AI ในฐานะผู้เชี่ยวชาญคนที่สอง: จากการสนทนาความปลอดภัยสู่การประเมิน BSD แบบอัตโนมัติ

AI ในฐานะผู้เชี่ยวชาญคนที่สอง: จากการสนทนาความปลอดภัยสู่การประเมิน BSD แบบอัตโนมัติ

18 กันยายน 2026 🇷🇺 ต้นฉบับ: русский 1 นาทีในการอ่าน

การพูดคุยเรื่องความปลอดภัย → การประเมินทางดิจิทัล → Make → การสนทนาพฤติกรรมความปลอดภัยอัตโนมัติ

แนวคิดหลัก: AI ไม่ได้มาแทนที่หัวหน้ากะหรือผู้เชี่ยวชาญด้านความปลอดภัย แต่มันกลายเป็น "ผู้เชี่ยวชาญคนที่สอง" เพียงหนึ่งเดียว ที่ใช้เกณฑ์เดียวกัน ให้ข้อเสนอแนะส่วนบุคคล และช่วยให้สามารถขยายการควบคุมคุณภาพไปยังการสนทนาจริงหลายร้อยหลายพันครั้ง

ทำไมเราถึงเริ่มประเมินที่บทสนทนา แทนที่จะประเมินแค่ข้อเท็จจริงว่าได้จัดทำหรือไม่

ในงานอาชีวอนามัยและความปลอดภัยทางอุตสาหกรรม การนับข้อเท็จจริงเป็นเรื่องง่าย: มีการจัดพูดคุยเรื่องความปลอดภัย มีการบันทึกการสนทนาพฤติกรรมความปลอดภัย มีการกรอกแบบฟอร์ม แต่มันยากกว่ามากที่จะตอบคำถามว่าหัวหน้างานดำเนินการสนทนาอย่างมีคุณภาพเพียงใดและบรรลุเป้าหมายหรือไม่

การพูดคุยเรื่องความปลอดภัยในวิธีการของเราเป็นส่วนบังคับของการประชุมก่อนเริ่มกะซึ่งใช้เวลา 5–10 นาที หัวหน้ากะจะต้องพิจารณาหัวข้อที่เกี่ยวข้องเฉพาะหนึ่งหัวข้อและสร้างความเชื่อมโยงที่ชัดเจน: อันตราย → ผลกระทบ → มาตรการความปลอดภัย ในขณะเดียวกัน ไม่เพียงแต่การพูดฝ่ายเดียวของโฟร์แมนเท่านั้นที่สำคัญ แต่รวมถึงการสนทนากับพนักงานด้วย: การตั้งคำถาม การตอบคำถาม และการมีส่วนร่วมในการอภิปราย

ดังนั้นงานเริ่มต้นจึงไม่ใช่ "การตรวจสอบว่ามีการบันทึกหรือไม่" แต่เป็นอย่างอื่น: เราสามารถสอน AI ให้ประเมินคุณภาพที่แท้จริงของการสนทนาเหล่านั้นในมาตรฐานเดียวกันและให้ข้อเสนอแนะที่ตรงประเด็นแก่หัวหน้างานได้หรือไม่?

ระยะที่ 1 วิธีการมาก่อน จากนั้นจึงเป็นปัญญาประดิษฐ์

ในฤดูใบไม้ผลิปี 2026 เราเริ่มต้นด้วยการพูดคุยเรื่องความปลอดภัย ก่อนที่จะเปิดตัวการประเมินด้วย AI เราได้เตรียมคำแนะนำด้านวิธีการและวิดีโอการฝึกอบรมเกี่ยวกับวิธีดำเนินการพูดคุยเรื่องความปลอดภัยอย่างถูกต้อง หลังจากนั้นตัวประเมินผลดิจิทัลจึงถือกำเนิดขึ้น

เราใช้ Perplexity Space เป็นโครงสร้างการทำงานแรกของเรา — ปัจจุบันสภาพแวดล้อมที่คล้ายกันใน Perplexity เรียกว่า Project เราได้อัปโหลดคู่มือวิธีการและรายการตรวจสอบการประเมินลงในโปรเจกต์ และได้เตรียม Prompt ที่เข้มงวดแยกต่างหากสำหรับโมเดล

งานของ Prompt แตกต่างจากคำขอ "ประเมินการพูด" ทั่วไปโดยสิ้นเชิง AI ได้รับอนุญาตให้นับเฉพาะสิ่งที่พูดจริงๆ ในเสียงเท่านั้น หากไม่มีองค์ประกอบใด — 0 คะแนน หากมีการกล่าวถึงอย่างเป็นทางการ — ดำเนินการบางส่วน หากอธิบายอย่างมีเหตุผลและครบถ้วน — ดำเนินการเสร็จสมบูรณ์

ในรายการตรวจสอบปัจจุบันมีเจ็ดเกณฑ์: การแนะนำตัวและเป้าหมาย; อันตรายที่เฉพาะเจาะจง; ตรรกะ "อันตราย – ผลกระทบ – มาตรการความปลอดภัย"; แรงกระตุ้นทางอารมณ์; มาตรการความปลอดภัย; การสนทนากับพนักงาน; บทสรุปสุดท้ายและความเชื่อมโยงกับงานที่ทำ

Prompt 1 — เวอร์ชันปรับปรุงของ Prompt สำหรับ Perplexity Project ดูได้ในภาคผนวก

รูปที่ 1 วิวัฒนาการของเทคโนโลยีการประเมิน
รูปที่ 1 วิวัฒนาการของเทคโนโลยีการประเมิน

โครงสร้างการทำงานแบบแมนนวลแรกสุดมีหน้าตาอย่างไร

หัวหน้ากะจะบันทึกการพูดคุยเรื่องความปลอดภัยที่จัดขึ้นลงในเครื่องบันทึกเสียง ไฟล์บันทึกจะถูกส่งไปยังพนักงานที่ได้รับมอบหมายผ่านแอปพลิเคชันขององค์กรที่ชื่อ Collab พนักงานจะอัปโหลดไฟล์เสียงลงใน Perplexity Project รับผลการประเมิน และส่งคืนข้อเสนอแนะส่วนบุคคลไปยังหัวหน้ากะผ่าน Collab เช่นกัน

ในเวลาเดียวกัน ผลลัพธ์จะถูกป้อนลงใน Excel: แผนก หัวหน้ากะ คะแนน จำนวนครั้งที่พยายาม จากตารางนี้ เราได้สร้างการวิเคราะห์อย่างง่าย — ผลลัพธ์เฉลี่ยของแผนก แนวโน้ม และจำนวนรอบของการทำซ้ำ

เรายอมรับ 80% เป็นระดับผ่านสำหรับรอบปฏิบัติ หากผลลัพธ์ต่ำกว่านั้น หัวหน้ากะจะดำเนินการพูดคุยเรื่องความปลอดภัยครั้งต่อไปโดยคำนึงถึงข้อสังเกตของ AI ไม่ได้เป็นเพียงแค่การควบคุม แต่ยังเป็นการฝึกอบรมรายบุคคลที่หน้างานโดยตรงอีกด้วย

รูปที่ 2 โครงสร้างการประเมินแรกสำหรับการพูดคุยเรื่องความปลอดภัย
รูปที่ 2 โครงสร้างการประเมินแรกสำหรับการพูดคุยเรื่องความปลอดภัย

เราไม่ได้ทดสอบแค่มนุษย์เท่านั้น — ตอนแรกเราทดสอบตัว AI เองด้วย

สำหรับผม นี่คือหนึ่งในองค์ประกอบที่สำคัญที่สุดของกระบวนการทั้งหมด เราตั้งใจส่งไฟล์เสียงเดียวกันไปประเมินหลายครั้ง หากเนื้อหาเดียวกันได้คะแนน 82% ในวันนี้ แล้วอีกนาทีต่อมาได้ 65% และหลังจากนั้นได้ 91% ผู้เชี่ยวชาญด้านดิจิทัลแบบนี้ยังไม่พร้อมที่จะประเมินผู้คน

ดังนั้นเราจึงบรรลุถึงความสามารถในการทำซ้ำ: การบันทึกเดียวกันจะต้องให้คะแนนเท่ากันหรือเกือบเท่ากัน หากพบความคลาดเคลื่อนที่ชัดเจน เราจะปรับแก้ Prompt ระบุเกณฑ์ให้ชัดเจนขึ้น และลบข้อความที่กำกวมออก

สำหรับตัวผมเอง ผมเรียกสิ่งนี้ว่า "ความเป็นกลางทางดิจิทัล" นี่ไม่ได้หมายความว่า AI มีความจริงที่สมบูรณ์แบบ มันเป็นอีกเรื่องหนึ่ง: ผู้เชี่ยวชาญคนเดียวใช้มาตราส่วนเดียวกันกับทุกคน และไม่ขึ้นอยู่กับอารมณ์ ความชอบส่วนตัว หรือใครก็ตามที่เป็นผู้ทำการประเมินในวันนี้

Prompt 2 — โปรโตคอลเพื่อตรวจสอบความสามารถในการทำซ้ำของการประเมิน ดูได้ในภาคผนวก

รูปที่ 3 การตรวจสอบความสามารถในการทำซ้ำของการประเมินด้วย AI
รูปที่ 3 การตรวจสอบความสามารถในการทำซ้ำของการประเมินด้วย AI

