---

GenAI Tools & Tips Beyond ChatGPT (EP2)

พามารู้จัก Generative AI ฝั่ง Google

📌 Connect with me and follow our journey: Linkedin, Facebook

ใน Episode1 ของซีรีส์ “GenAI Tools & Tips Beyond ChatGPT” เราได้ทำงานทดลอง เครื่องมือถอดเสียงจากวิดีโอ (VDO Transcriber) หลากหลายเครื่องมือ สำหรับใน Episode ที่ 2 นี้ ผมขอพาทุกคนมา “เปลี่ยนฝั่ง” มาทำความรู้จักกับ Generative AI Ecosystem ฝั่ง Google ที่มีเครื่องมือหลากหลายและทรงพลังไม่แพ้กัน

1. Gemini

Gemini คือ LLM (Large Language Model) Chatbot ของ Google ที่รองรับทั้งการถาม-ตอบ, มี Research และ Canvas Mode และภาพรวม UI ที่ทันสมัย แต่โดยรวมคล้ายๆกับ ChatGPT

💡 ข้อได้เปรียบของ Gemini: Token Limit สูงกว่า (เปรียบเทียบระหว่าง GPT 4o กับ Gemini 2.0 Flash) ทำให้เหมาะกับงานที่ต้องใส่ข้อมูลจำนวนมากในครั้งเดียว แต่อนาคต GPT 4.1 กับ Gemini 2.5 จะมีความใกล้เคียงกันมากขึ้น

ตัวอย่างการใช้งาน Deep Research และ Infographic:

• พิม Prompt เรื่องที่อยากค้นหาเข้าไป

เปรียบเทียบข้อมูลเครื่องซักผ้า Electrolux กับ Bosch กับ LG หรือยี่ห้ออื่นๆที่ขายในไทย

รวมถึงอันไหนคุ้มค่า คุ้มราคามากที่สุด

• Result
• ถ้าเราอยากสร้าง Infographic → ให้เลือก “สร้าง” → เลือก “Infographic”

• Result

หรือใครอยากลอง Feature: แบบทดสอบ หรือ ภาพรวมของเสียง ก็ไปลองเล่นดูได้ครับ ^__^

ตัวอย่างการใช้งานการเขียน Application:

มาลองสร้างเกม Hangman (เกมแขวนคอ) เพื่อให้นักเรียนไทยฝึกทายคำศัพท์ภาษาอังกฤษกัน:

ช่วยสร้างเกม Hangman (เกมแขวนคอ) เพื่อให้นักเรียนไทยฝึกทายคำศัพท์ภาษาอังกฤษให้หน่อย

⚡Gemini ⚡

• Prompt (หรืออาจจะเพิ่ม ข้อความเข้าไปว่า “ขอเป็น Code HTML” ก็ได้) → ChatGPT จะเขียน Code ให้เรา → กด “แก้ไข”

ผลลัพธ์แบบ Full

แน่นอนครับ! มาสร้างเกม Hangman (เกมแขวนคอ) สนุกๆ ให้นักเรียนไทยฝึกทายคำศัพท์ภาษาอังกฤษกันครับ เกมนี้จะช่วยให้นักเรียนได้ทบทวนคำศัพท์และฝึกสะกดคำไปในตัว

เกม Hangman ทายคำศัพท์ภาษาอังกฤษ
เป้าหมายของเกม: ทายคำศัพท์ภาษาอังกฤษที่ซ่อนอยู่ให้ถูกต้องก่อนที่รูปคนถูกแขวนคอจะสมบูรณ์

อุปกรณ์ที่ต้องมี:

• กระดานไวท์บอร์ด / กระดาษขนาดใหญ่
• ปากกา / ชอล์ก
• กระดาษจดคะแนน (ถ้ามี)

วิธีเล่น:

1. เลือกหมวดหมู่: ครูและนักเรียนอาจจะตกลงเลือกหมวดหมู่คำศัพท์ก่อน เช่น สัตว์, ผลไม้, สี, อาชีพ, สิ่งของในห้องเรียน หรือจะให้เป็นคำศัพท์ทั่วไปก็ได้
2. ผู้ตั้งคำ: ครู (หรือนักเรียนคนหนึ่ง) จะเป็นผู้ตั้งคำศัพท์ภาษาอังกฤษขึ้นมา 1 คำ โดยไม่บอกให้คนอื่นรู้
3. ขีดเส้นใต้: ผู้ตั้งคำจะขีดเส้นใต้จำนวนเท่ากับจำนวนตัวอักษรของคำศัพท์นั้นบนกระดาน/กระดาษ เช่น ถ้าคำคือ "APPLE" ก็จะขีด _ _ _ _ _
4. วาดเสาแขวนคอ: ผู้ตั้งคำจะวาดเสาแขวนคอเปล่าๆ ไว้ข้างๆ (ไม่ต้องวาดคน)

---

| |
|
|

5. เริ่มทาย: นักเรียนจะผลัดกันทายตัวอักษรทีละตัว (เป็นตัวอักษรภาษาอังกฤษ A-Z)

• ถ้าทายถูก: ผู้ตั้งคำจะเขียนตัวอักษรที่ทายถูกลงบนเส้นใต้ในตำแหน่งที่ถูกต้องทั้งหมด เช่น ถ้าคำคือ "APPLE" ทาย "P" ถูก ก็จะเติมเป็น _ P P _ _
• ถ้าทายผิด: ผู้ตั้งคำจะวาดส่วนหนึ่งของรูปคนถูกแขวนคอเพิ่มขึ้นไปเรื่อยๆ ตามลำดับนี้:
  • หัว (Head)
  • ลำตัว (Body)
  • แขนซ้าย (Left Arm)
  • แขนขวา (Right Arm)
  • ขาซ้าย (Left Leg)
  • ขาขวา (Right Leg)

6. แพ้หรือชนะ:

• ชนะ: ถ้านักเรียนสามารถทายตัวอักษรจนครบคำศัพท์ได้ถูกต้องก่อนที่รูปคนจะถูกวาดเสร็จสมบูรณ์ ถือว่า ชนะ! และนักเรียนก็จะได้เรียนรู้คำศัพท์นั้นๆ ไป
• แพ้: ถ้าทายผิดจนรูปคนถูกวาดเสร็จสมบูรณ์ ถือว่า แพ้! ผู้ตั้งคำจะเฉลยคำศัพท์ที่ซ่อนอยู่
  ข้อแนะนำเพิ่มเติมสำหรับคุณครู:
• ระดับความยาก: ปรับระดับความยากของคำศัพท์ให้เหมาะสมกับวัยและความสามารถของนักเรียน
• คำศัพท์สำหรับแต่ละรอบ: เตรียมลิสต์คำศัพท์ไว้ล่วงหน้าเพื่อความรวดเร็ว เช่น "ELEPHANT", "BANANA", "YELLOW", "TEACHER", "PENCIL"
• ให้คำใบ้: หากนักเรียนดูเหมือนจะติดขัดหรือไม่รู้คำศัพท์จริงๆ คุณครูอาจจะให้คำใบ้เล็กๆ น้อยๆ ได้ เช่น คำแปลภาษาไทย, บอกหมวดหมู่ที่เฉพาะเจาะจงขึ้น
• คำศัพท์ใหม่: เมื่อจบแต่ละรอบ ให้ทบทวนและอธิบายความหมายของคำศัพท์นั้นๆ ให้นักเรียนฟัง
• การผลัดเปลี่ยนผู้ตั้งคำ: หากเล่นเป็นกลุ่มใหญ่ สามารถให้นักเรียนผลัดกันมาเป็นผู้ตั้งคำได้ เพื่อให้นักเรียนมีส่วนร่วมมากขึ้น
• ทำเป็นทีม: แบ่งนักเรียนเป็น 2 ทีม เพื่อเพิ่มความสนุกสนานและการแข่งขัน
• หวังว่าเกม Hangman นี้จะเป็นประโยชน์ในการฝึกภาษาอังกฤษของนักเรียนนะครับ! หากมีข้อสงสัยเพิ่มเติม สามารถสอบถามได้เลยครับ

• เมื่อกด “Try now”

• Gemini จะเขียน Code ให้ตามภาพด้านล่าง

• กด “แสดงตัวอย่าง”

• มาลองเล่นกัน

⚡ ChatGPT ⚡

• Prompt (หรืออาจจะเพิ่ม ข้อความเข้าไปว่า “ขอเป็น Code HTML” ก็ได้) → ChatGPT จะเขียน Code ให้เรา → กด “แก้ไข”

• กด “ดูตัวอย่าง”

• ระบบจะแสดงตัวอย่าง (มี Hint ให้ด้วย และผมลองเล่นแล้วผิดครั้งที่ 6 จะแพ้)

• ผมลองบอกให้เพิ่ม “ภาพ Hangman” และปรับข้อความเป็น Wrong guesses: 0 (max: 6) เพื่อให้ผู้เล่นเข้าใจง่ายขึ้น

• ผลลัพธ์ที่ได้

คำแนะนำ: หากต้องการนำเกมไปใช้งานจริง ควรนำ Code ไป Host กับผู้ให้บริการ Host code HTML

แถมเกี่ยวกับ Deep Research

DeepSeek R1 หรือ GPT-o1 แบบ Reasoning คืออะไร? ดีจริงไหม?

