สิ่งที่ธุรกิจควรรู้เกี่ยวกับโมเดลภาษาขนาดใหญ่ (LLM)

ตั้งแต่การสร้างเรื่องราวไปจนถึงการลดความซับซ้อนของบทความที่ซับซ้อน ไปจนถึงการมีส่วนร่วมในการสนทนาที่ให้ความรู้สึกถึงความเป็นมนุษย์อย่างแท้จริง โมเดลภาษาขนาดใหญ่ (LLM) กำลังขับเคลื่อนยุคใหม่ของ AI

ในบทความนี้ เราแบ่งปันประสบการณ์อันยาวนานนับทศวรรษของเราในฐานะบริษัทพัฒนาซอฟต์แวร์ AI และดำดิ่งสู่โลกของ LLM เปิดเผยอวัยวะภายใน และสำรวจว่าพวกเขาปรับเปลี่ยนอนาคตของปัญญาประดิษฐ์อย่างไร

มาเริ่มกันด้วยพื้นฐาน: โมเดลภาษาขนาดใหญ่คืออะไร?

โมเดลภาษาขนาดใหญ่คืออัลกอริธึมที่ได้รับการฝึกให้จดจำ สรุป แปล คาดการณ์ และสร้างข้อความในรูปแบบใดก็ได้

LLM แตกต่างจากโมเดลภาษาดั้งเดิมอย่างไร

โมเดลภาษาขนาดใหญ่อยู่ภายใต้อัลกอริธึมการเรียนรู้เชิงลึกที่เรียกว่า โครงข่ายประสาทเทียมของหม้อแปลง สถาปัตยกรรมหม้อแปลงไฟฟ้าช่วยให้ก้าวข้ามข้อจำกัดของโมเดลภาษาดั้งเดิมที่มีมานานหลายปี

โมเดลภาษาดั้งเดิมดำเนินการตามลำดับ โดยประมวลผลหนึ่งคำ (หรืออักขระ) ในแต่ละครั้ง และส่งมอบเอาต์พุตเมื่อข้อความอินพุตทั้งหมดถูกใช้หมด แม้ว่าจะใช้งานได้ค่อนข้างดี แต่โมเดลเหล่านี้ก็มีข้อบกพร่องที่เห็นได้ชัดเจน นั่นคือ พวกมันเคย "ลืม" จุดเริ่มต้นของลำดับเมื่อถึงจุดสิ้นสุด

ทุกอย่างเปลี่ยนไปในปี 2014 เมื่อมีการเปิดตัวกลไกความสนใจ ซึ่งต่อมาได้รับความนิยมโดย Google กลไกความสนใจช่วยให้เกิดการเปลี่ยนกระบวนทัศน์จากการประมวลผลตามลำดับ ทำให้โมเดลหม้อแปลงสามารถรับรู้ลำดับทั้งหมดพร้อมกันได้

สิ่งนี้ได้ปฏิวัติความเข้าใจในบริบทของเครื่องจักร แบบจำลองหม้อแปลงไฟฟ้าได้รับความสามารถในการเข้าใจความแตกต่างและความสัมพันธ์ที่ซับซ้อนระหว่างคำในข้อความ ด้วยการตอบรับอินพุตทั้งหมดพร้อมกัน

LLM ทำงานอย่างไรภายใต้ประทุน?

โมเดลภาษาขนาดใหญ่เรียนรู้จากข้อมูล

ชุดข้อมูลที่ใช้ในการฝึกอบรม LLM มีขนาดใหญ่มาก ตัวอย่างเช่น เชื่อกันว่า GPT4 ที่เป็นที่รู้จักและชื่นชอบมากของ OpenAI ได้รับการฝึกฝนเกี่ยวกับโทเค็นประมาณ 13 ล้านล้านโทเค็น (ลองนึกถึงหน่วยพื้นฐานของข้อความที่แบบจำลองสามารถประมวลผลได้)

แบบจำลองจะค่อยๆ เรียนรู้คำศัพท์ แนวคิดเบื้องหลัง และความสัมพันธ์ระหว่างคำเหล่านั้น เมื่อแบบจำลองได้เรียนรู้เพียงพอแล้ว แบบจำลองก็สามารถถ่ายโอน "ความรู้" ของตนไปยังการแก้ปัญหาที่ซับซ้อนมากขึ้น เช่น การคาดเดาและการสร้างข้อความ

