9 ตัวอย่าง RAG อ้างอิงจากกรณีการใช้งานและสถาปัตยกรรมในโลกจริง

RAG มีการใช้งานอย่างกว้างขวางในบริบทของผู้บริโภคและองค์กร ตัวอย่างการใช้งาน RAG ในชีวิตจริงในทุกๆ วัน ได้แก่ การค้นหาเว็บ การสนับสนุนลูกค้า และการช้อปปิ้งที่เปิดใช้งานด้วย AI การเข้าถึงความรู้ภายในและความช่วยเหลือในการเขียนโค้ดเป็นตัวอย่างทางธุรกิจที่โดดเด่นที่สุดตัวอย่างหนึ่ง

สถาปัตยกรรม RAG ยังสามารถแตกต่างกันไปตามกรณีการใช้งาน การใช้งานทั่วไปสองรูปแบบคือ Hybrid RAG ซึ่งผสมผสานการจับคู่คำสำคัญแบบดั้งเดิมเข้ากับการค้นหาแบบเวกเตอร์หรือกราฟความรู้ และ Agentic RAG ซึ่ง LLM เป็นผู้ควบคุมกระบวนการดึงข้อมูล

การสร้างเสริมการดึงข้อมูล (RAG) คืออะไร

RAG หรือการสร้างเสริมการดึงข้อมูล ช่วยให้แอปพลิเคชัน AI สามารถเข้าถึงข้อมูลที่จัดเก็บไว้ในระบบภายนอกเพื่อเสริมคำตอบที่สร้างโดย LLM ได้

นี่คือเทคโนโลยีที่มีประสิทธิภาพเนื่องจากสามารถแก้ไขปัญหาใหญ่สามประการของ Generative AI ได้ ได้แก่ ข้อมูลที่ผิดเพี้ยน (Hallucinations) ข้อมูลที่ล้าสมัย และการขาดการเข้าถึงข้อมูลที่ไม่มีอยู่ในบริบทของอินพุต

นี่คือลักษณะการทำงานพื้นฐานของ RAG:

1. ผู้ใช้ป้อนพรอมต์ด้วยภาษาธรรมชาติ
2. แอปพลิเคชัน AI จะพิจารณาว่าจำเป็นต้องมีการให้เหตุผลเชิงพื้นฐานหรือไม่ ซึ่งบางครั้งอาจมีการเข้าไปมีส่วนร่วมของ LLM
3. คำขอจะถูกส่งไปยังแหล่งข้อมูลภายนอก เช่น ฐานข้อมูล
4. ข้อมูลที่ดึงมาจะถูกเพิ่มลงในอินพุตบริบทของ LLM
5. LLM จะสร้างคำตอบตามพรอมต์ที่เพิ่มบริบทแล้ว

แม้ว่าขั้นตอนเหล่านี้อาจแตกต่างกันไปตามการใช้งานเฉพาะ แต่ก็เป็นตัวแทนของเวิร์กโฟลว์ RAG ทั่วไป ความแตกต่างระหว่างสถาปัตยกรรมประเภทต่างๆ มักจะอยู่ที่วิธีการจัดการคำขอของแอปพลิเคชันไคลเอนต์และลักษณะของข้อมูลที่ดึงมา

ภาพรวมของสถาปัตยกรรม RAG

คำว่า "retrieval-augmented generation" ปรากฏขึ้นครั้งแรกในเอกสารปี 2020 ที่ชื่อว่า Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks ซึ่งเผยแพร่โดยนักวิจัยจาก Meta AI (ในขณะนั้นคือ Facebook AI Research) ร่วมกับผู้ร่วมงานจาก University College London และ New York University

แนวทางแบบ retrieve-then-generate ในยุคแรก ซึ่งมักเรียกว่า "naive RAG" ได้พัฒนามาเป็นสถาปัตยกรรมประเภทต่างๆ มากมาย ซึ่งหลายประเภทมีความทับซ้อนกัน

