Retrieval-augmented generation (RAG) (TH)

Retrieval-Augmented Generation (RAG) (ไทย: การสร้างข้อความเสริมด้วยการค้นคืนข้อมูล) — คือวิธีการในสาขาปัญญาประดิษฐ์ ซึ่งโมเดลภาษาเชิงสร้างสรรค์ (LLM) ได้รับการเชื่อมต่อกับแหล่งข้อมูลภายนอกเพื่อเพิ่มความแม่นยำและความน่าเชื่อถือของคำตอบ กล่าวอีกนัยหนึ่งคือ ก่อนที่โมเดลจะสร้างคำตอบ มันจะทำการค้นหาข้อมูลที่เกี่ยวข้อง (เช่น ในฐานข้อมูลเอกสาร เว็บไซต์ หรือฐานข้อมูล) แล้วนำข้อมูลที่ค้นพบมาใช้ในการสร้างคำตอบ แนวทางนี้ช่วยเสริมความรู้จากแหล่งข้อมูลที่เป็นปัจจุบัน และช่วยเอาชนะข้อจำกัดของ LLM เองที่เกี่ยวกับความจุ "หน่วยความจำ" ที่จำกัดและข้อมูลที่ล้าสมัย ระบบ RAG สามารถอ้างอิงเอกสารเฉพาะ (เช่น ในรูปแบบเชิงอรรถ) ในคำตอบที่สร้างขึ้น ซึ่งเพิ่มความโปร่งใสและช่วยให้ผู้ใช้สามารถตรวจสอบข้อเท็จจริงได้ ส่งผลให้ลดความเสี่ยงของการเกิดภาพหลอน (hallucinations) — กรณีที่โมเดลให้ข้อมูลที่ไม่เป็นความจริงด้วยความมั่นใจ RAG ขยายฐานความรู้ของ LLM ให้มีขนาดแทบไม่จำกัด และช่วยให้โมเดลสามารถใช้ข้อมูลล่าสุดได้โดยไม่ต้องฝึกใหม่

ต้นกำเนิดและพัฒนาการของวิธีการ

แนวคิดการรวมการค้นหาข้อมูลกับการสร้างคำตอบอัตโนมัตินั้นเริ่มต้นขึ้นก่อนการถือกำเนิดของ LLM สมัยใหม่มานานแล้ว ตั้งแต่ช่วงทศวรรษที่ 1970 มีความพยายามสร้างระบบquestion-answering ที่ค้นหาคำตอบในฐานข้อมูลข้อความตามคำถามที่กำหนด ในช่วงทศวรรษที่ 1990 บริการเว็บ Ask Jeeves ได้เผยแพร่การค้นหาคำตอบในภาษาธรรมชาติ และในปี ค.ศ. 2011 ระบบ IBM Watson ได้แสดงให้เห็นถึงความสามารถของ AI โดยชนะรายการโทรทัศน์ Jeopardy! เหนือผู้เข้าร่วมที่เป็นมนุษย์

ระยะพัฒนาการสมัยใหม่เชื่อมโยงกับการนำโมเดลภาษาเชิงนิวรัลมาใช้: Retrieval-Augmented Generation ในฐานะแนวทางเฉพาะถูกเสนอขึ้นในปี ค.ศ. 2020 โดยกลุ่มนักวิจัยจาก Facebook AI Research, University College London และหน่วยงานอื่นๆ ภายใต้การนำของ Patrick Lewis ในงานวิจัยของพวกเขาซึ่งได้รับการตอบรับในงาน NeurIPS 2020 ได้อธิบายโมเดล RAG ซึ่งเป็นโมเดล seq2seq เชิงสร้างสรรค์ (เช่น BART) ที่มีการเข้าถึงแบบแตกต่างได้ (differentiable access) ไปยังที่เก็บความรู้ภายนอก "แบบไม่ใช้พารามิเตอร์" ผู้เขียนใช้ Wikipedia ภาษาอังกฤษทั้งหมดเป็นฐานความรู้ภายนอก โดยแสดงในรูปแบบดัชนีเวกเตอร์ (~21 ล้านส่วนของข้อความ) ซึ่งใช้สำหรับการค้นหาด้วยอัลกอริทึมนิวรัลDense Passage Retrieval สำหรับคำถามที่เข้ามา โมเดล RAG จะดึงส่วนที่เหมาะสมที่สุดจากดัชนีและเพิ่มเข้าไปในบริบทของการสร้างคำตอบ กลไกนี้ทำให้บรรลุผลลัพธ์ระดับสูงสุด (state-of-the-art) ในงานที่มีฐานความรู้แบบเปิด เช่น ในการทดสอบ Natural Questions, WebQuestions และอื่นๆ มีการสังเกตว่าคำตอบของโมเดล RAG มีความเฉพาะเจาะจงและถูกต้องตามข้อเท็จจริงมากกว่าแนวทางเชิงสร้างสรรค์ก่อนหน้า เนื่องจากการสังเคราะห์ข้อมูลจากแหล่งต่างๆ พร้อมกัน ไม่นาน Facebook ได้เผยแพร่โค้ดต้นฉบับของ RAG อย่างเปิดเผย: โมเดลถูกรวมเข้ากับไลบรารี HuggingFace Transformers และชุดข้อมูลที่เกี่ยวข้อง ทำให้นักพัฒนาสามารถนำ RAG ไปใช้ในโครงการของตนได้อย่างง่ายดาย นับตั้งแต่ปี ค.ศ. 2020 วิธีการ RAG ได้รับความนิยมอย่างรวดเร็ว — ตามคำกล่าวของผู้เขียน แม้ตัวย่อจะไม่ไพเราะ แต่แนวทางนี้ได้รับการแพร่หลายอย่างกว้างขวาง ก่อให้เกิดงานวิจัยหลายร้อยชิ้นและกลายเป็นรากฐานของบริการเชิงพาณิชย์มากมาย