• AI แบบใหม่อย่าง DeepSeek R1 มีฟีเจอร์ Reasoning หรือ Test Time Compute ซึ่งคือความสามารถในการ “หยุดคิด” แบบมีขั้นตอนก่อนตอบ ไม่ตอบแบบทันทีเหมือน AI รุ่นเก่า

ข้อดีของ Reasoning AI:

• คิดอย่างเป็นระบบ โดยเฉพาะโจทย์ที่มีหลายขั้น เช่น คำนวณ วิเคราะห์ หรือปัญหาซับซ้อน
• ให้คำตอบแม่นยำ เหมือนนักวิเคราะห์มืออาชีพ
• เหมาะกับงานเชิงวิเคราะห์ เช่น คณิต การเงิน โค้ด

ข้อเสียของ Reasoning AI:

• ช้ากว่า อาจรอ 20–30 วิ
• ใช้ Token เยอะกว่า ทำให้ค่าใช้จ่ายเพิ่ม
• ไม่เหมาะกับงาน Creative เพราะไอเดียจะดูแข็ง ไม่ลื่นไหล ไม่ธรรมชาติ

เมื่อควรใช้ AI Reasoning:

• เมื่อต้องการคำตอบแม่นยำ
• งานวิเคราะห์ แก้ปัญหาหลายขั้นตอน
• งานที่ต้อง “ถูกต้อง” มากกว่าคิดไว

เมื่อไม่ควรใช้ AI Reasoning:

• งานเขียน คอนเทนต์ ครีเอทีฟ
• การสนทนาแบบเร็วๆ หรือเบาๆ
• ถ้าต้องประหยัด Token หรือไม่อยากรอ

เปรียบเทียบง่ายๆ:

• AI Reasoning ก็เหมือนจ้างนักวิเคราะห์แพงๆ มาคิดให้ — แม่นแต่ช้า ใช้เฉพาะเวลาจำเป็น
• แต่ถ้าแค่ไปซื้อของใกล้บ้าน ใช้ AI ธรรมดาเร็วกว่า ถูกกว่า คล่องกว่าเยอะ

สรุปสุดท้าย:

• เลือก AI ให้ถูกกับงาน จะประหยัดทั้งเวลาและเงิน
  ไม่ต้องใช้ Ferrari ไปซื้อขนม 7–11 ก็ได้! 🚶‍♂️💸💡

2. NotebookLM

NotebookLM คือ AI Assistant ที่คุณสามารถอัปโหลดเอกสาร, Audio, Markdown หรือไฟล์ PDF และให้ระบบช่วยสรุป ถามตอบ หรือวิเคราะห์เนื้อหาได้แบบอัตโนมัติ

🧭🧭 วิธีเริ่มใช้งาน🧭🧭

• เข้าเว็บไซต์: https://notebooklm.google.com/

• คลิก สร้าง Notebook ใหม่

ตัวอย่าง Document ที่ใช้: https://www.kaggle.com/whitepaper-prompt-engineering

• อัปโหลดเอกสารที่ต้องการใช้งาน (รองรับสูงสุด 50 ไฟล์: .pdf, .txt, Markdown, Audio ฯลฯ)

Figure: หน้าตา Application หลัง upload document

🔥🔥 Highlight Features ที่น่าสนใจ 🔥🔥

1️⃣ Pre-built question

หากคุณไม่รู้ว่าจะเริ่มถามอะไร ระบบจะแนะนำคำถามอัตโนมัติให้คุณ!

Question

เทคนิคหลักและกลยุทธ์ใดบ้างที่ใช้ในการออกแบบพร้อมต์ที่มีประสิทธิภาพ?

Answer

การออกแบบพร้อมต์ที่มีประสิทธิภาพ หรือที่เรียกว่า วิศวกรรมพร้อมต์ (Prompt Engineering) เป็นกระบวนการทำซ้ำ (iterative process) ในการออกแบบพร้อมต์คุณภาพสูงเพื่อนำทางโมเดลภาษาขนาดใหญ่ (LLM) ให้สร้างเอาต์พุตที่ถูกต้องและแม่นยำ ซึ่งเกี่ยวข้องกับการปรับแต่งเพื่อค้นหาพร้อมต์ที่ดีที่สุด การปรับความยาวของพร้อมต์ และการประเมินสไตล์และโครงสร้างของพร้อมต์ที่เกี่ยวข้องกับงาน
ในการสร้างพร้อมต์ที่มีประสิทธิภาพ คุณสามารถใช้เทคนิคหลักและกลยุทธ์ต่างๆ ดังนี้:

1. เทคนิคการพร้อมต์ (Prompting Techniques)
   เทคนิคเหล่านี้ใช้ประโยชน์จากวิธีการที่ LLM ได้รับการฝึกอบรมและวิธีการทำงานของ LLM เพื่อช่วยให้คุณได้รับผลลัพธ์ที่เกี่ยวข้อง
   • การพร้อมต์แบบทั่วไป / Zero-shot (General Prompting / Zero-shot) เป็นประเภทของพร้อมต์ที่ง่ายที่สุด โดยให้เพียงคำอธิบายของงานและข้อความเริ่มต้นสำหรับ LLM เท่านั้น โดยไม่มีตัวอย่าง (no examples)
   • One-shot & Few-shot (One-shot และ Few-shot) เป็นการให้ตัวอย่างในพร้อมต์ ซึ่งมีประโยชน์อย่างยิ่งเมื่อคุณต้องการนำทางโมเดลไปสู่โครงสร้างหรือรูปแบบเอาต์พุตที่ต้องการ
   ◦ One-shot: ให้ตัวอย่างเดียว โมเดลจะสามารถเลียนแบบตัวอย่างนั้นเพื่อทำงานให้เสร็จสมบูรณ์
   ◦ Few-shot: ให้ตัวอย่างหลายตัวอย่าง (โดยทั่วไปแนะนำ 3 ถึง 5 ตัวอย่างขึ้นไป) เพื่อแสดงรูปแบบที่โมเดลต้องปฏิบัติตาม ตัวอย่างควรมีความหลากหลาย คุณภาพสูง และเขียนได้ดี รวมถึงควรมี กรณีพิเศษ (edge cases) หากคุณต้องการให้เอาต์พุตมีความทนทานต่ออินพุตที่หลากหลาย
   • System, Contextual, and Role Prompting (การพร้อมต์แบบระบบ บริบท และบทบาท) เทคนิคเหล่านี้ใช้เพื่อนำทางว่า LLM สร้างข้อความอย่างไร โดยมุ่งเน้นไปที่แง่มุมที่แตกต่างกัน
   ◦ System Prompting (การพร้อมต์แบบระบบ): กำหนดบริบทโดยรวมและวัตถุประสงค์สำหรับโมเดลภาษา เช่น การบอกให้โมเดลแปลภาษาหรือจัดประเภทรีวิว การพร้อมต์แบบระบบยังสามารถใช้เพื่อสร้างเอาต์พุตที่ตรงตามข้อกำหนดเฉพาะได้ เช่น การส่งคืนข้อมูลในรูปแบบ JSON หรือการควบคุมด้านความปลอดภัย เช่น การบอกให้โมเดลตอบกลับอย่างสุภาพ
   ◦ Contextual Prompting (การพร้อมต์ตามบริบท): ให้รายละเอียดเฉพาะหรือข้อมูลพื้นฐานที่เกี่ยวข้องกับการสนทนาหรือภารกิจปัจจุบัน ช่วยให้โมเดลเข้าใจความแตกต่างของสิ่งที่กำลังถูกถามและปรับการตอบสนองให้เหมาะสม
   ◦ Role Prompting (การพร้อมต์ตามบทบาท): กำหนดตัวละครหรือตัวตนเฉพาะให้โมเดลภาษาใช้ ซึ่งช่วยให้โมเดลสร้างการตอบสนองที่สอดคล้องกับบทบาทที่ได้รับมอบหมาย รวมถึงความรู้และพฤติกรรมที่เกี่ยวข้อง การกำหนดบทบาทช่วยกำหนด น้ำเสียง สไตล์ และความเชี่ยวชาญที่มุ่งเน้น ที่คุณต้องการ
   • Step-back Prompting (การพร้อมต์แบบ Step-back) เป็นเทคนิคที่ปรับปรุงประสิทธิภาพโดยการพร้อมต์ให้ LLM พิจารณาคำถามทั่วไปที่เกี่ยวข้องกับงานเฉพาะก่อน แล้วจึงนำคำตอบของคำถามทั่วไปนั้นมาใช้ในพร้อมต์ถัดไปสำหรับงานเฉพาะ การ "ถอยกลับ" นี้ช่วยให้ LLM เปิดใช้งานความรู้พื้นฐานและกระบวนการให้เหตุผลที่เกี่ยวข้องก่อนที่จะพยายามแก้ไขปัญหาที่เฉพาะเจาะจง
   • Chain of Thought (CoT) (ห่วงโซ่ความคิด) เป็นเทคนิคที่ปรับปรุงความสามารถในการให้เหตุผลของ LLM โดยการ สร้างขั้นตอนการให้เหตุผลระดับกลาง ซึ่งช่วยให้ LLM สร้างคำตอบที่แม่นยำยิ่งขึ้น สามารถใช้ร่วมกับการพร้อมต์แบบ few-shot เพื่อให้ได้ผลลัพธ์ที่ดีขึ้นในงานที่ซับซ้อนซึ่งต้องใช้การให้เหตุผลก่อนตอบ CoT มีข้อดีคือใช้ความพยายามต่ำ แต่มีประสิทธิภาพสูง และทำงานได้ดีกับ LLM ทั่วไป (ไม่ต้อง fine-tune) นอกจากนี้ยังให้ความสามารถในการตีความ เพราะคุณสามารถเรียนรู้จากคำตอบของ LLM และเห็นขั้นตอนการให้เหตุผลที่ปฏิบัติตาม
   • Self-consistency (ความสอดคล้องในตัวเอง) รวมการสุ่มตัวอย่าง (sampling) และการลงคะแนนเสียงข้างมาก (majority voting) เพื่อสร้างเส้นทางการให้เหตุผลที่หลากหลายและเลือกคำตอบที่สอดคล้องกันที่สุด ขั้นตอนประกอบด้วย: 1) การสร้างเส้นทางการให้เหตุผลที่หลากหลายโดยการให้พร้อมต์เดิมหลายครั้งด้วยการตั้งค่าอุณหภูมิสูง 2) การดึงคำตอบจากแต่ละการตอบสนองที่สร้างขึ้น 3) การเลือกคำตอบที่พบบ่อยที่สุด
   • Tree of Thoughts (ToT) (ต้นไม้ความคิด) เป็นเทคนิคที่ขยายแนวคิดของ CoT โดยอนุญาตให้ LLM สำรวจ เส้นทางการให้เหตุผลที่แตกต่างกันหลายเส้นทางพร้อมกัน แทนที่จะเป็นเพียงห่วงโซ่ความคิดเชิงเส้นเดียว วิธีนี้เหมาะสำหรับงานที่ซับซ้อนที่ต้องการการสำรวจ
   • ReAct (Reason & Act) (คิดและทำ) เป็นกระบวนทัศน์ที่ช่วยให้ LLM แก้ไขงานที่ซับซ้อนโดยใช้ การให้เหตุผลด้วยภาษาธรรมชาติร่วมกับเครื่องมือภายนอก (เช่น การค้นหา ตัวแปลโค้ด) ซึ่งช่วยให้ LLM สามารถดำเนินการบางอย่างได้ เช่น การโต้ตอบกับ API ภายนอกเพื่อดึงข้อมูล ReAct ทำงานโดยรวมการให้เหตุผลและการกระทำเข้าด้วยกันเป็นวงจรความคิด-การกระทำ (thought-action loop)
   • Automatic Prompt Engineering (APE) (วิศวกรรมพร้อมต์อัตโนมัติ) เป็นวิธีที่ ลดความจำเป็นในการป้อนข้อมูลของมนุษย์และยังช่วยเพิ่มประสิทธิภาพของโมเดล ในงานต่างๆ คุณสามารถพร้อมต์ให้โมเดลสร้างพร้อมต์เพิ่มเติม ประเมินพร้อมต์เหล่านั้น อาจปรับเปลี่ยนพร้อมต์ที่ดี และทำซ้ำ
   • Code Prompting (การพร้อมต์โค้ด) LLM เช่น Gemini สามารถช่วยในการเขียนโค้ดในภาษาโปรแกรมใดก็ได้ คุณยังสามารถใช้พร้อมต์เพื่อ อธิบายโค้ด แปลโค้ด จากภาษาหนึ่งไปอีกภาษาหนึ่ง และ ดีบักหรือตรวจสอบโค้ด

2. แนวทางปฏิบัติที่ดีที่สุด (Best Practices)
   การค้นหาพร้อมต์ที่เหมาะสมต้องใช้การปรับแต่ง แนวทางปฏิบัติที่ดีที่สุดเหล่านี้ช่วยให้คุณเป็นผู้เชี่ยวชาญด้านวิศวกรรมพร้อมต์:
   • ให้ตัวอย่าง (Provide examples): การให้ตัวอย่าง (one-shot / few-shot) ภายในพร้อมต์เป็นเครื่องมือการสอนที่มีประสิทธิภาพอย่างยิ่ง
   • ออกแบบให้เรียบง่าย (Design with simplicity): พร้อมต์ควรกระชับ ชัดเจน และเข้าใจง่ายสำหรับทั้งคุณและโมเดล ควรใช้คำกริยาที่อธิบายการกระทำ
   • ระบุผลลัพธ์ที่ต้องการอย่างเจาะจง (Be specific about the output): การให้รายละเอียดเฉพาะเจาะจงในพร้อมต์ช่วยให้โมเดลมุ่งเน้นสิ่งที่เกี่ยวข้อง และปรับปรุงความแม่นยำโดยรวม
   • ใช้คำสั่งแทนข้อจำกัด (Use Instructions over Constraints): เน้นคำสั่งเชิงบวกที่บอกโมเดลว่าควรทำอะไร แทนที่จะบอกว่าไม่ควรทำอะไร
   • ควบคุมความยาวโทเค็นสูงสุด (Control the max token length): คุณสามารถตั้งค่าขีดจำกัดโทเค็นสูงสุดในการกำหนดค่า หรือระบุความยาวที่ต้องการอย่างชัดเจนในพร้อมต์
   • ใช้ตัวแปรในพร้อมต์ (Use variables in prompts): เพื่อให้พร้อมต์สามารถนำกลับมาใช้ใหม่ได้และมีความยืดหยุ่น ควรใช้ตัวแปรในพร้อมต์ ซึ่งสามารถเปลี่ยนแปลงได้สำหรับอินพุตที่แตกต่างกัน
   • ทดลองกับรูปแบบอินพุตและสไตล์การเขียน (Experiment with input formats and writing styles): รูปแบบพร้อมต์ การเลือกคำ และการส่งข้อมูลที่แตกต่างกันสามารถให้ผลลัพธ์ที่แตกต่างกันได้
   • สำหรับการพร้อมต์แบบ few-shot ในงานการจัดประเภท ให้ผสมคลาส (For few-shot prompting with classification tasks, mix up the classes): เพื่อหลีกเลี่ยงการเรียนรู้แบบเกิน (overfitting) ลำดับเฉพาะของตัวอย่าง
   • ปรับให้เข้ากับการอัปเดตโมเดล (Adapt to model updates): สิ่งสำคัญคือต้องติดตามการเปลี่ยนแปลงสถาปัตยกรรมโมเดล ข้อมูลที่เพิ่มเข้ามา และความสามารถใหม่ๆ
   • ทดลองกับรูปแบบเอาต์พุต (Experiment with output formats): สำหรับงานที่ไม่สร้างสรรค์ เช่น การแยก การเลือก การวิเคราะห์ การจัดเรียง หรือการจัดหมวดหมู่ข้อมูล ให้ลองให้เอาต์พุตส่งคืนใน รูปแบบที่มีโครงสร้าง เช่น JSON หรือ XML การใช้รูปแบบ JSON บังคับให้โมเดลสร้างโครงสร้างและจำกัดการเกิด ภาพหลอน (hallucinations)
   • การซ่อมแซม JSON (JSON Repair): หากเอาต์พุต JSON ถูกตัดทอนหรือไม่ถูกต้องเนื่องจากข้อจำกัดโทเค็น เครื่องมือเช่นไลบรารี json-repair สามารถช่วยแก้ไขวัตถุ JSON ที่ไม่สมบูรณ์หรือมีข้อผิดพลาดได้โดยอัตโนมัติ
   • การทำงานกับ Schema (Working with Schemas): การใช้ JSON Schema สำหรับอินพุตช่วยกำหนดโครงสร้างและประเภทข้อมูลที่คาดหวังของอินพุต JSON ให้พิมพ์เขียวที่ชัดเจนแก่ LLM
   • ทดลองร่วมกับวิศวกรพร้อมต์คนอื่นๆ (Experiment together with other prompt engineers): การมีบุคคลหลายคนช่วยกันออกแบบพร้อมต์สามารถทำให้เห็นความแตกต่างของประสิทธิภาพ
   • แนวทางปฏิบัติที่ดีที่สุดสำหรับ CoT (CoT Best practices): สำหรับ CoT ควรวางคำตอบไว้หลังจากขั้นตอนการให้เหตุผลเสมอ และ ตั้งค่าอุณหภูมิ (temperature) เป็น 0
   • บันทึกความพยายามในการพร้อมต์ต่างๆ (Document the various prompt attempts): การบันทึกความพยายามในการพร้อมต์อย่างละเอียดเป็นสิ่งสำคัญ เพื่อให้คุณสามารถเรียนรู้ว่าสิ่งใดได้ผลและสิ่งใดไม่ได้ผลเมื่อเวลาผ่านไป

