เจาะประเด็น
AI / Enterprise
Cohere ปล่อย Parse 5 โมเดลอ่านเอกสารระดับองค์กร ที่ไม่ใช่แค่ "เห็น" แต่ "เข้าใจ" พิกัดทุกบรรทัด
โมเดล 2.3 พันล้านพารามิเตอร์ตัวนี้ อาจเป็นคำตอบให้ใครหลายคนที่เบื่อกับการไล่คัดลอกข้อมูลจาก PDF ทีละหน้า
ทีมข่าว เอไอไทย.com
⏱ อ่าน 4 นาที
ถ้า AI อ่านเอกสารเก่งเท่ามนุษย์ได้จริงเมื่อไหร่ งานออฟฟิศที่ทุกคนเกลียดที่สุดจะหายไปครึ่งหนึ่ง และนี่คือหมัดแรกที่ Cohere ลงไป
คุ้นๆ กันดีกับภาพนี้ใช่ไหม? นั่งเปิดไฟล์ PDF ที่เป็นสแกนเอกสารมา หน้านึงเป็นตาราง อีกหน้านึงเป็นรูปแผนภูมิ หรือไม่ก็ฟอนต์ประหลาดที่อ่านแล้วปวดตา แล้วต้องมานั่งไล่พิมพ์ข้อมูลลง Excel ทีละช่อง งานแบบนี้มันน่าเบื่อและกินเวลามหาศาล และดูเหมือน Cohere จะเข้าใจความเจ็บปวดนี้ดี
บริษัท AI สัญชาติแคนาดาเพิ่งเปิดตัว Parse 5 โมเดลพื้นฐานแบบ multimodal ที่ถูกออกแบบมาเพื่อจัดการกับโจทย์นี้โดยเฉพาะ มันไม่ใช่แค่ OCR ทั่วไปที่อ่านตัวหนังสือออก แต่คือระบบที่ตั้งใจสร้างมาเพื่อสกัดข้อมูลมีโครงสร้างจากเอกสารซับซ้อนระดับองค์กรได้จริงจัง
หัวใจของ Parse 5 คือการแปลงเอกสาร PDF ที่เต็มไปด้วยดีไซน์ซับซ้อนให้กลายเป็น Markdown ซึ่งเป็นภาษามาร์กอัปที่อ่านง่ายและใช้กันแพร่หลายในวงการพัฒนา แต่จุดที่ทำให้รุ่นนี้น่าสนใจกว่าตัวก่อนๆ คือการที่มันให้ พิกัดของ bounding box มาด้วย หมายความว่ามันไม่ใช่แค่บอกว่า "ตรงนี้มีข้อความ" แต่มันบอกได้ด้วยว่า "ข้อความนี้อยู่ตำแหน่งไหนของหน้า" ซึ่งสำคัญมากสำหรับงานที่ต้องอ้างอิงตำแหน่งหรือทำ RAG (Retrieval-Augmented Generation) ที่ต้องการความแม่นยำสูง
ตัวโมเดลมีพารามิเตอร์ 2.3 พันล้านตัว ซึ่งถือว่าไม่ได้ใหญ่โตมโหฬารเมื่อเทียบกับโมเดลภาษาขนาดยักษ์ทั่วไป แต่การที่มันถูกเทรนมาเพื่องานเดียวโดยเฉพาะ ทำให้มันทำได้ดีและเร็วกว่าโมเดลอเนกประสงค์ที่ต้องแบ่งพลังไปทำอย่างอื่น
Cohere บอกว่าโมเดลนี้ถูกประเมินบนหน้าเอกสารระดับองค์กรกว่า 2,000 หน้า และทำคะแนนเฉลี่ยได้ 79.2 ในตัวชี้วัดประสิทธิภาพหลัก ตัวเลขนี้ฟังดูอาจไม่ว้าวเท่าไหร่ถ้าเทียบกับ benchmark ภาษาไทยที่เห็นกันจนชินตา แต่บริบทของมันต่างกัน เพราะการวัดผลงานประเภทนี้มันวัดความถูกต้องของการจับคู่ข้อมูลในเอกสารจริง ซึ่งโหดร้ายกว่าแบบทดสอบความรู้ทั่วไปเยอะ