หลักการทำงานของ RAG

แผนผังหลักการของ Retrieval-Augmented Generation: โมดูลค้นหา (ซ้าย) ดึงเอกสารที่เกี่ยวข้องจากฐานความรู้ หลังจากนั้นโมเดลเชิงสร้างสรรค์ (ขวา) สร้างคำตอบโดยอิงจากคำถามของผู้ใช้โดยคำนึงถึงข้อมูลที่ค้นพบ แนวทางนี้ช่วยให้ LLM อาศัยข้อมูลภายนอกที่เป็นปัจจุบันในการสร้างคำตอบ แผนภาพแสดงให้เห็นว่าคำถามของผู้ใช้ถูกแปลงเป็นเวกเตอร์และใช้สำหรับค้นหาส่วนข้อความที่คล้ายกัน จากนั้นนำมาเชื่อมต่อกับบริบทของโมเดล "ขยาย" ความรู้และเพิ่มความแม่นยำของคำตอบ

ระบบ RAG โดยทั่วไปประกอบด้วยสองส่วนหลัก: โมดูลค้นหา (retriever) และโมดูลสร้างคำตอบ (generator) ในขั้นตอนการเตรียมการ จะสร้างดัชนีเวกเตอร์ของฐานความรู้: เอกสาร (ข้อความ) ทั้งหมดถูกแบ่งเป็นส่วนๆ และแปลงโดยโมเดลembeddingเป็นเวกเตอร์ตัวเลข ซึ่งเก็บไว้ในฐานข้อมูลเฉพาะทางสำหรับการค้นหาในภายหลัง เมื่อได้รับคำถามจากผู้ใช้ โมเดล embedding เดียวกันจะเข้ารหัสคำถามเป็นเวกเตอร์ จากนั้นจะค้นหาเพื่อนบ้านที่ใกล้ที่สุดในปริภูมิเวกเตอร์ — เลือก top K ส่วนที่คล้ายที่สุดจากดัชนีความรู้ (เช่น K = 5) ส่วนเหล่านี้ถือเป็นบริบทภายนอกที่มีข้อเท็จจริงที่น่าจะเกี่ยวข้องกับหัวข้อของคำถาม

ในขั้นตอนถัดไป บริบทที่สร้างขึ้นจะถูกนำไปใช้โดยโมเดลเชิงสร้างสรรค์ คำถามเดิมพร้อมกับส่วนข้อความที่ค้นพบจะถูกป้อนให้กับ LLM (เช่น transformer แบบ seq2seq หรือโมเดลที่เน้นคำสั่ง) เพื่อสร้างคำตอบสุดท้าย โมเดลภาษาจึงอ้างอิงไม่เพียงแค่ความรู้ที่เรียนรู้มา (แบบพารามิเตอร์) แต่ยังรวมถึงข้อมูลภายนอกที่ได้รับด้วย ในการใช้งาน RAG ต้นฉบับ บทบาทของ generator คือโมเดล BART ที่ผ่านการฝึกล่วงหน้า ส่วน "หน่วยความจำ" ภายนอกแสดงด้วยคอลเลกชัน Wikipedia ที่ทำดัชนีด้วยวิธี DPR