3. การกำหนดค่าเอาต์พุตของ LLM (LLM Output Configuration)
   นอกเหนือจากพร้อมต์แล้ว คุณยังต้องปรับแต่งการกำหนดค่าต่างๆ ของ LLM ด้วย การตั้งค่าเหล่านี้จะควบคุมเอาต์พุตของ LLM
   • ความยาวเอาต์พุต (Output length) เป็นการตั้งค่าจำนวนโทเค็นที่จะสร้างในการตอบกลับ การสร้างโทเค็นจำนวนมากต้องใช้การประมวลผลจาก LLM มากขึ้น ซึ่งนำไปสู่การใช้พลังงานที่สูงขึ้น เวลาตอบสนองที่ช้าลง และค่าใช้จ่ายที่สูงขึ้น
   • การควบคุมการสุ่มตัวอย่าง (Sampling controls) LLM ไม่ได้ทำนายโทเค็นเดียวอย่างเป็นทางการ แต่ทำนายความน่าจะเป็นของโทเค็นถัดไป การตั้งค่าเหล่านี้กำหนดว่าความน่าจะเป็นของโทเค็นที่คาดการณ์ไว้จะถูกประมวลผลอย่างไรเพื่อเลือกโทเค็นเอาต์พุตเดียว
   ◦ อุณหภูมิ (Temperature): ควบคุมระดับการสุ่มในการเลือกโทเค็น
   ▪ อุณหภูมิต่ำ เหมาะสำหรับพร้อมต์ที่ต้องการการตอบสนองที่คาดเดาได้มากขึ้น
   ▪ อุณหภูมิสูง สามารถนำไปสู่ผลลัพธ์ที่หลากหลายหรือคาดไม่ถึง
   ▪ อุณหภูมิ 0 (การถอดรหัสแบบ greedy) จะกำหนดแน่นอน: โทเค็นที่มีความน่าจะเป็นสูงสุดจะถูกเลือกเสมอ
   ◦ Top-K: เลือก โทเค็น K อันดับแรก ที่มีความน่าจะเป็นสูงสุดจากการแจกแจงที่โมเดลคาดการณ์ไว้
   ▪ Top-K ที่สูงขึ้น จะทำให้เอาต์พุตของโมเดลมีความคิดสร้างสรรค์และหลากหลายมากขึ้น
   ▪ Top-K ที่ต่ำลง จะทำให้เอาต์พุตของโมเดลมีความจำกัดและเป็นข้อเท็จจริงมากขึ้น
   ▪ Top-K เป็น 1 เทียบเท่ากับการถอดรหัสแบบ greedy
   ◦ Top-P (หรือ Nucleus Sampling): เลือก โทเค็นสูงสุด ที่มีความน่าจะเป็นสะสมไม่เกินค่า P ที่กำหนด ค่า P อยู่ในช่วงตั้งแต่ 0 (การถอดรหัสแบบ greedy) ถึง 1 (โทเค็นทั้งหมดในคำศัพท์ของ LLM)

โดยทั่วไปแล้ว การตั้งค่าเริ่มต้นที่แนะนำคือ อุณหภูมิ 0.2, Top-P 0.95 และ Top-K 30 จะให้ผลลัพธ์ที่สอดคล้องกันและมีความคิดสร้างสรรค์แต่ไม่มากเกินไป สำหรับผลลัพธ์ที่สร้างสรรค์มากเป็นพิเศษ อาจลองเริ่มด้วยอุณหภูมิ 0.9, Top-P 0.99 และ Top-K 40 หากต้องการผลลัพธ์ที่สร้างสรรค์น้อยลง ให้ลองอุณหภูมิ 0.1, Top-P 0.9 และ Top-K 20 สุดท้าย หากงานของคุณมีคำตอบที่ถูกต้องเพียงคำตอบเดียว (เช่น การแก้ปัญหาทางคณิตศาสตร์) ให้เริ่มด้วย อุณหภูมิ 0

2️⃣ Note: NotebookLM จะสร้างสรุปและไกด์การเรียนรู้ให้กับคุณ

• คู่มือการเรียนรู้ (Study Guide): สรุปแบบครอบคลุม เหมาะกับการเรียนรู้เชิงลึก

ตัวอย่าง

คู่มือการเรียนรู้เชิงลึก: วิศวกรรมพรอมต์ (Prompt Engineering)

บทนำ: ความเข้าใจพื้นฐานของวิศวกรรมพรอมต์
วิศวกรรมพรอมต์เป็นกระบวนการออกแบบพรอมต์คุณภาพสูงที่นำทาง Large Language Models (LLMs) เพื่อสร้างเอาต์พุตที่แม่นยำและมีประสิทธิภาพ มันเป็นกระบวนการซ้ำๆ ที่เกี่ยวข้องกับการปรับปรุงพรอมต์ให้เหมาะสมที่สุด รวมถึงความยาวของพรอมต์ สไตล์การเขียน และโครงสร้างที่สัมพันธ์กับงานที่ต้องการ พรอมต์ที่ไม่เพียงพออาจนำไปสู่การตอบสนองที่คลุมเครือ ไม่ถูกต้อง และขัดขวางความสามารถของโมเดลในการให้ผลลัพธ์ที่มีความหมาย

การกำหนดค่าเอาต์พุตของ LLM

การปรับแต่งเอาต์พุตของ LLM อย่างเหมาะสมสำหรับงานของคุณเป็นสิ่งสำคัญ
▪ ความยาวของเอาต์พุต
◦ คำจำกัดความ: การตั้งค่าจำนวนโทเค็นที่ LLM จะสร้างในการตอบสนอง
◦ ผลกระทบ: การสร้างโทเค็นมากขึ้นต้องใช้การคำนวณจาก LLM มากขึ้น ทำให้สิ้นเปลืองพลังงานมากขึ้น เวลาตอบสนองช้าลง และค่าใช้จ่ายสูงขึ้น
◦ ข้อควรพิจารณา: การลดความยาวของเอาต์พุตไม่ได้ทำให้ LLM กระชับขึ้นทางสไตล์หรือข้อความ แต่จะหยุดการสร้างโทเค็นเมื่อถึงขีดจำกัด หากต้องการเอาต์พุตสั้นๆ อาจต้องออกแบบพรอมต์ให้สอดคล้องกัน
▪ การควบคุมการสุ่มตัวอย่าง
LLMs ทำนายความน่าจะเป็นสำหรับโทเค็นถัดไปที่เป็นไปได้ โดยที่แต่ละโทเค็นในคลังคำศัพท์ของ LLM จะได้รับความน่าจะเป็น การควบคุมการสุ่มตัวอย่างกำหนดวิธีการประมวลผลความน่าจะเป็นของโทเค็นเพื่อเลือกโทเค็นเอาต์พุตเดียว
◦ อุณหภูมิ (Temperature)
- คำจำกัดความ: ควบคุมระดับของการสุ่มในการเลือกโทเค็น
◦ ผลกระทบ:
- อุณหภูมิต่ำ (เช่น 0): เหมาะสำหรับพรอมต์ที่ต้องการการตอบสนองที่คาดการณ์ได้สูง (การถอดรหัสแบบโลภ - greedy decoding) โดยโทเค็นที่มีความน่าจะเป็นสูงสุดจะถูกเลือกเสมอ
- อุณหภูมิสูง: นำไปสู่ผลลัพธ์ที่หลากหลายหรือคาดไม่ถึงมากขึ้น

