ຊຸດສຳພາດ AI 8: RAG ແມ່ນຫຍັງ? ເປັນຫຍັງຈຶ່ງຄິດເຮັດໂຄງການ RAG?

RAG ແມ່ນຫຍັງ?

RAG ມີຊື່ເຕັມວ່າ Retrieval-Augmented Generation, ໃນພາສາລາວໝາຍເຖິງ ການສ້າງຂໍ້ມູນແບບເສີມດ້ວຍການຄົ້ນຫາ.

ເວົ້າງ່າຍໆ, ມັນເປັນເຕັກນິກທີ່ ໃຫ້ຕົວແບບພາສາໃຫຍ່ “ມີປຶ້ມອ້າງອີງທີ່ສາມາດເປີດອ່ານໄດ້ທຸກເວລາ”.

ເຈົ້າສາມາດຈິນຕະນາການວ່າຕົວແບບພາສາໃຫຍ່ເປັນ “ນັກຮຽນເກັ່ງທີ່ມີຄວາມຈຳດີເລີດ ແລະ ມີຄວາມຮູ້ກວ້າງຂວາງ”. ແຕ່ນັກຮຽນເກັ່ງຄົນນີ້ມີ “ຂໍ້ບົກພ່ອງ” ສອງຢ່າງ:

1. ວັນທີຕັດຂໍ້ມູນຄວາມຮູ້: ຄວາມຮູ້ທີ່ລາວຮຽນມາແມ່ນສິ້ນສຸດພຽງແຕ່ຂໍ້ມູນໃນຕອນຝຶກອົບຮົມ. ເຫດການທີ່ເກີດຂຶ້ນຫຼັງປີ 2023, ລາວບໍ່ຮູ້ເລີຍ.
2. ອາດຈະ “ເວົ້າຕົວະ”: ເມື່ອພົບຄຳຖາມທີ່ລາວບໍ່ຮູ້, ລາວຈະບໍ່ເວົ້າວ່າ “ຂ້ອຍບໍ່ຮູ້”, ແຕ່ຈະ “ປະດິດ” ຄຳຕອບທີ່ຟັງຄືວ່າສົມເຫດສົມຜົນຂຶ້ນມາ (ນີ້ແມ່ນ AI hallucination).

RAG ແມ່ນມາແກ້ໄຂສອງບັນຫານີ້. ຂັ້ນຕອນການເຮັດວຽກຂອງມັນງ່າຍດາຍ, ມີ 3 ຂັ້ນຕອນ:

1. ຄົ້ນຫາ: ເມື່ອເຈົ້າຖາມຄຳຖາມ, ລະບົບຈະໄປຍັງ “ຖານຄວາມຮູ້ພາຍນອກ” (ເຊັ່ນ ເອກະສານທັງໝົດຂອງບໍລິສັດ, ວິກິພີເດຍລ່າສຸດ, ຫຼື ກົດໝາຍຕ່າງໆ) ແລະ ຊອກຫາຂໍ້ມູນທີ່ກ່ຽວຂ້ອງທີ່ສຸດສອງສາມຕ່ອນຢ່າງໄວວາ. ນີ້ຄືກັບໃຫ້ນັກຮຽນໄປເປີດປຶ້ມຫາຕາມຫົວຂໍ້.
2. ເສີມ: ລະບົບຈະເອົາ “ຄຳຖາມຂອງເຈົ້າ” ແລະ “ຂໍ້ຄວາມທີ່ກ່ຽວຂ້ອງທີ່ຄົ້ນຫາມາໄດ້” ມາຫໍ່ຮ່ວມກັນ, ກາຍເປັນ “ຄຳແນະນຳທີ່ເສີມແລ້ວ”. ນີ້ຄືກັບໃຫ້ເອກະສານອ້າງອີງແກ່ນັກຮຽນ.
3. ສ້າງ: ຕົວແບບພາສາໃຫຍ່ຈະສ້າງຄຳຕອບສຸດທ້າຍໂດຍອີງໃສ່ “ຄຳແນະນຳທີ່ເສີມແລ້ວ” ນີ້. ມັນບໍ່ໄດ້ອີງໃສ່ພຽງແຕ່ຄວາມຮູ້ເກົ່າໃນ “ຄວາມຈຳ” ຂອງມັນ, ແຕ່ຈະອ້າງອີງຕາມ “ເອກະສານອ້າງອີງ” ທີ່ເຈົ້າໃຫ້ມາ. ນີ້ຄືກັບນັກຮຽນເບິ່ງປຶ້ມແລະເອກະສານຕອບຄຳຖາມ, ບໍ່ແມ່ນຄິດເອງ.