ทำไมโครงสร้างแบบแมนนวลถึงไม่ตอบโจทย์อีกต่อไป

สำหรับโครงการนำร่อง เส้นทางแบบแมนนวลนั้นสะดวก: รับไฟล์ อัปโหลด รอผล ส่งข้อเสนอแนะกลับ และป้อนคะแนนลงใน Excel แต่วิธีการนี้มีขีดจำกัดตามธรรมชาติ

เมื่อปริมาณถูกวัดเป็นร้อยและพันไฟล์บันทึก เราไม่ได้เริ่มที่จะประเมินแบบอัตโนมัติ แต่เริ่มสร้างงานธุรการใหม่รอบๆ การประเมิน ดังนั้นในการเปลี่ยนไปสู่การสนทนาพฤติกรรมความปลอดภัย (BSD) งานจึงถูกกำหนดแตกต่างออกไป: ให้นำคนออกจากห่วงโซ่ทางเทคนิคในจุดที่การมีส่วนร่วมของพวกเขาไม่ได้สร้างมูลค่า

ระยะที่ 2 การสนทนาพฤติกรรมความปลอดภัยซับซ้อนกว่าการพูดคุยเรื่องความปลอดภัยทั่วไป

การสนทนาพฤติกรรมความปลอดภัย (BSD) ไม่ใช่แค่การพูดสั้นๆ วิธีการนี้รวมถึงการสังเกตการทำงานจริงและการสนทนากับบุคคล เป็นสิ่งสำคัญที่หัวหน้างานจะต้องเห็นพฤติกรรมที่ปลอดภัยหรืออันตราย จากนั้นผ่านการตั้งคำถาม เพื่อให้พนักงานระบุอันตราย ผลกระทบ และวิธีที่ปลอดภัยในการปฏิบัติงานด้วยตนเอง

หากพนักงานทำงานอย่างเป็นอันตราย ส่วนสำคัญของการสนทนาคือการอภิปรายถึงอันตรายและผลกระทบ จากนั้นจึงเป็นวิธีการทำงานที่ปลอดภัยและแหล่งที่มาของอันตรายอื่นๆ หากบุคคลนั้นทำงานอย่างปลอดภัย หัวหน้างานจะต้องสังเกตและเสริมสร้างพฤติกรรมที่ถูกต้อง จากนั้นจึงใช้การสนทนาเพื่ออภิปรายปัญหาด้านความปลอดภัยอื่นๆ

นี่คือเหตุผลที่โครงสร้างการประเมินของ BSD ต้องตรวจสอบไม่เพียงแต่คำพูดของหัวหน้างานเท่านั้น แต่รวมถึงการมีอยู่ของบทสนทนาที่แท้จริง: มีการถามคำถามหรือไม่ พนักงานตอบหรือไม่ มีการอภิปรายสาเหตุของพฤติกรรม ผลกระทบ การดำเนินการที่ปลอดภัย และบทสรุปของการสนทนาหรือไม่

ตัวระบุที่เป็นนามแฝงแทนนามสกุล

ระหว่างการทำระบบอัตโนมัติจำนวนมาก เราได้แก้ปัญหาการระบุตัวตนแยกต่างหาก ภายในขอบเขตองค์กร ERGIS ผู้เข้าร่วมแต่ละคนจะได้รับรหัสพิเศษในรูปแบบ RSS 1256 นี่ไม่ใช่หมายเลขพนักงานหรือนามสกุล

ก่อนเริ่มการบันทึกเสียง หัวหน้างานจะพูดรหัส RSS ของตนเอง หลังจากนั้นจึงทำการสนทนาพฤติกรรมความปลอดภัย (BSD) ในการสนทนาไม่จำเป็นต้องระบุนามสกุลหรือหมายเลขพนักงาน ความสัมพันธ์ระหว่าง "รหัส RSS ↔ พนักงานเฉพาะบุคคล" จะอยู่ภายในขอบเขตองค์กรและจะใช้ในภายหลังสำหรับการวิเคราะห์ข้อมูลในเครื่อง

ในที่นี้ควรพูดว่าไม่ใช่การทำให้ข้อมูลไม่สามารถระบุตัวตนได้โดยสมบูรณ์ แต่เป็นการใช้นามแฝง: ในไฟล์เสียงยังคงมีเสียงของบุคคลอยู่ แต่ปริมาณของข้อมูลส่วนบุคคลที่ผ่านระบบอัตโนมัติจะลดลงอย่างมาก

ความลับเล็กๆ: ผมไม่ใช่โปรแกรมเมอร์

เราสร้างสถาปัตยกรรมของโซลูชันใหม่ผ่าน Make ผมไม่ใช่โปรแกรมเมอร์ และในช่วงเริ่มต้นของการทำงาน ผมได้บอก ChatGPT ในเรื่องนี้โดยตรง

คำขอนั้นเรียบง่าย: "แนะนำฉันในการสร้างระบบอัตโนมัตินี้ทีละขั้นตอน ให้ดำเนินการทีละหนึ่งการกระทำ ฉันจะดำเนินการใน Make และส่งภาพหน้าจอ หลังจากที่ตรวจสอบแล้ว ให้คำสั่งถัดไป"

และสิ่งที่เกิดขึ้นต่อไปก็เป็นไปตามนั้น ChatGPT อธิบายว่าควรสร้างโมดูลไหนและต้องกรอกอะไรบ้าง; ผมดำเนินการและส่งภาพหน้าจอ; หลังจากได้รับการตรวจสอบ ผมก็จะได้รับขั้นตอนถัดไป บอท Telegram ถูกสร้างขึ้นในลักษณะเดียวกันและเชื่อมโยงเครือข่ายทั้งหมด

นี่เป็นข้อสรุปที่สำคัญสำหรับผมจากการปฏิบัติแบบ vibe-coding: ผู้เชี่ยวชาญไม่จำเป็นต้องรู้ syntax ของ API หรือ Make ล่วงหน้า แต่เขาต้องเข้าใจกระบวนการผลิตเป็นอย่างดี รวมถึงผลลัพธ์ที่ผู้ใช้ควรจะได้รับ และสามารถตรวจสอบแต่ละขั้นตอนตามลำดับได้

Prompt 3 — Prompt เริ่มต้น "แนะนำฉันทีละขั้นตอนผ่าน Make" ดูได้ในภาคผนวก

สิ่งที่เกิดขึ้นในตอนนี้: Telegram → Make → AI → ผลลัพธ์

โครงสร้างสมัยใหม่ทำงานเกือบจะไม่มีผู้ปฏิบัติงานแบบแมนนวล หัวหน้างานส่งไฟล์เสียงไปยังบอท Telegram จากนั้น Make จะรับไฟล์ ตรวจสอบข้อมูลนำเข้า และเริ่มเส้นทางการประมวลผล AI จะวิเคราะห์การบันทึกตามวิธีการที่กำหนด สร้างการประเมินและข้อเสนอแนะ ผลลัพธ์จะถูกส่งกลับไปยังผู้ใช้ และในเวลาเดียวกันก็บันทึกลงใน Google Sheets สำหรับการวิเคราะห์ทั่วไป

ในโครงการนำร่องปัจจุบัน ข้อเสนอแนะจะถูกส่งกลับในเวลาประมาณหลายสิบวินาที สำหรับผู้ใช้มันดูเรียบง่าย: ส่งไฟล์เสียง — ได้รับการประเมิน จุดแข็ง ข้อผิดพลาดเฉพาะจุด และสิ่งที่ควรเปลี่ยนในครั้งต่อไป

ในแผนภาพของ Make คุณสามารถเห็นว่าเบื้องหลังความเรียบง่ายนี้มีเส้นทางที่สมบูรณ์ซ่อนอยู่: Telegram, Data store, Router, OpenAI, Google Sheets, การตรวจสอบ และข้อความส่งกลับถึงผู้ใช้

รูปที่ 4. ซีนาริโอการทำงานของการประเมิน BSD อัตโนมัติใน Make
รูปที่ 4. ซีนาริโอการทำงานของการประเมิน BSD อัตโนมัติใน Make
รูปที่ 4.1. เจาะลึกการทำงาน: 'เครื่องยนต์หลัก' ตั้งแต่ Telegram Bot 1 ถึง Telegram Bot 73.รูปที่ 4.1. เจาะลึกการทำงาน: 'เครื่องยนต์หลัก' ตั้งแต่ Telegram Bot 1 ถึง Telegram Bot 73.
รูปที่ 4.1. เจาะลึกการทำงาน: "เครื่องยนต์หลัก" ตั้งแต่ Telegram Bot 1 ถึง Telegram Bot 73.

นี่คือระบบมัลติเอเจนต์หรือไม่?