• เอกสารสรุป (Briefing Doc): สรุปแบบย่อ รวบรวมประเด็นสำคัญ

ตัวอย่าง

สรุปเอกสาร: วิศวกรรมพร้อมต์ (Prompt Engineering)
เอกสาร "Prompt Engineering_v7.pdf" โดย Lee Boonstra ให้ภาพรวมที่ครอบคลุมเกี่ยวกับ Prompt Engineering สำหรับ Large Language Models (LLMs) โดยเน้นที่เทคนิคการออกแบบพร้อมต์เพื่อเพิ่มประสิทธิภาพการทำงานของ LLMs สำหรับงานต่างๆ ผู้เขียนเน้นย้ำว่า Prompt Engineering เป็นกระบวนการที่ซับซ้อนและต้องทำซ้ำ โดยที่ทุกแง่มุมของพร้อมต์ ตั้งแต่การเลือกรูปแบบ การกำหนดค่า ไปจนถึงการเลือกคำ รูปแบบ และโครงสร้าง มีผลต่อประสิทธิภาพของมัน

แนวคิดหลักและข้อเท็จจริงที่สำคัญ:

1. บทนำสู่ Prompt Engineering
   ▪ นิยามพร้อมต์: พร้อมต์คืออินพุตข้อความ (บางครั้งรวมกับรูปแบบอื่นๆ เช่น ภาพ) ที่ LLM ใช้เพื่อคาดการณ์เอาต์พุตเฉพาะ
   ▪ ใครสามารถเขียนพร้อมต์ได้: "คุณไม่จำเป็นต้องเป็นนักวิทยาศาสตร์ข้อมูลหรือวิศวกรการเรียนรู้ของเครื่อง – ทุกคนสามารถเขียนพร้อมต์ได้"
   ▪ เป้าหมายของ Prompt Engineering: คือการออกแบบพร้อมต์คุณภาพสูงที่นำทาง LLM ให้สร้างเอาต์พุตที่แม่นยำ กระบวนการนี้เกี่ยวข้องกับการทดลอง การเพิ่มประสิทธิภาพความยาวพร้อมต์ และการประเมินสไตล์และโครงสร้างการเขียน
   ▪ การใช้งาน LLM: พร้อมต์สามารถใช้สำหรับงานความเข้าใจและการสร้างข้อความหลากหลาย เช่น การสรุปข้อความ การแยกข้อมูล การตอบคำถาม การจำแนกข้อความ การแปลภาษา/โค้ด การสร้างโค้ด และการจัดทำเอกสารโค้ด
   ▪ ความสำคัญของการปรับให้เหมาะสมสำหรับแต่ละโมเดล: พร้อมต์อาจต้องได้รับการปรับให้เหมาะสมสำหรับโมเดลเฉพาะ ไม่ว่าจะเป็น Gemini, GPT, Claude หรือโมเดลโอเพนซอร์ส เช่น Gemma หรือ LLaMA

• คำถามที่พบบ่อย (FAQ): สร้างคำถาม-คำตอบจากเอกสาร

ตัวอย่าง

ต่อไปนี้คือคำถามที่พบบ่อย 8 ข้อ พร้อมคำตอบที่ครอบคลุม ซึ่งรวบรวมแนวคิดหลักจากแหล่งข้อมูลที่ให้มา:

1) การทำ Prompt Engineering คืออะไร?

Prompt engineering คือกระบวนการออกแบบ prompt คุณภาพสูงที่ช่วยให้ Large Language Models (LLMs) สร้างผลลัพธ์ที่ถูกต้อง มันเกี่ยวข้องกับการปรับแต่งเพื่อหา prompt ที่ดีที่สุด การปรับความยาวของ prompt ให้เหมาะสม และการประเมินรูปแบบการเขียนและโครงสร้างของ prompt ที่สัมพันธ์กับงาน การทำ Prompt Engineering เป็นกระบวนการที่ทำซ้ำ (iterative process) และผู้ใช้ไม่จำเป็นต้องเป็นนักวิทยาศาสตร์ข้อมูลหรือวิศวกรการเรียนรู้ของเครื่องก็สามารถเขียน prompt ได้ แต่การสร้าง prompt ที่มีประสิทธิภาพสูงสุดอาจมีความซับซ้อน

2) การกำหนดค่าเอาต์พุต LLM มีอะไรบ้าง และสำคัญอย่างไร?

นอกเหนือจาก prompt แล้ว การกำหนดค่าโมเดล LLM ก็มีความสำคัญต่อการควบคุมเอาต์พุตด้วย การตั้งค่าที่สำคัญได้แก่:
▪ ความยาวของเอาต์พุต (Output Length): กำหนดจำนวนโทเค็นสูงสุดที่โมเดลจะสร้างขึ้น การสร้างโทเค็นมากขึ้นใช้การคำนวณมากขึ้น อาจทำให้ตอบสนองช้าลงและมีค่าใช้จ่ายสูงขึ้น
▪ การควบคุมการสุ่มตัวอย่าง (Sampling Controls): LLM ทำนายความน่าจะเป็นของโทเค็นถัดไป แทนที่จะเป็นโทเค็นเดียว การควบคุมการสุ่มตัวอย่างที่พบบ่อยคือ:
◦ อุณหภูมิ (Temperature): ควบคุมระดับการสุ่มในการเลือกโทเค็น อุณหภูมิที่ต่ำกว่า (เช่น 0) เหมาะสำหรับคำตอบที่กำหนดค่าได้ ในขณะที่อุณหภูมิที่สูงกว่าจะนำไปสู่ผลลัพธ์ที่หลากหลายและไม่คาดคิด
◦ Top-K: เลือกโทเค็น K อันดับแรกที่มีโอกาสมากที่สุดจากที่โมเดลคาดการณ์ไว้ ค่า Top-K ที่สูงขึ้นจะให้ผลลัพธ์ที่สร้างสรรค์และหลากหลายมากขึ้น ส่วนค่า Top-K ที่ต่ำลงจะให้ผลลัพธ์ที่จำกัดและเป็นข้อเท็จจริงมากขึ้น
◦ Top-P (หรือ Nucleus Sampling): เลือกโทเค็นอันดับต้นๆ ที่มีความน่าจะเป็นสะสมไม่เกินค่า P ที่กำหนด การตั้งค่าเหล่านี้ทั้งหมดมีผลกระทบซึ่งกันและกัน และการเลือกที่ดีที่สุดขึ้นอยู่กับแอปพลิเคชันและผลลัพธ์ที่ต้องการ

Note:

• Timeline จะเหมาะกับเนื้อหาที่มีลำดับช่วงเวลา
• เราสามารถย้าย Output ของ คู่มือการเรียนรู้ (Study Guide), เอกสารสรุป (Briefing Doc), คำถามที่พบบ่อย (FAQ), Timeline ไปเป็น Source ได้

3️⃣Mindmap (แผนผังความคิด)

NotebookLM สามารถสรุปโครงสร้างความรู้จากเอกสารออกมาในรูปแบบ Mindmap แบบอัตโนมัติ ช่วยให้คุณ:

• เห็นภาพรวมของหัวข้อหลัก-รองได้ง่าย
• เข้าใจโครงสร้างเนื้อหาอย่างรวดเร็ว
• ใช้เป็นฐานในการเตรียมพรีเซนต์หรือทำสไลด์

