RAG คืออะไร? AI จะรู้ข้อมูลสดใหม่ หรือข้อมูลเฉพาะของเราได้อย่างไร และวิธีการให้ AI “เปิดหนังสือ” ก่อนที่จะตอบคำถามเรา

AI ยุคนี้ฉลาดเป็นกรดครับ ถามอะไรก็ตอบได้หลายภาษา ช่วยคิด ช่วยสรุป และช่วยวิเคราะห์เรื่องยากๆ ได้เก่งมาก

แต่พอลองถามเรื่องที่ AI ไม่เคยเห็น เช่น

• นโยบายลาพักร้อนของบริษัทเรามีกี่วัน?
• รายงานยอดขายล่าสุดสรุปว่าอย่างไร?
• ข่าวที่เพิ่งเกิดขึ้นเมื่อไม่กี่นาทีก่อนคืออะไร?

ความเก่งนั้นอาจสะดุดทันที บางครั้ง AI บอกตรงๆ ว่าไม่รู้ แต่บางครั้งก็ตอบอย่างมั่นใจทั้งที่ข้อมูลผิด อาการแบบนี้เราเรียกว่า Hallucination หรือที่พูดกันง่ายๆ ว่า “AI หลอน”

เหตุผลไม่ได้ซับซ้อนครับ AI ไม่ได้รู้ข้อมูลภายในของเรา และความรู้ที่อยู่ในโมเดลก็ไม่ได้อัปเดตตามโลกแบบทันที

แล้วเราจะทำให้ AI ใช้ข้อมูลของเรา หรือข้อมูลใหม่ๆ ก่อนตอบได้อย่างไร?

นี่คือจุดที่ RAG เข้ามาช่วยครับ

TL;DR

RAG (Retrieval-Augmented Generation) คือแนวทางที่ให้ระบบค้นข้อมูลที่เกี่ยวข้องก่อน จากนั้นนำข้อมูลนั้นไปประกอบกับคำถาม แล้วจึงให้ LLM เรียบเรียงคำตอบ

ถ้า AI ปกติเหมือนเด็กหัวกะทิที่ทำข้อสอบแบบปิดหนังสือ AI + RAG ก็เหมือนเด็กคนเดิมที่ได้รับอนุญาตให้หยิบเอกสารที่เกี่ยวข้องเข้าห้องสอบได้

RAG ไม่ได้ทำให้คำตอบถูกต้องเสมอไป แต่ช่วยให้คำตอบอิงกับข้อมูลที่เราเลือก และเปิดทางให้ตรวจสอบแหล่งอ้างอิงได้ง่ายขึ้น

ทำไม AI เก่งแค่ไหนก็ยังตอบเรื่องของเราไม่ได้?

ลองจินตนาการว่า LLM อย่าง ChatGPT, Gemini หรือ Claude เป็น “เด็กหัวกะทิที่อ่านตำรามาเยอะมาก” (ซึ่งความจริงก็ใกล้เคียงแบบนั้นครับ AI ถูกเทรนด้วยตำรา หรือข้อมูลมาเยอะมาก เยอะจนจินตนาการไม่ออกเลยแหล่ะ)

น้อง AI คนนี้ตอบได้ทั้งคณิตศาสตร์ ฟิสิกส์ ภาษาไทย และวรรณคดีอังกฤษ แต่ยังมีข้อจำกัดสำคัญอยู่สองเรื่อง

1. ความรู้มีขอบเขตตามข้อมูลและช่วงเวลาที่ใช้พัฒนาโมเดล เรื่องใหม่ที่ไม่ได้อยู่ในความรู้ของโมเดล น้องอาจไม่รู้ (หนังสือเล่มใหม่ที่เพิ่งออก หรือข่าวใหม่ที่เพิ่งเกิดขึ้น หลังจากที่ถูกเทรนไป น้องยังไม่รู้)
2. น้องไม่เคยอ่านสมุดบันทึกในบ้านเรา สมุดโน๊ตเรา Google Drive, One Drive ของเรา เอกสารบริษัท ไฟล์ยอดขาย แชทภายใน หรือคู่มือเฉพาะขององค์กร ไม่ได้ติดมากับโมเดลโดยอัตโนมัติ

