ถาม ChatGPT เรื่องนโยบายลางานของบริษัทคุณ มันจะตอบมั่ว ไม่ใช่เพราะมันโง่ แต่เพราะมันไม่เคยเห็นเอกสารของคุณ RAG (Retrieval-Augmented Generation) คือเทคนิคที่แก้ปัญหานี้ตรงๆ และเป็นพื้นฐานของ AI ในองค์กรเกือบทุกระบบที่ใช้งานจริงวันนี้ อธิบายแบบไม่ต้องรู้โค้ด
AI ทั่วไปตอบจากอะไร
โมเดลภาษาเรียนจากข้อมูลสาธารณะจำนวนมหาศาล มันจึงเก่งเรื่องความรู้ทั่วไป แต่ไม่รู้อะไรเลยเกี่ยวกับราคาสินค้าของคุณ สัญญาลูกค้า หรือคู่มือภายใน และเมื่อไม่รู้ มันมีแนวโน้ม "เดาอย่างมั่นใจ" ซึ่งอันตรายกว่าตอบว่าไม่รู้
RAG ทำงานยังไง (ฉบับ 3 ขั้นตอน)
- 1. เตรียมคลังความรู้ เอกสารองค์กร (คู่มือ, สัญญา, FAQ) ถูกหั่นเป็นชิ้นย่อยแล้วแปลงเป็นดัชนีแบบ vector ที่ค้นด้วย "ความหมาย" ได้ ไม่ใช่แค่คำตรงตัว
- 2. ค้นก่อนตอบ เมื่อมีคำถาม ระบบไปดึงเอกสารที่เกี่ยวข้องที่สุดมา 3–5 ชิ้น
- 3. ตอบจากเอกสารนั้น AI ถูกสั่งให้ตอบโดยอ้างอิงเฉพาะข้อมูลที่ดึงมา พร้อมบอกแหล่งที่มา
เคสจริงจากงานของเราคือระบบตอบคำถามแบบแผนประกัน ถ้าถามโมเดลตรงๆ ว่า "แผนนี้คุ้มครองอะไร เงื่อนไขยังไง" มันจะตอบจากแผนประกันทั่วไปที่เคยเห็นในอินเทอร์เน็ต ซึ่งไม่ใช่แผนของบริษัทนั้น เราจึงให้ระบบดึงข้อมูลแผนจริงมาแนบก่อน แล้วให้ Gemini ตอบจากข้อมูลนั้นเท่านั้น คำตอบเลยอ้างอิงแผนจริงทุกครั้ง และตรวจย้อนได้ว่ามาจากแผนไหน
AI ทั่วไปตอบจากข่าวเก่าที่มันเคยอ่าน RAG บังคับให้มันเปิดคู่มือบริษัทคุณตอบ
ต่างจากการ train โมเดลเองยังไง
การ fine-tune โมเดลแพง ช้า และข้อมูลล็อกอยู่ในโมเดล RAG แค่อัปเดตเอกสารในคลัง คำตอบก็เปลี่ยนตามทันที เหมาะกับข้อมูลองค์กรที่เปลี่ยนบ่อย และตรวจสอบได้ว่าคำตอบมาจากเอกสารไหน ซึ่งสำคัญมากเวลาผิดพลาด แนวทางนี้เป็นมาตรฐานที่ผู้ให้บริการรายใหญ่ใช้กันทั้งอุตสาหกรรม ดูคำอธิบายของ Google Cloud ประกอบได้
ใช้กับอะไรได้บ้าง
- แชตบอตตอบคำถามพนักงาน (HR, IT helpdesk) จากคู่มือภายใน
- ผู้ช่วยทีมขาย ดึงข้อมูลสินค้า ราคา เงื่อนไขจากเอกสารล่าสุดเสมอ
- สรุปและค้นสัญญา/เอกสารกฎหมายจำนวนมาก
- ฐานความรู้ให้ AI Agent ใช้ตัดสินใจก่อนทำงานอัตโนมัติ
ถ้ายังไม่แน่ใจว่าธุรกิจคุณถึงจุดที่ควรมีระบบแบบนี้หรือยัง เช็คได้จาก 5 สัญญาณว่าธุรกิจคุณพร้อมใช้ AI Agent
เมื่อไหร่ยังไม่ควรใช้ RAG
ตอบตรงๆ เลยว่าไม่ใช่ทุกงานที่ต้องมี RAG
- เอกสารมีไม่กี่หน้า ยัดเข้าคำสั่งตรงๆ ถูกกว่า เร็วกว่า ไม่ต้องสร้างระบบค้น
- เอกสารยังขัดแย้งกันเอง คู่มือ 2 ฉบับตอบไม่ตรงกัน AI จะเลือกตอบอย่างมั่นใจ จัดระเบียบเอกสารให้จบก่อน
- คำถามต้องคำนวณหลายชั้น RAG เก่งเรื่อง "ค้นแล้วตอบ" ไม่ใช่เครื่องคิดเลข งานที่ต้องคำนวณเบี้ย/ส่วนลดซับซ้อนต้องออกแบบส่วนคำนวณแยก
สิ่งที่ต้องระวัง
คุณภาพคำตอบ = คุณภาพเอกสาร ถ้าคู่มือขัดแย้งกันเองหรือหมดอายุ AI ก็ตอบตามนั้น โปรเจกต์ RAG ที่ดีจึงเริ่มจากจัดระเบียบเอกสารก่อนเสมอ และควรมีระบบให้ผู้ใช้กด "คำตอบนี้ผิด" เพื่อปรับปรุงต่อเนื่อง
อีก 2 เรื่องที่ต้องวางแผนตั้งแต่ขั้นออกแบบคลัง ไม่ใช่มาแก้ทีหลัง:
- สิทธิ์การเข้าถึง เอกสารเงินเดือนหรือสัญญาลูกค้าบางฉบับ ห้ามโผล่ในคำตอบของพนักงานทั่วไป คลังความรู้ต้องแยกโซนตามสิทธิ์ตั้งแต่แรก
- เอกสารหมดอายุ ราคาปีที่แล้ว โปรโมชันที่จบไปแล้ว ถ้าไม่ถูกถอดออกจากคลัง AI จะดึงไปตอบอย่างมั่นใจ ต้องกำหนดว่าใครเป็นคนถอด และถอดเมื่อไหร่
อยากให้ AI ตอบจากเอกสารของบริษัทคุณเองแบบนี้ ดูแนวทางที่เราใช้ขึ้นระบบจริงได้ที่ AI & Agentic AI