Naive RAG

Naive RAG ใช้ไปป์ไลน์การดึงข้อมูลและการสร้างที่เรียบง่าย ซึ่งยังคงเหมาะสมกับคำขอพื้นฐานจำนวนมาก ตัวอย่างที่พบบ่อยที่สุดของ naive RAG คือการแปลงคิวรีให้เป็นรายการตัวเลขที่เรียงลำดับซึ่งเรียกว่าเวกเตอร์ฝังตัว (Vector Embedding) หรือเรียกสั้นๆ ว่าเวกเตอร์ จากนั้น เวกเตอร์ของคิวรีจะถูกจับคู่กับเวกเตอร์อื่นๆ ที่แทนส่วนย่อยหรือเนื้อหาบางส่วนในฐานข้อมูลหรือดัชนี (เรียกว่าดัชนีเชิงความหมาย)

Advanced RAG

Advanced RAG เพิ่มประสิทธิภาพขั้นตอนก่อนและหลังการดึงข้อมูล เทคนิคต่างๆ ได้แก่ การขยายคิวรี การกรองข้อมูลเมตา และการบีบอัดบริบท สิ่งเหล่านี้ช่วยปรับปรุงความเกี่ยวข้องของข้อมูลที่ดึงมาและวิธีการปรับเปลี่ยนก่อนที่จะถูกเพิ่มลงในบริบทอินพุตของ LLM

Agentic RAG

Agentic RAG คือการดำเนินการไปป์ไลน์ RAG โดยเอเจนต์ที่ใช้ LLM เอเจนต์จะ “ตัดสินใจ” ว่าเครื่องมือใดดีที่สุดสำหรับพรอมต์ที่กำหนดและสั่งการการดึงข้อมูล ซึ่งบางครั้งอาจทำเป็นลูป เพื่อสร้างคำตอบที่เกี่ยวข้อง

Graph RAG

Graph RAG ดึงข้อมูลจากกราฟความรู้ ซึ่งแสดงถึงเอนทิตี (เช่น วัตถุ แนวคิด และเหตุการณ์) และความสัมพันธ์ระหว่างเอนทิตีเหล่านั้น วิธีนี้จะมีประโยชน์เมื่อคำตอบสำหรับพรอมต์กำหนดให้ LLM ต้องรวมข้อมูลเกี่ยวกับเอนทิตีที่แตกต่างกันเข้าด้วยกัน

Multimodal RAG

Multimodal RAG ขยายการดึงข้อมูลไปยังเนื้อหา เช่น รูปภาพและเสียง ทั้งในระหว่างการสืบค้นและการดึงข้อมูล ไปป์ไลน์ RAG เหล่านี้ใช้ตัวเข้ารหัสพิเศษเพื่อแปลงข้อความ รูปภาพ หรือเสียงให้อยู่ในรูปของการฝังตัว (Embeddings)

Hybrid RAG

Hybrid RAG ผสมผสานการค้นหาด้วยคีย์เวิร์ดหรือการดึงข้อมูลเชิงศัพท์ เข้ากับการดึงข้อมูลด้วยเวกเตอร์หรือกราฟความรู้ และผสานผลลัพธ์เข้าด้วยกัน วิธีนี้มีประโยชน์เนื่องจากการจับคู่คีย์เวิร์ดอาจมีความแม่นยำสูงมาก (มากกว่าวิธีอื่น) ในบางบริบท

Corrective RAG

Corrective RAG ประเมินข้อมูลหรือข้อสนเทศที่ส่งคืนเพื่อความเกี่ยวข้องกับคิวรี ระบบอาจปรับปรุงหรือเสริมข้อความที่ดึงมา หรือแทนที่ข้อความเหล่านั้นทั้งหมดด้วยการดำเนินการคำขอใหม่อีกครั้ง

ตัวอย่าง RAG ตามกรณีการใช้งานและอุตสาหกรรม

มีตัวอย่างการใช้งาน RAG มากมายในทั้งฝั่งผู้บริโภคและธุรกิจ ส่วนใหญ่เป็นเพราะไปป์ไลน์ RAG ได้ถูกรวมเข้ากับเครื่องมือกระแสหลักส่วนใหญ่แล้ว นอกจากนี้ ผู้ให้บริการหลายรายยังมีการผสานรวมแบบพร้อมใช้งาน (Out-of-the-box) เช่น สำหรับแชทบอทบริการลูกค้า ซึ่งช่วยให้การนำไปใช้งานง่ายขึ้น