ผมจะไม่ใช้คำว่า "มัลติเอเจนต์" ที่นี่เพียงเพื่อให้ดูเท่เท่านั้น ในทางปฏิบัติ เรามีกระบวนการของผู้เชี่ยวชาญแบบหลายขั้นตอน ซึ่งส่วนต่างๆ ของซีนาริโอทำหน้าที่ต่างกัน: การรับและกำหนดเส้นทางไฟล์, การดึงรหัสประจำตัว, การวิเคราะห์เนื้อหา, การประเมินโดยผู้เชี่ยวชาญ, การสร้างผลลัพธ์ที่มีโครงสร้าง, การบันทึกลงในตาราง และการให้ข้อเสนอแนะรายบุคคล

หากการเรียกโมเดลแยกกันหลายๆ ครั้งทำงานโดยมีบทบาทของระบบที่ต่างกัน — ตัวอย่างเช่น ตัวหนึ่งวิเคราะห์บทสนทนา ตัวที่สองควบคุมความสอดคล้องกับระเบียบวิธีและจัดรูปแบบผลลัพธ์ — สิ่งนี้ก็สามารถมองว่าเป็นตรรกะแบบมัลติเอเจนต์หรือหลายเอเจนต์ได้ หากการเรียกโมเดลเพียงครั้งเดียวทำหน้าที่ทั้งหมด จะซื่อสัตย์กว่าถ้าเรียกมันว่าผู้ประเมิน AI แบบอเนกประสงค์

ในภาคผนวก ผมจึงแบ่ง Prompt ตามฟังก์ชันการทำงาน แทนที่จะเรียกแต่ละฟังก์ชันว่าเป็นเอเจนต์แยกต่างหาก

การประเมิน BSD อัตโนมัติทำงานอย่างไร

ในซีนาริโอทางอุตสาหกรรม สิ่งสำคัญคือต้องแยกงานออกเป็นสองส่วน ส่วนแรก — ด้านผู้เชี่ยวชาญ: ประเมินเนื้อหาของการสนทนาอย่างเคร่งครัดตามระเบียบวิธี ส่วนที่สอง — ด้านเทคนิค: ส่งคืนผลลัพธ์ในรูปแบบที่ Make จะเข้าใจและสามารถบันทึกลงใน Google Sheets ได้

ดังนั้น สำหรับการทำงานอัตโนมัติ การตอบกลับเป็น JSON ที่มีโครงสร้างจึงสะดวก: รหัส RSS, คะแนนรวม, สถานะ, จุดแข็ง, จุดที่ควรปรับปรุง, ข้อเสนอแนะสั้นๆ และเกณฑ์การประเมินแต่ละข้อ รูปแบบนี้ช่วยลดความเสี่ยงที่การทำงานอัตโนมัติจะ "พัง" เนื่องจากข้อความที่สวยงามแต่คาดเดาไม่ได้จากโมเดล

ในขณะเดียวกัน กฎที่เข้มงวดยังคงเหมือนเดิมกับช่วงฤดูใบไม้ผลิที่ผ่านมา: ไม่นับสิ่งที่ไม่ปรากฏในการบันทึก; ไม่คาดเดาเจตนา; ไม่เติมคำตอบที่ถูกต้องแทนหัวหน้างาน หากการถอดความไม่สมบูรณ์ — ควรส่งไฟล์บันทึกไปอัปโหลดซ้ำ แทนที่จะให้คะแนนที่แต่งขึ้นมาเอง

Prompts 4–6 — การประเมิน BSD, JSON ที่มีโครงสร้าง และการสร้างข้อเสนอแนะ ดูได้ในภาคผนวก

รูปที่ 5. ตรรกะของการประเมิน BSD อัตโนมัติ
รูปที่ 5. ตรรกะของการประเมิน BSD อัตโนมัติ

จากการประเมินรายบุคคลสู่ภาพรวมระดับแผนก

หลังจากการประเมินแต่ละครั้ง สิ่งที่สะสมใน Google Sheets จะไม่ใช่แค่ข้อเสนอแนะที่เป็นข้อความอีกต่อไป แต่เป็นชุดข้อมูลที่มีโครงสร้าง ดังนั้นเราจึงสามารถเห็นจำนวน BSD ที่จัดทำขึ้น, ผลลัพธ์เฉลี่ย, ข้อผิดพลาดหลักที่เกิดขึ้นซ้ำๆ, พลวัต และผลลัพธ์ตามรหัส RSS ที่ทำ pseudonymisation

ขั้นตอนต่อไปเราคุ้นเคยกันดีจากบทความที่สองแล้ว: จับคู่รหัส RSS กับชื่อ-นามสกุลแบบโลคัลในระบบภายในองค์กร และอัปโหลดผลลัพธ์ลงในแดชบอร์ด HSE แบบออฟไลน์ จากนั้นหัวหน้างานก็จะเห็นภาพรวมขององค์กร โรงงาน และพื้นที่ทำงาน และหากจำเป็น ก็สามารถเจาะลึกลงไปถึงตัวพนักงานแต่ละคนได้

กล่าวง่ายๆ คือ ระบบการประเมินภายนอกสามารถทำงานได้โดยไม่ต้องใช้นามสกุล และภาพรวมด้านการจัดการที่สมบูรณ์จะถูกกู้คืนภายในองค์กรเท่านั้น

รูปที่ 6. จากรหัส RSS ที่ทำ pseudonymisation สู่การวิเคราะห์ด้านการจัดการ
รูปที่ 6. จากรหัส RSS ที่ทำ pseudonymisation สู่การวิเคราะห์ด้านการจัดการ

แนวคิดนี้สามารถนำไปทำซ้ำโดยไม่ใช้สถาปัตยกรรมของเราได้อย่างไร

สาระสำคัญของแนวทางนี้ไม่ได้ผูกติดอยู่กับแบรนด์ AI เพียงแบรนด์เดียว ในรูปแบบที่ง่ายที่สุด คุณสามารถสร้าง Perplexity Project ที่มีระเบียบวิธีและ Prompt สำหรับประเมิน คุณสามารถใช้ ChatGPT พร้อมคำแนะนำแบบถาวรและฐานความรู้ที่อัปโหลดไว้ คุณสามารถสร้างโครงร่างโดยใช้ Google NotebookLM / Gemini เป็นแหล่งข้อมูลสำหรับระเบียบวิธี และทำการประเมินด้วยโมเดลอื่นต่างหาก สำหรับกระแสงานจำนวนมาก การใช้ Make หรือแพลตฟอร์มการทำงานอัตโนมัติอื่นๆ ร่วมกับ Telegram, OpenAI และระบบตารางจะสะดวกกว่า

องค์ประกอบหลักยังคงเหมือนเดิม: ระเบียบวิธีที่ได้รับอนุมัติ → Prompt ที่เข้มงวด → การตรวจสอบ reproducibility → มาตรวัดที่เข้าใจง่าย → ข้อเสนอแนะรายบุคคล → การสะสมผลลัพธ์ที่มีโครงสร้าง

มีอะไรเปลี่ยนแปลงไปบ้างในช่วงไม่กี่เดือนที่ผ่านมา

เมื่อฤดูใบไม้ผลิ พนักงานคนหนึ่งต้องย้ายไฟล์เสียงเข้า AI ด้วยตนเองและส่งคืนผลลัพธ์ วันนี้เราสร้างระบบที่สามารถรับและประเมินไฟล์บันทึก BSD ได้ประมาณ 1,300 รายการ โดยไม่ต้องมีเจ้าหน้าที่แยกต่างหากสำหรับแต่ละไฟล์

แต่การเปลี่ยนแปลงที่สำคัญที่สุดไม่ใช่เรื่องความเร็ว เราได้รับความสามารถในการใช้เกณฑ์เดียวกันกับบทสนทนาจริงจำนวนมาก และเปลี่ยนการประเมินแต่ละครั้งให้เป็นวงจรการเรียนรู้สั้นๆ ระดับบุคคล

AI ในโครงร่างนี้ ไม่ใช่ผู้ตรวจสอบที่คอยจับผิด แต่เป็นทั้งผู้เชี่ยวชาญคนที่สองและโค้ชดิจิทัลในเวลาเดียวกัน: มันบันทึกความไม่สอดคล้องกับระเบียบวิธี อธิบายอย่างชัดเจนว่าต้องปรับปรุงอะไร และเปิดโอกาสให้ตรวจสอบสิ่งนี้ได้ในการสนทนาครั้งถัดไป

บทสรุป

เมื่อเราเริ่มต้น งานนี้ฟังดูเหมือนการทดลอง: AI จะสามารถประเมินการพูดคุยเรื่องความปลอดภัย (toolbox talk) ได้หรือไม่ ผลลัพธ์ที่ได้คือเทคโนโลยีที่สามารถขยายขนาดไปสู่การสนทนาเชิงพฤติกรรม การฝึกอบรม และการสื่อสารด้านความปลอดภัยประเภทอื่นๆ

สำหรับผม ผลลัพธ์ที่มีค่าที่สุดไม่ใช่ตัวเลขอัตโนมัติ คุณค่าอยู่ที่การที่หัวหน้างานได้รับข้อเสนอแนะแทบจะในทันทีหลังจากการสนทนาจริง และในขณะเดียวกันองค์กรก็ได้รับชุดข้อมูลจำนวนมากเกี่ยวกับองค์ประกอบของระเบียบวิธีที่ผู้คนมักมองว่าเป็นเรื่องยาก

และ ณ จุดนี้นี่เองที่ AI เริ่มทำงาน โดยไม่ได้มาแทนที่ระบบจัดการด้านความปลอดภัย แต่ทำงานอยู่ภายในระบบนั้น — ในฐานะผู้เชี่ยวชาญคนที่สองที่มีมาตรฐานเดียวกัน

Prompt สำหรับบทความ "AI ในฐานะผู้เชี่ยวชาญคนที่สอง"

การพูดคุยเรื่องความปลอดภัย (toolbox talk), การตรวจสอบ reproducibility, Make และการประเมิน BSD อัตโนมัติ

นี่คือเวอร์ชันตีพิมพ์ของ Prompt ซึ่งอิงตามระเบียบวิธีจริงและสถาปัตยกรรมการทำงานของเรา แต่ก่อนที่จะนำไปใช้ในองค์กรอื่น จำเป็นต้องเปลี่ยนเกณฑ์และเกณฑ์ขั้นต่ำให้เป็นไปตามข้อกำหนดท้องถิ่นที่ได้รับอนุมัติ

