เมื่อพนักงานถาม AI ว่า "ลาป่วยเกินสามวันต้องใช้เอกสารอะไร" หรือ "สินค้ารุ่นนี้รับประกันกี่ปี" AI แบบแชททั่วไปจะตอบจากความรู้กว้าง ๆ ที่อาจไม่ตรงกับระเบียบของบริษัทเราเลย วิธีที่ทำให้ AI ตอบจากเอกสารจริงขององค์กรเรียกว่า RAG บทความนี้อธิบายว่า RAG คืออะไร ใช้กับงานแบบไหนได้ดี และเริ่มอย่างไรโดยไม่ต้องมีทีมพัฒนา
RAG คืออะไร
RAG (Retrieval-Augmented Generation) คือการให้ AI ค้นเอกสารที่เราจัดเตรียมไว้ก่อน แล้วตอบจากสิ่งที่ค้นเจอ แทนที่จะตอบจากความจำของโมเดล พูดง่าย ๆ คือ "ค้นก่อน แล้วค่อยตอบ"
ความต่างจากการแชทธรรมดามีสองข้อที่สำคัญ ข้อแรก คำตอบอ้างอิงเอกสารของเราจริง จึงตรงกับระเบียบและข้อมูลของบริษัท ไม่ใช่ค่าเฉลี่ยจากอินเทอร์เน็ต ข้อสอง AI อ้างแหล่งได้ว่าคำตอบนี้มาจากเอกสารไหน ทำให้คนตรวจย้อนได้ ซึ่งลดปัญหาการมั่วลงมาก แม้จะไม่หมดไป
ใช้กับงานแบบไหนได้ดี
- คลังความรู้ฝ่ายบริการลูกค้า ให้พนักงานถามคำตอบจากคู่มือสินค้าและเงื่อนไขที่เป็นปัจจุบัน แทนการเปิดหาเองทีละไฟล์
- ระเบียบและนโยบายภายใน เรื่อง HR การเงิน และการจัดซื้อ ที่คนถามซ้ำ ๆ และคำตอบอยู่ในเอกสารยาว ๆ
- เอกสารทางเทคนิคและสเปกสินค้า ให้ทีมขายและทีมสนับสนุนดึงคำตอบที่ถูกต้องได้เร็ว
- ค้นในสัญญาและเอกสารจำนวนมาก หาเงื่อนไขหรือข้อความที่เกี่ยวข้องข้ามหลายไฟล์
งานแบบไหนยังไม่เหมาะ
RAG เก่งเรื่องค้นและสรุปจากเอกสาร แต่ไม่ใช่คำตอบสำหรับทุกอย่าง ข้อมูลที่เปลี่ยนตลอดเวลาอย่างสต็อกหรือสถานะคำสั่งซื้อ ควรต่อกับระบบต้นทางโดยตรงมากกว่าให้อ่านจากเอกสารที่ล้าสมัยเร็ว และงานที่ต้องคำนวณตัวเลขจากฐานข้อมูลจริง ควรใช้เครื่องมือวิเคราะห์ข้อมูล (ดูวิธีใช้ AI วิเคราะห์ข้อมูล) ไม่ใช่ RAG
เริ่มอย่างไรโดยไม่มีทีมพัฒนา
มีสองทางที่คนทำงานทั่วไปเริ่มเองได้
ทางแรกคือใช้ฟีเจอร์ที่มีอยู่แล้วในเครื่องมือระดับองค์กรที่ทีมใช้อยู่ เช่น สร้างพื้นที่โปรเจกต์แล้วอัปโหลดเอกสารชุดหนึ่งให้ AI ตอบเฉพาะจากชุดนั้น เหมาะกับการเริ่มในทีมเดียวเพื่อพิสูจน์ว่าได้ผล ทางที่สองคือใช้แพลตฟอร์มสร้างผู้ช่วยที่ต่อกับที่เก็บไฟล์ขององค์กรได้ เหมาะเมื่อจะขยายให้หลายทีมใช้และต้องคุมสิทธิ์การเข้าถึง เริ่มจากขอบเขตแคบ ๆ ที่วัดผลได้ก่อนเสมอ แล้วค่อยขยาย
เตรียมข้อมูลให้ AI ตอบแม่น
คุณภาพคำตอบขึ้นกับคุณภาพเอกสารเป็นหลัก เก็บเฉพาะเวอร์ชันล่าสุดและเอาของเก่าที่ขัดกันออก ตั้งชื่อไฟล์และใส่วันที่ให้ชัด และแยกเอกสารเป็นหัวข้อสั้น ๆ แทนไฟล์รวมยาว ๆ เอกสารที่สะอาดและเป็นปัจจุบันให้ผลต่างกันมากกับกองไฟล์ที่ไม่มีใครดูแล
ข้อควรระวัง
- สิทธิ์การเข้าถึง คนถามต้องเห็นได้เฉพาะข้อมูลที่ตัวเองมีสิทธิ์เห็น ระบบที่ตอบข้อมูลเงินเดือนหรือสัญญาให้ทุกคนคือการรั่วของข้อมูลรูปแบบหนึ่ง
- ข้อมูลอ่อนไหวและ PDPA ข้อมูลบุคคลที่ใส่เข้าไปต้องอยู่ภายใต้กติกาเดียวกับข้อมูลอื่น (สิ่งที่ต้องเช็กในข้อตกลงเรื่องข้อมูลของเครื่องมือ)
- ยังต้องตรวจคำตอบ RAG ลดการมั่วแต่ไม่ได้ทำให้หายไป งานที่มีผลจริงต้องกดดูแหล่งอ้างอิงที่ AI ให้มาเสมอ
อ่านต่อ
ดูหลักสูตร Building RAG Knowledge Assistants ที่จัดในองค์กรได้ ถ้าอยากให้ผู้ช่วยนี้ทำงานหลายขั้นตอนได้เอง อ่านAI Agent ในองค์กรคืออะไร และก่อนเปิดให้ทีมใช้ ทบทวนเช็กลิสต์ก่อนวางข้อมูลลงใน AI