Fusion - แนวทางการรวมความรู้

คุณลักษณะสำคัญของ RAG คือวิธีที่โมเดลรวมข้อมูลจากเอกสารที่ค้นพบหลายรายการ ต่างจากการต่อข้อความทั้งหมดเข้าด้วยกันง่ายๆ RAG ใช้แนวทางที่เรียกว่า late fusion («การรวมผลลัพธ์แบบล่าช้า») — โมเดลเชิงสร้างสรรค์ประมวลผลแต่ละส่วนจาก K ส่วนที่ได้รับแบบขนาน และสร้างคำตอบสมมุติพร้อมคะแนนความมั่นใจสำหรับแต่ละส่วน จากนั้นรวมตัวเลือกเหล่านี้เป็นผลลัพธ์สุดท้าย วิธีนี้ช่วยให้ RAG สังเคราะห์คำตอบแม้ในกรณีที่ไม่มีแหล่งข้อมูลใดแหล่งเดียวที่มีคำตอบตรงๆ และครบถ้วนสำหรับคำถาม ตัวอย่างเช่น หากข้อมูลที่จำเป็นกระจายอยู่ในบทความต่างๆ โมเดลสามารถรวม "เบาะแส" จากเอกสารหลายรายการเป็นคำตอบเดียวได้ (มีการสังเกตว่าการเพิ่มจำนวนเอกสารที่ใช้มักจะเพิ่มความครอบคลุมของคำตอบโดยแลกกับการสูญเสียความสอดคล้องของข้อความเล็กน้อย)

รูปแบบการใช้งาน

ในงานวิจัยต้นฉบับปี ค.ศ. 2020 มีการเสนอสองรูปแบบของสถาปัตยกรรม RAG ในโหมด RAG-Sequence โมเดลเชิงสร้างสรรค์ได้รับชุดเอกสารที่ค้นพบที่ตายตัวและใช้เพื่อสร้างคำตอบทั้งหมดในคราวเดียว ในโหมด RAG-Token ในทางกลับกัน อนุญาตให้มีการอัปเดตแบบไดนามิก: ในแต่ละขั้นตอนของการสร้าง token ถัดไป โมเดลสามารถทำการค้นหาใหม่และโหลดส่วนข้อความเพิ่มเติมหากจำเป็นเพื่อปรับแต่งคำตอบ ทั้งสองแนวทางแสดงระดับคุณภาพสูงที่ใกล้เคียงกัน RAG-Sequence นั้นง่ายและเร็วกว่า ในขณะที่ RAG-Token ในทางทฤษฎีช่วยให้พิจารณาข้อมูลที่หลากหลายมากขึ้นในคำตอบที่ยาว

