GPT-4 Turbo with Vision เปิดใช้งานผ่าน API อย่างเป็นทางการ (GA)

เมื่อวันที่ 9 เมษายน 2024 OpenAI ประกาศว่า GPT-4 Turbo with Vision (รหัสรุ่น gpt-4-turbo-2024-04-09) พร้อมให้บริการผ่าน API อย่างเต็มรูปแบบ (GA) แล้ว ยุติช่วงทดลองใช้งานแบบจำกัดสิทธิ์ที่ผ่านมา และกลายเป็นฟีเจอร์เสถียรที่นักพัฒนาเรียกใช้ในผลิตภัณฑ์จริงได้โดยตรงแล้ว โมเดลเดียวประมวลผลทั้งข้อความและภาพพร้อมกัน แล้วสร้างผลลัพธ์เป็นข้อความ เช่น บรรยายภาพ วิเคราะห์กราฟ เปรียบเทียบภาพ หรือดึงข้อความจากตารางในภาพ ความยาวบริบทยังคงอยู่ที่ 128,000 โทเค็น (เทียบเท่าเอกสารประมาณ 300 หน้า) และวันตัดข้อมูลความรู้อัปเดตถึงเดือนธันวาคม 2023

จากรุ่นทดลองสู่รุ่นใช้งานจริง

ความสามารถของ GPT-4V เคยเปิดตัวใน ChatGPT เว็บและ API ทดลองแบบจำกัดตั้งแต่ฤดูใบไม้ร่วงปี 2023 แต่ครึ่งปีที่ผ่านมานักพัฒนามักติดข้อจำกัดเรื่องสิทธิ์ทดลอง อัตราเรียกใช้ต่ำ และความไม่แน่นอนด้านเสถียรภาพ การประกาศ GA ครั้งนี้สะท้อนว่า OpenAI มั่นใจว่าฟีเจอร์นี้ผ่านการทดสอบภาระงานและตรวจสอบความปลอดภัยเพียงพอ จนรับประกันระดับบริการได้ ทำให้องค์กรสามารถบรรจุฟีเจอร์นี้ลงในแผนงานผลิตภัณฑ์อย่างเป็นทางการได้

เทคนิค: รองรับทั้ง JSON และ Function Calling

ความสามารถนี้เรียกผ่านคำขอ JSON มาตรฐานได้ และยังรองรับ function calling ทำให้โมเดลวิเคราะห์ภาพแล้วเรียกใช้ฟังก์ชันหลังบ้านโดยอัตโนมัติ เช่น อ่านจำนวนเงินจากใบแจ้งหนี้แล้วบันทึกบัญชีทันที เป็นก้าวจากเครื่องมือดึงข้อมูลสู่การเชื่อมระบบอัตโนมัติ

ปฏิกิริยาวงการ

ประกาศนี้เกิดขึ้นท่ามกลางการแข่งขันโมเดลหลายรูปแบบที่ดุเดือด — Google เปิดตัว Gemini Advanced และ Gemini 1.5 Pro รุ่นทดลอง ส่วน Anthropic เพิ่งเปิดตัว Claude 3 ที่มองเห็นภาพได้ในเดือนมีนาคม นักวิเคราะห์มองว่า OpenAI ต้องการรักษาฐานนักพัฒนาไว้ ลูกค้าเดิมใช้ความสามารถนี้ได้ทันทีโดยไม่ต้องทำสัญญาเพิ่ม

ความหมายสำหรับผู้บริหาร

ประเด็นสำคัญคือ “การวิเคราะห์ภาพเปลี่ยนจากใช้ได้ ไปเป็นกล้าใช้งานจริง” ลองพิจารณาว่าทีมงานมีกระบวนการใดที่ยังพึ่งพาการดูภาพด้วยคน เช่น ภาพสต็อกสินค้า เอกสารใบสำคัญ การเปรียบเทียบสินค้า หรือบันทึกตรวจพื้นที่ — สิ่งเหล่านี้เคยทำได้แค่ระดับทดลอง ตอนนี้มีบริการที่รับประกันแล้ว จึงคุ้มค่าประเมินการเชื่อมต่อจริง