4️⃣ Podcast Generator: Gemini TTS (Text-to-Speech)

ฟีเจอร์เด่นของ NotebookLM คือการสร้าง Podcast จากเนื้อหาในเอกสาร ได้ทันที เพียงแค่คลิก “สร้าง Podcast” ระบบจะสร้างเสียงเล่าเนื้อหาให้อัตโนมัติ

คุณยังสามารถ ปรับแต่ง ก่อนสร้างได้ เช่น:

• ระบุกลุ่มเป้าหมายผู้ฟัง
• กำหนดโทนเสียง (จริงจัง, เป็นกันเอง ฯลฯ)
• เจาะจงหัวข้อหรือประเด็นเฉพาะ

ตัวอย่างปรับแต่ง

กลุ่มเป้าหมายของคนฟังครั้งนี้คือ นักเรียนที่เข้าเรียน Prompt Engineering เพื่อให้นักเรียนเข้าใจว่า Prompt ที่ดีคืออะไร มีองค์ประกอบอะไรบ้าง

Result: https://notebooklm.google.com/notebook/669d6602-d682-4c2d-b3c6-036ae341107f/audio และสามารถ Download เป็น WAV File

• เปลี่ยนภาษา: ไปที่ การตั้งค่า → ภาษาที่เป็นผลลัพธ์

นอกจากนี้ยังสามารถวาง Youtube link, Text ก็ได้

• ถ้า Youtube มี Transcipt เราสามารถเห็น Key Topic แล้วเลือกฟังส่วนนั้นๆได้
• ถ้าจะถามเรื่องไม่ต่อเนื่องกัน ควรกด Refresh เพื่อเคลียร์ Chat History

3. Google AI Studio

สามารถเข้าใช้งานได้ผ่าน Link: https://aistudio.google.com/prompts/new%5Fchat

3.1) Text

เนื่องจาก Function คล้ายกับ ChatGPT ผมจึงขอเน้นประเด็นสำคัญๆ ดังนี้:

• Model: สามารถเลือก Model ใหม่ๆ ได้ รวมถึง Model ที่เป็นพวก Preview ที่ Google อยากให้เรามาช่วยลองเล่นด้วย
• Parameters: ปรับค่า Temperature, Output length, Top P ได้
• Tools:
  - Structured output: สั่งให้โมเดลสร้างผลลัพธ์ในรูปแบบโครงสร้าง เช่น JSON, XML หรือ Markdown
  - Code execution: ให้โมเดลรันโค้ด Python และแสดงผลลัพธ์ออกมาได้ในตัว
  - Function calling: ให้โมเดลเรียกใช้งานฟังก์ชันที่เรานิยามไว้ พร้อมส่งค่าพารามิเตอร์อัตโนมัติ
  - Grounding with Google Search: ให้โมเดลอ้างอิงข้อมูลจาก Google Search เพื่อความแม่นยำและอัปเดตล่าสุด
  - URL context : ใส่ URL เพื่อให้โมเดลอ่านและทำความเข้าใจเนื้อหาจากลิงก์นั้นโดยตรง
• Safety setting:
  - Harassment: ป้องกันไม่ให้โมเดลสร้างเนื้อหาที่คุกคาม รังแก หรือรุนแรงต่อผู้อื่น
  - Hate: ป้องกันการแสดงความเกลียดชังต่อกลุ่มบุคคลตามเชื้อชาติ ศาสนา เพศ หรืออัตลักษณ์
  - Sexually Explicit: ป้องกันเนื้อหาทางเพศที่โจ่งแจ้ง ไม่เหมาะสม หรือไม่ปลอดภัย
  - Dangerous Content: ป้องกันการให้ข้อมูลที่เป็นอันตราย เช่น การใช้ยาเสพติด อาวุธ หรือคำแนะนำที่เสี่ยงต่อชีวิต

3.2) Media

Gemini Speech Generation: : สร้างเสียงพูดจากข้อความ ทั้งแบบคนเดียวและบทสนทนา

🔸 Single-Speaker Audio: Gemini Speech Generation

การสร้างเสียงพูดแบบคนเดียวมีขั้นตอนดังนี้

• เลือก model: Gemini 2.5 Pro Preview TTS
• เลือก Speaker: สามารถทดลองเล่นเสียง เพื่อหาเสียงที่ชอบก่อนเลือกได้
• ใส่บทพูด: Add ข้อความลงใน Script builder

Style instructions

Read aloud in a warm and friendly tone:

Text

เมื่อคืน นั่งดูทีวีกับเมีย
โทรศัพท์ก็ดัง "ตึ้ง" มีคนส่งไลน์มา ยังไม่ทันเปิดดู เมียก็แย่งไปดูก่อน
พนักงานบัญชีสาวที่บริษัทส่งมา "จบคะ หนูท้องคะ"
แม่งเอ้ย เมียระเบิดขึ้นมาทันที ยังไม่ได้อธิบายเลย เมียก็ด่าทั้งดี ทั้งตบ ทั้งด่าทั้งน้ำตา ความฉิบหายสุดจะบันยาย
ผ่านไปได้ 1 นาที เธอก็ส่งไลน์มาอีก
"พรุ่งนี้หนูจะไปพบพ่อแม่แฟนนะคะ ขอ ลาหนึ่งวัน"
อีห่าเอ้ย มึงส่งมาให้ครบ ๆ ครั้งเดียวไม่ได้หรอไง ? กูแทบตาย
เมียอ่านจบ ผิวปากร้องเพลงแก้เขิน เข้านอน

• Result: 📣📣Link📣📣

🔸 Multi-Speaker Audio: Gemini Speech Generation

การสร้างเสียงพูดแบบสนทนาสองคนมีขั้นตอนดังนี้

• เลือก model: Gemini 2.5 Pro Preview TTS
• เลือก Speaker: อย่าลืมเปลี่ยนชื่อ Speaker ให้ตรงกัน
• ใส่บทพูด: Add ข้อความลงใน Script builder

Style instructions

บทสนทนาระหว่างสามี (Speaker 1) ภรรยา (Speaker 2) วัยกลางคนคุยกันแบบ โรแมนติก

Speaker

Speaker 1: คุณจำได้มั้ย? เมื่อสิบปีก่อน ตอนที่เราแอบมีอะไรกัน แล้วพ่อของคุณจับได้
แล้วพ่อคุณถามผมว่า “จะแต่งงาน” หรือ “จะติดคุก?”
Speaker 2: อื้อ.. จำได้ค่ะ ชั้นจำวันนั้นได้แม่นเลย
Speaker 1: วันนั้นผมคิดอยู่นาน คิดๆไปว่า.. จะแต่งงาน
Speaker 2: แล้วมันยังไงเหรอ?
Speaker 1: ถ้าวันนั้น...ผมเลือกที่จะติดคุก วันนี้ ผมก็น่าจะพ้นโทษไปแล้ว
Speaker 2: !!!

• Result: 📣📣Link📣📣

Note

• เผื่อใครอยากหาบทพูดขำๆ ผมนำตัวอย่างมาแสดงไว้ตาม Link นี้ Link, Link
• ตัวอย่างอื่นๆ เอาไว้เป็นแรงบันดาลใจหรือศึกษาเพิ่มเติมนะครับ: Link, Link, Link, Link

4. ทดลองเล่น Build ใน Google AI Studio

Build: Build apps with Gemini เป็น Feature ที่ให้เราเขียน Prompt เพื่อสร้าง application ที่ต้องการได้

1️⃣ เกมเป่ายิ้งฉุบ

• Prompt

สร้าง application ให้คนเลือก ฆ้อน กรรไก กระดาษ แข่งกับ Bot และทำระบบสะสมคะแนน ใครชนะ 3 ตาก่อนชนะ

• ปรับแต่งจนพอใจ Result → สามารถ Deploy ไปที่ Cloud Run ได้เลยด้วยนะ

• Application ที่เราสร้างก็จะถูกจัดเก็บอยู่ใน Your apps

2️⃣ คำนวนค่าอาหาร

เคยเจอปัญหาการหารค่าอาหารกันไหม ซึ่งถ้าทำแบบจริงจัง น่าจะออกมาแบบรูปด้านล่าง

• Prompt:

Can you code this app? app นี้เอาไว้หารกันว่าแต่ละคนต้องจ่ายเท่าไหร่

1. ให้ใส่เลขคนหารเข้าไป 2-10

• ให้พิมราคาของแต่ละเมนูเข้าไป อาจเริ่มที่ 5 บันทัด แต่พอใส่ครบ 4 ก็มีช่องที่ 5 ขึ้นมา