ข้อดีของ RAG

• ความทันสมัยและความถูกต้องตามข้อเท็จจริง การเชื่อมต่อกับข้อมูลภายนอกช่วยให้ LLM ให้คำตอบที่แม่นยำและมีเหตุผลมากขึ้นโดยอิงจากข้อมูลจริง ไม่ใช่เพียงแค่พารามิเตอร์ของโมเดล ซึ่งช่วยลดความเสี่ยงของข้อมูลที่ล้าสมัยหรือเป็นเรื่องแต่งในคำตอบของโมเดลได้อย่างมีนัยสำคัญ ต่างจากโมเดลที่มี "ภาพตัดขวางของความรู้" ที่ตายตัว RAG สามารถตอบคำถามเกี่ยวกับเหตุการณ์หรือข้อเท็จจริงที่เกิดขึ้นหลังจากการฝึกโมเดลเสร็จสิ้น — ด้วยการเข้าถึงแหล่งข้อมูลใหม่ล่าสุด
• ความโปร่งใสและความไว้วางใจของผู้ใช้ ระบบ RAG สามารถให้ลิงก์ไปยังแหล่งข้อมูล (เช่น บทความ รายงาน หรือฐานข้อมูล) ที่เป็นพื้นฐานของคำตอบ โดยพื้นฐานแล้ว โมเดลจัดรูปแบบคำตอบคล้ายกับงานวิชาการที่มีเชิงอรรถ ซึ่งช่วยให้สามารถตรวจสอบความน่าเชื่อถือของแต่ละข้อเท็จจริงได้ การมีแหล่งที่มาที่อ้างอิงได้ช่วยเพิ่มความไว้วางใจจากผู้ใช้และอำนวยความสะดวกในการตรวจสอบข้อมูลที่ได้รับ
• การปรับเฉพาะสำหรับสาขาเฉพาะ Retrieval-augmentation ช่วยให้ปรับการทำงานของโมเดลให้เหมาะกับสาขาความรู้เฉพาะได้ค่อนข้างง่ายโดยไม่ต้องเปลี่ยนโมเดลภาษาเอง เพียงพอที่จะให้ LLM มีฐานความรู้เฉพาะทางในหัวข้อที่ต้องการ ไม่ว่าจะเป็นบทความทางการแพทย์ เอกสารทางกฎหมาย หรือคู่มือทางเทคนิคของบริษัท โมเดลซึ่งยังคงเป็นโมเดลทั่วไปตามพารามิเตอร์ของมัน จะเริ่มทำหน้าที่เป็นผู้เชี่ยวชาญในสาขานั้น เนื่องจากดึงข้อเท็จจริงจาก dataset ที่คัดเลือกมา ตัวอย่างเช่น ผู้ช่วยทางกฎหมายที่ใช้ RAG สามารถจำกัดขอบเขตการค้นหาไว้ที่คลังเอกสารภายใต้เขตอำนาจศาลเดียว (กฎหมายของประเทศเฉพาะ) รับประกันว่าคำตอบจะสอดคล้องกับกฎหมายนั้นโดยเฉพาะ
• ความยืดหยุ่นและความสามารถในการอัปเดตความรู้ ในโมเดลแบบดั้งเดิม การเพิ่มความรู้ใหม่หรือแก้ไขข้อเท็จจริงที่ผิดพลาดจำเป็นต้องทำการฝึกใหม่ (fine-tuning) บน dataset ที่ขยายแล้ว ซึ่งมีค่าใช้จ่ายสูงทั้งด้านเวลาและทรัพยากร RAG แก้ปัญหานี้: เพื่ออัปเดตความรู้ของโมเดล ก็เพียงพอแค่อัปเดตฐานข้อมูลภายนอกหรือเชื่อมต่อแหล่งข้อมูลเพิ่มเติม และโมเดลจะเริ่มใช้ข้อมูลใหม่ทันที ซึ่งช่วยให้รักษาความทันสมัยของระบบได้อย่างง่ายดาย — ในทางปฏิบัติ ข้อมูลสามารถ "แทนที่แบบร้อน" ได้แม้กระทั่งแบบเรียลไทม์โดยไม่ต้องหยุดการทำงานของโมเดล
• ประสิทธิภาพและการประหยัดทรัพยากร แนวทาง RAG มักจะปฏิบัติได้จริงมากกว่าการฝึกโมเดลขนาดใหญ่มากที่พยายามครอบคลุมข้อมูลทั้งหมดในพารามิเตอร์ของมัน การรวมการค้นหาเข้าไปช่วยให้บรรลุผลลัพธ์ที่เทียบเคียงได้กับโมเดลขนาดปานกลาง โดยไม่พยายามจดจำข้อเท็จจริงทั้งหมดภายในเครือข่ายนิวรัล นอกจากนี้ การนำ RAG pipeline ไปใช้นั้นค่อนข้างไม่ซับซ้อน: มีเครื่องมือสำเร็จรูป (frameworks, ไลบรารี) และนักพัฒนาแสดงให้เห็นว่าต้นแบบ RAG เบื้องต้นสามารถสร้างได้ด้วยโค้ดเพียงไม่กี่บรรทัด ด้วยเหตุนี้ RAG จึงลดต้นทุนรวมของการนำ AI ไปใช้: แทนที่จะฝึกโมเดลใหม่สำหรับแต่ละงาน ก็เพียงพอแค่กำหนดค่ากลไกการค้นหาและจัดเตรียมข้อมูลที่เหมาะสม

ปัญหาและข้อจำกัดของ RAG

แม้จะมีข้อดีที่ชัดเจน Retrieval-Augmented Generation ก็รับข้อจำกัดทั้งจากส่วนประกอบการค้นหาและจาก LLM เอง ด้านล่างนี้คือปัญหาหลักที่มีอยู่ในระบบ RAG:

• การพึ่งพาคุณภาพของการค้นหา คำตอบที่ได้รับจะถูกต้องในระดับที่ข้อมูลที่ดึงมานั้นมีความเกี่ยวข้องและน่าเชื่อถือเท่านั้น หากโมดูลค้นหาส่งคืนเอกสารที่ไม่เกี่ยวข้องกับคำถามหรือมีข้อผิดพลาด โมเดลเชิงสร้างสรรค์จะไม่สามารถ "แก้ไข" ข้อเท็จจริงเหล่านั้นได้ — มันจะสร้างคำตอบโดยอิงจากข้อมูลเหล่านั้น ดังนั้น คุณภาพและความทันสมัยของฐานความรู้ภายนอกจึงกำหนดความแม่นยำของ RAG โดยตรง จำเป็นต้องอัปเดตดัชนีและปรับอัลกอริทึมการจัดอันดับอย่างสม่ำเสมอเพื่อให้การแสดงผลเอกสารยังคงมีความเกี่ยวข้อง
• ความซับซ้อนสูงและการใช้ทรัพยากรมาก ระบบ RAG ต้องการไม่เพียงแค่ LLM เอง แต่ยังรวมถึงโครงสร้างพื้นฐานสำหรับการค้นหา: การจัดเก็บและอัปเดตฐานข้อมูลขนาดใหญ่ การทำดัชนี เวลาในการประมวลผลคำถาม ทั้งหมดนี้เพิ่มต้นทุนการคำนวณและอาจลดความเร็วในการตอบสนองเมื่อเทียบกับการใช้เพียงโมเดลภาษาเดียว ในกรณีที่เลวร้ายที่สุด ความล่าช้าในขั้นตอนการค้นหาหรือการประมวลผลข้อมูลจำนวนมากจะทำให้ระบบช้าลง ในทางปฏิบัติจำเป็นต้องสมดุลระหว่างคุณภาพของคำตอบและประสิทธิภาพ โดยปรับปรุง pipeline (เช่น จำกัดขนาดฐานความรู้หรือความลึกของการค้นหาเพื่อรักษาเวลาตอบสนองให้อยู่ในขอบเขตปกติ)
• ข้อกำหนดด้านข้อมูลและการสนับสนุน เพื่อให้ RAG ทำงานได้อย่างมีประสิทธิภาพ จำเป็นต้องมีข้อมูลภายนอกที่มีคุณภาพ มีโครงสร้าง และเข้าถึงได้ โมเดลค้นหาอาจมีปัญหาในการค้นหาข้อมูลที่มีประโยชน์หากฐานความรู้ภายนอกมีการจัดระเบียบไม่ดีหรือมีสัญญาณรบกวน นอกจากนี้ ข้อมูลที่จำเป็นไม่ใช่ทุกครั้งที่จะเปิดเผยหรือราคาถูก: บริษัทต้องสร้างและดูแลรักษาknowledge bases ของตนเอง ซึ่งสร้างค่าใช้จ่ายเพิ่มเติมและต้องการความพยายามในการปรับปรุงข้อมูล (เช่น การเพิ่มเอกสารใหม่ การลบข้อมูลที่ล้าสมัย) จุดอ่อนของ RAG คือการพึ่งพาการดูแลรักษาฐานความรู้ให้ทันสมัยอยู่เสมอ
• ความไม่สามารถขจัดข้อผิดพลาดบางอย่างของ LLM แม้ RAG จะลดจำนวนการสร้างข้อมูลเท็จอย่างมีนัยสำคัญ แต่ไม่สามารถขจัดคำตอบที่ผิดพลาดได้ทั้งหมดเสมอไป โมเดลเชิงสร้างสรรค์ยังคงอาจเกิดข้อผิดพลาดเชิงตรรกะหรือสรุปข้อมูลอย่างไม่ถูกต้อง โดยเฉพาะอย่างยิ่งหากบริบทที่ให้มาไม่ครบถ้วนหรือขัดแย้งกัน ในทางปฏิบัติ RAG เปลี่ยนโฟกัสของข้อผิดพลาด: แทนที่จะเป็นข้อเท็จจริงที่แต่งขึ้นอย่างชัดเจน («ภาพหลอน») มักพบข้อผิดพลาดในการรวมความรู้แทน — เช่น โมเดลอาจพลาดส่วนสำคัญหรือเชื่อมโยงแหล่งข้อมูลต่างๆ ไม่ถูกต้อง ดังนั้นในการใช้งานที่มีความรับผิดชอบสูง (การแพทย์ กฎหมาย) ยังคงต้องการการมีส่วนร่วมของมนุษย์เพื่อตรวจสอบและแก้ไขคำตอบของระบบ

