ลองให้ o3 โปรไฟล์ตัวผมจากลิงก์ Pocket ที่เก็บไว้

 (noperator.dev)
2 คะแนน โดย GN⁺ 2025-07-08 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • ระหว่างย้ายบทความที่บันทึกไว้ก่อน Pocket จะปิดตัว พบว่า ลิงก์ Pocket 878 รายการ ที่สะสมไว้ตลอดราว 7 ปี ตั้งแต่ 2018-07-12 ถึง 2025-06-26 สามารถใช้เป็นข้อมูลสำหรับอนุมานโปรไฟล์ส่วนบุคคลได้
  • ผู้เขียนขอให้ o3 ประเมิน คุณลักษณะส่วนบุคคล เช่น อายุ เพศ ที่อยู่อาศัย ระดับการศึกษา อาชีพ รายได้ แนวคิดทางการเมือง สถานะครอบครัว และความสนใจด้านสุขภาพ จากรายการ URL ที่บันทึกไว้เท่านั้น
  • ผลลัพธ์ออกมาเป็นช่วงอายุกลาง 30 ถึงต้น 40 อาศัยอยู่ใน coastal VA เป็นวิศวกรซอฟต์แวร์ระดับ senior/staff แต่งงานแล้วและมีลูกเล็กหลายคน ฯลฯ โดยอายุ ตำแหน่งที่ตั้ง และขนาดครอบครัว ตรงค่อนข้างมาก
  • คำตอบของ o3 น่าเชื่อถือกว่าเมื่อนำ CSV ไปวางไว้ในตัว prompt โดยตรง แทนการแนบเป็นไฟล์ ซึ่งในกรณีแนบไฟล์ o3 มีแนวโน้มจะ ยึดติดมากเกินไป กับการวิเคราะห์ตัวอย่างด้วย Python
  • แม้มีเพียงร่องรอยง่าย ๆ อย่าง “like” หรือรายการลิงก์ที่บันทึกไว้ ก็สามารถอนุมานสิ่งที่มีความหมายได้ และทำให้รู้สึกชัดเจนว่าความสามารถในการวิเคราะห์แบบนี้ไม่ได้จำกัดอยู่แค่บริษัทโฆษณาอย่าง Google หรือ Facebook อีกต่อไป แต่เปิดให้ แทบทุกคน ใช้ได้

รายการที่บันทึกใน Pocket กลายเป็นข้อมูลทดลอง

  • ระหว่างย้ายบทความที่บันทึกไว้เพราะ Pocket กำลังจะปิดตัว พบว่ารายการลิงก์ที่เก็บไว้นั้นใหญ่พอจะใช้เป็นข้อมูลรสนิยมส่วนบุคคลได้
  • ใช้ xsv สำรวจไฟล์ CSV ที่ export จาก Pocket อย่างรวดเร็ว
    • คอลัมน์คือ title, url, time_added, tags, status
    • รายการตัวอย่างมีบทความที่บันทึกไว้ชื่อ The Uncertain Future of American Libraries
    • จำนวนรายการที่บันทึกทั้งหมดคือ 878 รายการ
    • ช่วงเวลาที่บันทึกคือ ตั้งแต่ 2018-07-12 ถึง 2025-06-26
  • นึกถึงการทดลอง geoguessing ด้วย o3 ของ Simon Willison จึงตัดสินใจลองดูว่า จากรายการ URL เท่านั้นจะค้นพบอะไรเกี่ยวกับตัวเองได้บ้าง

คำขอให้ o3 ทำโปรไฟล์

  • ใช้ o3 ในบทสนทนา ChatGPT ชั่วคราว และไม่ได้ใช้ฟีเจอร์ memory ของ ChatGPT
  • ขอให้ทำ profiling ตัวผู้เขียนจากรายการบทความที่บันทึกไว้ใน Pocket
  • กำหนดมิติการอนุมานค่อนข้างกว้าง ตั้งแต่ข้อมูลส่วนตัวไปจนถึงแพตเทิร์นการใช้ชีวิต
    • อายุ เพศ ตำแหน่งทางภูมิศาสตร์
    • ระดับการศึกษา อุตสาหกรรม/สายงาน ตำแหน่งงาน
    • ช่วงรายได้ แนวคิดทางการเมือง ความกล้าเสี่ยง
    • รูปแบบการเรียนรู้ อาหารข้อมูลที่บริโภค
    • สถานะความสัมพันธ์ การเป็นพ่อแม่ และอายุของลูก
    • ความสนใจด้านสุขภาพ จุดเปลี่ยนสำคัญในชีวิต แพตเทิร์นความสนใจตามฤดูกาล