1. การค้นหาเว็บ

การค้นหาเว็บเป็นหนึ่งในตัวอย่าง RAG ที่แพร่หลายที่สุด ทุกๆ วัน ผู้คนนับล้านใช้เครื่องมือ AI เพื่อสร้างคำตอบที่มีรากฐานมาจากข้อมูลที่ดึงมาจากเว็บ

วิธีการทำงาน: แอปพลิเคชัน AI จะค้นหาดัชนีเว็บ เช่น ดัชนี Google Search โดยใช้การดึงข้อมูลตามคีย์เวิร์ดและเชิงความหมาย เนื้อหาหน้าที่เกี่ยวข้องจะถูกรวมไว้ควบคู่ไปกับคำถามของผู้ใช้ในอินพุตของ LLM จากนั้น LLM จะสร้างคำตอบ โดยมักจะระบุแหล่งที่มาด้วย

ตัวอย่างในโลกจริง: หากผู้ใช้พิมพ์คิวรีง่ายๆ ลงในอินเทอร์เฟซแชทของ Perplexity เช่น “สภาพอากาศในชิคาโกเป็นอย่างไรบ้าง” LLM จะทำการค้นหาเว็บเพื่อหาข้อมูลที่เป็นปัจจุบัน Perplexity ใช้ดัชนีเว็บที่เป็นกรรมสิทธิ์ของตนเองร่วมกับ API การค้นหาของพาร์ทเนอร์

ขยาย

2. การสนับสนุนลูกค้า

แชทบอทในแอปและเว็บไซต์ได้กลายเป็นกรณีการใช้งานระดับองค์กรที่สำคัญของ RAG ระบบเหล่านี้มักจะเชื่อมคู่กับเส้นทางการกำหนดเส้นทางแบบดั้งเดิม ซึ่งช่วยลดความจำเป็นในการที่ตัวแทนฝ่ายบริการลูกค้าจะต้องเข้ามาเกี่ยวข้อง

วิธีการทำงาน: เมื่อลูกค้าถามคำถาม แอปพลิเคชันจะค้นหาฐานความรู้ของบริษัท ซึ่งมักจะใช้ไปป์ไลน์แบบไฮบริด ข้อความที่ดึงมาจะถูกส่งให้กับ LLM ซึ่งจะสร้างคำตอบ นอกจากนี้มักจะมีกระบวนการแก้ไขและการส่งต่อ (Hand-off) ที่เกี่ยวข้องเพื่อตรวจสอบความถูกต้องของคำตอบ และส่งต่อไปยังตัวแทนในกรณีที่จำเป็น

ตัวอย่างในโลกจริง: แพลตฟอร์มบริการลูกค้าต่างๆ รวมถึง Zendesk (ภาพด้านล่าง) และ Intercom นำเสนอแชทบอทสนับสนุนลูกค้าแบบ Plug-and-Play ที่ผสานรวมกับเอกสารที่มีอยู่และฐานข้อมูลการสนับสนุนลูกค้า

ขยาย

3. ผู้ช่วยส่วนตัว

ผู้ช่วยส่วนตัวใช้ Agentic RAG เพื่อเข้าถึงอีเมล ไฟล์ และปฏิทินของผู้ใช้ โดยทั่วไปผู้ช่วยเหล่านี้สามารถดำเนินการไปป์ไลน์ RAG หลายรายการได้

วิธีการทำงาน: เนื่องจากผู้ช่วยส่วนตัวมักจะต้องเข้าถึงแหล่งข้อมูลหลายแหล่ง จึงใช้การผสมผสานระหว่าง API, การค้นหาด้วยคีย์เวิร์ด, การค้นหาด้วยเวกเตอร์ และกราฟความรู้ คำอธิบายเครื่องมือต่างๆ จะถูกส่งโดยแอปพลิเคชันไปยัง LLM ซึ่งจะเลือกเครื่องมือที่เหมาะสมที่สุด