เป็นไปได้ด้วยสถาปัตยกรรมหม้อแปลงสององค์ประกอบที่ประกอบด้วยตัวเข้ารหัสและตัวถอดรหัส:

ในรูปภาพ “เลื่อนไปทางขวา” หมายความว่าในระหว่างการสร้างโทเค็นแต่ละรายการในลำดับเอาต์พุต โมเดลจะพิจารณาโทเค็นที่สร้างขึ้นก่อนหน้านี้ (ซึ่ง “ตั้งอยู่” ทางด้านซ้าย) เป็นบริบท ดังนั้นโมเดลจะ "มองย้อนกลับไป" ที่โทเค็นที่สร้างขึ้นแล้วเพื่อกำหนดโทเค็นถัดไปในลำดับ แหล่งที่มาของภาพ: ITRex

เมื่อข้อความอินพุตถูกป้อนเข้าไปในโมเดล ข้อความนั้นจะถูกแปลงเป็นโทเค็นที่สามารถเป็นส่วนหนึ่งของคำ ทั้งคำ ส่วนของประโยค หรือประโยคเต็มได้ จากนั้นโทเค็นจะถูกแปลงเป็นการแทนค่าปริภูมิเวกเตอร์ซึ่งคงความหมายโทเค็นเริ่มต้นไว้

ตัวเข้ารหัสจะจัดโครงสร้างการนำเสนอเหล่านี้ โดยเลือกรายละเอียดที่สำคัญ และสร้างเวกเตอร์บริบทตามนั้น ดังนั้นเวกเตอร์บริบทจึงถือเป็นสาระสำคัญของข้อความอินพุตทั้งหมด

ขึ้นอยู่กับเอาต์พุตเริ่มต้นและอาศัยเวกเตอร์บริบท ตัวถอดรหัสจะสร้างเอาต์พุตที่สอดคล้องกัน เช่น การเลือกคำที่เหมาะสมที่สุดเพื่อจบประโยค โดยการทำซ้ำขั้นตอนนี้ โมเดลหม้อแปลงไฟฟ้าจะสามารถสร้างข้อความทั้งหมดได้ทีละคำ

เนื่องจากกระบวนการฝึกอบรมที่ครอบคลุมนี้ LLM จึงไม่ได้จำกัดอยู่เพียงการทำงานเฉพาะใดๆ และสามารถรองรับกรณีการใช้งานได้หลายกรณี โมเดลประเภทนี้เรียกอีกอย่างว่าโมเดลพื้นฐาน อย่างไรก็ตาม คุณสามารถปรับแต่งโมเดลพื้นฐานเพื่อทำงานแคบๆ ได้โดยการป้อนข้อมูลเล็กๆ น้อยๆ ให้พวกเขาเน้น

โมเดลภาษาขนาดใหญ่ถูกนำมาใช้ในธุรกิจอย่างไร?

โมเดลภาษาขนาดใหญ่ได้รับการพิสูจน์แล้วว่าเป็นทรัพย์สินที่มีคุณค่าในทุกภาคส่วน นี่เป็นเพียงกรณีการใช้งานบางส่วนเพื่อให้คุณทราบว่า LLM มีความสามารถอะไรบ้าง

1. แชทบอทและผู้ช่วยเสมือน

LLM กำลังขับเคลื่อนวิวัฒนาการของการบริการลูกค้าและการมีส่วนร่วม แชทบอทและผู้ช่วยเสมือนที่ขับเคลื่อนโดย LLM สามารถจัดการกับคำถามที่ซับซ้อน ให้คำแนะนำส่วนบุคคล และมีส่วนร่วมในการสนทนาเหมือนมนุษย์ ปรับปรุงประสบการณ์ผู้ใช้และประสิทธิภาพการดำเนินงาน

บริษัทพลังงาน เช่น Essent จัดการกับความต้องการด้านบริการลูกค้าที่หลั่งไหลเข้ามาอย่างต่อเนื่อง Jeroen Roes หัวหน้าผู้จัดการโปรแกรม AI การสนทนาที่ Esse nt กล่าวว่าบริษัทใช้โทรศัพท์เป็นเครื่องมือหลักในการบริการลูกค้ามานานหลายทศวรรษ อย่างไรก็ตาม เมื่อเผชิญกับการแข่งขันที่ทวีความรุนแรงขึ้นและคำขอบริการลูกค้าที่เพิ่มขึ้น Essent ตระหนักถึงความจำเป็นในการปฏิรูปการดำเนินงานเพื่อรักษาความได้เปรียบทางการแข่งขัน