โปรไฟล์ส่วนบุคคลที่ o3 สร้างขึ้น

  • จากหัวข้อ แหล่งที่มา และช่วงเวลาที่บันทึกบทความ o3 สร้าง best-guess portrait ที่ใกล้เคียง “เรื่องเล่าที่สอดคล้องกัน” มากกว่าการอนุมานที่แน่นอน
  • การประเมินข้อมูลประชากรหลักมีดังนี้
    • อายุ: กลาง 30 ถึงต้น 40
    • เพศ: ชาย
    • ที่อยู่: coastal VA
    • การศึกษา: BS/MS ด้านวิทยาการคอมพิวเตอร์หรือสาขาใกล้เคียง
    • อาชีพ: วิศวกรซอฟต์แวร์ระดับ senior/staff ที่เชี่ยวชาญด้านความปลอดภัยและโครงสร้างพื้นฐาน
    • รายได้: ระดับครัวเรือนประมาณ 150,000–220,000 ดอลลาร์
    • ครอบครัว: แต่งงานแล้ว มีลูกเล็ก 3–4 คน และอย่างน้อยหนึ่งคนเป็น toddler
  • หลักฐานที่ใช้คือการปรากฏร่วมกันของบทความเทคนิคด้านซอฟต์แวร์ AI cybersecurity และการเงิน กับบทความเกี่ยวกับชีวิตครอบครัว homeschool และ Catholic practice
  • ด้านจิตวิทยาและความสนใจก็ถูกประเมินค่อนข้างเฉพาะเจาะจง
    • แนวคิดทางการเมือง: อนุรักษนิยมด้านการคลัง สนับสนุนเสรีภาพพลเมือง และมีแนวโน้มสังคมแบบจารีตนิยม
    • ความกล้าเสี่ยง: สูงในด้านอาชีพ ระดับปานกลางในด้านการเงิน
    • รูปแบบการเรียนรู้: เรียนรู้ด้วยตัวเอง เน้นข้อความ ชอบบทความยาวและเสียง
    • อาหารข้อมูล: 60% deep-tech, 20% การเงินส่วนบุคคล/FIRE, 10% การเลี้ยงลูก·งานบ้าน, 10% ศรัทธา·วัฒนธรรม
    • กระแสชีวิต: เปลี่ยนจากแฮกเกอร์สาย IC ล้วน ไปสู่ภาวะผู้นำทางเทคนิค ชีวิตที่มีครอบครัวเป็นศูนย์กลาง และช่วงที่มุ่งสู่ FI
  • จากเบาะแสที่ละเอียดกว่านั้น ยังประเมินถึงศรัทธา ความเป็นส่วนตัวและ self-hosting แนวโน้ม DIY ความสนใจด้านสุขภาพอย่าง Zone-2 training และการนอน รวมถึงแรงกระตุ้นในการเขียนด้วย

ความแม่นยำและความต่างของวิธีป้อนข้อมูล

  • ผลลัพธ์ ค่อนข้างแม่นยำ และเมื่ออ่านครั้งแรกก็รู้สึกน่าขนลุกอยู่บ้าง
  • แม้คิดว่าชุดข้อมูลส่วนใหญ่เป็นบทความจาก Hacker News แต่สิ่งที่น่าประหลาดใจเป็นพิเศษคือ o3 ทายรายละเอียดอย่างช่วงอายุ ตำแหน่งที่ตั้ง และขนาดครอบครัวได้ถูกต้อง
  • การทดลองนี้แสดงให้เห็นว่า แค่ “like” หรือร่องรอยการบันทึกง่าย ๆ ก็สามารถใช้อนุมานข้อมูลได้มากเพียงใด
  • คุณภาพของผลลัพธ์ต่างกันตามวิธีป้อนข้อมูล
    • เมื่อนำข้อมูล CSV ไปวางในตัว prompt โดยตรง คำตอบรู้สึกแม่นยำกว่า
    • เมื่อส่ง CSV เป็นไฟล์แนบ o3 มีแนวโน้มจะยึดติดกับการสุ่มตัวอย่างและวิเคราะห์ด้วย Python มากเกินไป
    • วิธีนั้นทำให้เรื่องเล่าตอนท้ายรู้สึกน่าเชื่อถือน้อยกว่า