2. โดยสิ่งที่อยากให้ใส่คือ รายการที่ 1 ราคา ของคนที่ 1-10 เลือกใส่คนนึง

• บันทัดสุดท้าย ใส่ ยอดรวม

3. ระบบจะต้องคำนวนว่า ราคาแต่ละรายการในข้อสองเท่ากับยอดรวมไหม เพราะบางที่จะคิด vat มาที่หลัง

• ถ้าเท่าบอก "ราคารวม vat & service charge แล้ว" ถ้าไม่เท่าบอก "ราคายังไม่รวม vat & service charge แล้ว"

4. แสดงยอดที่ต้องจ่ายของคนที่ 1-10 (ถ้ามี 4 คนก็แสดง 4 คน) พร้อมกับบวกรายการที่ต้องจ่าย

• ถ้าข้อ 3 ยอดแสดงว่า เท่า ก็ให้เอาแต่ละรายการของแต่ละคนที่ระบุในข้อ 2 มาบวกกันเลย
• ถ้าข้อ 3 ยอดแสดงว่า ไม่เท่า ให้คำนวนก่อนว่า vat & service charge เป็นกี่ % แล้วเอายอดจากข้อ 2 มารวมกันแล้ว * % ดังกล่าว อย่าลืมว่า ยอดทุกคนรวมกัน ต้องเท่ากับยอดจ่าย คนจ่ายจะได้ไม่ขาดทุน

Result

• ผมสร้าง Function ให้บวกย่อยๆแต่ละคน จะได้ไม่ต้องใส่ทีละรายการ

• ผลลัพธ์ออกมาถูกต้องดีนะครับ

5. Google Firebase Studio คือ

https://studio.firebase.google.com/

เครื่องมือสร้างแอปสุดล้ำ พลัง AI ช่วยเขียนโค้ด!

• My Prompt

Create application กินอะไรดี โดยสุ่มเลือกอาหารจาก list ด้านล่าง

"""
ผัดไทย ต้มยำกุ้ง แกงเขียวหวาน แกงส้มชะอมไข่ ข้าวมันไก่ ข้าวขาหมู ข้าวหมูแดง ส้มตำไทย ลาบหมู น้ำตกหมู ขนมจีนน้ำยา ข้าวผัดกะเพราไข่ดาว ข้าวผัดปู ผัดซีอิ๊ว ผัดขี้เมา หมูกรอบผัดพริกเกลือ ต้มข่าไก่ ข้าวคลุกกะปิ ไข่พะโล้ ก๋วยเตี๋ยวเรือ เย็นตาโฟ ก๋วยเตี๋ยวสุโขทัย ข้าวเหนียวหมูปิ้ง หมูสะเต๊ะ ข้าวต้มปลา ปลากะพงทอดน้ำปลา หอยทอด ยำวุ้นเส้น ไข่เจียวหมูสับ แกงป่าไก่บ้าน
ซูชิ ซาชิมิ ข้าวหน้าแซลมอน ข้าวหน้าปลาดิบรวม (ด้ง) ราเมน อุด้ง ข้าวหน้าหมูทอด (คัตสึด้ง) ข้าวแกงกะหรี่ญี่ปุ่น ทงคัตสึ เทมปุระ โอโคโนมิยากิ ทาโกะยากิ ไก่ทอดคาราอาเกะ ยากิโซบะ แซลมอนย่างซีอิ๊ว ปลาซาบะย่างเกลือ ข้าวปั้นโอนิกิริ ไข่ม้วนญี่ปุ่น นาเบะ (หม้อไฟญี่ปุ่น) ข้าวหน้าไข่ปลาระเบิด (เมนไทโกะด้ง)
สปาเกตตีโบโลเนส สปาเกตตีคาโบนารา ลาซานญา พิซซ่าหน้ามาการิต้า พิซซ่าฮาวายเอี้ยน พิซซ่าเปปเปอโรนี พาสต้าซีฟู้ด ริซอตโตเห็ด เฟตตูชินีอัลเฟรโด เพนเน่ผัดซอสมะเขือเทศ บรูสเกตต้า สลัดซีซาร์ มะเขือเทศอบชีส ซุปมะเขือเทศ พานาคอตต้า ทีรามิสุ สปาเกตตีเพสโต้ พิซซ่าหน้าเห็ดและชีส คาลโซเน่ (พิซซ่าพับ) พาสต้าอบชีส
บิบิมบับ (ข้าวยำเกาหลี) ซุปกิมจิ ต๊อกบกกี ไก่ทอดเกาหลี คิมบับ
ข้าวผัดหยางโจว เป็ดย่างปักกิ่ง เกี๊ยวน้ำ บะหมี่เป็ดย่าง ผัดหมี่ซั่ว
แฮมเบอร์เกอร์ เฟรนช์ฟรายส์ สเต๊กเนื้อ ไก่ทอด ทาโก้ เบอร์ริโต นาโชส์ชีส พายแอปเปิล มัฟฟินบลูเบอร์รี มักแอนด์ชีส
เครปไส้หวาน ซุปหัวหอมฝรั่งเศส ครัวซองต์ กราแตงมันฝรั่ง แซนด์วิชคร็อกมาดาม ฟองดูว์ชีส
ข้าวหมกไก่ (อินเดีย/มาเลย์) แกงมัสมั่นเนื้อ (ไทย-มุสลิม) ก๋วยเตี๋ยวลุยสวน สเต๊กปลาแซลมอนย่างเกลือ
ไม่กิน
"""

• ถ้าไม่พอใจ Setting ที่ AI คิดมาให้ก็กด Customize → ถ้าพอใจ Click “Prototype this App”

• Result แต่เนื่องจากต้องเสียเงินเลยไม่ได้ทำต่อจนจบนะครับ

6. เปลี่ยน Google Form ให้ดูดีขึ้นด้วย HTML

(Source) สาธิตการปรับหน้าตา Google Form ให้น่าใช้งานมากขึ้น โดยแปลงเป็นเว็บไซต์ HTML แบบ Responsive ใช้งานง่าย สไตล์โมเดิร์นและสีพาสเทล พร้อมเชื่อมต่อกับ Google Sheets โดยตรง

🎯 วัตถุประสงค์

เราต้องการสร้างแบบฟอร์มให้ผู้เข้าอบรมส่งการบ้าน ซึ่งประกอบด้วย:

1. รหัส_ชื่อ_นามสกุลของผู้เรียน (Dropdown)
2. เนื้อหาการบ้านที่ส่ง (Textarea)

🛠️ Step 1: สร้าง Google Form และเชื่อมกับ Google Sheets

• เปิด Google Sheets เปล่าๆ แล้วเปลี่ยนชื่อให้เรียบร้อย

• ไปที่เมนู เครื่องมือ > สร้างแบบฟอร์มใหม่

• ตั้งคำถามตามต้องการ เช่น:
  - คำถาม 1: รหัส_ชื่อ_นามสกุล (Dropdown)
  - คำถาม 2: เนื้อหาการบ้าน (Paragraph)

Figure: ภาพคำถาม 1: รหัส_ชื่อ_นามสกุล (Dropdown)

Figure: ภาพคำถาม 2: เนื้อหาการบ้าน (Paragraph)

• กด เผยแพร่ → จัดการ → ในหัวข้อ “มุมมองผู้ตอบ” เลือกเป็น ทุกคนที่มีลิงก์ → กด เผยแพร่ อีกที

• อย่าลืมทดสอบการกรอก ก่อนไปขั้นตอนถัดไป
• อย่าลืมคัดลอก URL เก็บไว้เพราะต้องใช้ในขั้นตอนต่อไป
  (ตัวอย่าง link ของผม → https://docs.google.com/forms/d/e/1FAIpQLSejFp-2Z8ot%5FXJiUU2k4wUMCKkJXy94l2fKqTi2P0%5FMDVPeeA/viewform?usp=dialog)

🤖 Step 2: ใช้ ChatGPT หรือ Gemini สร้าง HTML Form

• ตัวอย่าง Standard Prompt สำหรับเริ่มการปรับเปลี่ยน

🤖 ตัวอย่าง Prompt ในการสร้างเว็บแอพจาก Google Form

convert the following google form link below into a responsive HTML website that can send a query string directly into google sheets file. The form should be able to auto submit the data into google sheets without prompting the confirmation page from google form with using Google Form POST request.