บริษัทมองเห็นโอกาสในแชทบอทที่ใช้ LLM ด้วยการใช้เทคโนโลยีที่เป็นนวัตกรรมนี้ Essent จึงสามารถตอบสนองความต้องการด้านบริการลูกค้าที่เพิ่มขึ้นได้

2. การวิเคราะห์ความรู้สึก การวิจัยตลาด และการคาดการณ์แนวโน้ม

ธุรกิจต่างๆ ใช้ประโยชน์จาก LLM ในการวิเคราะห์ความรู้สึกเพื่อวัดความคิดเห็นของสาธารณชน ติดตามการรับรู้ถึงแบรนด์ และคาดการณ์แนวโน้มของตลาด ด้วยการวิเคราะห์ชุดข้อมูลจำนวนมหาศาล LLM ช่วยให้ธุรกิจต่างๆ ตัดสินใจได้อย่างมีข้อมูล เพิ่มประสิทธิภาพกลยุทธ์ทางการตลาด และก้าวนำหน้าคู่แข่ง

ตัวอย่างเช่น Sprinklr ซึ่งเป็นแพลตฟอร์มการจัดการโซเชียลมีเดียและการมีส่วนร่วมของลูกค้า ใช้ประโยชน์จากโมเดลภาษาขนาดใหญ่สำหรับการวิเคราะห์ความรู้สึก สิ่งนี้ช่วยธุรกิจในการติดตามและมีส่วนร่วมในการสนทนาที่เกี่ยวข้องกับแบรนด์หรือผลิตภัณฑ์ของตนบนโซเชียลมีเดีย แพลตฟอร์มของ Sprinklr วิเคราะห์ข้อมูลโซเชียลมีเดียเพื่อระบุรูปแบบความรู้สึกและให้ข้อมูลเชิงลึกอันมีค่าเกี่ยวกับพฤติกรรมและความชอบของลูกค้า

3. การสร้างเนื้อหา

LLM กำลังเปลี่ยนแนวทางเก่าในการเขียนเนื้อหา พวกเขาสามารถสร้างบทความ รายงาน และคำอธิบายผลิตภัณฑ์คุณภาพสูงได้ เนื้อหาที่สร้างโดย LLM สามารถปรับแต่งให้เหมาะกับเสียงของแบรนด์ที่เฉพาะเจาะจง เพื่อให้มั่นใจถึงความสอดคล้องและความถูกต้อง ต่อไปนี้เป็น LLM ที่น่าสังเกตบางส่วนที่ใช้สำหรับการสร้างเนื้อหาในภาคส่วนต่างๆ:

• GPT-3, 4: โมเดลเหล่านี้มีความเป็นเลิศในการสร้างบทสนทนาที่เหมือนมนุษย์ การเขียนคำโฆษณา การแปล และงานอื่นๆ ที่เกี่ยวข้องกับภาษาอีกมากมาย
• LaMDA: LaMDA ของ Google ได้รับการออกแบบมาเพื่อการมีส่วนร่วมในการสนทนาและสร้างข้อความ โดยนำเสนอแอปพลิเคชันที่มีคุณค่าในการโต้ตอบของมนุษย์
• Megatron-Turing NLG: โมเดลภาษาอเนกประสงค์ Megatron-Turing NLG ใช้สำหรับงานข้อความที่หลากหลาย และเป็นที่รู้จักเป็นพิเศษในด้านการสนับสนุนที่แข็งแกร่งสำหรับหลายภาษา
• DALL-E, Stable Diffusion, MidJourney: โมเดลเหล่านี้เป็นผู้เชี่ยวชาญในการสร้างภาพตามคำอธิบายที่เป็นข้อความ ซึ่งเปิดโอกาสใหม่ๆ ในการสร้างเนื้อหาที่สร้างสรรค์