คำแนะนำแบบส่วนบุคคลและความสามารถวิเคราะห์ที่ใคร ๆ ก็ใช้ได้

  • ข้อเท็จจริงที่ว่าบริษัทโฆษณาโปรไฟล์ผู้ใช้จากความสนใจที่แสดงออกมานั้น เป็นสมมติฐานที่คุ้นเคยกันอยู่แล้ว
  • ในอดีต เคยรู้สึกว่าความสามารถในการวิเคราะห์เพื่อดึงข้อสรุปที่มีความหมายจากจุดข้อมูลหลายจุดนั้นมีอยู่เฉพาะบริษัทอย่าง Google หรือ Facebook เท่านั้น
  • ตอนนี้สิ่งที่เปลี่ยนไปและน่าสนใจกว่าคือ เทคโนโลยีประเภทเดียวกันนี้ แทบทุกคนสามารถใช้อย่างเปิดเผยได้
  • โปรไฟล์นี้จะถูกนำไปใช้ขับเคลื่อนระบบแนะนำคอนเทนต์ส่วนบุคคล
  • ระหว่างกระบวนการย้ายข้อมูล ได้ย้ายไปใช้ Wallabag และเปลี่ยนจาก Inoreader ไปใช้ FreshRSS ด้วย
    • ประเมินว่าในปี 2025 self-hosting ง่ายกว่าในอดีตมาก และ Caddy มีบทบาทสำคัญ
  • ใช้ xsv ในการสำรวจ CSV
    • แม้เมื่อ 2 เดือนก่อนจะดูเหมือนไม่ได้มีการดูแลต่อแล้ว แต่รู้สึกว่าฟังก์ชันค่อนข้างสมบูรณ์

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2025-07-08
ความคิดเห็นบน Hacker News

  • พออ่านบทความนี้แล้วผมนึกขึ้นได้ว่าตัวเองก็มี คลังบัญชี Pocket อยู่เหมือนกัน เลยลองเอารายการ 4,200 รายการใส่ให้ o3, Gemini 2.5 Pro และ Opus 4 ด้วยพรอมป์เดียวกัน
    UI ของ ChatGPT ไม่ยอมให้ส่ง โดยบอกว่าอินพุตใหญ่เกินไป ทั้งที่มีราว 80,000 โทเคน ซึ่งยังน้อยกว่าขนาด context 200,000 ของ o3
    Gemini 2.5 Pro ทายโปรไฟล์ด้านบุคลิกและความสนใจได้ค่อนข้างตรง แต่ทายช่วงอายุ·ตำแหน่งงาน·ที่อยู่·สถานะการเป็นพ่อแม่ผิด
    Opus 4 ทายได้ตรงจนน่าประทับใจกว่ามาก ทายได้ถูกแม้กระทั่ง Amsterdam เมืองที่เป็นฐานที่อยู่อาศัย ช่วงอายุ และสถานะความสัมพันธ์ แต่ไม่ได้พูดถึงการเป็นพ่อแม่
    ทั้งสองโมเดลทายตำแหน่งงานของผมไม่ถูก ซึ่งก็เข้าใจได้ จริง ๆ ผมเป็น data scientist แต่เพราะชอบเขียนซอฟต์แวร์ เลยอ่านเรื่องแนวปฏิบัติด้าน software engineering เยอะ และเนื่องจากที่บริษัทไม่มีโอกาสให้ทำงานแบบนั้น ผมจึงเขียนโค้ดโปรเจกต์ส่วนตัว ทำให้ต้องเรียนรู้เรื่อง system design อะไรทำนองนี้มากขึ้น สุดท้ายทั้งคู่เลยมองว่าผมเป็น software engineer
    โดยรวมเป็นการทดลองที่สนุก และจุดที่สะดุดตาคือทั้งสองโมเดลยกให้การถ่ายภาพเป็นงานอดิเรกหลักของผม แต่ถ้าได้ดูประวัติการดู YouTube ด้วย ก็น่าจะพูดอย่างมั่นใจว่าเป็นเทนนิส การรวม ประวัติการดู YouTube เข้ากับคลัง Pocket น่าจะน่าสนใจ เพราะหัวข้อและความสนใจที่มักเสพผ่านวิดีโอมากกว่าบทความต่างกันไป แต่ดูเหมือนว่าการเอาข้อมูลนั้นออกมาจะไม่ง่ายนัก

    • น่าจะดาวน์โหลดข้อมูล YouTube ทั้งหมดรวมถึงประวัติการดูได้ผ่าน Google Takeout
      บทความนี้เป็นตัวอย่างที่ดี:

      When I downloaded all my YouTube data, I’ve noticed an interesting file included. That file was named watch-history and it contained a list of all the videos I’ve ever watched.
      https://blog.viktomas.com/posts/youtube-usage/
      ถ้าเป็นชาวยุโรป บริษัทมีหน้าที่ตามกฎหมายต้องให้สิทธิ์เข้าถึงข้อมูล แต่ดูเหมือนว่า Google Takeout จะใช้งานได้ทั่วโลก

    • ผมเคยลองทำแบบนี้กับ วิดีโอ YouTube ทั้งหมดที่ผมดู โดย export ประวัติจาก Google Takeout:
      https://takeout.google.com/settings/takeout/custom/youtube?p...
      จากนั้นใช้ pup ร่วมกับ jq เพื่อ parse ชื่อวิดีโอจากไฟล์ HTML:
      cat watch-history.html \
      | pup '.outer-cell .mdl-grid .content-cell:nth-child(2) json{}' \
      | jq -r '.[] .children[0] | select(.tag != "br") | select(.text | startswith("https://www.youtube.com/watch?v=";) | not) | .text' \
      > videos.txt
    • ถ้าความสนใจมากขนาดนั้น ก็น่าถือเป็นสัญญาณและลองสมัครสายงาน software engineer ดูก็ได้
      ไม่ได้แปลว่างานที่ทำอยู่ในบริษัทตอนนี้จะย้ายไปสู่บันไดอาชีพที่เกี่ยวข้องไม่ได้
    • ควรใช้พรอมป์เหมือน พีระมิดการกลั่นซ้ำ คือใช้โมเดลราคาถูกบีบอัดข้อมูลดิบส่วนใหญ่เป็นก้อน ๆ แล้วค่อย ๆ ใช้โมเดลที่เก่งและแพงขึ้นกับชุดก้อนข้อมูลที่ใหญ่ขึ้น เพื่อไล่ไปถึงระดับสรุปที่ต้องการ
    • ถ้าทั้งสองโมเดลมองว่าเป็น software engineer แม้จะไม่ใช่เส้นทางอาชีพ ก็อาจจะถูกอยู่บ้างในระดับหนึ่ง :)

  • สิ่งสำคัญที่สุดที่ผมได้เรียนรู้จากการ export Pocket ของตัวเองคือ 99% ของบทความอยู่ในสถานะ ยังไม่ได้อ่าน เลยไม่ค่อยแน่ใจว่าสิ่งนี้จะใช้อนุมานอะไรเกี่ยวกับตัวผมได้ นอกจากการสะสมลิงก์แบบย้ำคิดย้ำทำ :D

    • ผมใช้ Pocket มาหลายปีเพื่อให้อนุญาตตัวเองว่ากลับไปทำงานต่อได้แล้ว
    • ถ้าเปรียบเทียบสิ่งที่อ่านกับสิ่งที่ยังไม่ได้อ่าน อาจเห็นความแตกต่างระหว่าง ความชอบที่แสดงออกจริงกับความชอบที่ประกาศไว้ ได้ โดยทั่วไปผมคิดว่ากองของที่คนยังไม่ได้อ่านมักใกล้เคียงกับความทะเยอทะยานมากกว่า
      ข้อมูลแบบนี้น่าจะมีอยู่เยอะ เช่น กราฟคำแนะนำของ Amazon ก็อาจให้น้ำหนักรายการใน wishlist กับรายการที่ซื้อแล้วต่างกันได้
    • ไม่ว่าจะอ่านแล้วหรือยังไม่อ่าน ก็น่าจะมีเหตุผลบางอย่างที่ทำให้บันทึกลิงก์เหล่านั้นไว้

