ข้ามไปยังเนื้อหาหลัก
เทคโนโลยี & ไอทีบทวิเคราะห์โดยกองบรรณาธิการ

RAG คืออะไร? ให้ AI ตอบจากข้อมูลบริษัทคุณ ลดการตอบมั่ว อ้างอิงได้

ภาพปกบทความ "RAG คืออะไร?" ให้ AI ตอบจากข้อมูลบริษัทคุณ — ภาพประกอบ RAG: กองเอกสารของบริษัทไหลเข้าฐานข้อมูลเวกเตอร์ แว่นขยายค้นหา ส่งต่อไปยังชิป AI แล้วได้คำตอบในกล่องแชตพร้อมเครื่องหมายถูก
สารบัญเนื้อหา12 หัวข้อ · อ่าน 5 นาที

Key Takeaways

3 ประเด็น
  1. ค้นก่อน แล้วค่อยตอบ RAG ให้ AI ดึงข้อมูลที่เกี่ยวข้องจากเอกสารหรือฐานข้อมูลของบริษัท แล้วใช้ข้อมูลนั้นประกอบคำตอบ แทนการตอบจากความจำของโมเดลอย่างเดียว
  2. ถูกกว่าและอัปเดตง่ายกว่า Fine-tuning แก้เอกสารในคลังความรู้ AI ก็ตอบตามข้อมูลใหม่ได้ทันที ไม่ต้องฝึกโมเดลใหม่
  3. คุณภาพขึ้นกับข้อมูลต้นทาง ถ้าเอกสารเก่า ซ้ำซ้อน หรือแบ่งชิ้นไม่ดี คำตอบก็จะพลาด ต้องจัดคลังความรู้ให้ดีก่อน

RAG คือ เทคนิค Retrieval-Augmented Generation ที่ให้ AI "ค้นข้อมูลก่อนตอบ" แทนที่โมเดลภาษาจะตอบจากความรู้ที่จำมาตอนฝึกอย่างเดียว ระบบจะค้นหาข้อมูลที่เกี่ยวข้องจากเอกสาร คู่มือ หรือฐานข้อมูลของบริษัทก่อน แล้วส่งข้อมูลนั้นให้ AI ใช้ประกอบคำตอบ ผลคือ AI ตอบเรื่องเฉพาะของบริษัทได้ เช่น นโยบายการคืนสินค้า สเปกสินค้า หรือขั้นตอนเบิกค่าใช้จ่าย ข้อมูลเป็นปัจจุบัน และบอกได้ว่าคำตอบมาจากเอกสารไหน

RAG คืออะไร

IBM อธิบายว่า RAG เป็นสถาปัตยกรรมที่ช่วยให้โมเดล AI ทำงานได้ดีขึ้น ด้วยการเชื่อมโมเดลภาษาขนาดใหญ่ (LLM) เข้ากับคลังความรู้ภายนอก เพื่อให้คำตอบตรงประเด็นและมีคุณภาพสูงขึ้น

แนวคิดนี้มาจากงานวิจัย "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" ของ Patrick Lewis และคณะ ซึ่งเผยแพร่บน arXiv เมื่อพฤษภาคม 2020 งานวิจัยจับคู่โมเดลสร้างข้อความกับดัชนีค้นหาเอกสาร และพบว่าคำตอบที่ได้เจาะจงและถูกต้องตามข้อเท็จจริงมากกว่าโมเดลที่ใช้ความจำของตัวเองอย่างเดียว

เปรียบง่าย ๆ ว่า LLM เหมือนพนักงานเก่งที่เพิ่งเข้าบริษัท รู้เรื่องทั่วไปมาก แต่ไม่รู้นโยบายภายใน RAG คือการให้พนักงานคนนั้นเปิดคู่มือบริษัทก่อนตอบลูกค้าทุกครั้ง

RAG ทำงานอย่างไร

ภาพประกอบขั้นตอนการทำงานของ RAG หกขั้น: รวบรวมเอกสาร ตัดเอกสารเป็นชิ้นด้วยกรรไกร แปลงเป็นตารางเวกเตอร์ เก็บในฐานข้อมูล ค้นหาด้วยแว่นขยาย และให้ AI ตอบในมือถือแชต
เตรียมคลังความรู้ด้วยการรวบรวม แบ่งชิ้น แปลงเป็นเวกเตอร์ และเก็บในฐานข้อมูล แล้วค้นชิ้นที่ตรงคำถามให้ AI ใช้ตอบ

ขั้นเตรียมคลังความรู้ (ทำล่วงหน้า)

  1. รวบรวมเอกสาร เช่น คู่มือสินค้า FAQ นโยบาย สัญญา และข้อมูลจากระบบหลังบ้าน
  2. แบ่งเป็นชิ้น (Chunking) หั่นเอกสารเป็นชิ้นขนาดพอเหมาะ IBM ระบุว่าชิ้นใหญ่เกินจะกว้างเกินไป ชิ้นเล็กเกินจะขาดบริบท
  3. แปลงเป็นเวกเตอร์ (Embedding) แปลงแต่ละชิ้นเป็นชุดตัวเลขที่แทนความหมาย
  4. เก็บใน Vector Database ฐานข้อมูลที่ค้นหาตามความหมายได้ ไม่ใช่แค่ตามคำ

