบนอินเทอร์เน็ต ดึงข้อมูลจากไฟล์ PDF และอ่านงบการเงิน
- Automated Form Filling: นำข้อมูลมากรอกลง CA Form อัตโนมัติ พร้อมไฮไลต์สีระบุสถานะ เช่น สีเขียว-ผ่าน สีเหลือง-ต้องการคนตรวจสอบอีกครั้ง
- Auditable: สามารถตรวจสอบย้อนหลังได้ 100% ว่า AI นำข้อมูลมาจากเอกสารหน้าใด
ผลลัพธ์ที่ได้คือ AI ใช้เวลาประมวลผลเพียง 15 นาที สามารถกรอกข้อมูลสำเร็จถึง 85% และพนักงานใช้เวลาตรวจสอบอีก 45 นาที รวมแล้วสามารถลดเวลาการทำงานทั้งหมดจาก 3 วัน เหลือเพียง 1 ชั่วโมงเท่านั้น
เคล็ดลับการลดต้นทุน (Token Optimization)
ความท้าทายเมื่อใช้ AI Model มาใช้คือ ต้นทุนที่ค่อนข้างสูง เรามาดูกันว่าทาง LH Bank มีแนวทางการลดค่าใช้จ่ายกันอย่างไร
- Selective Reading ให้ระบบอ่านเพียงหน้าสารบัญก่อนเพื่อเลือกดึงข้อมูลเฉพาะหน้าที่จำเป็น วิธีนี้ช่วยลด Token ลงได้ถึง 80%
- Pareto 80/20 คำถามหรืองานทั่วไป ให้ใช้โมเดลขนาดเล็กเพื่อประหยัดต้นทุน ส่วนงานที่ต้องใช้การวิเคราะห์ มีความซับซ้อนค่อยสลับไปใช้โมเดลขนาดใหญ่
- Prompt Caching เมื่อ Agent ต้องสื่อสารกันหลายรอบ ให้ทำ Cache คำสั่งไว้และส่งเพียงรอบเดียว จะช่วยประหยัดค่าใช้จ่ายได้มาก
- Save LLM หลีกเลี่ยงการใช้ AI ในการคำนวณคณิตศาสตร์ตายตัว โดยให้เขียน Code (เช่น Python/Node.js) คำนวณแทน เพื่อความแม่นยำ 100% และประหยัด Token
เพื่อป้องกันไม่ให้ต้องสื่อสาร AI วนไปมา ควรสร้างทิศทางการทำงานชัดเจนตั้งแต่ การรวบรวมข้อมูล > กรอกฟอร์ม > ตรวจทาน และตั้งค่า Cut-off เพื่อป้องกันไม่ให้ AI ทำงานวนไปจนสิ้นเปลืองงบประมาณ
Key Takeaways
- Latest Update for Model of choices https://aws.amazon.com/th/bedrock/model-choice/
- "Model Selection Framework" for specific use cases https://aws.amazon.com/th/blogs/aws-insights/why-model-choice-matters-flexible-ai-unlocks-freedom-to-innovate/
เทคโนโลยีใหม่ ๆ ถูกสร้างขึ้นมาเพื่อสนับสนุนให้เราทำงานได้ง่ายขึ้น รวดเร็วขึ้น และมีคุณภาพชีวิตที่ดีขึ้นเสมอ
การเปิดรับและเรียนรู้ที่จะทำงานร่วมกับ AI อย่างชาญฉลาด จะช่วยให้องค์กรก้าวไปข้างหน้าได้อย่างมั่นคง