ຕົວຢ່າງງ່າຍໆ:
- LLM ແບບດັ້ງເດີມ: “ວິທີຊ່ອມລົດຖີບຍີ່ຫໍ້ XX ຮຸ່ນ XX?” → ຕົວແບບຕອບຕາມຄວາມຈຳ, ອາດລ້າສະໄໝ ຫຼື ຜິດ.
- RAG: “ວິທີຊ່ອມລົດຖີບຍີ່ຫໍ້ XX ຮຸ່ນ XX?” → ຄົ້ນຫາ ຄູ່ມືຊ່ອມແປງລ່າສຸດ → ສ້າງ: “ອີງຕາມຄູ່ມືຊ່ອມແປງປີ 2024 ບົດທີ 3, ເຈົ້າຄວນ…”

ເປັນຫຍັງຈຶ່ງຄິດເຮັດໂຄງການ RAG?

ການເຮັດໂຄງການ RAG ແມ່ນເພື່ອ ໃຊ້ຈຸດແຂງ ແລະ ຫຼີກລ່ຽງຈຸດອ່ອນ, ປົດປ່ອຍທ່າແຮງທີ່ແທ້ຈິງຂອງຕົວແບບພາສາໃຫຍ່. ມີແຮງຂັບເຄື່ອນຫຼັກດັ່ງນີ້:

1. ແກ້ໄຂບັນຫາ “ຄວາມຮູ້ລ້າສະໄໝ” ແລະ “ການເວົ້າຕົວະ”

   • ແຮງຈູງໃຈ: ຢາກໃຫ້ LLM ຕອບຄຳຖາມກ່ຽວກັບເຫດການລ່າສຸດ, ຂໍ້ມູນພາຍໃນ, ເອກະສານສ່ວນຕົວ, ພ້ອມທັງຮັບປະກັນວ່າຄຳຕອບມີຫຼັກຖານອ້າງອີງ.
   • ຄຸນຄ່າ: ລະບົບໃຫ້ຄຳປຶກສາດ້ານການແພດທີ່ໃຊ້ RAG ສາມາດອ້າງອີງວາລະສານແພດສາດລ່າສຸດຕອບວ່າ “ອາການຂອງເຊື້ອໂຄວິດສາຍພັນໃໝ່ລ່າສຸດ”, ບໍ່ແມ່ນຂໍ້ມູນລ້າສະໄໝປີ 2021, ແລະ ຍັງມີການອ້າງອີງແຫຼ່ງທີ່ມາ, ຊ່ວຍຫຼຸດຄວາມສ່ຽງ “ເວົ້າຕົວະ” ຢ່າງຫຼວງຫຼາຍ.

2. ໃຫ້ AI ສາມາດຈັດການ “ຂໍ້ມູນສ່ວນຕົວ” ພ້ອມທັງຮັກສາຄວາມປອດໄພ

   • ແຮງຈູງໃຈ: ທຸກໆບໍລິສັດມີຖານຄວາມຮູ້ຂອງຕົນເອງ (ສັນຍາ, ໂຄ້ດ, ບັນທຶກການບໍລິການລູກຄ້າ ແລະ ອື່ນໆ). ຂໍ້ມູນເຫຼົ່ານີ້ບໍ່ສາມາດນຳໄປຝຶກອົບຮົມ ຫຼື ປັບແຕ່ງຕົວແບບໃໝ່ໄດ້ (ຄ່າໃຊ້ຈ່າຍສູງ, ເຕັກນິກຍາກ, ມີຄວາມສ່ຽງຮົ່ວໄຫຼຂໍ້ມູນ).
   • ຄຸນຄ່າ: ໂດຍໃຊ້ RAG, ເຈົ້າສາມາດສ້າງ “ຜູ້ຊ່ວຍຕອບຄຳຖາມ AI” ພາຍໃນບໍລິສັດ. ເມື່ອພະນັກງານຖາມ, AI ຈະຄົ້ນຫາຂໍ້ມູນຈາກເອກະສານສ່ວນຕົວພາຍໃນບໍລິສັດມາຕອບ. ຂໍ້ມູນສ່ວນຕົວຈະຖືກເກັບໄວ້ພາຍໃນບໍລິສັດສະເໝີ, ບໍ່ຖືກສົ່ງໃຫ້ຜູ້ຜະລິດຕົວແບບເພື່ອຝຶກອົບຮົມ, ທັງໃຊ້ຄວາມສາມາດໃນການເຂົ້າໃຈຂອງ LLM ແລະ ຮັກສາຄວາມປອດໄພຂອງຂໍ້ມູນ.