4. คำแนะนำส่วนบุคคล

แพลตฟอร์มอีคอมเมิร์ซและบริการสตรีมมิ่งกำลังควบคุม LLM เพื่อให้คำแนะนำส่วนบุคคลแก่ผู้ใช้ โมเดลเหล่านี้วิเคราะห์พฤติกรรมและความชอบของผู้ใช้เพื่อดูแลจัดการเนื้อหา ผลิตภัณฑ์ และบริการที่เหมาะกับรสนิยมส่วนบุคคล เพิ่มความพึงพอใจและการรักษาลูกค้า

ตัวอย่างเช่น Instacart ซึ่งเป็นบริการจัดส่งของชำ ใช้ LLM เพื่อตอบคำถามด้านโภชนาการและเสนอคำแนะนำผลิตภัณฑ์เฉพาะบุคคล

การนำ LLM มาใช้เพื่อธุรกิจ: ปัจจัยที่ต้องพิจารณา

การรวมโมเดลภาษาขนาดใหญ่ในการดำเนินธุรกิจของคุณถือเป็นการเคลื่อนไหวเชิงกลยุทธ์ที่สามารถให้ผลประโยชน์ที่สำคัญได้ อย่างไรก็ตาม สิ่งสำคัญคือต้องดำเนินการเปลี่ยนแปลงนี้อย่างรอบคอบและพิถีพิถัน ที่นี่ เราจะเจาะลึกถึงปัจจัยสำคัญที่คุณควรพิจารณาเมื่อนำ LLM มาใช้กับองค์กรของคุณ

1. โครงสร้างพื้นฐานและทรัพยากรที่มีอยู่

LLM ต้องการพลังในการประมวลผล ดังนั้นจึงจำเป็นต้องมีโครงสร้างพื้นฐานที่แข็งแกร่ง ก่อนที่จะเริ่มดำเนินการ ให้ประเมินโครงสร้างพื้นฐานด้าน IT ปัจจุบันของคุณ และพิจารณาว่าสามารถรองรับความต้องการด้านการคำนวณที่สำคัญของ LLM หรือไม่ หรือจำเป็นต้องอัปเกรดหรือขยายหรือไม่

นอกจากนี้ โปรดจำไว้ว่า LLM อาจต้องใช้ทรัพยากรมาก เมื่อธุรกิจของคุณเติบโตขึ้นและการพึ่งพา LLM เพิ่มขึ้น ความสามารถในการขยายขนาดจึงกลายเป็นสิ่งสำคัญ ตรวจสอบให้แน่ใจว่าโครงสร้างพื้นฐานของคุณไม่เพียงแค่เหมาะสมกับความต้องการในปัจจุบันเท่านั้น แต่ยังสามารถปรับให้เข้ากับความต้องการในอนาคตได้อีกด้วย ความสามารถในการปรับขนาดอาจเกี่ยวข้องกับการเพิ่มเซิร์ฟเวอร์ที่มีประสิทธิภาพมากขึ้น การใช้โซลูชันบนคลาวด์ หรือทั้งสองอย่างรวมกัน

2. เลือกว่าจะไปแบบโอเพ่นซอร์สหรือกำหนดเอง

มีสองวิธีทั่วไปในการนำ LLM มาใช้: ปรับแต่งโมเดลโอเพ่นซอร์สหรือฝึกฝนโมเดลแบบกำหนดเอง ทางเลือกของคุณควรสอดคล้องกับวัตถุประสงค์ทางธุรกิจของคุณ

โมเดลโอเพ่นซอร์ส เช่น GPT-3,5 เป็นจุดเริ่มต้นที่คุ้มค่าสำหรับการทดลองกับแอปพลิเคชันที่ขับเคลื่อนด้วย AI พวกเขาได้รับการฝึกอบรมล่วงหน้าเกี่ยวกับชุดข้อมูลที่กว้างขวางและสามารถทำงานที่เกี่ยวข้องกับภาษาได้หลากหลาย อย่างไรก็ตาม อาจไม่ได้รับการปรับให้เหมาะกับความต้องการเฉพาะของคุณ ซึ่งจำเป็นต้องมีการปรับแต่งอย่างละเอียด