ประเด็นสำคัญคือ มันวัดที่ "ประสิทธิภาพในโลกความจริง" ไม่ใช่แค่การตอบคำถามจากชุดข้อมูลที่เตรียมไว้ เพราะเอกสารองค์กรจริงๆ มันรก มีทั้งลายน้ำ มีทั้งฟอนต์เพี้ยนๆ มีทั้งตารางที่ซ้อนตาราง การที่โมเดลทำคะแนนได้ระดับนี้บนข้อมูลจริง แปลว่ามันผ่านสนามรบมาแล้ว ไม่ใช่แค่ซ้อมในสนามซ้อม
การแปลงเป็น Markdown
เปลี่ยนเอกสารที่อ่านยากให้เป็นไฟล์ที่เทรนโมเดลหรือใช้ในระบบอัตโนมัติต่อได้ทันที ไม่ต้องผ่านคนกลาง
Bounding Box Coordinates
รู้ว่าข้อมูลอยู่ตรงไหนของหน้า ทำให้การอ้างอิงแหล่งที่มาตรงจุด ทำ RAG ที่ต้องการการอ้างอิงแบบละเอียดทำได้จริง
ขนาด 2.3B Parameters
เล็กพอที่จะรันได้ในองค์กรที่ไม่ต้องการส่งข้อมูลออกไปคลาวด์ แต่ฉลาดพอที่จะทำงานแทนคนได้จริง
ตรงนี้คือจุดที่ผมมองว่า Cohere เค้าฉลาดมาก ไม่ใช่การแข่งกันโม้ว่าโมเดลฉลาดแค่ไหน แต่คือการลงไปแก้ปัญหาเฉพาะหน้าที่คนนับล้านเจอทุกวัน การที่บริษัทอย่าง Cohere เลือกโฟกัสที่เอกสารองค์กร ไม่ได้แปลว่าเท่ แต่แปลว่าเข้าใจว่าตลาดเงินอยู่ตรงไหน ระบบอัตโนมัติในสำนักงานยังมีช่องโหว่อีกมหาศาล และการ "อ่านเอกสาร" คือด่านแรกของทุกกระบวนการ
การที่โมเดลขนาดกลางทำได้ดีขนาดนี้ ยังส่งสัญญาณอีกอย่างถึงวงการ นั่นคือยุคของ "โมเดลใหญ่แลกความสามารถ" อาจกำลังจะเปลี่ยนไป เพราะบางงานมันไม่ได้ต้องการความสามารถรอบด้าน แต่ต้องการความเชี่ยวชาญเฉพาะทางที่เฉียบคม งานสกัดข้อมูลจากเอกสารคืองานแบบนั้น และใครที่ทำได้ดีที่สุดในราคาที่สมเหตุสมผล คือคนที่จะชนะในเกมนี้
Parse 5 คือหมัดที่แม่นและตรงจุดของ Cohere ในสนามที่คนมองข้าม มันไม่ได้ทำให้ AI "ฉลาด" ขึ้น แต่ทำให้ AI "มีประโยชน์" ขึ้นในแบบที่จับต้องได้ และนั่นคือสิ่งที่วงการนี้ต้องการจริงๆ ในตอนนี้ ใครที่รอคอยให้ AI เข้ามาแทนที่งานน่าเบื่อๆ ของตัวเองได้สักที ข่าวนี้คือสัญญาณดีที่ควรจับตามอง
ที่มา: InfoQ AI/ML — อ่านต้นฉบับ
ความคิดเห็น 6
กำลังโหลดความคิดเห็น...