  • ช่วงนี้รู้สึกว่าหลายคนกำลังมาบรรจบกันที่ไอเดียของการ วิเคราะห์ข้อมูลของตัวเองด้วย AI เหมือนที่บริษัทต่าง ๆ ใช้ข้อมูลของเราเพื่อเสนอคอนเทนต์แบบแม่นยำสุด ๆ
    เมื่อไม่นานมานี้ได้อ่าน https://labs.rs/en/browsing-histories/ แล้วลองทำกับประวัติการท่องเว็บทั้งหมดของตัวเอง
    ทำแบบเดียวกันกับประวัติการคุยใน ChatGPT/Claude ด้วย และสิ่งที่น่ากลัวที่สุดคือการให้ LLM ดูประวัติคอมเมนต์ Reddit ของตัวเอง
    ความยากหลักคือ context window ที่ใหญ่พอและการติดตามบริบทจากหลายแหล่งข้อมูล วิธีหนึ่งที่กำลังสำรวจอยู่คือใช้ knowledge graph เพื่อติดตามโปรไฟล์ผู้ใช้ มันสามารถบีบอัดรูปแบบพฤติกรรมให้อยู่ในโครงสร้างที่ query ได้ แต่การสร้างกราฟเองก็กลายเป็นปัญหาด้านการคำนวณไป
    สตาร์ทอัพ AI ส่วนใหญ่ที่ผมทำงานด้วยเมื่อไม่นานมานี้ สุดท้ายแล้วก็ลงเอยที่ “ให้ LLM มีสิทธิ์เข้าถึง vector database ที่สร้างจากชุดเอกสารข้อความ และ knowledge graph” เอกสารข้อความอาจเป็นใบแจ้งหนี้ เอกสารกฎหมาย เอกสารภาษี รายงานประจำวัน บันทึกถอดเสียงการประชุม โค้ด ฯลฯ
    อยากเห็นระบบแนะนำคอนเทนต์ส่วนบุคคลหรือระบบ profiling ที่ขับเคลื่อนด้วย AI แรงจูงใจทางเศรษฐกิจตรงข้ามกับโมเดลของบิ๊กเทค แทนที่จะ optimize เพื่อ engagement และรายได้โฆษณา ก็ optimize เพื่อประโยชน์ของผู้ใช้
    ในยุค RSS reader ผมได้เจอคอนเทนต์ด้านเทคโนโลยีและดีไซน์ที่คัดสรรมาเยอะมาก และนั่นช่วยให้พัฒนารสนิยมกับความรู้ในสายนี้ได้ค่อนข้างมาก ยังช่วยให้เชื่อมต่อกับคนเจ๋ง ๆ และน่าสนใจได้ด้วย
    มีแอปที่ชอบคือ https://www.dimensional.me/ แต่แนวทางแบบ MBTI และแบบทดสอบบุคลิกภาพน่าจะทำให้เข้มงวดกว่านี้ได้ ลองจินตนาการว่าไม่ใช่การทดสอบบุคลิกภาพ แต่เป็นการใส่ทุกสิ่งที่ผมเสพ เขียน และทำบนอุปกรณ์ดิจิทัลเข้าไปในระบบ แล้วอัปเดต knowledge graph เกี่ยวกับตัวผมอย่างต่อเนื่อง

    • ทำให้ตระหนักว่ายุค RSS ช่วยได้มากแค่ไหน ตอนนั้นติดตามแหล่งบทความหลายแหล่งและจัดลำดับความสำคัญคร่าว ๆ ตามความสนใจ
      ตอนอยู่มัธยม การได้อ่านบทความหลายพันชิ้นช่วยมากจริง ๆ เพราะทำให้ค่อย ๆ สร้าง mental model ที่ดีขึ้นเรื่อย ๆ ว่าเทคโนโลยีทำงานอย่างไร หลายอย่างเปลี่ยนไปแล้ว แต่โมเดลจำนวนไม่น้อยที่สร้างไว้ตอนนั้นยังค่อนข้างถูกต้อง และมีประโยชน์เวลาเจาะลึกไปยังจุดที่สนใจ
    • บอกว่า “optimize เพื่อประโยชน์ของผู้ใช้แทน engagement และรายได้โฆษณา” แต่จะเป็นแบบนั้นจริงหรือเปล่า หรือแค่ช่วยให้เราอยู่ใน คุกแสนสบาย ต่อไป?
      แน่นอนว่าคุกแสนสบายดีกว่าคุก engagement แต่บางครั้งเราอาจต้องออกมาจากมันบ้าง
      การคัดสรรในยุค RSS reader ไม่ใช่ว่าทำโดยคนที่เราไม่ได้เห็นด้วยเสมอไปหรอกหรือ?

  • ผมทำเครื่องมือคล้าย ๆ กันสำหรับ profiling และแซวบัญชี HN: https://hn-wrapped.kadoa.com/
    ตลกดี และบางทีก็น่ากลัวด้วย
    แก้ไข: ชื่อผู้ใช้ แยกตัวพิมพ์เล็ก-ใหญ่