หากคุณต้องการความได้เปรียบในการแข่งขันและความยืดหยุ่นที่มากขึ้น โมเดลแบบกำหนดเองคือคำตอบของคุณ นำเสนอความยืดหยุ่นในการปรับใช้ ช่วยให้คุณปรับแต่งโครงสร้าง การกำหนดค่า และขนาดของโมเดลให้ตรงตามความต้องการและวัตถุประสงค์เฉพาะของคุณได้ ตัวอย่างเช่น หากคุณใช้แพลตฟอร์มอีคอมเมิร์ซ คุณสามารถฝึกอบรม LLM ที่กำหนดเองเพื่อทำความเข้าใจคำค้นหาเฉพาะผลิตภัณฑ์และการโต้ตอบของผู้ใช้ได้ดีขึ้น

3. ชั่งน้ำหนักความเชี่ยวชาญและทักษะที่มีอยู่

การปรับใช้ LLM ที่ประสบความสำเร็จต้องอาศัยทีมงานที่มีทักษะ การประมวลผลภาษาธรรมชาติ การเรียนรู้ของเครื่อง และผู้เชี่ยวชาญด้านการเรียนรู้เชิงลึกถือเป็นทรัพย์สินที่สำคัญ ผู้เชี่ยวชาญเหล่านี้สามารถปรับแต่งและเพิ่มประสิทธิภาพ LLM ให้เหมาะกับกรณีการใช้งานเฉพาะของคุณ เพื่อให้มั่นใจว่าจะบรรลุวัตถุประสงค์ทางธุรกิจของคุณได้อย่างมีประสิทธิภาพ

และหากคุณขาดความเชี่ยวชาญภายในองค์กร ลองพิจารณาร่วมมือกับผู้ให้บริการ AI รุ่นใหม่ ด้วยความเชี่ยวชาญในการสร้างสรรค์โซลูชัน AI จึงสามารถมอบทักษะและคำแนะนำที่จำเป็นได้

4. ตรวจสอบให้แน่ใจว่าได้พิจารณาข้อกำหนดการกำกับดูแลข้อมูลและการปฏิบัติตามข้อกำหนด

ธุรกิจที่ดำเนินงานในด้านการดูแลสุขภาพ การเงิน และอุตสาหกรรมที่ได้รับการควบคุมอื่นๆ ปฏิบัติตามกฎระเบียบด้านความเป็นส่วนตัวของข้อมูลที่เข้มงวด ดังนั้นเมื่อนำ LLM ไปใช้ พวกเขาจะต้องใส่ใจกับการกำกับดูแลข้อมูลและการปฏิบัติตามข้อกำหนด

กำหนดนโยบายการกำกับดูแลข้อมูลที่แข็งแกร่งและมาตรการการปฏิบัติตามข้อกำหนดเพื่อปกป้องข้อมูลผู้ใช้และรักษาความไว้วางใจ การเข้ารหัส การควบคุมการเข้าถึง และเส้นทางการตรวจสอบเป็นองค์ประกอบสำคัญของการปกป้องข้อมูล ตรวจสอบให้แน่ใจว่า LLM ของคุณปฏิบัติตามกฎระเบียบเฉพาะอุตสาหกรรม เช่น HIPAA ในด้านการดูแลสุขภาพด้วย

ความท้าทายและความเสี่ยงที่เกี่ยวข้องกับ LLM

แม้ว่า LLM จะมีความสามารถที่โดดเด่น แต่ก็ยังนำเสนอความท้าทายที่ธุรกิจต้องตระหนักถึง ที่นี่ เราพิจารณาความท้าทายเหล่านี้และเสนอแนวทางแก้ไขเพื่อให้แน่ใจว่าการนำ LLM ไปใช้ประสบความสำเร็จ:

ความท้าทาย 1. อคติในข้อมูลการฝึกอบรม

LLM เรียนรู้จากชุดข้อมูลจำนวนมหาศาล แต่ชุดข้อมูลเหล่านี้อาจมีอคติอยู่ในแหล่งข้อมูลดั้งเดิม ด้วยเหตุนี้ เนื้อหาที่สร้างโดย LLM อาจขยายเวลาหรือขยายอคตินี้โดยไม่ได้ตั้งใจ

การบรรเทาผลกระทบ : ตรวจสอบและปรับแต่ง LLM อย่างสม่ำเสมอเพื่อระบุและขจัดอคติ ใช้อัลกอริธึมและแนวทางการตรวจจับอคติในระหว่างการฝึกโมเดลเพื่อลดการบิดเบือนในเอาต์พุต นอกจากนี้ ให้พิจารณากระจายชุดข้อมูลการฝึกอบรมเพื่อลดอคติโดยธรรมชาติ

