**สรุปเอกสาร: การแบ่งปันความรู้ในภาคการผลิตด้วยเครื่องมือที่ใช้ LLM**  

**ผู้เขียน:**  
Kernan Freire, Samuel; Wang, Chaofan; Foosherian, Mina; Wellsandt, Stefan; Ruiz-Arenas, Santiago; Niforatos, Evangelos  

**แหล่งที่มา:**  
ตีพิมพ์ใน *Frontiers in Artificial Intelligence* (2024)  
DOI: [10.3389/frai.2024.1293084](https://doi.org/10.3389/frai.2024.1293084)  

### **เนื้อหาหลัก**  
1. **วัตถุประสงค์:**  
   - ศึกษาการใช้ **Large Language Models (LLMs)** เช่น GPT-4 เพื่อสนับสนุนการแบ่งปันความรู้ในโรงงานผลิต  
   - ออกแบบระบบที่สามารถดึงข้อมูลจากคู่มือเครื่องจักรและรายงานปัญหาเพื่อตอบคำถามพนักงาน และช่วยบันทึกความรู้ใหม่  

2. **วิธีการ:**  
   - **Retrieval Augmented Generation (RAG):**  
     - ระบบค้นหาข้อมูลที่เกี่ยวข้องจากเอกสารโรงงานและฉีดเข้าไปใน prompt ของ LLM เพื่อสร้างคำตอบ  
   - **การทดสอบผู้ใช้:**  
     - ทดลองกับพนักงานและผู้จัดการในโรงงานผลิต 9 คน เพื่อประเมินประโยชน์และความท้าทาย  
   - **การเปรียบเทียบโมเดล LLM:**  
     - ทดสอบประสิทธิภาพของ GPT-4, GPT-3.5, Llama 2, Mixtral 8x7B และอื่นๆ ในด้านความถูกต้อง ความสมบูรณ์ และการหลุดประเด็น (hallucination)  

3. **ผลลัพธ์:**  
   - **ประสิทธิภาพของ LLM:**  
     - GPT-4 ทำได้ดีที่สุดในด้านความถูกต้องและความสมบูรณ์ของคำตอบ  
     - โมเดลโอเพนซอร์ส เช่น Mixtral 8x7B และ StableBeluga2 ตามมาใกล้เคียง  
   - **ความคิดเห็นผู้ใช้:**  
     - ผู้ใช้เห็นว่าระบบช่วยลดเวลาในการค้นหาข้อมูลและแก้ปัญหา  
     - แต่ยังต้องการปรึกษามนุษย์เมื่อมีปัญหาเชิงเทคนิคที่ซับซ้อน  
     - มีความกังวลเรื่องความปลอดภัยหากระบบให้ข้อมูลผิดพลาด  

4. **สรุป:**  
   - LLM มีศักยภาพสูงในการจัดการความรู้ในโรงงาน แต่ต้องปรับปรุงในด้านความแม่นยำและการใช้งานจริง  
   - โมเดลโอเพนซอร์สเป็นทางเลือกที่น่าสนใจเนื่องจากความยืดหยุ่นและความเป็นส่วนตัวของข้อมูล  

**คำสำคัญ:**  
Large Language Models, Knowledge Sharing, Manufacturing, Information Retrieval, Industry 5.0  

**หมายเหตุ:**  
เอกสารนี้เผยแพร่ภายใต้สัญญา Creative Commons (CC BY) และอนุญาตให้ใช้เพื่อการศึกษาหรืออ้างอิงได้