ในยุคปัจจุบันที่ปัญญาประดิษฐ์ถูกผนวกเข้ากับเครือข่ายอุปกรณ์อัจฉริยะจนเกิดเป็นกระบวนทัศน์ (Artificial Intelligence of Things) การประมวลผลภาพและวิดีโอได้วิวัฒนาการไปสู่ระบบอัตโนมัติอย่างเต็มรูปแบบ โดยเฉพาะเมื่อแบบจำลองภาษาขนาดใหญ่ (LLM) อย่าง Gemini เข้ามามีบทบาทในฐานะตัวกลางการสั่งการด้วยภาษาธรรมชาติ (Natural Language) อย่างไรก็ตาม ปัญหาที่มักพบคือความไม่แม่นยำในการตีความคำสั่ง การนำ “ทฤษฎีเซต” (Set Theory) มาใช้เป็นโครงสร้างตรรกะในการออกแบบ Prompt จึงเป็นนวัตกรรมทางความคิดที่ช่วยยกระดับการควบคุมผลลัพธ์ให้มีประสิทธิภาพสูงขึ้น
ทฤษฎีเซต: โครงสร้างตรรกะเบื้องหลัง Prompt ที่แม่นยำและการจัดการลายน้ำผ่านผลต่างและผลตัดเชิงเซต
การออกแบบ Prompt เชิงวิชาการ คือ การกำหนดขอบเขตข้อมูลผ่านโครงสร้างตรรกะระบบเซต ตัวอย่างเช่น ระบบ โดยอาศัย ผลบวก (Union) เพื่อรวมองค์ประกอบที่ต้องการเข้าด้วยกัน และ ผลร่วม (Intersection) เพื่อคัดสรรเฉพาะส่วนประกอบที่ซ้อนทับกันมาใช้งาน หากเชิงเทคนิคว่าการนำลายน้ำออกจากสื่อดิจิทัลสามารถอธิบายได้ด้วยหลักการ “ผลต่าง (Difference)” เช่น ถ้าเฟรมภาพทั้งหมดเป็นเซต S และรูปภาพที่เป็นลายน้ำเป็นเซต W แล้วคำสั่งที่มีประสิทธิภาพจะสั่งให้ระบบประมวลผลเฉพาะ S − W เท่านั้น ช่วยในกระบวนการ Background Masking ระดับมืออาชีพ โดย AI จะประมวลผลเฉพาะรูปภาพเนื้อหาที่ต้องการ และอยู่นอกขอบเขตของลายน้ำส่งผลให้การกรองข้อมูลเกิดขึ้นตั้งแต่ระดับการตีความคำสั่ง (Prompt Level) ก่อนที่จะไปถึงขั้นตอนการประมวลผลภาพจริง
หากต้องการลบภาพที่ไม่เกี่ยวข้อง เช่น ลายน้ำ Gemini ผู้ออกแบบสามารถใช้ ผลตัด (Complement: W’) ของเซตเนื้อหาหลัก เพื่อระบุขอบเขตสภาวะที่อยู่นอกเหนือจากวัตถุที่ต้องการ
การวางเงื่อนไขเชิงคณิตศาสตร์เช่นนี้ช่วยให้ AI ประมวลผลภาพและวิดีโอได้อย่างแม่นยำตามเจตจำนงของผู้สร้างสรรค์โดยปราศจากความคลุมเครือ
AIoT และการปรับตัวตามบริบทเนื้อหา
ความโดดเด่นของระบบ AIoT คือการใช้ข้อมูลจาก Sensor มาเป็นตัวกำหนดบริบทให้กับ Gemini โดยอัตโนมัติ เช่น
- บริบทงานวิชาการ: ระบบจะสร้างโครงสร้างของเซตที่เน้นการคงไว้เฉพาะข้อความและ Infographic เท่านั้น
- บริบทเชิงพาณิชย์: ระบบจะใช้ตรรกะเซตเพื่อเน้นการนำเสนอ Brand ตามความต้องการขององค์กรที่แตกต่างกันเท่านั้น เพื่อให้เกิดความเป็นมืออาชีพจำเป็นต้องเอาลายน้ำที่ไม่เกี่ยวข้องรูปภาพออกไป
บทสรุป
การประยุกต์ใช้คณิตศาสตร์พื้นฐานอย่างทฤษฎีเซต (Union, Difference, Intersection, Complement) เข้ากับ Prompt Engineering คือการเปลี่ยนการเดาสุ่มให้กลายเป็นวิทยาศาสตร์ การทำเช่นนี้ช่วยให้ผู้ใช้งานสามารถควบคุมผลลัพธ์ได้ละเอียดถึงระดับพิกเซลผ่านระบบ AIoT ซึ่งนอกจากจะเพิ่มความแม่นยำแล้ว ยังเป็นการลดกำแพงด้านทักษะทางเทคนิค ทำให้การสร้างสรรค์สื่อคุณภาพสูงเป็นเรื่องที่ทุกคนเข้าถึงได้