Prompt 1. การประเมินการพูดคุยเรื่องความปลอดภัย (toolbox talk) ฉบับปรับปรุงใหม่ใน Perplexity Project

นี่คือเวอร์ชันตีพิมพ์ฉบับปรับปรุงของ Prompt ที่ใช้งานอยู่ ผมได้แก้ไขข้อขัดแย้งภายในแล้ว: ตอนนี้เช็คลิสต์มี 7 เกณฑ์อย่างแท้จริง และเกณฑ์ผ่านขั้นต่ำอยู่ที่ 80% เท่ากันทั้งหมด

คุณรับบทเป็นผู้เชี่ยวชาญด้านอาชีวอนามัยและความปลอดภัยทางอุตสาหกรรม ซึ่งทำหน้าที่ประเมินคุณภาพการจัดการพูดคุยเรื่องความปลอดภัยโดยหัวหน้ากะ

แหล่งข้อมูลและลำดับความสำคัญ
1. บันทึกเสียงการพูดคุยเรื่องความปลอดภัย
2. คู่มือระเบียบวิธีที่ได้รับการอนุมัติขององค์กร
3. รายการตรวจสอบ (เช็คลิสต์) การประเมินที่ได้รับการอนุมัติ
หากมีข้อขัดแย้งของถ้อยคำ ให้ยึดตามรายการตรวจสอบและระเบียบวิธีที่ได้รับการอนุมัติ ห้ามเพิ่มเกณฑ์ของคุณเอง

ขั้นตอนที่ 1. การถอดความฉบับเต็ม
- ขั้นแรก ให้รับการถอดความเสียงฉบับเต็ม ไม่ใช่บทสรุปแบบย่อ
- สำหรับ Perplexity Project ให้ใช้เครื่องมืออ่านไฟล์เสียงที่แนบมาในโหมดเต็มรูปแบบ (READ / context budget สูงสุดที่ใช้ได้)
- ทำเครื่องหมายส่วนที่ฟังไม่ออกว่า [ฟังไม่ออก]
- หากตรวจจับเสียงพูดได้ต่อเนื่องน้อยกว่า 80% หรือส่วนสำคัญของบันทึกหายไป ให้ตอบเพียงว่า: «ข้อมูลไม่เพียงพอ โปรดอัปโหลดไฟล์อีกครั้ง» และหยุดการทำงาน
- ห้ามแสดงการถอดความฉบับเต็มในรายงานสรุปผล

ขั้นตอนที่ 2. การประเมินโดยผู้เชี่ยวชาญ
ประเมินเฉพาะสิ่งที่ได้ยินจริงในการถอดความฉบับเต็มเท่านั้น
ข้อห้าม:
- ห้ามคิดเอาเองถึงเจตนาของโฟร์แมน;
- ห้ามนับรวมสิ่งที่ไม่มีในบันทึกเสียง;
- ห้ามปรับปรุงถ้อยคำแทนผู้ถูกประเมิน;
- ห้ามชดเชยองค์ประกอบที่ขาดหายไปด้วยความประทับใจโดยรวมที่ดี

เกณฑ์การให้คะแนนสำหรับแต่ละเกณฑ์ประเมิน
ทำได้สมบูรณ์ = 1 คะแนน
ทำได้บางส่วน = 0,5 คะแนน
ไม่ได้ทำ = 0 คะแนน
กฎ:
- ไม่มีในเสียง → 0;
- กล่าวถึงตามแบบแผน แต่ไม่มีการอธิบาย → 0,5;
- อธิบายอย่างสมเหตุสมผลและถูกต้อง → 1.

รายการตรวจสอบ — ประเมินทั้ง 7 ข้อโดยห้ามข้าม
1. การแนะนำตัวและเป้าหมายของการพูดคุยเรื่องความปลอดภัย
2. การระบุชื่ออันตรายเฉพาะ / หัวข้อที่เป็นประเด็น
3. ตรรกะ «อันตราย → ผลกระทบ → มาตรการความปลอดภัย»
4. แรงกระตุ้นทางอารมณ์ผ่านผลกระทบที่เกิดขึ้นจริง/ที่อาจเกิดขึ้น หรือตัวอย่างที่เหมาะสม
5. มาตรการความปลอดภัยที่ชัดเจน
6. การสนทนากับคนงาน: คำถาม, คำตอบ, การมีส่วนร่วม
7. บทสรุปและการเชื่อมโยงกับงานปัจจุบัน / งานที่กำลังจะมาถึง

รูปแบบคำตอบ
1. ตาราง:
ลำดับ | เกณฑ์ประเมิน | สิ่งที่ได้ยินจริง | การประเมิน | คะแนน

2. สรุปผล:
คะแนนที่ได้: X จาก 7
เปอร์เซ็นต์: (X/7)*100, ปัดเศษเป็น 1 ทศนิยม

3. สถานะรอบการทำงาน:
- หากผลลัพธ์ >=80%: «ผ่านเกณฑ์ระดับที่กำหนด»
- หากผลลัพธ์ <80%: «ไม่ผ่านเกณฑ์ระดับที่กำหนด แนะนำให้จัดการพูดคุยเรื่องความปลอดภัยซ้ำหลังจากศึกษาข้อเสนอแนะ»

4. จุดแข็ง — ระบุ 2–5 ข้อที่ชัดเจน จากบันทึกเท่านั้น
5. ส่วนที่ต้องปรับปรุง — ระบุเจาะจงตามเกณฑ์ที่ไม่ได้ทำ/ทำได้บางส่วน
6. ข้อเสนอแนะถึงโฟร์แมน — 3–5 ประโยค: สไตล์ความเป็นมืออาชีพ, มีความคาดหวังสูง, เชิงพัฒนา

การตรวจสอบก่อนตอบ
ก่อนส่งคำตอบสุดท้าย ให้ตรวจสอบอีกครั้ง:
- ผลรวมคะแนนตรงกับในตาราง;
- คำนวณเปอร์เซ็นต์อย่างถูกต้อง;
- ไม่มีข้อใดใน 7 เกณฑ์ที่ถูกข้ามไป;
- ไม่มีข้อความใดอ้างอิงจากสิ่งที่ไม่มีในเสียง

ความคิดเห็น: หลักการสำคัญยังคงเดิมจากเวอร์ชันดั้งเดิม: ถอดความฉบับเต็มก่อน จากนั้นประเมินเฉพาะสิ่งที่ได้ยินจริงเท่านั้น ใน Perplexity ชื่อเฉพาะของเครื่องมืออ่านไฟล์อาจเปลี่ยนแปลงได้ ดังนั้นในเวอร์ชันสาธารณะ การอธิบายฟังก์ชันการทำงานจึงดีกว่าการผูกมัดผู้อ่านไว้กับชื่อ search_files_v2 อย่างตายตัว

Prompt 2. การตรวจสอบความสามารถในการทำซ้ำ («ความเป็นกลางทางดิจิทัล»)

พรอมต์นี้จะใช้หลังจากรันบันทึกเดียวกันแยกกันหลายรอบแล้ว

ฉันกำลังตรวจสอบความถูกต้องของความสามารถในการทำซ้ำของ AI ผู้ประเมิน

ฉันมีผลลัพธ์ N รายการจากการประเมินอิสระของบันทึกเสียงเดียวกัน โดยใช้รายการตรวจสอบเดียวกัน
ฉันจะส่งตารางสรุปผล/JSON ของการรันแต่ละรอบให้คุณ

งานของคุณ:
1. เปรียบเทียบเปอร์เซ็นต์สรุปผลระหว่างรอบ
2. เปรียบเทียบคะแนนในแต่ละเกณฑ์
3. เน้นเกณฑ์ที่โมเดลเปลี่ยนการตัดสินใจบ่อยที่สุด
4. คำนวณ:
   - เปอร์เซ็นต์สรุปรวมขั้นต่ำ;
   - เปอร์เซ็นต์สรุปรวมสูงสุด;
   - พิสัยในหน่วยเปอร์เซ็นต์ (เปอร์เซ็นต์พอยต์);
   - เปอร์เซ็นต์สรุปรวมเฉลี่ย
5. ห้ามประเมินซ้ำจากบันทึกต้นฉบับ และห้ามเลือกการประเมินที่ «ถูกต้อง» — ให้วิเคราะห์เฉพาะความเสถียรของผู้ประเมินเท่านั้น

เกณฑ์สำหรับโครงการนำร่อง
- ส่วนต่าง 0–2 เปอร์เซ็นต์พอยต์ — ความสามารถในการทำซ้ำสูง;
- 2,1–5 เปอร์เซ็นต์พอยต์ — ยอมรับได้ แต่ต้องตรวจสอบเกณฑ์ที่มีข้อโต้แย้ง;
- มากกว่า 5 เปอร์เซ็นต์พอยต์ — พรอมต์/เกณฑ์ต้องได้รับการปรับปรุง

ให้ผลลัพธ์ในรูปแบบ:
- ระดับความสามารถในการทำซ้ำ;
- จุดที่เกิดความคลาดเคลื่อน;
- สิ่งที่ต้องทำให้ชัดเจนยิ่งขึ้นในพรอมต์;
- จำเป็นต้องทดสอบซ้ำหลังการปรับแก้หรือไม่