ความท้าทายที่ 2 ความกังวลเกี่ยวกับความเป็นส่วนตัวของข้อมูลและความปลอดภัย

LLM มักจะจัดการกับข้อมูลลูกค้าที่ละเอียดอ่อนหรือข้อมูลที่เป็นกรรมสิทธิ์ มาตรการรักษาความปลอดภัยที่ไม่เพียงพออาจส่งผลให้เกิดการละเมิดข้อมูลได้

การบรรเทาผลกระทบ : ใช้มาตรการรักษาความปลอดภัยข้อมูลที่เข้มงวด รวมถึงการเข้ารหัสข้อมูลที่ละเอียดอ่อน การควบคุมการเข้าถึงเพื่อจำกัดการเข้าถึงข้อมูลเฉพาะบุคลากรที่ได้รับอนุญาตเท่านั้น และการปฏิบัติตามกฎระเบียบการปกป้องข้อมูลที่เกี่ยวข้อง (เช่น GDPR, HIPAA) อัปเดตโปรโตคอลความปลอดภัยเป็นประจำเพื่อก้าวนำหน้าภัยคุกคามที่เกิดขึ้นใหม่

ความท้าทายที่ 3 เส้นโค้งการเรียนรู้และการต่อต้านของพนักงาน

พนักงานที่คุ้นเคยกับขั้นตอนการทำงานแบบดั้งเดิมอาจต่อต้านการรวม LLM โดยมองว่าพวกเขาเป็นผู้ขัดขวางหรือเป็นภัยคุกคามต่อบทบาทของพวกเขา

การบรรเทาผลกระทบ : ลงทุนในโปรแกรมการฝึกอบรมที่ครอบคลุมเพื่อยกระดับทักษะของพนักงานและสร้างความคุ้นเคยกับเทคโนโลยี LLM ใช้กลยุทธ์การจัดการการเปลี่ยนแปลงที่เกี่ยวข้องกับพนักงานในกระบวนการเปลี่ยนผ่าน และเน้นถึงประโยชน์ของ LLM ในการเพิ่มประสิทธิภาพและประสิทธิผล

ความท้าทาย 4. ความเสี่ยงจากการพึ่งพามากเกินไป

การพึ่งพา LLM อย่างมาก โดยเฉพาะอย่างยิ่งเมื่อต้องสร้างข้อความสำหรับการสื่อสารทางธุรกิจ อาจทำให้ความน่าเชื่อถือและความคิดสร้างสรรค์ของแบรนด์ลดลง

การบรรเทาผลกระทบ : สร้างสมดุลระหว่างระบบอัตโนมัติและความคิดสร้างสรรค์ของมนุษย์ ใช้ LLM เป็นเครื่องมือในการช่วยเหลือและเพิ่มความคิดสร้างสรรค์ของมนุษย์แทนที่จะแทนที่ ตรวจสอบและแก้ไขเนื้อหาที่สร้างโดย LLM อย่างต่อเนื่องเพื่อให้สอดคล้องกับแนวทางและค่านิยมที่เป็นเอกลักษณ์ของแบรนด์ของคุณ

เพื่อสรุปมันขึ้นมา

โมเดลภาษาขนาดใหญ่เป็นเครื่องมือที่มีประสิทธิภาพซึ่งสัญญาว่าจะขับเคลื่อนนวัตกรรม ปรับปรุงประสบการณ์ของลูกค้า และเพิ่มประสิทธิภาพการดำเนินงาน การทำความเข้าใจความซับซ้อนของ LLM และข้อควรพิจารณาในการนำไปใช้ถือเป็นสิ่งสำคัญสำหรับธุรกิจที่แสวงหาความได้เปรียบทางการแข่งขัน

หากคุณกำลังพิจารณาที่จะเริ่มต้นการเดินทางของ LLM และสำรวจความเป็นไปได้ที่ไร้ขีดจำกัดที่พวกเขาเสนอ เราพร้อมให้ความช่วยเหลือ! ติดต่อ ITRex แล้วเราจะตอบคำถามที่ยังไม่มีคำตอบ และช่วยให้คุณยอมรับอนาคตด้วย LLM

เผยแพร่ครั้งแรกที่ https://itrexgroup.com เมื่อวันที่ 26 กันยายน 2023