top of page

Function Oriented Search (FOS) & AI Deep Research: A New Dimension in Problem Solving

  • Writer: Tanasak Pheunghua
    Tanasak Pheunghua
  • 10 hours ago
  • 1 min read

บทความนี้ขอนำเสนอเครื่องมือที่น่าสนใจสำหรับการแก้ปัญหาเชิงสร้างสรรค์ในนามของ FOS หรือ Function Oriented Search อย่างเรียบง่าย

The Challenge of Biofouling
The Challenge of Biofouling

แนวทางนี้มุ่งเน้นการค้นหาแนวคิดโดยพิจารณาจาก “หน้าที่ที่ต้องการให้บรรลุผล” มากกว่าจะยึดติดอยู่กับผลิตภัณฑ์ ระบบ หรืออุตสาหกรรมที่เราคุ้นเคย โดยส่วนตัว ผมได้เรียนรู้หลักการสำคัญของวิธีการนี้จาก Dr. Oleg Feygenson / TRIZ Master

โดยทั่วไป ขั้นตอนของการใช้ FOS ประกอบด้วย:

  1. เริ่มต้นด้วยการทำความเข้าใจระบบเดิมหรือปัญหาที่ผู้ใช้งานกำลังเผชิญ

  2. จากนั้น กำหนด “หน้าที่ที่มีประโยชน์หลัก” (Main Useful Function) ที่จำเป็นต้องดำเนินการ

  3. ต่อมา แปลงหน้าที่ดังกล่าวให้เป็น “หน้าที่เชิงนามธรรม” (Abstract Function)

  4. สุดท้าย ทำการค้นหาเทคโนโลยีในอุตสาหกรรมต่าง ๆ ที่สามารถทำหน้าที่เชิงนามธรรมนั้นได้


ย้อนกลับไปในปี 2023 ผมได้ทดลองพัฒนา FOS ให้อยู่ในรูปแบบ Prompt และ GPT ซึ่งสามารถเข้าถึงได้ที่ลิงก์นี้:👉 Function-Oriented Search GPT


ในบทความนี้ ผมต้องการแบ่งปันมุมมองเพิ่มเติมที่เกิดขึ้นจากศักยภาพอันก้าวล้ำของ Generative AI โดยเฉพาะในด้านที่เรียกว่า Deep Research ซึ่งเป็นประโยชน์อย่างยิ่งต่อการสำรวจข้อมูลเชิงลึกและครอบคลุมแหล่งข้อมูลที่หลากหลายบนโลกออนไลน์

Function Oriented (Deep) Search V1.0
Function Oriented (Deep) Search V1.0

ล่าสุด ผมได้สร้างเวอร์ชันใหม่ของ FOS-AI ซึ่งให้ความสำคัญกับ การค้นคว้าเชิงลึก (Deep Research) เป็นพิเศษ สามารถเข้าถึงได้ผ่านลิงก์นี้:👉 Function-Oriented Deep Search v1.0

ขั้นตอนการใช้งานในช่วงต้นของเวอร์ชันใหม่นี้ยังคงคล้ายกับ FOS-AI เดิม โดย ความแตกต่างที่สำคัญ จะเกิดขึ้นในขั้นตอน "ค้นหาข้ามอุตสาหกรรมเพื่อหาเทคโนโลยีที่สามารถทำหน้าที่เชิงนามธรรมได้" ซึ่งในจุดนี้ ผมแนะนำให้ผู้ใช้ นำข้อความค้นหาที่ระบบสร้างขึ้น (Search Statement) ไปทดลองวางใน AI ที่มีความสามารถด้าน Deep Research (จากการทดลอง ผมใช้ ChatGPT และ Gemini)

@End of Step 4.
@End of Step 4.

เพื่อความเข้าใจที่ชัดเจน ผมได้แนบตัวอย่างการใช้ฟีเจอร์ Deep Research ของ Gemini ไว้ในบทความ เมื่อได้ผลลัพธ์จากการค้นคว้าแล้ว ขั้นตอนถัดไปคือการนำข้อมูลนั้นกลับเข้าสู่ GPT เพื่อให้ระบบสามารถสังเคราะห์คำตอบ หรือแม้กระทั่งช่วยสร้าง Mindmap ผ่านแพลตฟอร์มอย่าง NotebookLM ได้ด้วยเช่นกัน

MindMap of the Research
MindMap of the Research

หากเนื้อหานี้ดูน่าสนใจ ท่านสามารถทดลองใช้งานได้ตามลิงก์ที่ให้ไว้ (ทั้งนี้ ผู้ใช้เวอร์ชันฟรีอาจมีจำนวนครั้งในการใช้ฟีเจอร์ Deep Research อย่างจำกัดในแต่ละเดือน)


หากท่านมีความคิดเห็น ข้อเสนอแนะ หรือข้อสังเกตใด ๆ ผมขอน้อมรับด้วยความขอบคุณอย่างยิ่ง เพื่อจะได้นำไปปรับปรุงและพัฒนาต่อไป

ขอบพระคุณอย่างสูง


แหล่งข้อมูลประกอบเนื้อหา:


โจทย์ตัวอย่าง:เซนเซอร์ที่ติดตั้งใต้น้ำเป็นเวลานาน มักเกิดปัญหาการเจริญเติบโตของสิ่งมีชีวิต เช่น สาหร่ายหรือเพรียงทะเล ซึ่งส่งผลต่อความแม่นยำในการอ่านค่าของเซนเซอร์ เราจะป้องกันการเจริญเติบโตทางชีวภาพบนพื้นผิวเซนเซอร์ใต้น้ำได้อย่างไร โดยไม่ต้องพึ่งพาการบำรุงรักษาบ่อยครั้งหรือสารเคลือบที่เป็นพิษ?


ลิงก์ไฟล์ตัวอย่างงานวิจัย:👉 Google Docs - Sample Research File


bottom of page