ตัวอย่างในโลกจริง: Google Gemini ทําหน้าที่เป็นตัวอย่างที่ดีของแอปที่สามารถทำหน้าที่เป็นผู้ช่วย AI ส่วนตัวและอเนกประสงค์ (เช่นเดียวกับผู้ช่วยส่วนใหญ่ในปัจจุบัน) โดยผสานรวมกับระบบนิเวศของเครื่องมือ เช่น Gmail, Docs, Photos และ Calendar

ขยาย

4. การจัดการความรู้ระดับ Enterprise

การจัดการความรู้ระดับ Enterprise ช่วยให้พนักงานสามารถถามคำถามเกี่ยวกับข้อมูลของบริษัทในวงกว้างได้ ซึ่งรวมถึงนโยบาย รายงาน เอกสารโปรเจกต์ ข้อความทางกฎหมาย และแม้กระทั่งการอภิปรายภายในองค์กร

วิธีการทำงาน: แอปพลิเคชันจะดึงเนื้อหาที่เกี่ยวข้องโดยใช้ดัชนีเวกเตอร์ที่จะได้รับการอัปเดตเมื่อเอกสารต้นฉบับเปลี่ยนแปลง ดัชนีประกอบด้วยการฝังตัวที่แทนส่วนย่อยของเอกสาร พร้อมลิงก์ไปยังข้อความและข้อมูลเมตาที่เกี่ยวข้อง

ตัวอย่างในโลกจริง: Microsoft 365 Copilot เข้าถึงข้อมูลองค์กรผ่าน Microsoft Graph ซึ่งเปิดใช้งาน API ต่างๆ สำหรับแหล่งข้อมูล และใช้ดัชนีคำศัพท์และเชิงความหมายเพื่อดึงเนื้อหาที่เกี่ยวข้อง

ขยาย

5. ผู้ช่วยเขียนโค้ด

ผู้ช่วยเขียนโค้ดจะนำ RAG ไปใช้กับโค้ดเบส แม้ว่ากระบวนการ RAG เบื้องหลังจะเหมือนกัน (โดยปกติคือ Agentic RAG) แต่ความแตกต่างคือพวกมันจัดการกับบริบทของโค้ดโดยเฉพาะ

วิธีการทำงาน: ผู้ช่วยเขียนโค้ดจะทำดัชนีไฟล์โปรเจกต์ในเครื่องและทำการค้นหาหลายรอบเพื่อหาข้อมูลโค้ดที่เกี่ยวข้องเมื่อได้รับพรอมต์ นอกจากนี้ ผู้ช่วยเหล่านี้มักจะมีตัวเชื่อมต่อเฉพาะสำหรับการขยายการเข้าถึง เช่น ไปยังฐานความรู้ขององค์กร

ตัวอย่างในโลกจริง: GitHub Copilot เป็นตัวอย่างที่รู้จักกันดีของผู้ช่วยเขียนโค้ดที่ผสานรวมโดยตรงกับโปรเจกต์การพัฒนา นอกจากนี้ยังสามารถอ้างอิงที่เก็บ (Repositories) สาธารณะของ GitHub เพื่อเพิ่มความแม่นยำของคำตอบได้อีกด้วย

ขยาย

6. การแก้ไขปัญหาทางเทคนิค

การแก้ไขปัญหาทางเทคนิคเป็นการผสานรวมไปป์ไลน์ RAG สำหรับการจัดการความรู้เข้ากับลูปการวินิจฉัย เอเจนต์สามารถประเมินผลลัพธ์เพื่อปรับปรุงคำแนะนำในการแก้ไขปัญหาให้ละเอียดยิ่งขึ้นตามความจำเป็น