ขั้นตอบคำถาม (ทุกครั้งที่มีคนถาม)

  1. ผู้ใช้พิมพ์คำถาม
  2. ระบบค้นหา (Retriever) หาชิ้นเอกสารที่ความหมายใกล้เคียงกับคำถามที่สุด
  3. ระบบนำชิ้นเอกสารเหล่านั้นมาต่อเข้ากับคำถาม เป็นคำสั่งที่มีบริบทเพิ่ม (Augmented Prompt)
  4. LLM สร้างคำตอบจากบริบทนั้น และแนบแหล่งอ้างอิงได้

ประโยชน์ของ RAG

IBM สรุปประโยชน์ของ RAG ไว้ ได้แก่

  • ต้นทุนต่ำกว่าการฝึกโมเดลใหม่หรือ Fine-tuning
  • ใช้ข้อมูลเฉพาะทางและเป็นปัจจุบันได้ แก้เอกสารแล้ว AI ตอบตามข้อมูลใหม่ทันที
  • ลดความเสี่ยงการตอบมั่ว (Hallucination) เพราะมีข้อมูลจริงให้อิง
  • อ้างอิงแหล่งที่มาได้ ผู้ใช้ตรวจสอบคำตอบได้ ช่วยเพิ่มความเชื่อมั่น
  • ควบคุมง่าย ทีมพัฒนาปรับคลังความรู้ได้โดยไม่ต้องแตะตัวโมเดล
  • ความปลอดภัยของข้อมูล ข้อมูลเฉพาะของบริษัทแยกเก็บจากตัวโมเดล

RAG กับ Fine-tuning ต่างกันอย่างไร

ภาพประกอบเปรียบเทียบ RAG กับ Fine-tuning: ฝั่ง RAG เอกสารเชื่อมกับฐานข้อมูลและชิป AI พร้อมลูกศรอัปเดตทันที ฝั่ง Fine-tuning ชิป AI อยู่บนสายพานฝึกโมเดลพร้อมเฟืองและนาฬิกา
RAG ค้นข้อมูลภายนอกมาประกอบคำตอบและอัปเดตได้ทันที ส่วน Fine-tuning ฝึกโมเดลเพิ่ม ต้นทุนสูงกว่าและต้องฝึกใหม่เมื่อข้อมูลเปลี่ยน
ประเด็นRAGFine-tuning
หลักการค้นข้อมูลภายนอกมาประกอบคำตอบฝึกโมเดลเพิ่มด้วยข้อมูลเฉพาะทาง
อัปเดตข้อมูลแก้เอกสารในคลังได้ทันทีต้องฝึกใหม่เมื่อข้อมูลเปลี่ยน
ต้นทุนเริ่มต้นต่ำกว่าสูงกว่า ต้องมีข้อมูลฝึกและทรัพยากรประมวลผล
อ้างอิงแหล่งที่มาทำได้ทำได้ยาก
เหมาะกับถามตอบจากเอกสาร ข้อมูลที่เปลี่ยนบ่อยปรับรูปแบบ น้ำเสียง หรือทักษะเฉพาะของโมเดล

IBM ระบุว่าสองวิธีนี้ใช้ร่วมกันได้ Fine-tuning ทำให้โมเดลคุ้นกับภาษาและงานของอุตสาหกรรม ส่วน RAG ช่วยให้คำตอบอิงข้อมูลที่ถูกต้องและเป็นปัจจุบัน

ตัวอย่างการใช้ RAG ในธุรกิจ

  • แชตบอตบริการลูกค้า ตอบเรื่องสินค้า ราคา การรับประกัน และการคืนสินค้า จากคู่มือจริงของบริษัท
  • ผู้ช่วยพนักงานภายใน ถามเรื่องสวัสดิการ ขั้นตอนเบิกจ่าย หรือคู่มือการทำงาน
  • ผู้ช่วยฝ่ายขาย ค้นสเปกสินค้า เคสลูกค้าเดิม และราคามาตรฐานระหว่างคุยกับลูกค้า
  • งานกฎหมายและเอกสาร ค้นและสรุปข้อสัญญา ระเบียบ หรือมาตรฐานที่เกี่ยวข้อง
  • ฝ่ายเทคนิคและซ่อมบำรุง ถามวิธีแก้ปัญหาเครื่องจักรจากคู่มือและบันทึกการซ่อม

RAG มักเป็นส่วนหนึ่งของ AI Agent ด้วย Agent ใช้ RAG เป็น "เครื่องมือค้นข้อมูล" ก่อนตัดสินใจทำงานขั้นต่อไป อ่านเพิ่มเติมได้ที่AI Agent คืออะไร

