Salesforce เปิดตัว Koa Decisions พร้อมรองรับภาพและเสียง

Salesforce เปิดตัว Koa Decisions เมื่อวันที่ 6 พฤศจิกายน 2026 ซึ่งเป็นโมเดลตัดสินใจที่พัฒนาจาก Gemma แบบเปิดน้ำหนักของ Google และรับข้อมูลได้ทั้งข้อความ ภาพ และเสียง บริษัทมีแผนขยายการใช้เทคโนโลยีนี้ให้ครอบคลุมมากกว่าการกำหนดเส้นทางคำขอใน Agentforce โดยจะนำไปใช้กับเวิร์กโฟลว์ของ Salesforce และเครื่องมือสำหรับนักพัฒนาด้วย

Koa Decisions เป็น HyperClassifier รุ่นถัดไป โมเดลจะอ่านคำขอและรายการหมวดหมู่ที่ผู้ใช้กำหนด จากนั้นส่งผลเป็นตัวเลือก คำตัดสินแบบใช่หรือไม่ใช่ หรือคะแนน ภายในขั้นตอนเดียว Salesforce ระบุว่าการทำงานนี้ใช้เวลาเพียงไม่กี่มิลลิวินาที โมเดลนี้เข้าร่วมตระกูล Koa ร่วมกับ โมเดลให้เหตุผล Koa อีกโมเดลหนึ่งที่พัฒนาร่วมกับ NVIDIA

Koa Decisions สร้างคำตอบอย่างไร

ข้อแตกต่างอยู่ที่วิธีสร้างคำตอบ โมเดลภาษาขนาดใหญ่สร้างข้อความทีละโทเค็น โดยโทเค็นใหม่แต่ละตัวอิงจากโทเค็นที่สร้างไปก่อนหน้า ส่วนโมเดลตัดสินใจจะอ่านคำขอทั้งหมดแล้วส่งคำตอบแบบกระชับ ซึ่งมักมีเพียงโทเค็นเดียว ภายในขั้นตอนเดียว เนื่องจากคำตอบสั้น จึงใช้กำลังประมวลผลในการสร้างน้อยกว่า และซอฟต์แวร์อื่นก็สามารถนำผลลัพธ์ไปดำเนินการต่อได้ทันที

หากพบปัญหาในการเข้าสู่ระบบบัญชี โมเดลสามารถเลือกทีมบัญชีจากรายการที่มีทีมวิศวกรรมและทีมขายรวมอยู่ด้วย แล้วส่งคะแนนความเชื่อมั่นกลับมาได้ วิธีนี้ช่วยให้เอเจนต์ใช้โมเดลเฉพาะทางกับการตัดสินใจที่ต้องทำซ้ำได้ ขณะเดียวกันก็สงวนโมเดลภาษาขนาดใหญ่ (LLM) แบบทั่วไปไว้สำหรับการเขียนและการให้เหตุผล ตามแนวทางการออกแบบของ Salesforce ลูกค้าไม่จำเป็นต้องเลือกโมเดลสำหรับแต่ละงานด้วยตนเอง

ผลการวิจัยและประวัติการใช้งาน HyperClassifier ในระบบจริง

เอกสารวิจัยฉบับก่อนเผยแพร่เกี่ยวกับการตัดสินใจของ Koa นำเสนอการจัดประเภท การตรวจจับจุดสิ้นสุดของคำพูดเชิงความหมาย การตรวจสอบค่าบูลีน และการให้คะแนน ในรูปแบบการสร้างผลลัพธ์ภายใต้ข้อจำกัดที่ให้ผลลัพธ์เป็นโทเค็นเดียว การใช้โทเค็นป้ายกำกับแบบอะตอมและการปรับแต่งโมเดลด้วยการเรียนรู้แบบมีผู้สอนช่วยให้งานเหล่านี้ลดรูปเหลือการถอดรหัสแบบกำหนดแน่นอนในขั้นตอนเดียว

ผู้เขียนรายงานความแม่นยำ 85.5% ในเกณฑ์มาตรฐานการกำหนดเส้นทางตามเจตนาที่ใช้ในระบบจริง การตอบสนองภายในเวลาประมาณครึ่งวินาที และความเร็วค่ามัธยฐานที่เร็วกว่าโมเดลแนวหน้าที่นำมาทดสอบภายใต้เงื่อนไขการให้บริการเดียวกันได้สูงสุดประมาณ 7.5 เท่า เมื่อเทียบกับระบบเฉพาะทาง Jev/TypeSafe ผู้เขียนรายงานว่ามีความแม่นยำในระดับแข่งขันได้และตอบสนองด้วยค่ามัธยฐานเร็วกว่า อีกทั้งยังรองรับข้อมูลนำเข้าแบบหลายสื่อและผลลัพธ์แบบหลายป้ายกำกับ ซึ่งระบบข้อความที่รองรับเพียงป้ายกำกับเดียวทำไม่ได้