อย่าเรียกสิ่งนี้ว่าเป็นความเป็นกลางสัมบูรณ์ ให้ใช้คำว่า «ความสามารถในการทำซ้ำของการประเมิน»

ความคิดเห็น: เกณฑ์ส่วนต่างในตัวอย่าง เป็นแนวทางปฏิบัติสำหรับการเผยแพร่ ไม่ใช่มาตรฐานที่ได้รับการอนุมัติขององค์กร สามารถตัดออกหรือแทนที่ด้วยเกณฑ์ของคุณเองได้

Prompt 3. ChatGPT ในฐานะที่ปรึกษาทีละขั้นตอนสำหรับ Make

นี่คือหลักการที่ช่วยให้บุคคลที่ไม่มีทักษะการเขียนโปรแกรมสามารถทำตามโซลูชันได้

ฉันไม่ใช่โปรแกรมเมอร์และไม่เคยสร้างสคริปต์ใน Make มาก่อน
ช่วยฉันสร้างระบบอัตโนมัติตามหลักการ «ทำทีละขั้นตอน»

เป้าหมาย
บอต Telegram รับบันทึกเสียงการสนทนาด้านพฤติกรรมความปลอดภัย (BSD) จากนั้น Make ต้อง:
1. รับไฟล์;
2. ตรวจสอบประเภทข้อมูลเข้า;
3. สกัด/รับไฟล์เสียง;
4. ส่งข้อมูลไปยัง AI เพื่อวิเคราะห์;
5. รับผลลัพธ์ที่มีโครงสร้างตายตัว;
6. บันทึกผลลัพธ์ใน Google Sheets;
7. ส่งข้อเสนอแนะส่วนตัวสั้นๆ ให้ผู้ใช้;
8. จัดการข้อผิดพลาด ไฟล์ซ้ำ และรูปแบบไฟล์ที่ไม่รองรับอย่างถูกต้อง

กฎการทำงานของเรา
- ให้บอกขั้นตอนถัดไปเพียงหนึ่งขั้นตอนต่อข้อความ
- เขียนชื่อโมดูล Make ที่แน่นอนที่ต้องเพิ่ม
- เขียนบอกสิ่งที่ต้องเลือกในแต่ละช่องบังคับ
- หากต้องการตัวแปรจากโมดูลก่อนหน้า — ระบุแหล่งที่มาให้ชัดเจน
- หลังจากแต่ละขั้นตอน ให้หยุดและขอให้ฉันส่งภาพหน้าจอ
- ตรวจสอบจากภาพหน้าจอของฉันก่อนว่าทำถูกต้องหรือไม่ หากมีข้อผิดพลาด — ให้แก้ไขก่อนแล้วจึงดำเนินการต่อ
- ห้ามข้ามขั้นตอน และห้ามส่งสคริปต์ทั้งหมดมาในครั้งเดียว
- อธิบายด้วยคำพูดง่ายๆ โดยไม่ต้องคาดเดาว่าฉันรู้เรื่อง API, JSON หรือการเขียนโปรแกรม
- หากมีหลายวิธี ให้เลือกวิธีที่ง่ายและเชื่อถือได้ที่สุดสำหรับโครงการนำร่อง และอธิบายสั้นๆ ว่าทำไม

ข้อจำกัด
- รหัสผู้ใช้ในวงจรการประเมิน — เป็นรหัสนามแฝงแบบ RSS 1234;
- นามสกุลและรหัสพนักงานไม่จำเป็น;
- ผลสรุปสำหรับตารางต้องมีโครงสร้าง;
- บุคคลใน Telegram จะได้รับเฉพาะข้อเสนอแนะที่เข้าใจง่าย โดยไม่มี JSON ทางเทคนิค

เริ่มจากขั้นตอนแรก: การสร้าง/เชื่อมต่อบอต Telegram และโมดูลอินพุตแรกของ Make

Prompt 4. แกนหลักการประเมิน BSD สำหรับ OpenAI/ChatGPT ใน Make

นี่คือบล็อกการประเมินเวอร์ชันใช้งานทั่วไปสำหรับเผยแพร่ มันถูกกำหนดให้ส่งคืน JSON โดยเฉพาะ — เพื่อให้ Make บันทึกผลลัพธ์ลงในตารางและกำหนดเส้นทางคำตอบได้ง่ายขึ้น

SYSTEM ROLE
คุณคือผู้เชี่ยวชาญด้านการประเมินคุณภาพการสนทนาด้านพฤติกรรมความปลอดภัย (BSD) คุณจะประเมินเฉพาะเนื้อหาของการถอดความที่ให้มาเท่านั้น และใช้ระเบียบวิธีที่ได้รับการอนุมัติขององค์กร

สำคัญ
หากองค์กรส่งรายการตรวจสอบที่ได้รับการอนุมัติแยกต่างหากมาให้ — ให้ใช้รายการตรวจสอบนั้นแทนโครงสร้างตัวอย่างด้านล่าง
ห้ามคิดเกณฑ์ที่ไม่มีในระเบียบวิธีขึ้นเอง

หลักการพื้นฐานของระเบียบวิธีที่ต้องตรวจสอบจากเสียง
- มีการสนทนาจริงกับคนงาน ไม่ใช่การพูดคนเดียว/การตรวจตรา;
- มีการตั้งคำถามกับคนงาน;
- คนงานระบุ/อภิปรายถึงอันตรายและผลกระทบที่อาจเกิดขึ้นด้วยตนเอง หากสถานการณ์นั้นเป็นอันตราย;
- มีการพูดคุยถึงวิธีปฏิบัติงานอย่างปลอดภัย;
- มีการพูดคุยถึงแหล่งที่มาของอันตรายและมาตรการความปลอดภัยอื่นๆ;
- ในการทำงานอย่างปลอดภัย หัวหน้ากะจะสังเกตเห็นและส่งเสริมการกระทำที่ปลอดภัยอย่างเจาะจง;
- การสื่อสารเป็นไปด้วยความเคารพ;
- การสนทนาจบลงด้วยข้อสรุปที่ชัดเจน/การกล่าวขอบคุณ;
- ห้ามนับรวมการสังเกตทางสายตา หากไม่สามารถยืนยันได้จากเสียง

ข้อมูลเข้า
- transcript: การถอดความฉบับเต็ม;
- rss_id: รหัสนามแฝงแบบ RSS 1234;
- methodology_context: ข้อความที่ตัดตอนมา/กฎระเบียบของระเบียบวิธีที่ได้รับการอนุมัติ;
- optional_checklist: รายการตรวจสอบระดับท้องถิ่นที่ได้รับการอนุมัติ หากมี

กฎการประเมิน
1. ใช้เฉพาะข้อเท็จจริงจาก transcript เท่านั้น
2. ห้ามคาดเดาเจตนา
3. ห้ามระบุชื่อเต็มจากเสียง/บริบท
4. หาก transcript ไม่สมบูรณ์หรือไม่ต่อเนื่องอย่างชัดเจน — quality_status="insufficient_data" และห้ามให้คะแนนสรุป
5. หากใช้รายการตรวจสอบระดับท้องถิ่น ให้ประเมินทุกข้อโดยห้ามข้าม
6. สำหรับแต่ละข้อสรุป ให้บันทึก evidence สั้นๆ — วลี/เนื้อหาจากการถอดความที่ยืนยันการตัดสินใจ

ผลลัพธ์ — เฉพาะ JSON เท่านั้น ไม่มี MARKDOWN และไม่มีข้อความก่อนหน้า/หลังจากนั้น
{
  "rss_id": "RSS 1234",
  "quality_status": "ok | insufficient_data",
  "overall_score_percent": 0,
  "result_status": "meets | partly_meets | does_not_meet | not_scored",
  "criteria": [
    {
      "criterion": "...",
      "score": 0,
      "max_score": 1,
      "evidence": "...",
      "comment": "..."
    }
  ],
  "strengths": ["..."],
  "improvements": ["..."],
  "feedback_short": "3–5 ประโยคที่หัวหน้ากะสามารถเข้าใจได้",
  "method_errors": ["..."],
  "worker_involvement": "high | medium | low | not_clear"
}

ตรวจสอบก่อนตอบ
- JSON ถูกต้อง;
- rss_id ไม่ถูกเปลี่ยนแปลง;
- คะแนนสรุปตรงกับผลรวมของเกณฑ์ประเมิน;
- evidence ไม่มีข้อเท็จจริงที่สร้างขึ้นเอง;
- หากข้อมูลไม่เพียงพอ ห้ามกำหนด overall_score_percent ขึ้นมาเอง

ความคิดเห็น: เนื่องจากไม่มีการระบุรายการตรวจสอบการให้คะแนนสำหรับการสนทนาเชิงพฤติกรรมความปลอดภัย (BSD) ที่ได้รับการอนุมัติแยกต่างหากในเอกสารที่ให้มา ผมจึงไม่ใช้เกณฑ์การให้คะแนนที่คิดขึ้นเองเป็นมาตรฐานขององค์กร ในเวอร์ชันใช้งานจริง คุณต้องใส่รายการตรวจสอบจริงของคุณลงไป

Prompt 5. โมดูลข้อเสนอแนะแยกต่างหากใน Telegram

หากมีการเรียกใช้โมเดลครั้งที่สองในสคริปต์ ควรจำกัดให้ทำหน้าที่แค่จัดรูปแบบการประเมินที่เสร็จแล้วเท่านั้น สิ่งนี้จะช่วยเพิ่มความเสถียร: โมดูลที่สองไม่ควร «ตีความ» คะแนนใหม่อีกครั้ง