3. ຫຼຸດຄ່າໃຊ້ຈ່າຍ, ເພີ່ມປະສິດທິພາບ

   • ແຮງຈູງໃຈ: ການຝຶກອົບຮົມ ຫຼື ປັບແຕ່ງຕົວແບບໃຫຍ່ໃຫ້ຮູ້ຄວາມຮູ້ໃໝ່ ຄືກັບການຮຽນຫ້ອງສະໝຸດທັງໝົດອີກຄັ້ງ, ຕ້ອງໃຊ້ກຳລັງຄອມພິວເຕີ ແລະ ຄ່າໃຊ້ຈ່າຍມະຫາສານ.
   • ຄຸນຄ່າ: RAG ເກືອບບໍ່ຕ້ອງຝຶກອົບຮົມ, ພຽງແຕ່ສ້າງລະບົບຄົ້ນຫາ. ຄ່າໃຊ້ຈ່າຍອາດແມ່ນ 1% ຂອງການປັບແຕ່ງ, ຫຼື ໜ້ອຍກວ່າ. ແລະ ເມື່ອຖານຄວາມຮູ້ຖືກອັບເດດ, ຜົນການຄົ້ນຫາກໍອັບເດດໄປນຳ, ບໍ່ຕ້ອງຝຶກອົບຮົມຕົວແບບໃໝ່, ສາມາດ “ອັບເດດແບບທັນສະໄໝ”.

4. ໃຫ້ AI “ຮູ້ວ່າຕົນເອງຮູ້ຫຍັງ ແລະ ບໍ່ຮູ້ຫຍັງ”

   • ແຮງຈູງໃຈ: ຢາກໃຫ້ຕົວແບບຮູ້ຂອບເຂດຄວາມຮູ້ຂອງຕົນຢ່າງຊັດເຈນ.
   • ຄຸນຄ່າ: ລະບົບ RAG ສາມາດຕັ້ງກົດວ່າ: ຖ້າຄົ້ນຫາບໍ່ເຫັນເອກະສານທີ່ກ່ຽວຂ້ອງ, ໃຫ້ຕອບທັນທີວ່າ “ຂໍອະໄພ, ຂ້ອຍບໍ່ພົບຂໍ້ມູນທີ່ກ່ຽວຂ້ອງໃນຖານຄວາມຮູ້, ກະລຸນາຢືນຢັນຄຳຖາມ.” ກົນໄກ “ການອ້າງອີງທີ່ລົ້ມເຫຼວ” ນີ້ ເຮັດໃຫ້ການເຮັດວຽກຂອງ AI ເຊື່ອຖືໄດ້ ແລະ ໂປ່ງໃສກວ່າ.

ສະຫຼຸບ:

ການຄິດເຮັດໂຄງການ RAG ແມ່ນຍ້ອນວ່າເຮົາ ຕ້ອງການທັງຄວາມສາມາດໃນການເຂົ້າໃຈ ແລະ ການສະແດງອອກທີ່ແຂງແຮງຂອງຕົວແບບພາສາໃຫຍ່, ພ້ອມທັງຢາກໃຫ້ມັນ “ຊື່ສັດ, ເຊື່ອຖືໄດ້, ທັນສະໄໝ, ເຂົ້າໃຈທຸລະກິດສ່ວນຕົວ”. ມັນຄືກັບການຕິດຕັ້ງພວງມາໄລທີ່ຄວບຄຸມໄດ້ຢ່າງແນ່ນອນ ແລະ ແຜນທີ່ນຳທາງທີ່ອັບເດດຢູ່ສະເໝີ (ລະບົບຄົ້ນຫາ) ໃສ່ເຄື່ອງຈັກຊັ້ນຍອດ (LLM), ເຊິ່ງເປັນເສັ້ນທາງເຕັກນິກທີ່ມີປະສິດທິພາບ ແລະ ຖືກນຳໃຊ້ຫຼາຍທີ່ສຸດໃນການນຳ LLM ໄປໃຊ້ຈິງໃນຂົງເຂດທີ່ຕ້ອງການຄວາມເຊື່ອຖືໄດ້ ເຊັ່ນ ວິສາຫະກິດ, ການແພດ, ກົດໝາຍ, ການເງິນ ແລະ ອື່ນໆ.