    • ถ้าดูมากกว่าแค่สุ่มตัวอย่างหน้าแรกของคอมเมนต์ผู้ใช้ น่าจะตลกกว่านี้หรือให้ insight ได้มากกว่านี้มาก
      แต่ก็ยังค่อนข้างแม่น:
      Predictions
      Personal Projects
      After a deep dive into archaic data storage, you'll finally release 'Magnetic Tape Master 3000' – a web-based app that simulates data retrieval from a reel-to-reel, complete with authentic 'whirring' sound effects. It'll be a niche hit with historical computing enthusiasts and anyone who misses the good old days of physical media.
    • “คอมเมนต์ของคุณมักมีคำอธิบายทางเทคนิคหรือการแก้ไขรายละเอียดอยู่บ่อย ๆ ทำให้มองว่าคุณเป็นคนที่หมกมุ่นกับเทคโนโลยีอย่างลึกซึ้ง หรือไม่ก็แค่ชอบเป็นคนที่ฉลาดที่สุดในห้อง พูดตรง ๆ ก็คงทั้งสองอย่างนั่นแหละ”
      โหดสุด ๆ
    • รู้สึกเหมือนโดนจับได้จริง ๆ

      Your profile reads like a 'Hacker News Bingo' card: NASA, PhD, Python, 'Ask HN' about cheating, and a strong opinion on Reddit's community. The only thing missing is a post about your custom ergonomic keyboard made from recycled space shuttle parts.

    • ผลการทำนาย:
      “คุณจะค้นพบหลุมดำ upvote ของ HN ที่ยังไม่เคยมีใครรู้จักมาก่อน เป็นที่ที่คอมเมนต์ซึ่งเรียบเรียงอย่างดีและมีนัยละเอียดอ่อนเกี่ยวกับความไม่มั่นคงทางเศรษฐกิจถูกดูดหายไปสู่ความลืมเลือน ส่วน ‘Show HN: รายการสิ่งที่ต้องทำของผมที่เขียนด้วย Rust’ กลับได้ 500 คะแนน”
      แรงไปหน่อย แต่ทำได้ดี
    • เวลา profiling ผู้ใช้บนแพลตฟอร์มบริษัท เราใช้สิ่งคล้าย ๆ กัน โดยทั่วไป LLM มัก “ใจดี” เกินไป ดังนั้นถ้าให้มัน roast ผู้ใช้ ข้อมูลที่สำคัญ น่าสนใจ หรือขัดแย้งกันมักจะโผล่ออกมาดีกว่า
      แถมยังตลกมากด้วย

  • ช่วงนี้สนใจเรื่องพวกนี้มากจริง ๆ ไม่ใช่แค่บทความที่บันทึกไว้ใน Pocket แต่รวมถึง meta-analysis ของประวัติการคุยใน ChatGPT/Gemini/Claude ด้วย
    ผมใช้สคริปต์สรุป RSS แบบ hyper-personalized อยู่ และพบว่า RSS feed ที่มีรายการเกี่ยวข้องกับผมจริง ๆ มากที่สุด ค่อนข้างต่างจากสิ่งที่ผมอ่านแบบ casually
    สิ่งต่อไปที่อยากลองคือสร้าง world model เชิง generative ที่สอดคล้องกับความสนใจและความเกี่ยวข้องของผม ส่วนต่าง ๆ ของ world model นั้นสามารถอัปเดตและตรวจสอบด้วยรอบเวลาที่ต่างกันได้
    ถ้าเป็นแบบนั้น “ข่าว” สำหรับผมก็จะกลายเป็น diff ของการเปลี่ยนแปลงว่า world model นั้นเปลี่ยนไปอย่างไรเพราะข่าวนั้น ๆ อีกทั้งเรายังมีเวอร์ชัน local/offline ของ world model ปัจจุบันได้ตลอดเวลา น่าจะมีประโยชน์ในการกรองหรือจัดเรียง inbox, calendar, ข้อความ, ทวีต ฯลฯ ด้วยโมเดล local

    • ฟังดูน่าสนใจ ช่วยอธิบายละเอียดกว่านี้อีกหน่อยได้ไหม?

  • ก่อนหน้านี้เคยทำสคริปต์เล็ก ๆ ที่ทำอะไรแบบนี้กับโปรไฟล์ HN เพื่อความสนุกและความอยากรู้อยากเห็น ใช้ประวัติ submission และคอมเมนต์เพื่ออนุมานโปรไฟล์อย่างสถานที่อยู่ แนวคิดทางการเมือง อาชีพ อายุ เพศ
    แรงจูงใจหลักคือเห็นความคิดเห็นที่น่าประหลาดใจในหลายเธรดคอมเมนต์ แล้วสงสัยว่ามันมาจากไหน ไม่รู้เลยว่าโปรไฟล์แม่นแค่ไหน แต่เป็นการทดลองที่น่าสนใจในการดูความสามารถของ LLM ในการทำเรื่องแบบนี้