การประยุกต์ใช้ RAG

วิธีการ Retrieval-Augmented Generation ถูกนำไปประยุกต์ใช้ในสถานการณ์มากมายที่เกี่ยวข้องกับการดึงและใช้ประโยชน์จากความรู้ ด้านล่างนี้คือสาขาหลักที่ RAG แสดงให้เห็นประโยชน์มากที่สุด:

• ระบบถามตอบและแชทบอท RAG ช่วยให้สามารถสร้างผู้ช่วยเสมือนและแชทบอทที่ตอบคำถามผู้ใช้ด้วยความแม่นยำสูงและสามารถให้ลิงก์ไปยังแหล่งข้อมูลได้ ในด้านการสนับสนุนลูกค้า บอทดังกล่าวเข้าถึงฐานความรู้ภายในของบริษัท (FAQ บทความอ้างอิง) และให้คำตอบทันทีสำหรับคำถามของลูกค้า ลดภาระงานของพนักงาน ต่างจากระบบ FAQ แบบดั้งเดิม บอท RAG ตอบสนองด้วยภาษาธรรมชาติ แต่ "สนับสนุน" ด้วยข้อมูลที่เป็นปัจจุบันและเฉพาะเจาะจงกับปัญหาของผู้ใช้
• การแพทย์และการดูแลสุขภาพ โมเดลเชิงสร้างสรรค์ที่เสริมด้วยฐานข้อมูลทางการแพทย์เฉพาะทาง (บทความวิทยาศาสตร์ โปรโตคอลทางคลินิก คู่มืออ้างอิง) สามารถทำหน้าที่เป็นผู้ช่วยอัจฉริยะสำหรับแพทย์หรือผู้ป่วย ตัวอย่างเช่น ระบบสามารถตอบคำถามเกี่ยวกับการวินิจฉัยที่หายากโดยค้นหางานวิจัยล่าสุดในหัวข้อนั้นจากวรรณกรรมทางการแพทย์ ข้อดีสำคัญของ RAG ในการแพทย์คือความสามารถในการอ้างอิงแหล่งข้อมูลหลัก (เช่น ผลการทดลองทางคลินิก) ซึ่งจำเป็นสำหรับความไว้วางใจจากแพทย์ ระบบดังกล่าวถูกนำไปใช้เพื่อสนับสนุนการตัดสินใจ การตรวจสอบอาการ การศึกษาของนักศึกษาแพทย์ และอื่นๆ โดยให้การเข้าถึงความรู้ทางการแพทย์ล่าสุด
• กฎหมายและการเงิน ในการปฏิบัติทางกฎหมายและการวิเคราะห์ทางการเงิน ความแม่นยำและความสามารถในการตรวจสอบของข้อมูลมีความสำคัญอย่างยิ่ง ระบบ RAG สามารถช่วยให้ผู้เชี่ยวชาญค้นหาข้อมูลที่จำเป็นได้อย่างรวดเร็ว: ตัวอย่างเช่น ทนายความโดยใช้โมเดลจะค้นหาและอ้างอิงคำพิพากษาตามบรรทัดฐานหรือข้อกฎหมายที่เกี่ยวข้องกับคดีปัจจุบัน ในขณะที่นักวิเคราะห์การเงินจะรับบทคัดย่อจากรายงานเศรษฐกิจล่าสุดหรือข่าวตลาดได้อย่างรวดเร็ว ในเวลาเดียวกัน คำตอบแต่ละข้อของโมเดลอาจมีลิงก์ไปยังเอกสารเฉพาะ (กฎหมาย รายงาน บทความ) ซึ่งสอดคล้องกับมาตรฐานของอุตสาหกรรมและอำนวยความสะดวกในการทำงานด้วยตนเองในภายหลังของผู้เชี่ยวชาญ
• การวิจัยทางวิทยาศาสตร์และการสร้างเนื้อหา นักข่าว นักวิจัย และนักเขียนสามารถใช้ RAG เพื่อเร่งการค้นหาข้อเท็จจริงและแหล่งข้อมูลในการเตรียมเนื้อหา ตัวอย่างเช่น โมเดลสามารถ "รวบรวม" ข้อมูลจากสิ่งพิมพ์ที่น่าเชื่อถือหลายรายการตามคำขอ และด้วยเหตุนี้จึงลดเวลาในการตรวจสอบข้อเท็จจริงและการเลือกคำพูดได้อย่างมีนัยสำคัญ ผู้ช่วยวิจัยที่ใช้ RAG จะดึงลิงก์ไปยังงานที่เกี่ยวข้องโดยอัตโนมัติ ข้อมูลจากฐานข้อมูลเปิด (เช่น สถิติจากรายงานระหว่างประเทศ) และแม้กระทั่งฉบับร่างการแปล ช่วยให้ผู้เขียนมุ่งเน้นไปที่ส่วนการวิเคราะห์ของงาน เครื่องมือดังกล่าวพบการประยุกต์ใช้ในสื่อ วงการวิชาการ การเตรียมการทบทวนวรรณกรรม และอื่นๆ
• ความรู้ขององค์กรและการค้นหาตามเอกสาร ในหลายองค์กร ปริมาณข้อมูลที่มีค่าจำนวนมากถูกจัดเก็บในรูปแบบเอกสารข้อความ: ระเบียบข้อบังคับ คู่มือ รายงาน การติดต่อสื่อสาร ไฟล์บันทึก RAG ให้วิธีการค้นหาแบบโต้ตอบในข้อมูลที่ไม่มีโครงสร้างดังกล่าวโดยใช้ภาษาธรรมชาติ พนักงานสามารถถามคำถาม («นโยบายการลาสำหรับพนักงานทางไกลระบุอะไรไว้บ้าง?») — และโมเดลจะค้นหาส่วนที่จำเป็นของเอกสารภายใน อ้างอิง และสรุปคำตอบ ซึ่งเพิ่มประสิทธิภาพการทำงาน: พนักงานใหม่ค้นหาคำตอบได้เร็วขึ้น ฝ่ายสนับสนุนได้รับเครื่องมือสำหรับการค้นหาในฐานข้อมูลเหตุการณ์อย่างรวดเร็ว และฝ่ายบริหารได้รับวิธีการวิเคราะห์ข้อมูลข้อความที่สะสมมา บริษัท IT ขนาดใหญ่ได้นำแนวทาง RAG ไปใช้แล้วในโซลูชันองค์กร: เทคโนโลยีจาก Microsoft, Google, IBM, AWS และอื่นๆ รวม LLM เข้ากับการค้นหาข้อมูลขององค์กร