วิธีการทำงาน: แอปพลิเคชันรวบรวมอาการของปัญหาทางเทคนิคจากผู้ใช้หรือรับการแจ้งเตือนการตรวจสอบอัตโนมัติ โดยจะทริกเกอร์การค้นหาข้อความแสดงข้อผิดพลาด บันทึกทางเทคนิค (Technical Logs) และเมตริกประสิทธิภาพเพื่อตรวจสอบอาการเหล่านั้น จากนั้นจะดึงข้อมูลที่เกี่ยวข้องจากฐานความรู้ภายในเพื่อส่งต่อไปยัง LLM ลูปการวินิจฉัยจะเกิดขึ้นเมื่อผลลัพธ์ของการพยายามแก้ไขถูกป้อนกลับเข้าไปใน LLM ไม่ว่าจะมาจากผู้ใช้หรือเครื่องมือวินิจฉัยก็ตาม

ตัวอย่างในโลกจริง: แพลตฟอร์มการสังเกตการณ์ Datadog (ภาพด้านล่าง) รวบรวมข้อมูลจากทุกเลเยอร์ของระบบ พร้อมทั้งแจ้งเตือนปัญหาต่างๆ เมื่อเกิดขึ้น จากนั้นข้อมูลเหล่านี้จะถูกป้อนเข้าไปในเอเจนต์ AI พิเศษที่เรียกว่า Bits AI เพื่อแก้ไขปัญหาและหาแนวทางแก้ไขที่เป็นไปได้

ขยาย

7. พาณิชยกรรมแบบเอเจนต์ (Agentic Commerce)

พาณิชยกรรมแบบเอเจนต์คือกรณีการใช้งานที่กว้างขึ้นซึ่งมักเกี่ยวข้องกับ RAG เอเจนต์สำหรับการช้อปปิ้งจะดึงรายละเอียดต่างๆ เช่น ข้อมูลจำเพาะของผลิตภัณฑ์ บทวิจารณ์ ราคา และความพร้อมจำหน่าย เพื่อเปรียบเทียบตัวเลือกและอธิบายคำแนะนำ จากนั้นจึงทำการซื้อให้โดยอัตโนมัติโดยที่ผู้ใช้ไม่ต้องออกจากอินเทอร์เฟซ

วิธีการทำงาน: พาณิชยกรรมแบบเอเจนต์คือ Agentic RAG ที่แท้จริง เนื่องจากคิวรีเฉพาะมักต้องการรูปแบบการดึงข้อมูลที่แตกต่างกัน ซึ่งโมเดลจะเป็นผู้ควบคุม เอเจนต์อาจดึงข้อมูลผลิตภัณฑ์ที่เป็นข้อความอย่างเดียวผ่าน API ของผู้ค้าปลีก หรืออาจใช้ Multimodal RAG เพื่อจับคู่ผลิตภัณฑ์ในดัชนีเชิงความหมายตามภาพถ่ายของผู้ใช้

ตัวอย่างในโลกจริง: เอเจนต์อเนกประสงค์อย่าง Perplexity สามารถดึงข้อมูลรูปภาพหลายรูปและข้อกำหนดจำเพาะของผลิตภัณฑ์โดยละเอียดได้ตามพรอมต์ ฟีเจอร์ชำระเงินแบบซื้อทันที (Instant Buy) ช่วยให้ผู้ใช้สามารถทำการสั่งซื้อให้เสร็จสิ้นได้หลังจากเลือกผลิตภัณฑ์แล้ว

ขยาย

8. โดเมนความรู้เฉพาะทาง

เครื่องมือ AI ที่ดึงความรู้เฉพาะทางในโดเมนจะต้องจัดการกับรูปแบบเนื้อหาที่ซับซ้อน นอกจากนี้ การลดข้อมูลที่ผิดเพี้ยน (Hallucinations) และช่องว่างของข้อมูลมักเป็นสิ่งสำคัญอันดับแรก