ข้อจำกัดและความท้าทาย

  • ยังตอบผิดได้ IBM ย้ำว่า RAG ลดความเสี่ยงการตอบมั่วได้ แต่ทำให้โมเดลไม่ผิดพลาดเลยไม่ได้
  • ต้องดูแลคลังความรู้ต่อเนื่อง เอกสารเก่าหรือขัดแย้งกันทำให้คำตอบผิด
  • การแบ่งชิ้นเอกสาร ต้องปรับให้เหมาะกับลักษณะเอกสาร เช่น ตาราง สัญญา หรือ FAQ
  • ความปลอดภัยของ Vector Database IBM เตือนว่าถ้าฐานข้อมูลเวกเตอร์ถูกเจาะ ผู้โจมตีอาจย้อนกลับเพื่อกู้ข้อมูลต้นฉบับได้ โดยเฉพาะเมื่อไม่ได้เข้ารหัส
  • ข้อมูลองค์กรกระจัดกระจาย ข้อมูลอยู่หลายระบบ ต้องรวมและจัดระเบียบก่อน
  • สิทธิ์การเข้าถึง พนักงานแต่ละระดับไม่ควรเห็นเอกสารเดียวกันทั้งหมด ระบบต้องค้นเฉพาะเอกสารที่ผู้ถามมีสิทธิ์

วิธีเริ่มทำ RAG ในองค์กร

  1. เลือกโจทย์ที่ชัด เช่น ลดคำถามซ้ำที่เข้าฝ่ายบริการลูกค้า หรือให้พนักงานใหม่หาคำตอบเองได้
  2. คัดเอกสารที่ถูกต้องและเป็นปัจจุบัน เริ่มจากชุดเล็กที่เชื่อถือได้ ดีกว่าโยนทุกไฟล์เข้าไป
  3. เลือกเครื่องมือ ใช้บริการสำเร็จรูปของผู้ให้บริการ AI หรือสร้างเองด้วยเครื่องมืออย่าง n8n ร่วมกับ Vector Database
  4. ทดสอบด้วยคำถามจริง เตรียมชุดคำถามพร้อมคำตอบที่ถูกต้อง แล้ววัดอัตราตอบถูก
  5. ให้ AI แนบแหล่งอ้างอิงเสมอ และกำหนดให้ตอบว่า "ไม่ทราบ" เมื่อไม่พบข้อมูล
  6. วางระบบอัปเดตเอกสาร กำหนดเจ้าของเอกสารแต่ละหมวด และรอบการทบทวน

ถ้าต้องการให้ผู้เชี่ยวชาญวางระบบ RAG เชื่อมกับข้อมูลองค์กร ดูรายชื่อผู้ให้บริการได้ที่บริษัทรับทำ AI Automation

สรุป

RAG คือเทคนิคที่ให้ AI ค้นข้อมูลจากคลังความรู้ของบริษัทก่อนตอบ ช่วยให้คำตอบถูกต้อง เป็นปัจจุบัน และอ้างอิงได้ ต้นทุนต่ำกว่าการฝึกโมเดลใหม่ และอัปเดตได้ทันทีที่แก้เอกสาร RAG ไม่ได้ทำให้ AI ไม่ผิดเลย ความแม่นยำขึ้นกับคุณภาพเอกสาร การแบ่งชิ้น และการควบคุมสิทธิ์ ธุรกิจควรเริ่มจากโจทย์ชัดและเอกสารชุดเล็กที่เชื่อถือได้ แล้วค่อยขยาย

คำถามที่พบบ่อย (FAQ)

RAG ย่อมาจากอะไร

RAG ย่อมาจาก Retrieval-Augmented Generation แปลตรงตัวว่าการสร้างข้อความที่เสริมด้วยการค้นคืนข้อมูล

RAG Chatbot ต่างจากแชตบอตทั่วไปอย่างไร

แชตบอตแบบเดิมตอบตามสคริปต์ที่ตั้งไว้ แชตบอต AI ทั่วไปตอบจากความรู้ของโมเดล ส่วน RAG Chatbot ค้นเอกสารของบริษัทก่อนตอบ จึงตอบเรื่องเฉพาะขององค์กรได้และอ้างอิงแหล่งที่มาได้

Vector Database คืออะไร

Vector Database คือฐานข้อมูลที่เก็บข้อมูลในรูปเวกเตอร์ตัวเลขที่แทนความหมาย ทำให้ค้นหาข้อความที่ความหมายใกล้เคียงกันได้ แม้จะใช้คำต่างกัน

ทำ RAG ต้องใช้ข้อมูลเยอะแค่ไหน

ไม่จำเป็นต้องเยอะ เริ่มได้จากเอกสารไม่กี่สิบฉบับที่ถูกต้องและครอบคลุมคำถามหลัก คุณภาพและความเป็นปัจจุบันของเอกสารสำคัญกว่าปริมาณ

แหล่งอ้างอิง

  1. What is retrieval augmented generation (RAG)? – IBM
  2. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks – Lewis et al., arXiv
  3. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks – Meta AI
Submit your news

มีข่าวขององค์กรที่อยากเล่าไหม?

ส่งข่าวประชาสัมพันธ์หรือแถลงการณ์ขององค์กรมาที่ bizzenter ทีมงานจะอ่านทวนและเผยแพร่บนหน้าเว็บถาวรที่ค้นเจอได้บน Google