คุณได้รับ JSON การประเมิน BSD โดยผู้เชี่ยวชาญที่เสร็จสมบูรณ์จากขั้นตอนก่อนหน้า
ห้ามประเมินการบันทึกใหม่และห้ามเปลี่ยนคะแนน

สร้างคำตอบสั้นๆ สำหรับผู้ใช้ใน Telegram

รูปแบบ
RSS: <รหัส>
การประเมิน: <เปอร์เซ็นต์ หรือ «ไม่ได้ประเมิน — ข้อมูลไม่เพียงพอ»>

สิ่งที่ทำได้ดี:
• 2–4 ข้อสั้นๆ จาก strengths

สิ่งที่ต้องปรับปรุง:
• 2–4 ข้อเฉพาะเจาะจงจาก improvements

สำหรับ BSD ครั้งต่อไป:
<1–2 การกระทำที่เฉพาะเจาะจงที่สุด>

กฎเกณฑ์
- ความยาวสูงสุด 700–1200 ตัวอักษร;
- น้ำเสียงเป็นทางการและให้ความเคารพ;
- ไม่มี JSON ทางเทคนิค;
- ไม่มีนามสกุล;
- ไม่คิดค้นข้อเสนอแนะใหม่ขึ้นเอง;
- ไม่ใช้คำขวัญสร้างแรงบันดาลใจ;
- หาก quality_status=insufficient_data — ให้ขอให้บันทึกใหม่/อัปโหลดเสียงใหม่ และไม่แสดงผลการประเมิน

Prompt 6. การทำให้ผลลัพธ์เป็นมาตรฐานก่อนส่งไปยัง Google Sheets

ขั้นตอนนี้มีประโยชน์หากต้องการให้ Google Sheets ได้รับโครงสร้างที่เหมือนกันเสมอ ไม่ว่าข้อความการประเมินจะมีความยาวเท่าใดก็ตาม

ตรวจสอบแถวข้อมูลก่อนบันทึกลงใน Google Sheets

ฟิลด์ที่คาดหวัง:
- timestamp
- rss_id
- overall_score_percent
- result_status
- worker_involvement
- strengths_short
- improvements_short
- method_errors_short
- feedback_short
- source_message_id

กฎเกณฑ์
1. ห้ามเพิ่มชื่อ-นามสกุล และรหัสพนักงาน
2. rss_id ต้องตรงตามรูปแบบ: RSS + เว้นวรรค + ตัวเลข 3–6 หลัก
3. overall_score_percent ต้องเป็นตัวเลข 0–100 หรือเว้นว่างไว้หากเป็น insufficient_data
4. แปลงอาร์เรย์เป็นสตริงสั้นๆ คั่นด้วย «; »
5. หากฟิลด์บังคับขาดหายไป — ให้ส่งคืน error=true และระบุ missing_fields
6. หากทุกอย่างถูกต้อง — error=false

ผลลัพธ์เป็น JSON เท่านั้น:
{
  "error": false,
  "missing_fields": [],
  "row": {
    "timestamp": "...",
    "rss_id": "...",
    "overall_score_percent": 0,
    "result_status": "...",
    "worker_involvement": "...",
    "strengths_short": "...",
    "improvements_short": "...",
    "method_errors_short": "...",
    "feedback_short": "...",
    "source_message_id": "..."
  }
}

Prompt 7. การตรวจสอบสคริปต์ Make ที่เสร็จสมบูรณ์จากภาพหน้าจอ

เหมาะสำหรับใช้เป็น Prompt สุดท้ายในการตรวจสอบสคริปต์ก่อนเปิดใช้งานนำร่องแบบกลุ่มใหญ่

ผมจะส่งภาพหน้าจอสคริปต์ Make ของผมไปให้คุณ
ดำเนินการตรวจสอบทางเทคนิคในฐานะผู้ฝึกสอนด้านระบบอัตโนมัติแบบ no-code

ตรวจสอบจากภาพหน้าจอและคำอธิบายของผม:
1. ลำดับของโมดูล;
2. เส้นทางของ Router;
3. การจัดการข้อความที่ไม่รองรับ;
4. การจัดเก็บสถานะชั่วคราวใน Data store;
5. การรับและการส่งต่อไฟล์เสียง;
6. การเรียกใช้ AI;
7. การแยกวิเคราะห์ JSON;
8. การบันทึกลงใน Google Sheets;
9. การส่งผลลัพธ์ไปยัง Telegram;
10. สาขาข้อผิดพลาดและการลองใหม่;
11. ความเสี่ยงของการซ้ำซ้อนเมื่อรันซ้ำ;
12. ความเสี่ยงที่ผู้ใช้รายหนึ่งจะได้รับผลลัพธ์ของผู้ใช้อีกราย

ไม่ต้องเสนอให้สร้างโครงสร้างใหม่ทั้งหมดหากสถาปัตยกรรมปัจจุบันทำงานได้อยู่แล้ว
ระบุสิ่งต่อไปนี้ก่อน:
- สิ่งที่ทำได้ดีอยู่แล้ว;
- ความเสี่ยงที่สำคัญที่สุด 3 ประการ;
- ขั้นตอนต่อไปขั้นตอนเดียวที่ต้องทำเป็นอันดับแรก
หลังจากนั้นให้หยุดและรอภาพหน้าจอ/การยืนยันจากผม

ลำดับขั้นตอนการปฏิบัติสำหรับผู้อ่าน

  1. อัปโหลดระเบียบวิธีและรายการตรวจสอบที่ได้รับการอนุมัติลงใน Project/เอเจนต์ที่เลือก
  2. ตั้งค่า Prompt 1 และทดสอบกับบันทึกมาตรฐานหลายๆ รายการ
  3. รันบันทึกเดียวกันหลายๆ ครั้ง แล้วใช้ Prompt 2 เพื่อประเมินความสามารถในการทำซ้ำ
  4. หากต้องการระบบอัตโนมัติ — ให้เริ่มต้นด้วย Prompt 3 และประกอบ Make ทีละโมดูลพร้อมตรวจสอบด้วยภาพหน้าจอ
  5. ใน Make ให้ใช้ Prompt 4 เป็นแกนหลักระดับผู้เชี่ยวชาญ และกำหนดให้ผลลัพธ์ต้องเป็น JSON ที่เคร่งครัด
  6. หากจำเป็น ให้แยกข้อเสนอแนะของผู้ใช้ออกมาไว้ใน Prompt 5
  7. ก่อนบันทึกลงใน Google Sheets ให้ทำให้ข้อมูลเป็นมาตรฐานด้วย Prompt 6
  8. ก่อนเปิดใช้งานแบบกลุ่มใหญ่ ให้ตรวจสอบแผนผังทั้งหมดด้วย Prompt 7

ความคิดเห็น 8

Ivan Bobrov
Ivan Bobrov สมาชิกที่ได้รับการยืนยัน 2 เดือนที่แล้ว

ขอขอบคุณ อเล็กซานเดอร์ บอนดาเรนโก สำหรับบทความนี้ มีหลายอย่างให้ ต้องคิด AI เป็นหัวข้อที่กำลังเป็นที่นิยมและน่าสนใจมากในขณะนี้ เพื่อนร่วมงานได้ทำผลงาน ที่ยอดเยี่ยมมาก


โซลูชันที่นำเสนอช่วยลด ภาระงานที่มากเกินไปอย่างเรื้อรังของแผนกอาชีวอนามัยและความปลอดภัยและความปลอดภัยทางอุตสาหกรรม และปลดปล่อยพนักงานอย่างน้อยหนึ่งคนจากงานประจำ ในความเห็นของฉัน ประโยชน์หลัก คือระบบทำงานเป็น "เครื่องจำลอง ดิจิทัล"


อย่างไรก็ตาม เมื่อชั่งน้ำหนัก "ข้อดี" และ "ข้อเสีย" ทั้งหมดแล้ว ฉันไม่แนะนำ ให้ขยายขนาดการประเมินด้วย AI ของการประชุมความปลอดภัยห้านาที และโดยเฉพาะอย่างยิ่ง บทสนทนาความปลอดภัย เชิงพฤติกรรม


  1. การสื่อสารใดๆ ของผู้จัดการกับผู้ใต้บังคับบัญชาในประเด็น ความปลอดภัยต้องมีชีวิตชีวา จริงใจ และมีความสนใจ ความไว้วางใจ การสบตา "ตาต่อตา" น้ำเสียง และสีสันทางอารมณ์มีความสำคัญที่นี่มากกว่า คำพูดที่ "ถูกต้อง" ใดๆ มิฉะนั้น บทสนทนาจะกลายเป็น งานประจำทางระบบราชการที่ไม่จำเป็น ทำลายความไว้วางใจ และทำให้เกิดความหงุดหงิด
  2. การประเมินด้วย AI เป็นเครื่องมือควบคุมแบบดิจิทัล ซึ่งทำให้เกิด ความเสียหายอย่างที่แก้ไขไม่ได้ต่อ วัฒนธรรมความปลอดภัย: มันรักษาบริษัทให้อยู่ใน ระดับการพึ่งพาอย่างเข้มงวด (ดูเส้นโค้งของแบรดลีย์) หากผู้จัดการไม่ค่อย มีส่วนร่วมอย่างกระตือรือร้นในกระบวนการสดก่อนหน้านี้ การประเมินด้วย AI จะทำให้องค์กรสูญเสียโอกาส ในการเติบโตของผู้นำและผู้ให้คำปรึกษา
  3. ผู้คนจะคิดอย่างไร เกี่ยวกับความเป็นผู้นำของผู้จัดการของพวกเขา ซึ่งภายใต้การบันทึกสำหรับการประเมินด้วย AI ดำเนินการ "บทสนทนาความปลอดภัย" โดยหลบ สายตาและพูดซ้ำวลีที่ท่องจำ? คุณอยากจะอยู่ใน จุดของเขาในช่วงเวลาเช่นนั้นหรือไม่?
  4. ทันทีที่ผู้คนเข้าใจอย่างชัดเจนว่า AI ให้คะแนน “meets” สำหรับวลีใด พวกเขา จะเรียนรู้ที่จะแสดง "โรงละครหน้าไมโครโฟน"
  5. จะมีความจริงใจในคำตอบของคนงานหรือไม่ หากพวกเขา รู้ว่าคำพูดของพวกเขาถูกบันทึกและส่งไปยัง "อัลกอริทึมบางอย่าง"? แทนที่จะ เสริมสร้างความไว้วางใจ "ข้อแก้ตัว" ทางเสียงใหม่ๆ จะปรากฏขึ้น