The HTML form website design should be minimal with theme of pastel.

The header of the form should display wording "ชื่อหัวฟอร์มของเรา"

Input of the form should be in the following order,

1. "ทะเบียนรถที่เติม" with the following input option
   บร-1425
   พศ-2526
   คศ-2025
   พร-1234

2. จำนวนลิตรที่เติม with restriction to only number input

3. "คนที่เติม" with the following input option
   แดง
   น้อย
   จิ๋ว

[-------- Prefilled link Google Form ของเรา ----------]

• กรณีผม ผมเปลี่ยน Style → modern + pastel

My Input

The HTML form website design should be Modern with theme of pastel.

• เปลี่ยนชื่อหัวข้อ

My Input

The header of the form should display wording "Homework สัปดาห์ที่ 4"

• เปลี่ยนรายละเอียดแบบสอบถาม

My Input

1. "Name" with the following input option
   <รายชื่อนักเรียน>

2. "ผลลัพธ์" with long string

• ตัวอย่างข้อความสุดท้ายที่อยู่ใน Prompt ของ ChatGPT

My Input

convert the following google form link below into a responsive HTML website that can send a query string directly into google sheets file. The form should be able to auto submit the data into google sheets without prompting the confirmation page from google form with using Google Form POST request.

The HTML form website design should be Modern with theme of pastel.

The header of the form should display wording "Homework สัปดาห์ที่ 4"

Input of the form should be in the following order,

1. "Name" with the following input option
   ID_1_xxx
   ID_2_xxx
   ...
   ID_60_xxx

2. "เนื้อหาการบ้าน Homework 4" with long string

https://docs.google.com/forms/d/e/1FAIpQLSejFp-2Z8ot_XJiUU2k4wUMCKkJXy94l2fKqTi2P0_MDVPeeA/viewform?usp=dialog

• ตัวอย่าง Output ของ ChatGPT/Gemini → ให้กด Edit

• กด Preview เพื่อดูตัวอย่าง

• ถ้าไม่พอใจ ก็สั่งเปลี่ยนรูปแบบได้ แต่ถ้าพอใจแล้วก็สั่ง ChatGPT/Gemini ต่อว่า

ช่วยสร้างเป็น File index.html แบบพร้อม download ไปใช้ได้เลยให้หน่อย

ถ้าเกิด ChatGPT/Gemini ให้ file มาเป็น .zip ก็ download ไปใช้ได้เลย แต่ของผมนั้นไม่ยอม ดังนั้น ผมจึง copy html code ทั้งหมด ที่ ChatGPT สร้างมานั้นไปใส่ใน notepad (จริงๆใส่ใน VScode สะดวกกว่านะ) จากนั้น save file ตั้งชื่อว่า index.html แล้วเอาไปใส่ folder ครับ

🧑‍💻 Step 3: ปรับโค้ด HTML ให้เชื่อมกับ Google Form

แม้ว่า ChatGPT/Gemini จะมีความเก่ง แต่บางทีก็ไม่ทราบข้อมูลบางอย่าง เราจึงจำเป็นต้องปรับแต่ง ซึ่งในตัวอย่างนี้มีส่วนที่ต้องปรับแต่ง 3 จุดคือ

• 1️⃣ Link ของ Google Forms: viewform → formResponse

Figure: ตัวอย่าง code ที่สร้างโดย ChatGPT ที่เราต้องมาปรับเปลี่ยน

#จากเดิมของผมเป็น
https://docs.google.com/forms/d/e/1FAIpQLSejFp-2Z8ot_XJiUU2k4wUMCKkJXy94l2fKqTi2P0_MDVPeeA/viewform?usp=dialog

#ให้ใส่เป็น (เปลี่ยนจาก viewform มาเป็น formResponse)
https://docs.google.com/forms/d/e/1FAIpQLSejFp-2Z8ot_XJiUU2k4wUMCKkJXy94l2fKqTi2P0_MDVPeeA/formResponse

• 2️⃣ entry.NAME_ENTRY_ID: ปรับค่า entry.XXXXXXXXX ให้ถูกต้อง

Figure: ตัวอย่าง code ที่สร้างโดย ChatGPT ที่เราต้องมาปรับเปลี่ยน

#จากเดิมของผมเป็น

#ให้ใส่เป็น

🔍 วิธีหา entry.NAME_ENTRY_ID:

• เปิด Google Form
• คลิกขวาที่ช่องที่ต้องการ → Inspect
• ดูชื่อ name="entry.XXXXXXX" ใน <select> หรือ <textarea>

Figure: ตัวอย่าง การหาเลข NAME_ENTRY_ID

• 3️⃣ entry.CONTENT_ENTRY_ID: ปรับค่า entry.XXXXXXXXX ให้ถูกต้อง

Figure: ตัวอย่าง code ที่สร้างโดย ChatGPT ที่เราต้องมาปรับเปลี่ยน

#จากเดิมของผมเป็น

#ให้ใส่เป็น

การดูเลข entry.CONTENT_ENTRY_ID ให้ทำแบบเดียวกันกับ entry.NAME_ENTRY_ID

• 4️⃣ Name: เติมชื่อผู้เข้าร่วมอบรมให้ครบ

• เมื่อแก้ไขด้านบนเสร็จแล้ว ให้ Save ไฟล์ชื่อ index.html → วางไว้ในโฟลเดอร์ เช่น Homework_4.1

• ดับเบิลคลิกหรือคลิกขวา → Open with Chrome

• ถ้าเจอสิ่งที่ไม่ถูกใจ ก็คุยกับ ChatGPT/Gemini เพื่อปรับแก้ไขจนเสร็จ
• เมื่อถูกใจแล้ว ก็ลองพิมส่งได้เลยครับ → ข้อมูลที่ถูกกรอกจะถูกส่งเข้า Google Sheet โดยอัจโนมัติ
• ถ้ากรอกแล้วไม่ขึ้น ให้ลองกรอกใน Google Form แบบปกติซักรอบก่อนที่จะมากรอกใน Web Application

🚀 Step 4: เผยแพร่เว็บฟอร์มของคุณ

• ใช้บริการฟรีอย่าง Netlify เพื่อเผยแพร่เว็บ:
• เลือก Project → Browse to upload → ลากโฟลเดอร์ที่เราสร้างไว้ Homework_4.1 เข้าไป

• ระบบจะบอกว่า Deploy เรียบร้อยแล้ว → จะได้ URL ขึ้นมาตามภาพด้านล่าง

• สามารถเอา link ส่งให้ใช้งานได้ทั้งในคอม และ มือถือ

เพิ่มเติม

• นอกจากนี้ Google ยังคิดค้นเครื่องมือ AI ออกมาอีกมากมาย อาทิ Jules Agent (Coding Agent), Stitch AI (เครื่องมือออกแบบ UI ด้าน AI) (Link, Link), VEO2 & VEO3 (AI สร้าง VDO แต่ตอนเขียนบทความนี้ เค้าไม่ได้ให้ใช้ฟรี เลยไม่ได้ทำ Y__Y) รวมถึง เนื้อหาเพิ่มเติมให้อ่านมากมายอาทิ
  - 5-day Gen AI Intensive Course with Google: Link เรียน, Link อธิบาย
  - เนื้อหาเพิ่มเติมเกี่ยวกับ LLM ทั้งฝั่ง OpenAI/Google/อื่นๆ: Link
  - อยากเอา Looker Dashboard มาส่งเข้า Line ทุกเช้า (เสียเงิน): Link1, Link 2
  - อยากดึงข้อมูล GA มาเข้า Looker เพื่อทำ Dashboard: Link

หวังว่าบทความนี้จะเป็นประโยชน์ในการทำความรู้จักและทดลองใช้เครื่องมือ GenAI จาก Google นะครับ หากมีคำถามหรือข้อสงสัยเพิ่มเติม สามารถสอบถามได้เลยครับ 😊

Data Science Explore the world of data science with Donato_Story

Dashboard Discover the power of data visualization with Donato_Story

Donato_Journey Join me on my journey (Thai version)

Course_Review Discover the training courses with Donato_Story (Thai version)

Let’s Connect!

Your thoughts and feedback are invaluable. Feel free to share them in the comments or connect with me on

• 🌐 Medium: medium.com/donato-story
• 📘Facebook: web.facebook.com/DonatoStory
• 💼 Linkedin: linkedin.com/in/nattapong-thanngam