RAG คืออะไร? เตรียมเอกสารให้ AI ตอบจากข้อมูลธุรกิจ

RAG คือการค้นข้อมูลที่เกี่ยวข้องก่อนส่งให้โมเดลภาษาใช้ประกอบคำตอบ เหมาะกับงานถามตอบจากเอกสารที่องค์กรมีอยู่ แต่คุณภาพยังขึ้นกับเอกสาร การค้น และการตรวจคำตอบ ไม่ใช่การรับประกันว่า AI จะตอบถูกเสมอ

ข้อมูลเดินทางอย่างไร

เริ่มจากจัดเตรียมเอกสาร สร้างดัชนีสำหรับค้น เมื่อผู้ใช้ถาม ระบบค้นส่วนที่เกี่ยวข้องแล้วส่งข้อมูลนั้นพร้อมคำถามให้โมเดลสร้างคำตอบ แนวทางนี้ช่วยเชื่อมการค้นกับการสร้างข้อความโดยไม่ต้องใช้การฝึกโมเดลใหม่เป็นขั้นตอนหลักของทุกการอัปเดตเอกสาร

เริ่มจากเอกสารขอบเขตเล็ก

ตัวอย่างงานนำร่องคือคู่มือการใช้งานสินค้าหนึ่งกลุ่ม เลือกฉบับที่มีเจ้าของเอกสาร วันที่ปรับปรุง และสถานะอนุมัติชัดเจน แยกเอกสารที่เลิกใช้ และทดสอบว่าการอ่านตารางหรือข้อความจาก PDF ถูกต้อง

ออกแบบการประเมินก่อนเปิดใช้

1. เตรียมคำถามที่มีคำตอบอยู่จริง
2. เพิ่มคำถามที่ไม่มีคำตอบในเอกสาร
3. ตรวจว่าข้อความอ้างอิงรองรับคำตอบจริง
4. ทดสอบบัญชีที่มีสิทธิ์เอกสารต่างกัน
5. บันทึกข้อผิดพลาดเพื่อแก้การค้นหรือข้อมูลต้นทาง

กำหนดให้ระบบแจ้งเมื่อไม่พบหลักฐาน แทนการบังคับให้ตอบทุกเรื่อง และให้เจ้าของงานตรวจคำตอบก่อนนำไปใช้ในงานที่มีผลกระทบสูง

แผนภาพสรุปเพื่อใช้งาน

ภาพปกและแผนภาพในบทความจัดทำโดย CarBizTech เพื่ออธิบายแนวคิด ตัวอย่างในภาพเป็นแบบจำลอง ไม่ใช่ข้อมูลผลประกอบการหรือผลทดสอบจริง

คำถามที่พบบ่อย

RAG ทำให้ AI ไม่ตอบผิดเลยไหม?

ไม่ การค้นอาจเลือกข้อมูลผิดหรือโมเดลอาจตีความผิด จึงต้องประเมินทั้งหลักฐานและคำตอบ

ควรอัปโหลดทุกเอกสารทันทีไหม?

ควรเริ่มจากชุดที่ตรวจคุณภาพและสิทธิ์เข้าถึงได้ก่อน

มีลิงก์อ้างอิงแล้วถือว่าถูกไหม?

ยังไม่พอ ต้องเปิดดูว่าแหล่งนั้นรองรับข้อความจริงหรือไม่

อ้างอิง

Microsoft Learn: RAG และดัชนี · นิยาม RAG ของ NIST · บทความ IT และ AI