ดังนั้น การประเมินด้วย AI:


  • จะเป็นประโยชน์ ด้วยการใช้งาน ระยะสั้น (เป็นครั้งคราว) ในโหมด "เครื่องจำลองดิจิทัล" เพื่อฝึกอบรม ผู้คนจำนวนมากอย่างรวดเร็วในโครงสร้างพื้นฐานของบทสนทนา อย่างไรก็ตาม AI ตามคำจำกัดความจะไม่แทนที่การฝึกอบรมแบบเห็นหน้ากัน ผู้ฝึกสอนที่มีประสบการณ์ และผู้จัดการ-ผู้ให้คำปรึกษา ซึ่งจำเป็น สำหรับการพัฒนาและการรักษาทักษะเชิงปฏิบัติที่แท้จริง
  • จะนำมาซึ่งอันตราย เมื่อขยายขนาดเป็น เครื่องมือถาวร เนื่องจากมันจะ "แช่แข็ง" ปัญหาที่มีอยู่ ของความเป็นผู้นำและระบบความรับผิดชอบส่วนบุคคล

อย่ารีบเร่งที่จะมองหา "ผู้เชี่ยวชาญคนที่สอง" ใน AI หากมีปัญหากับคนแรก

1 1
Aleksandr Bondarenko
Aleksandr Bondarenkoสมาชิกที่ได้รับการยืนยัน 2 เดือนที่แล้ว

อีวาน ขอบคุณสำหรับข้อเสนอแนะที่เป็นประโยชน์ 


ผมเห็นด้วยกับความเสี่ยงของ "การแสดงหน้าไมโครโฟน": หากเปลี่ยน AI ให้เป็นเพียงเครื่องมือควบคุมเพื่อการประเมินผล ก็แทบจะไม่มีประโยชน์อะไร


แต่บางทีในบทความ ผมอาจจะไม่ได้เปิดเผยเส้นทางในอนาคตของเราอย่างครบถ้วน การประเมินผลด้วยเครื่องบันทึกเสียงในเดือนเมษายน ถือเป็น เครื่องจำลองดิจิทัล สำหรับเราเป็นหลัก 

AI ไม่เพียงแค่ให้คะแนนเท่านั้น แต่ยังให้ข้อเสนอแนะด้วย: สิ่งใดที่ทำได้ดี สิ่งใดที่ต้องปรับปรุง วิธีการดึงดูดพนักงานให้มีส่วนร่วม และการสื่อสารเรื่องความเสี่ยงอย่างดีที่สุด

ใช่ คนเราสามารถเตรียมตัวและจัดการบรรยายสรุปห้านาทีที่เป็นแบบอย่างได้ แต่ในขั้นตอนนี้เราเชื่อมั่นในสิ่งสำคัญที่สุด: ผู้จัดการของเรารู้และสามารถดำเนินการได้อย่างถูกต้อง!


วันนี้เรากำลังก้าวไปไกลกว่านั้นแล้ว การบรรยายสรุปห้านาทีจะได้รับการประเมินอย่างเป็นระบบจากบันทึกของกล้องวงจรปิดในสถานที่ที่มีการออกใบอนุญาตทำงาน และในที่ที่ไม่มีกล้อง จะใช้เครื่องบันทึก "Revizor" นี่ไม่ใช่การบันทึกที่เตรียมไว้เป็นพิเศษอีกต่อไป แต่เป็นงานประจำวันตามปกติ (และยังมาพร้อมกับข้อเสนอแนะส่วนบุคคลพร้อมคำแนะนำ)


ดังนั้น AI สำหรับเราจึงไม่ใช่ผู้จัดการตัวแทนและไม่ใช่ "ผู้ควบคุมดูแลทางดิจิทัล" แต่เป็นเครื่องมือสำหรับเรียนรู้และข้อเสนอแนะอย่างต่อเนื่อง สิ่งนี้มีความสำคัญอย่างยิ่งสำหรับผู้เชี่ยวชาญที่มีความสามารถทางเทคนิคสูง ซึ่งไม่ใช่เรื่องง่ายเสมอไปที่จะพูดคุยกับผู้คนอย่างกระชับ ชัดเจน และน่าเชื่อถือ


เมื่อพูดถึงการสนทนาเชิงพฤติกรรม ทุกอย่างซับซ้อนขึ้นจริงๆ และที่นี่เรายังคงค้นหารูปแบบที่เหมาะสมที่สุด แต่หลักการยังคงเหมือนเดิม: AI ไม่ควรแทนที่การสนทนาสด — แต่ควรช่วยผู้จัดการให้ดำเนินการได้ดีขึ้น


และเกณฑ์หลักสำหรับเราไม่ใช่การประเมินอัลกอริทึม แต่เป็นการเปลี่ยนแปลงพฤติกรรมที่แท้จริงของผู้คน!

2 0
Ivan Bobrov
Ivan Bobrovสมาชิกที่ได้รับการยืนยัน 2 เดือนที่แล้ว
อเล็กซานเดอร์ ขอบคุณสำหรับคำตอบที่ละเอียดถี่ถ้วน ผมมั่นใจว่าบทความของคุณและการพูดคุยเล็ก ๆ น้อย ๆ ของเราจะเป็นที่สนใจของเพื่อนร่วมงาน
การที่คุณมุ่งเน้นไปที่โค้ช AI ดูมีแนวโน้มที่ดีมากหากมีการใช้เครื่องมือนี้อย่างถูกต้อง

เพื่อให้แน่ใจว่าเครื่องมือนี้เข้ากันได้กับรากฐานทางสังคมและจิตวิทยาของวัฒนธรรมความปลอดภัย โค้ช AI (เช่นเดียวกับเครื่องมือควบคุมทางดิจิทัลอื่น ๆ อีกมากมาย) จะต้องไม่ถูกผูกติดกับ KPI ในการให้โบนัสของผู้บริหาร ทางเลือกที่ดีที่สุดและดูเหมือนจะเป็นทางเลือกเดียวที่มีประสิทธิภาพในการใช้งานก็คือ เครื่องมือเพื่อการพัฒนาตนเองที่เป็นความลับ ตามที่คุณได้กล่าวถึง

จากประสบการณ์ของผม สิ่งสำคัญอย่างยิ่ง คือการสร้างแรงจูงใจที่ถูกต้อง:
  • ไม่ออกคำสั่ง แต่กระตุ้นให้ผู้คนนำเครื่องมือไปใช้ด้วยความสมัครใจและอย่างมีสติ
  • สนับสนุนความคิดริเริ่มส่วนบุคคลและการกระทำที่ถูกต้อง
  • การสื่อสารที่เปิดเผย ซื่อสัตย์ และไม่เป็นทางการมีความสำคัญอย่างยิ่งในเรื่องนี้
สิ่งนี้จะช่วยเสริมสร้างความไว้วางใจและบรรลุการมีส่วนร่วมที่ดีขึ้นของผู้คน
ขออวยพรอย่างจริงใจให้คุณโชคดีในการดำเนินการตามสิ่งที่ตั้งใจไว้และเกิดแนวคิดใหม่ ๆ ที่ก้าวล้ำ! ผมจะติดตามกรณีของคุณด้วยความสนใจ
2 0
Aleksandr Bondarenko
Aleksandr Bondarenkoสมาชิกที่ได้รับการยืนยัน 2 เดือนที่แล้ว

อิวาน ผมขอขอบคุณคุณสำหรับคำพูดที่อบอุ่นและการสนทนาที่มีสาระ 


ผมเห็นด้วยอย่างยิ่ง: วัฒนธรรมความปลอดภัยที่ยั่งยืนไม่สามารถสร้างขึ้นได้ "ด้วยการบังคับ" โดยเฉพาะอย่างยิ่งเมื่อพูดถึงพฤติกรรมและการมีส่วนร่วมส่วนตัวของผู้บริหาร

เรากำลังพยายามทำงานมากขึ้นผ่านการยอมรับและแรงจูงใจเชิงบวก ตัวอย่างเช่น ทุกเดือนจากผลการประเมินทางดิจิทัล เราจะเลือกการบรรยายสรุปความปลอดภัยห้านาทีที่ดีที่สุดหกรายการ วิเคราะห์ในวิดีโอแยกต่างหากว่ามีอะไรที่ทำได้ดีบ้าง และมอบรางวัลใบประกาศเกียรติคุณแก่หัวหน้าคนงานจากมือของประธานเจ้าหน้าที่บริหารที่คณะกรรมการกลางด้านอาชีวอนามัยและความปลอดภัยในการทำงาน — ด้วยตนเองต่อหน้าผู้ชมจำนวนมาก (300) ของผู้บริหารและผู้เชี่ยวชาญ

ด้วยผู้บริหาร ผู้เชี่ยวชาญ และพนักงานออฟฟิศ 1,300 คน นี่เป็นการแข่งขันที่จริงจังพอสมควรและที่สำคัญคือการยอมรับต่อสาธารณชนถึงแนวปฏิบัติที่ดี

ตอนนี้เราเริ่มขยายแนวทางนี้ไปยังองค์กรผู้รับเหมาด้วยเช่นกัน


ผมขอขอบคุณคุณสำหรับการแลกเปลี่ยนความคิดเห็น 

ผมก็ติดตามสิ่งพิมพ์ของคุณและแนวปฏิบัติของเพื่อนร่วมงานอย่างใกล้ชิดเช่นกัน 


ท้ายที่สุดแล้ว เราทุกคนกำลังทำสิ่งเดียวกัน — ค้นหาวิธีที่ใช้ได้ผลในการพัฒนาวัฒนธรรมความปลอดภัยและทำให้มันมีชีวิตชีวาอย่างแท้จริง ไม่ใช่แค่เป็นทางการ!!!