วิธีการทำงาน: ความแตกต่างที่สำคัญระหว่างสถาปัตยกรรม RAG อเนกประสงค์และ RAG เฉพาะทางเกี่ยวข้องกับวัสดุต้นทางและการกำหนดค่าการดึงข้อมูล โดยปกติแล้ว จะมีการสืบค้นเฉพาะดัชนีที่มีความน่าเชื่อถือสูงเท่านั้น และคำขอจะถูกกำหนดค่าให้รวมคำศัพท์เฉพาะเพื่อจำกัดขอบเขตการค้นหาให้แคบลง

ตัวอย่างในโลกจริง: เครื่องมือการวิจัยทางวิชาการ Scite เข้าถึงดัชนีขนาดใหญ่ของเอกสารวิชาการและข้อมูลการอ้างอิงที่สร้างขึ้นผ่านข้อตกลงกับผู้จัดพิมพ์และแหล่งข้อมูลแบบเปิด (Open Access) นอกจากนี้ยังใช้การตรวจสอบหลังการดึงข้อมูล เช่น การตรวจสอบแหล่งที่มา ก่อนที่จะสร้างคำตอบฉบับสมบูรณ์

ขยาย

9. การวิเคราะห์ข้อมูล

RAG สำหรับการวิเคราะห์ข้อมูลได้กลายเป็นกรณีการใช้งานระดับองค์กรที่มีประสิทธิภาพเป็นพิเศษ เนื่องจากช่วยให้ผู้เชี่ยวชาญหลากหลายกลุ่ม โดยเฉพาะผู้ที่ไม่มีการฝึกอบรมด้านวิทยาศาสตร์ข้อมูล สามารถสืบค้นชุดข้อมูลโดยใช้ภาษาธรรมชาติได้ ซึ่งทำให้การสร้างรายงานและการถามคำถามเฉพาะเจาะจงทำได้ง่ายขึ้น

วิธีการทำงาน: สำหรับคำถามเช่น “ทำไมยอดขายจึงลดลงในไตรมาสที่แล้ว?” แอปพลิเคชันอาจสืบค้นบันทึกยอดขายและดึงข้อมูลบันทึกเกี่ยวกับสินค้าคงคลังไม่เพียงพอหรือการเปลี่ยนแปลงราคา LLM จะเลือกการคำนวณที่เหมาะสม (ซึ่งมักจะมอบหมายให้กับเครื่องมือคำนวณ) สำหรับข้อมูลที่ดึงมาก่อนที่จะสร้างการวิเคราะห์

ตัวอย่างในโลกจริง: Google Analytics นำเสนอ แชทบอท AI “Ask Advisor” ที่สามารถเข้าถึงข้อมูลการวิเคราะห์เว็บและตอบคำถามที่มีความเฉพาะเจาะจงและละเอียดอ่อนจากผู้ใช้ได้ นี่เป็นหนึ่งในตัวอย่างที่ดีที่สุดในโลกจริงของ RAG ระบบปิดระดับ Enterprise

ขยาย

อะไรคือสิ่งที่จะเกิดขึ้นต่อไปในวิวัฒนาการของ RAG?

RAG ถือเป็นการพัฒนาครั้งสำคัญเมื่อเปิดตัวครั้งแรก โดยช่วยแก้ไขปัญหาหลายประการที่มีอยู่ใน LLM แบบสแตนด์อโลน

อย่างไรก็ตาม เทคโนโลยีนี้ยังห่างไกลจากความหยุดนิ่ง การวิจัยในปัจจุบันมุ่งเน้นไปที่การดึงข้อมูลแบบมัลติโมดัลที่ลึกซึ้งยิ่งขึ้นและการประมวลผลบริบทที่ดึงมาอย่างเข้มงวดมากขึ้นเพื่อความแม่นยำและความถูกต้อง นอกจากนี้ เราน่าจะได้เห็นการบูรณาการ RAG เข้ากับเอเจนต์ที่รองรับหลายเครื่องมือมากขึ้น

แม้จะมีหน้าต่างบริบท (Context Windows) ที่ใหญ่มาก แต่ก็ยังมีกรณีการใช้งานที่สำคัญสำหรับ RAG ในบริบทส่วนตัวและระดับมืออาชีพ รวมถึงนวัตกรรมอีกมากมายที่ยังรออยู่