แนวโน้มและการวิจัยเพิ่มเติม

วิธีการ Retrieval-Augmented Generation กำลังพัฒนาอย่างแข็งขัน และในอีกไม่กี่ปีข้างหน้าคาดว่าจะมีการขยายความสามารถเพิ่มเติม ทิศทางหนึ่งคือMultimodal RAG ซึ่งข้อมูลภายนอกอาจเป็นไม่เพียงแค่ข้อความ แต่ยังรวมถึงรูปภาพ เสียง/วิดีโอ หรือแม้แต่ข้อมูลจากเซนเซอร์ การทดลองแสดงให้เห็นถึงความสามารถในการรวมโมเดลภาษากับการค้นหาในฐานข้อมูลภาพ ซึ่งช่วยให้ตอบคำถามเกี่ยวกับเนื้อหาของรูปภาพหรือวิดีโอโดยอาศัยคำอธิบายและข้อความที่เกี่ยวข้อง ทิศทางสำคัญอีกอย่างคือการใช้แหล่งความรู้หลายแหล่งพร้อมกัน: ระบบ RAG ในอนาคตจะสามารถรวมข้อมูลจากฐานข้อมูลต่างๆ (เช่น Wikipedia สารานุกรมเฉพาะทาง บันทึกส่วนตัวของผู้ใช้) และสังเคราะห์คำตอบโดยคำนึงถึงข้อมูลที่หลากหลายเหล่านี้ทั้งหมด

นักวิจัยยังเผชิญกับความท้าทายในการเพิ่มความน่าเชื่อถือและความปลอดภัยของ RAG จำเป็นต้องลดความเสี่ยงของการแพร่กระจายอคติและข้อผิดพลาดที่อาจมีอยู่ในข้อมูลภายนอก และรับประกันความสอดคล้องของคำตอบ ทีมนักพัฒนาของ RAG ต้นฉบับได้ดำเนินการในทิศทางนี้แล้ว — ตัวอย่างเช่น โดยจำกัดฐานความรู้เริ่มต้นไว้เพียงบทความ Wikipedia เท่านั้นในฐานะแหล่งข้อมูลที่ค่อนข้างได้รับการตรวจสอบและเป็นกลาง ในอนาคตมีแผนที่จะสร้างตัวกรองพิเศษและวิธีการคัดเลือกเอกสารเพื่อให้โมเดลได้รับบริบทที่มีคุณภาพอย่างแน่นอน นอกจากนี้ การวิจัยมุ่งเน้นไปที่การปรับปรุงกลไกการค้นหาเอง: มีการพัฒนาอัลกอริทึมการจัดอันดับและการทำดัชนีเชิงความหมายใหม่ๆ ที่สามารถเข้าใจคำถามและค้นหาข้อมูลที่เกี่ยวข้องได้อย่างแม่นยำยิ่งขึ้น แม้กระทั่งสำหรับคำถามที่ซับซ้อนหรือคลุมเครือ