2 0
Irina Klimanova
Irina Klimanovaสมาชิกที่ได้รับการยืนยัน 1 เดือนที่แล้ว
ขอขอบคุณที่คุณแบ่งปันกรณีนี้
เป็นเครื่องมือที่น่าสนใจ

ฉันมีคำถามเกี่ยวกับความลับ: ข้อมูลที่โหลดลงในบอทนั้นปลอดภัยสำหรับบริษัทมากน้อยเพียงใด? ตอนนี้หลายคนใช้มัน แต่มีข้อสงสัยว่าการใช้ AI แบบเปิดโดยไม่มีบริการคลาวด์ในพื้นที่นั้นไม่ค่อยมีความสัมพันธ์กับปัญหาข้อมูลรั่วไหล..

ฝ่ายรักษาความปลอดภัยและทนายความมีปฏิกิริยาอย่างไรต่อโครงการนี้? หรืออย่างไรก็ตาม คุณปกป้องข้อมูลของคุณที่อัปโหลดไปยังบอท Telegram ด้วยวิธีใดวิธีหนึ่งหรือไม่? (บางทีฉันอาจจะเข้าใจกลไกไม่ถูกต้องทั้งหมดหรือพลาดประเด็นนี้ไปที่ไหนสักแห่ง)
0 0
Aleksandr Bondarenko
Aleksandr Bondarenkoสมาชิกที่ได้รับการยืนยัน 1 เดือนที่แล้ว

คุณอิริน่า ขอบคุณครับ คำถามนี้ตรงประเด็นอย่างยิ่ง!

ในเวอร์ชันเริ่มต้นที่ใช้ Make เราได้ลดทอนข้อมูลส่วนบุคคลอย่างจงใจ: ชื่อ-นามสกุล, รหัสพนักงาน, ตำแหน่ง และตัวระบุอื่น ๆ จะไม่ถูกส่งไปยังระบบคลาวด์ — มีเพียงรหัสสุ่มส่วนบุคคลและบันทึกเสียงเท่านั้น ในขณะเดียวกัน สิ่งสำคัญที่ต้องทำความเข้าใจคือ: เสียงเองก็จัดเป็นข้อมูลส่วนบุคคลเช่นกัน ดังนั้นแนวทางนี้จึงไม่สามารถแก้ไขปัญหาความลับได้อย่างสมบูรณ์ ในวิดีโอของบทความ คุณสามารถดูได้ว่าแบบแผนนี้ถูกสร้างขึ้นมาอย่างไร

ในเวลาเดียวกัน ทีมงานอาชีวอนามัยและความปลอดภัย และความปลอดภัยทางอุตสาหกรรมของเรา ได้พัฒนาตัวเลือกที่สอง — ซึ่งอยู่ภายในขอบเขตองค์กรของเราอย่างสมบูรณ์แบบบน AI ภายในของเราที่ชื่อ Fire หลังจากคณะกรรมการกลางด้านอาชีวอนามัยและความปลอดภัย ซึ่งจัดขึ้นเมื่อสองวันที่แล้ว นี่คือทิศทางที่เราตัดสินใจก้าวต่อไป

ตอนนี้ Fire ได้ทำการแยกแทร็กเสียงจากบันทึกของกล้องวงจรปิดแบบอยู่กับที่หรือเครื่องบันทึกวิดีโอ, ถอดความการประชุมห้านาที, ดำเนินการประเมินตามเกณฑ์ที่กำหนด, สร้างข้อเสนอแนะ และถ่ายโอนผลลัพธ์ไปยังแดชบอร์ด เมื่อประมวลผลบันทึกเดิมซ้ำ เราจะได้รับการประเมินที่เสถียรตามกฎเกณฑ์เดียวกัน

นอกจากนี้ เป้าหมายในที่นี้ไม่ใช่เพื่อ «ให้คะแนน» ผู้จัดการ เรามีวิศวกรและบุคลากรทางเทคนิคประมาณ 1,300 คน และระบบช่วยให้เรามองเห็นความเป็นระบบอย่างชัดเจน: ว่าบุคคลนั้นสามารถจัดการประชุมห้านาทีเชิงสาธิตได้อย่างยอดเยี่ยมไม่เพียงแค่ครั้งเดียว แต่ทำได้อย่างมีคุณภาพสูงในทุก ๆ กะงานจริง ๆ ในจุดที่จำเป็น — เพื่อจัดการฝึกอบรมเพิ่มเติม, บางจุดเพื่อแก้ไขการสื่อสารกับผู้คน, บางจุดเพื่อดูแนวปฏิบัติที่ดีอย่างยั่งยืน

ตามหลักการเดียวกัน ตั้งแต่วันที่ 1 ตุลาคม ได้มีการเปิดตัวขอบเขตภายในที่สองเพื่อประเมินบทสนทนาเชิงพฤติกรรมด้านความปลอดภัย

ดังนั้น คุณหยิบยกหัวข้อการรั่วไหลของข้อมูลขึ้นมาได้อย่างถูกต้องที่สุด: สำหรับ AI บนคลาวด์ นี่คือปัญหาที่แท้จริง

เราเริ่มต้นด้วยการทำให้ไม่สามารถระบุตัวตนได้มากที่สุด และตอนนี้เรากำลังเปลี่ยนไปสู่การประมวลผลภายในขอบเขตองค์กรที่ได้รับการปกป้อง

0 0
Irina Klimanova
Irina Klimanovaสมาชิกที่ได้รับการยืนยัน 1 เดือนที่แล้ว
อเล็กซานเดอร์,
ขอบคุณสำหรับคำตอบที่ละเอียดขนาดนี้ค่ะ ตอนนี้ทุกอย่างชัดเจนแล้ว ฉันได้จดบันทึกประสบการณ์ของคุณไว้แล้วค่ะ 
0 0
Aleksandr Bondarenko
Aleksandr Bondarenkoสมาชิกที่ได้รับการยืนยัน 1 เดือนที่แล้ว
🤝
0 0

บล็อกผู้เชี่ยวชาญ

อ่านบทความจากผู้นำด้านความปลอดภัย

บทความทั้งหมดในบล็อก
เราใช้คุกกี้เพื่อประสบการณ์ที่ดียิ่งขึ้น · ประกาศเกี่ยวกับคุกกี้

เข้าร่วมกับผู้นำ

14,000+ ผู้เชี่ยวชาญ · 128+ ประเทศ

1
ข้อมูลติดต่อ
2
โปรไฟล์

ลงทะเบียน

บอกเราเกี่ยวกับตัวคุณ

จำเป็นต้องกรอก
จำเป็นต้องกรอก
กรุณากรอกอีเมลที่ถูกต้อง
หมายเลขไม่ถูกต้อง

ลงทะเบียน

ข้อมูลวิชาชีพ

จำเป็นต้องกรอก
จำเป็นต้องกรอก
จำเป็นต้องกรอก

กรุณายินยอมรับจดหมายข่าว เพื่อประสบการณ์ที่ดีขึ้นบนแพลตฟอร์ม

ลงทะเบียนสำเร็จ

เราส่งข้อมูลการเข้าสู่ระบบไปยังอีเมลของคุณแล้ว ใช้รหัสผ่านที่ได้รับเพื่อเข้าสู่ระบบ

ไม่ได้รับอีเมล?
ตรวจสอบโฟลเดอร์สแปม

ยินดีต้อนรับ!

คุณเข้าสู่ระบบสำเร็จแล้ว

ยังไม่มีบัญชี? ลงทะเบียน · ลืมรหัสผ่าน?

กู้คืนรหัสผ่าน

กรอกอีเมลเพื่อกู้คืน

กรุณากรอกอีเมลที่ถูกต้อง

ส่งลิงก์แล้ว

ลิงก์รีเซ็ตรหัสผ่านถูกส่งไปยังอีเมลของคุณแล้ว ลิงก์ใช้ได้ 1 ชั่วโมง

ไม่ได้รับอีเมล?
ตรวจสอบโฟลเดอร์สแปม
จำรหัสผ่านได้แล้ว? เข้าสู่ระบบ · ลงทะเบียน