Retrieval-Augmented Generation (RAG) ใน AI คืออะไร?

'RAG' บนพื้นหลังสีดำพร้อมภาพสีน้ำเงินนามธรรม

RAG ช่วยให้องค์กรต่างๆ นำ AI มาใช้ได้อย่างมีประสิทธิภาพ – โดยมีความเสี่ยงน้อยกว่าระบบเดิม LLM การใช้งาน

การสร้างข้อมูลที่เพิ่มการสืบค้นกำลังได้รับความนิยมมากขึ้น เนื่องจากธุรกิจต่างๆ เริ่มนำโซลูชัน AI มาใช้มากขึ้น แชทบอทขององค์กร ในช่วงแรกพบข้อผิดพลาดและภาพหลอนที่เสี่ยง

RAG ช่วยให้บริษัทต่างๆ สามารถใช้ประโยชน์จากพลังของ LLMs ในขณะเดียวกันก็สร้างผลผลิตเชิงสร้างสรรค์บนความรู้ทางธุรกิจเฉพาะของตน

Retrieval-Augmented Generation คืออะไร?

การดึงข้อมูลเพิ่ม (RAG) ใน AI เป็นเทคนิคที่รวม a) การดึงข้อมูลภายนอกที่เกี่ยวข้องและ b) การตอบสนองที่สร้างโดย AI เข้าด้วยกัน เพื่อเพิ่มประสิทธิภาพความแม่นยำและความเกี่ยวข้อง

สร้างตัวแทน AI

สร้างตัวแทน AI ที่กำหนดเองด้วย RAG

เริ่มเลย

ไม่ต้องใช้บัตรเครดิต

‍

แทนที่จะพึ่งพาการสร้างแบบจำลองภาษาขนาดใหญ่ ( LLMs ) การตอบสนองจากโมเดล RAG จะได้รับข้อมูลจากฐานความรู้ที่กำหนดโดยตัวสร้างตัวแทน AI เช่น เว็บเพจของบริษัทหรือเอกสารนโยบาย HR

RAG ดำเนินการในสองขั้นตอนหลัก:

1. การดึงข้อมูล

แบบจำลองจะค้นหาและดึงข้อมูลที่เกี่ยวข้องจากแหล่งที่มีโครงสร้างหรือไม่มีโครงสร้าง (เช่น ฐานข้อมูล PDF ไฟล์ HTML หรือเอกสารอื่นๆ) แหล่งเหล่านี้อาจมีโครงสร้าง (เช่น ตาราง) หรือไม่มีโครงสร้าง (เช่น เว็บไซต์ที่ได้รับการอนุมัติ)

2. รุ่น

หลังจากดึงข้อมูลแล้วข้อมูลจะถูกป้อนเข้า LLM . การ LLM ใช้ข้อมูลเพื่อสร้างการตอบสนองในภาษาธรรมชาติ โดยรวมข้อมูลที่ได้รับอนุมัติกับความสามารถด้านภาษาของตัวเองเพื่อสร้างการตอบสนองที่แม่นยำ เหมือนมนุษย์ และสอดคล้องกับแบรนด์

ตัวอย่างกรณีการใช้งาน RAG

ภาพประกอบผู้หญิงบนบันไดพร้อมกล้องโทรทรรศน์

RAG มีจุดประสงค์อะไร? มันช่วยให้องค์กรสามารถนำเสนอข้อมูลที่เกี่ยวข้อง ให้ข้อมูล และถูกต้องแม่นยำ

RAG เป็นหนทางตรงในการลดความเสี่ยงของความไม่แม่นยำ LLM การแสดงผลหรือภาพหลอน

ตัวอย่างที่ 1: สำนักงานกฎหมาย

สำนักงานกฎหมายอาจใช้ RAG ในระบบ AI เพื่อ:

ค้นหาหลักเกณฑ์ คำพิพากษา และคำวินิจฉัยทางกฎหมายที่เกี่ยวข้องจากฐานข้อมูลเอกสารในระหว่างการค้นคว้า
สร้างสรุปคดีโดยดึงข้อเท็จจริงที่สำคัญจากแฟ้มคดีและคำตัดสินที่ผ่านมา
จัดเตรียมข้อมูลอัพเดตที่เกี่ยวข้องกับกฎระเบียบให้กับพนักงานโดยอัตโนมัติ

ตัวอย่างที่ 2 : บริษัทนายหน้าอสังหาริมทรัพย์

สำนักงานอสังหาริมทรัพย์อาจใช้ RAG ในระบบ AI เพื่อ:

สรุปข้อมูลจากประวัติการทำธุรกรรมทรัพย์สินและสถิติอาชญากรรมในพื้นที่ใกล้เคียง
ตอบคำถามทางกฎหมายเกี่ยวกับการทำธุรกรรมเกี่ยวกับทรัพย์สินโดยอ้างอิงกฎหมายและข้อบังคับเกี่ยวกับทรัพย์สินในท้องถิ่น
ปรับปรุงกระบวนการประเมินให้มีประสิทธิภาพยิ่งขึ้นโดยดึงข้อมูลจากรายงานสภาพทรัพย์สิน แนวโน้มตลาด และยอดขายในอดีต

ตัวอย่างที่ 3: ร้านค้าอีคอมเมิร์ซ

อีคอมเมิร์ซอาจใช้ RAG ในระบบ AI เพื่อ:

รวบรวมข้อมูลผลิตภัณฑ์ ข้อมูลจำเพาะ และบทวิจารณ์จากฐานข้อมูลของบริษัทเพื่อแจ้งคำแนะนำผลิตภัณฑ์ที่เป็นรายบุคคล
ดึงข้อมูลประวัติการสั่งซื้อเพื่อสร้างประสบการณ์การช้อปปิ้งที่ปรับแต่งให้ตรงตามความต้องการของผู้ใช้
สร้างแคมเปญอีเมลแบบกำหนดเป้าหมายโดยการดึงข้อมูลการแบ่งกลุ่มลูกค้าและรวมเข้ากับรูปแบบการซื้อล่าสุด

ประโยชน์ของ RAG

ภาพประกอบชายในชุดสูทพร้อมธนูและลูกศรกำลังเล็งไปที่เป้าหมาย

ใครก็ตามที่เคยสอบถาม ChatGPT หรือ Claude ก็รู้ดีว่า LLMs มีการป้องกันขั้นต่ำในตัว

หากขาดการกำกับดูแลอย่างเหมาะสม ข้อมูลดังกล่าวอาจผลิตออกมาไม่ถูกต้องหรือแม้แต่เป็นอันตราย ซึ่งทำให้ไม่น่าเชื่อถือสำหรับการใช้งานในโลกแห่งความเป็นจริง

RAG นำเสนอโซลูชั่นโดยวางคำตอบไว้ในแหล่งข้อมูลที่น่าเชื่อถือและทันสมัย ซึ่งจะช่วยลดความเสี่ยงเหล่านี้ได้อย่างมาก

ป้องกันอาการประสาทหลอนและความคลาดเคลื่อน

รูปแบบภาษาแบบดั้งเดิมมักสร้างภาพหลอน ซึ่งเป็นการตอบสนองที่ฟังดูน่าเชื่อถือ แต่แท้จริงแล้วไม่ถูกต้องหรือไม่เกี่ยวข้อง

RAG ช่วยลดอาการประสาทหลอนโดยอาศัยแหล่งข้อมูลที่เชื่อถือได้และเกี่ยวข้องอย่างยิ่ง

ขั้นตอนการดึงข้อมูลช่วยให้แน่ใจว่าแบบจำลองอ้างอิงข้อมูลที่ถูกต้องและเป็นปัจจุบัน ซึ่งช่วยลดโอกาสเกิดภาพหลอนได้อย่างมากและเพิ่มความน่าเชื่อถือ