Koa Decisions พัฒนาต่อยอดจากโมเดลรุ่นก่อนที่ฝังอยู่ใน Agentforce แล้ว บัญชี Salesforce Engineering อธิบายว่า HyperClassifier ตีความเจตนาของผู้ใช้และกำหนดเส้นทางให้เอเจนต์ไปยังชุดการดำเนินการก่อนสร้างคำตอบ ในการโต้ตอบด้วยเสียง โมเดลจะตรวจจับว่าผู้พูดพูดจบแล้วหรือยัง การออกแบบรุ่นก่อนใช้โทเค็นพิเศษที่ไม่ซ้ำกันแทนแต่ละคลาส และแคชการคำนวณพรอมป์ต์เริ่มต้นไว้ เพื่อไม่ต้องประมวลผลคำสั่งเดิมซ้ำอีก ทั้งยังทำให้จำนวนขั้นตอนการสร้างผลลัพธ์คงที่ไม่ว่าชื่อคลาสจะยาวเพียงใด

HyperClassifier ได้รับการปรับแต่งเพิ่มเติมด้วย GPT-OSS-20B และสามารถจัดประเภทได้สูงสุด 200 ป้ายกำกับ ตามที่ระบุใน รายงานการนำไปใช้งานวันที่ 8 กรกฎาคม 2026 โมเดลนี้กลายเป็นโมเดลเริ่มต้นสำหรับตรวจจับเจตนาและกำหนดเส้นทางในเทมเพลต Agentforce Service และ Employee Agent ตั้งแต่ฤดูใบไม้ผลิปี 2026

Salesforce วัดเวลาตอบสนองในการกำหนดเส้นทางของ HyperClassifier ได้ประมาณ 26 มิลลิวินาที เทียบกับ 1,446 มิลลิวินาทีของโมเดลแนวหน้าแบบทั่วไป อย่างไรก็ตาม ตัวเลขจากการวัดในระบบจริงนี้เป็นของโมเดลรุ่นก่อน และไม่ได้ยืนยันประสิทธิภาพของ Koa Decisions

การเข้าถึงเดโมและการผสานรวมที่วางแผนไว้

ทุกคน รวมถึงผู้ที่ไม่ได้เป็นลูกค้า Salesforce สามารถทดลองเดโม Koa Decisions ได้หลังจากสมัครบัญชี Trailhead ฟรี ผู้ใช้สามารถแก้ไขคำขอและรายการหมวดหมู่ แล้วดูคะแนนความเชื่อมั่นของตัวเลือกต่าง ๆ ได้

Salesforce ระบุว่า การเพิ่มหมวดหมู่ เช่น การคืนสินค้า ไม่จำเป็นต้องฝึกโมเดลใหม่ โดยเปรียบเทียบกับโครงการจัดประเภทเชิงพยากรณ์แบบปรับแต่งเฉพาะ ซึ่งใช้เวลาหลายเดือนสำหรับลูกค้าองค์กรจำนวนมาก ขณะที่การนำโมเดลตัดสินใจไปใช้งานจริงบางครั้งอาจใช้เวลาเพียงไม่กี่ชั่วโมง

ตัวอย่างเวิร์กโฟลว์ที่มีการบันทึกไว้แสดงให้เห็นว่า โมเดลตัดสินใจสามารถแจ้งเตือนว่าดีลการขายมีความเสี่ยงและเลือกทีมที่ควรเข้ามาดำเนินการ ขณะที่ LLM สรุปสิ่งที่เปลี่ยนแปลง โดยส่งต่อข้อมูลจากระเบียนใน Sales Cloud ไปเป็นการแจ้งเตือนใน Slack การผสานรวมที่วางแผนไว้ประกอบด้วยโฟลว์, Apex, เทมเพลตพรอมป์ต์ และ API สำหรับนักพัฒนา ราคาและแพ็กเกจอาจเปลี่ยนแปลง ความพร้อมให้บริการอาจแตกต่างกันไปตามภูมิภาค และการเข้าถึงอยู่ภายใต้ข้อตกลงกับลูกค้า ดังนั้น เดโมและการใช้งาน HyperClassifier ที่มีอยู่จึงไม่ได้ยืนยันว่าการผสานรวมที่วางแผนไว้ทั้งหมดจะพร้อมให้บริการทั่วไป

ความสำคัญในทางปฏิบัติคือการแบ่งหน้าที่ภายในซอฟต์แวร์องค์กรได้ชัดเจนขึ้น กล่าวคือ โมเดลตัดสินใจจัดการการกำหนดเส้นทาง การตรวจสอบ และการให้คะแนน ส่วน LLM รับหน้าที่อธิบายและให้เหตุผล Koa Decisions เพิ่มการรองรับข้อมูลนำเข้าแบบหลายสื่อและจุดเชื่อมต่อสำหรับการผสานรวมที่วางแผนไว้ให้ครอบคลุมยิ่งขึ้น แต่การขยายการใช้งานในองค์กรจะขึ้นอยู่กับว่าการผสานรวมเหล่านี้จะพัฒนาไปไกลกว่าเดโมและงานกำหนดเส้นทางที่ HyperClassifier ทำอยู่แล้วได้มากเพียงใด