    • เมื่อไม่นานมานี้มีคนใช้สิ่งนี้เพื่อทำนายบทความที่จะขึ้น หน้าแรกของ HN โดยอิงจากเนื้อหาบทความและโปรไฟล์ผู้ใช้
    • อย่างน้อยถ้าลองรันกับตัวเอง ก็น่าจะน่าสนใจเพราะตรวจได้ว่าแม่นแค่ไหน
    • จำอันนี้ได้ สำหรับผมค่อนข้างแม่น แต่หวานเกินไปนิดหน่อย เช่นบอกว่าผมจะกอบกู้โลกอะไรทำนองนั้น

  • จากมุมมองของคนที่มีพื้นเพครอบครัวคาทอลิกที่ค่อนข้างเอนซ้ายมากกว่า ก็น่าสนใจที่เขาตัดสินว่าเป็นอนุรักษนิยมเพราะเป็น คาทอลิก ผมว่าคาทอลิกแบบนั้นพบได้บ่อยกว่าในภาคตะวันออกเฉียงเหนือของสหรัฐฯ

    • ถ้ามองโดยรวม ทั้งคาทอลิกและโปรเตสแตนต์ ไม่ว่าจะนิกายไหน ก็น่าจะมีแนวโน้มก้าวหน้ามากกว่าในภาคตะวันออกเฉียงเหนือและฝั่งตะวันตก และมีแนวโน้มอนุรักษนิยมมากกว่าในมิดเวสต์และภาคใต้
      เรื่องนี้บอกอะไรบางอย่างเกี่ยวกับความสำคัญโดยเฉลี่ยของศาสนาในปี 2025
    • ผมเกิดที่ Pittsburgh เติบโตมาแบบคาทอลิก และค่อนข้างก้าวหน้า ตั้งแต่ยุค 90 ก็มีเด็กช่วยมิสซาผู้หญิงแล้ว และมีสมาชิกที่เปิดเผยตัวว่าเป็นเกย์ซึ่งทำพิธีในโบสถ์ด้วย
      ตอนนี้ผมไม่ใช่คาทอลิกแล้ว แต่โบสถ์นั้นในยุค 80–90 เป็นโบสถ์ที่ดี
    • ถ้าพูดอย่างเป็นธรรม จริง ๆ แล้วเขาพูดไว้แบบนี้:

      Fiscally conservative / civil-libertarian with traditionalist social leaning
      และให้เหตุผลแบบนี้:
      Bogleheads & MMM frugality + Catholic/First Things pieces, EFF privacy, skepticism of Big Tech censorship
      First Things ในปัจจุบันค่อนข้างเป็นสื่อเกี่ยวกับสังคมนิยมอนุรักษนิยมเชิงศาสนา ถ้าใครเป็นคาทอลิกและอ่านบทความของ First Things การคาดว่า “อนุรักษนิยม” ก็ถือว่าค่อนข้างปลอดภัย
      แต่โดยรวมแล้วผมคิดว่าการโปรไฟล์คนจากสิ่งที่อ่านอย่างเดียวอาจเป็นความผิดพลาด ผมมักอ่านบทความที่ไม่เห็นด้วยด้วย และบางครั้งก็เปลี่ยนความคิด หรือแม้ไม่เปลี่ยน ผมก็จงใจไปอ่านเพื่ออยากรู้ว่าข้อโต้แย้งจริง ๆ คืออะไร เพียงแต่ผมก็สงสัยเหมือนกันว่าจะเคยบันทึกบทความแบบนั้นไว้ใน Pocket หรือเปล่า

  • ถ้ามีลิงก์ที่บันทึกไว้หลายร้อยรายการเป็นลิสต์แบน ๆ มันก็คงเป็น ที่ทิ้งของ แบบตรงไปตรงมาที่ชื่อว่า “อ่านทีหลัง” ดังนั้นน่าจะให้ AI หรือการประมวลผลภาษาธรรมชาติจัดหมวดหมู่ทั้งหมด เพื่อให้ลบรายการที่ไม่สนใจแล้วได้ง่ายขึ้น