ดึงข้อมูลอัพเดทล่าสุด

ในขณะที่ LLMs เป็นเครื่องมืออันทรงพลังสำหรับงานหลายอย่าง แต่ไม่สามารถให้ข้อมูลที่ถูกต้องเกี่ยวกับข้อมูลหายากหรือข้อมูลล่าสุดได้ รวมถึงความรู้ทางธุรกิจที่เฉพาะเจาะจง

แต่ RAG ช่วยให้โมเดลสามารถดึงข้อมูลเรียลไทม์จากแหล่งใดก็ได้ รวมถึงเว็บไซต์ ตาราง หรือฐานข้อมูล

วิธีนี้จะช่วยให้มั่นใจได้ว่าตราบใดที่แหล่งข้อมูลความจริงได้รับการอัปเดต โมเดลจะตอบสนองด้วยข้อมูลที่ทันสมัย

การสื่อสารในบริบทที่ซับซ้อน

จุดอ่อนอีกประการหนึ่งของแบบดั้งเดิม LLM การใช้คือการสูญเสียข้อมูลบริบท LLMs มีปัญหาในการรักษาบริบทในการสนทนาที่ยาวนานหรือซับซ้อน ซึ่งมักส่งผลให้ได้คำตอบที่ไม่สมบูรณ์หรือขาดความต่อเนื่อง

แต่โมเดล RAG ช่วยให้สามารถรับรู้บริบทได้ด้วยการดึงข้อมูลโดยตรงจากแหล่งข้อมูลที่เชื่อมโยงทางความหมาย

ด้วยข้อมูลเพิ่มเติมที่มุ่งเป้าไปที่ความต้องการของผู้ใช้โดยเฉพาะ เช่น แชทบอทสำหรับการขายพร้อมแคตตาล็อกผลิตภัณฑ์ RAG ช่วยให้ตัวแทน AI สามารถเข้าร่วมในการสนทนาตามบริบทได้

RAG ทำงานอย่างไร ทีละขั้นตอน

ภาพประกอบชายสวมชุดสูทกำลังผลักก้อนหินขึ้นเนินเขา

1. การอัพโหลดเอกสาร

ขั้นแรก ผู้สร้างจะอัปโหลดเอกสารหรือไฟล์ไปยังไลบรารีของตัวแทน AI ไฟล์ดังกล่าวอาจเป็นเว็บเพจ PDF หรือรูปแบบอื่นที่รองรับ ซึ่งเป็นส่วนหนึ่งของฐานความรู้ของ AI

2. การแปลงเอกสาร

เนื่องจากมีไฟล์หลายประเภท เช่น PDF เว็บเพจ ฯลฯ ระบบจึงแปลงไฟล์เหล่านี้เป็นรูปแบบข้อความมาตรฐาน ทำให้ AI ประมวลผลและค้นหาข้อมูลที่เกี่ยวข้องได้ง่ายขึ้น

3. การแบ่งส่วนและการเก็บรักษา

เอกสารที่แปลงแล้วจะถูกแบ่งออกเป็นชิ้นเล็ก ๆ ที่จัดการได้ หรือเป็นกลุ่ม ๆ ชิ้นเล็ก ๆ เหล่านี้จะถูกเก็บไว้ในฐานข้อมูล ช่วยให้ตัวแทน AI สามารถค้นหาและดึงส่วนที่เกี่ยวข้องได้อย่างมีประสิทธิภาพในระหว่างการสอบถาม

4. การสอบถามผู้ใช้

หลังจากตั้งค่าฐานความรู้แล้ว ผู้ใช้สามารถถามคำถามกับตัวแทน AI ได้ คำถามจะได้รับการประมวลผลโดยใช้ การประมวลผลภาษาธรรมชาติ (NLP) เพื่อทำความเข้าใจว่าผู้ใช้กำลังถามอะไร

5. การสืบค้นความรู้

ตัวแทน AI จะค้นหาชิ้นส่วนที่จัดเก็บไว้โดยใช้อัลกอริธึมการค้นหาเพื่อค้นหาข้อมูลที่เกี่ยวข้องที่สุดจากเอกสารที่อัปโหลด ซึ่งสามารถตอบคำถามของผู้ใช้ได้