สุดท้าย ความสนใจที่น่าสนใจคือการรวม RAG เข้ากับกระบวนการฝึกโมเดลภาษาอย่างลึกซึ้งยิ่งขึ้น ขณะนี้กำลังปรากฏแนวทางที่กลไก retrieval ถูกใช้ไม่เพียงแค่ในขั้นตอนการอนุมาน แต่ยังในระหว่างการฝึกล่วงหน้าหรือการปรับแต่งละเอียด (fine-tuning) ของ LLM ซึ่งอาจเพิ่มความถูกต้องตามข้อเท็จจริงของโมเดลและลดการพึ่งพาความรู้ที่บันทึกไว้แบบคงที่ในน้ำหนักได้มากยิ่งขึ้น ตามการทบทวนที่เผยแพร่ในปี ค.ศ. 2024 ชุมชนเห็นโอกาสอันยิ่งใหญ่ในการพัฒนาระบบนิเวศของ RAG: ตั้งแต่การปรับปรุงโครงสร้างพื้นฐาน (การเร่งการค้นหา การลดต้นทุนหน่วยความจำ) ไปจนถึงการสร้าง benchmark มาตรฐานสำหรับประเมินคุณภาพของระบบ RAG ทั้งหมดนี้มีเป้าหมายเพื่อทำให้โมเดลเชิงสร้างสรรค์มีความแม่นยำ เอนกประสงค์ และปลอดภัยมากขึ้นเมื่อทำงานกับความรู้ภายนอกที่อัปเดตอย่างต่อเนื่อง ซึ่งเป็นขั้นตอนสำคัญบนเส้นทางสู่ปัญญาประดิษฐ์ที่น่าเชื่อถือในรุ่นถัดไป

ลิงก์อ้างอิง

• Retrieval-Augmented Generation (RAG) คืออะไร — บล็อก NVIDIA
• Retrieval-Augmented Generation for Large Language Models: A Survey — การทบทวนทางวิทยาศาสตร์บน arXiv
• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — บทความต้นฉบับเกี่ยวกับ RAG
• RAG คืออะไร? การประยุกต์ใช้ ข้อจำกัด และความท้าทาย — บล็อก Bright Data

เอกสารอ้างอิง

• Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arXiv:2005.11401.
• Karpukhin, V. et al. (2020). Dense Passage Retrieval for Open-Domain Question Answering. arXiv:2004.04906.
• Guu, K. et al. (2020). REALM: Retrieval-Augmented Language Model Pre-Training. arXiv:2002.08909.
• Qu, Y. et al. (2020). RocketQA: An Optimized Training Approach to Dense Passage Retrieval for Open-Domain Question Answering. arXiv:2010.08191.
• Izacard, G.; Grave, E. (2021). Leveraging Passage Retrieval with Generative Models for Open Domain Question Answering. arXiv:2007.01282.
• Borgeaud, S. et al. (2022). Improving Language Models by Retrieving from Trillions of Tokens. arXiv:2112.04426.
• Wei, J. et al. (2022). Chain of Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903.
• Wang, X. et al. (2022). Self-Consistency Improves Chain of Thought Reasoning in Language Models. arXiv:2203.11171.
• Kojima, T. et al. (2022). Large Language Models are Zero-Shot Reasoners. arXiv:2205.11916.
• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Mialon, G. et al. (2023). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv:2312.10997.
• Madaan, A. et al. (2023). Self-Refine: Iterative Refinement with Self-Feedback. arXiv:2303.17651.
• Yang, Z. et al. (2023). Re-ViLM: Retrieval-Augmented Visual Language Model for Zero and Few-Shot Image Captioning. arXiv:2302.04858.
• Barnett, S. et al. (2024). Seven Failure Points When Engineering a Retrieval Augmented Generation System. arXiv:2401.05856.
• Wang, Y. et al. (2024). Self-Instruct: Aligning Language Models with Self-Generated Instructions. arXiv:2212.10560.
• Han, H. et al. (2025). Retrieval-Augmented Generation with Graphs (GraphRAG). arXiv:2501.00309.