  • เป็นบทความที่น่าสนใจ แปลกดีที่ทำให้คิดว่าน่าจะใช้ Pocket ให้มากกว่านี้
    อีกเรื่องหนึ่ง ผมเริ่มเบื่อสไตล์การพูดมาตรฐานที่เห็นในคำตอบของ LLM มาก ๆ แล้ว จะจำรูปแบบทั่วไปของเอาต์พุตที่พูดมากได้:
    คำพูดซ้ำซาก! ตามด้วยคำจำนวนมากที่มนุษย์ทั่วไปน่าจะพูด แล้วสุดท้ายจึงมีคำตอบแกนหลักว่า 2 บวก 2 เท่ากับ 4 มีคำที่ฟังดูเหมือนมนุษย์อย่างน่าเชื่อถือเพิ่มอีก!
    แน่นอนว่าผมเข้าใจว่านี่คือวิธีที่มันทำงานจริงภายใน ด้วยลักษณะการเรียนรู้ของ LLM มันจึงต้องพูดยืดยาวคลำไปจนถึงประเด็น แต่จะไม่มีหวังที่จะตัดออกด้วย post-processing เพื่อลบส่วนเกิน บ้างหรือ? ผมไม่อยากใช้เครื่องคอร์ปัสภาษาอีกตัว แต่อยากกลั่นเอาแค่คำตอบจริง ๆ จากภายในเอนจินอนุมาน
    เหมือนปัญหาสูตรอาหารบนอินเทอร์เน็ตสมัยเก่า สิ่งที่ต้องการคือแบบนี้:
    500g wheat flour
    280ml water
    10g salt
    10g yeast
    แต่สิ่งที่ได้รับจริงคือแบบนี้:
    It was at the age of five, sitting
    on my grandmother’s lap in the
    cool autumn sun on West Virginia
    that I first tasted the perfect loaf…

    • ถ้าไม่มีบริบทแล้วจะเชื่อสูตรอาหารได้อย่างไร?
      ผู้คนพูดว่าตัวเองต้องการอย่างหนึ่ง แต่พฤติกรรมจริงและเงินกลับไหลไปอีกทาง
      ผมเห็นด้วยว่ามีส่วนเกินที่ไม่จำเป็น แต่ผมไม่คิดว่า “เอาแค่สูตรมา” คือสิ่งที่ผู้คนต้องการจริง ๆ และก็ไม่คิดว่ามุมมองนี้เป็นข้อยกเว้นที่แปลกประหลาดด้วย จริง ๆ แล้วเคยมีครั้งไหนไหมที่คุณอยากได้สูตรอาหารที่ไม่มีบริบทเลยแบบนั้นแล้วเอาไปทำ?
    • นี่เป็นปัญหาของแอป LLM อเนกประสงค์อย่าง ChatGPT เพราะต้องดึงดูดผู้ใช้วงกว้าง ถ้าต้องการคำตอบที่ต่างจากสิ่งที่ผู้ใช้เฉลี่ยต้องการ ก็จะลำบาก
      OpenAI เคยบอกว่ากำลังทำให้เอาต์พุตของ ChatGPT ปรับตั้งค่าได้ มากขึ้น
    • ถ้าใส่ท้ายว่า “ตอบให้กระชับ” ก็ใช้ได้ค่อนข้างดี
      ผมไม่ใช่ผู้เชี่ยวชาญ แต่ในโมเดลที่ “คิด” ได้ ผมอยากให้ขั้นตอนการย่อให้กระชับเกิดขึ้นตอนท้าย ภายในจะคิดยืดยาวเท่าไรก็ได้ แต่ขอแค่ให้คำตอบกับผมก็พอ
    • อ้างอิงไว้ว่า o3 ดูเหมือนจะเข้าประเด็นเร็วกว่าส่วนใหญ่ของ LLM อื่น ๆ มาก จนบางทีก็มากเกินไป ถ้าถามหัวข้อกว้าง ๆ มันจะย่อมากเสียจนบางครั้งยากจะจับได้ว่ากำลังพูดถึงอะไรกันแน่

  • ผมเคยคิดถึงความเป็นไปได้ในการใช้ LLM จัดระเบียบแท็บทั้งหมดของผม ผมเป็นหนึ่งใน นักสะสมแท็บ ตัวฉกาจที่ปล่อยให้ตัวเลข “:D” บนมือถือค้างไว้นานเกินไป
    ปกติผมจะล้างครั้งใหญ่เป็นระยะ ๆ แต่พักหลังไม่มีแรงจูงใจจะทำเลย ขอแค่มีวิธีดัมป์แท็บออกมาเป็นอะไรอย่าง CSV ได้ง่าย ๆ เหมือนที่นำเข้าจาก Pocket ก็พอ

    • ล่าสุดผมลองทำแบบนี้กับบุ๊กมาร์กที่ไม่ได้จัดระเบียบ ใช้การเรียก API แบบขนานเป็นครั้งแรก
      เธรด gpt-4-nano 10 เธรดจัดหมวดหมู่บุ๊กมาร์กเป็นแบตช์ละ 10 รายการ และประมวลผล บุ๊กมาร์ก 10,000 รายการ ได้ภายในไม่กี่นาที