6. รุ่น

สุดท้าย ตัวแทน AI จะสร้างการตอบสนองด้วยการรวมข้อมูลที่เรียกค้นได้กับความสามารถของโมเดลภาษา เพื่อสร้างคำตอบที่สอดคล้องและถูกต้องตามบริบทโดยอิงจากคำถามและข้อมูลที่เรียกค้นได้

คุณสมบัติขั้นสูงของ RAG

ภาพประกอบผู้หญิงในชุดสูทยืนอยู่บนหลอดไฟพร้อมกล้องโทรทรรศน์

หากคุณไม่ใช่ผู้พัฒนา คุณอาจแปลกใจที่รู้ว่า RAG ไม่ได้ถูกสร้างมาเท่าเทียมกันทั้งหมด

ระบบต่างๆ จะสร้างโมเดล RAG ที่แตกต่างกัน ขึ้นอยู่กับความต้องการ กรณีการใช้งาน หรือความสามารถด้านทักษะ แพลตฟอร์ม AI บางตัวจะนำเสนอคุณสมบัติ RAG ขั้นสูง

การแบ่งกลุ่มตามความหมายและตามความเป็นจริง

การแบ่งข้อมูลแบบไร้เดียงสาจะเกิดขึ้นเมื่อเอกสารถูกแบ่งออกเป็นชิ้นๆ ที่มีขนาดคงที่ เช่น การตัดข้อความออกเป็นส่วนๆ ละ 500 คำ โดยไม่คำนึงถึงความหมายหรือบริบท

การแบ่งส่วนความหมายนั้นในทางกลับกัน จะแบ่งเอกสารออกเป็นส่วนๆ ที่มีความหมายตามเนื้อหา โดยจะพิจารณาการแบ่งส่วนตามธรรมชาติ เช่น ย่อหน้าหรือหัวข้อ เพื่อให้แน่ใจว่าแต่ละส่วนจะมีข้อมูลที่สอดคล้องกัน

การอ้างอิงที่จำเป็น

สำหรับอุตสาหกรรมที่ใช้ AI เพื่อทำการสนทนาที่มีความเสี่ยงสูงโดยอัตโนมัติ เช่น ภาคการเงินหรือการดูแลสุขภาพ การอ้างอิงสามารถช่วยสร้างความไว้วางใจให้กับผู้ใช้เมื่อได้รับข้อมูล

นักพัฒนาสามารถสั่งให้โมเดล RAG ของตนระบุการอ้างอิงสำหรับข้อมูลใดๆ ที่ส่งมา

ตัวอย่างเช่น หากพนักงานขอข้อมูลเกี่ยวกับสิทธิประโยชน์ด้านสุขภาพจากแชทบอท AI แชทบอทสามารถตอบสนองและให้ลิงก์ไปยังเอกสารสิทธิประโยชน์ของพนักงานที่เกี่ยวข้องได้

สร้างตัวแทน AI ของคุณเองด้วย RAG

ผสานพลังแห่งนวัตกรรมใหม่ล่าสุด LLMs ด้วยความรู้เกี่ยวกับองค์กรอันเป็นเอกลักษณ์ของคุณ

Botpress เป็นแพลตฟอร์มแชทบอท AI ที่มีความยืดหยุ่นและขยายได้ไม่จำกัด ช่วยให้ผู้ใช้สามารถสร้างเอเจนต์ AI หรือแชทบอทประเภทใดก็ได้สำหรับการใช้งานทุกกรณี และยังมีระบบ RAG ขั้นสูงที่สุดในตลาดอีกด้วย

รวมแชทบอทของคุณเข้ากับแพลตฟอร์มหรือช่องทางใดๆ หรือเลือกจากไลบรารีการรวมที่สร้างไว้ล่วงหน้าของเรา เริ่มต้นด้วยบทช่วยสอนจาก Botpress ช่อง YouTube หรือคอร์สเรียนฟรีจาก Botpress Academy -

เริ่มสร้างวันนี้ มันฟรี.