ผมขอเล่า สิ่งที่ผมเคยเจอเรื่องนี้กับตัวเองครับ

ช่วงต้นปี 2025 ผมกำลังดู RTX 5070 Ti, RTX 5080 และ RTX 5090 เพื่อประกอบ AI Studio Worker สำหรับรัน AI model แบบ local ด้วยงบที่จำกัด ตอนนั้นข้อมูลรีวิวยังมีไม่มาก และ AI ที่ผมคุยด้วย ยังไม่รู้จัก RTX 50 Series ด้วยซ้ำ (รู้จักแต่ RTX 40 Series)

ผมเสียเวลาไปกับการเถียงกับ AI ว่า การ์ดจอออกมาจริงๆแล้ว ไม่ใช่ข่าวลือ Spec แบบนี้นะ น่าจะเร็วขึ้นเท่านี้นะ บลาๆ แต่สุดท้ายสิ่งที่ได้กลับเป็นการเดาและประเมินมากกว่าข้อมูลที่ใช้ตัดสินใจได้จริง ผมเลยกลับไป Search หาข้อมูลเองแทน ทั้งเสียเวลาและเสียอารมณ์นิดหน่อย ครับ

ปัญหานี้จะชัดขึ้นอีกเมื่อถามเรื่องข้อมูลภายใน เพราะต่อให้โมเดลเก่งแค่ไหน มันก็วิเคราะห์เอกสารที่ไม่เคยได้รับไม่ได้

บางคนอาจคิดว่า “งั้นเอาเอกสารทั้งหมดไปเทรนเพิ่มสิ”

ทำได้ในบางโจทย์ครับ แต่ถ้าเป้าหมายคือการเพิ่มข้อมูลใหม่หรือข้อมูลที่เปลี่ยนบ่อย การ Fine-tuning อาจไม่ใช่คำตอบแรก เพราะเราไม่ได้ต้องการส่งเด็กไปเรียนหมอใหม่หลายปี เพียงเพื่อบอกว่ายาพาราเซตามอลไม่ได้มีแค่ ไทลีนอลนะ มียี่ห้อซาร่าด้วย

วิธีที่ตรงกว่าคือให้เด็กเปิดข้อมูลล่าสุดก่อนตอบ นั่นคือแนวคิดของ RAG

RAG คืออะไร? แยกเป็นสามคำก็เข้าใจได้

RAG ย่อมาจาก Retrieval-Augmented Generation ฟังดูยาก แต่แยกออกมาได้ง่ายๆ แบบนี้ครับ

1. Retrieval, ไปค้นมาก่อน
   ระบบค้นเอกสารหรือข้อความที่เกี่ยวข้องกับคำถาม

2. Augmentation, เอาข้อมูลมาประกบกับคำถาม
   ระบบนำสิ่งที่ค้นเจอมาจัดเป็น Context เพื่อส่งให้ LLM

3. Generation, ให้ AI เรียบเรียงคำตอบ
   LLM อ่านคำถามพร้อม Context แล้วสร้างคำตอบจากข้อมูลที่ได้รับ

ภาพเปรียบเทียบที่ง่ายที่สุดคือการสอบครับ

AI ปกติ: ทำข้อสอบแบบปิดหนังสือ ต้องพึ่งความรู้ที่อยู่ในโมเดล ถ้าไม่รู้ก็อาจตอบไม่ได้หรือเดา

AI + RAG: ทำข้อสอบแบบเปิดหนังสือ ระบบไปหยิบหน้าที่น่าจะเกี่ยวข้องมาให้ AI อ่านก่อนตอบ

คำว่า “น่าจะเกี่ยวข้อง” สำคัญมาก เพราะระบบค้นหาอาจหยิบผิดหน้า เอกสารต้นทางอาจเก่า หรือคำสั่งอาจเปิดช่องให้โมเดลตีความเกินข้อมูลได้ RAG จึงไม่ใช่ปุ่มวิเศษที่กดแล้วแม่นยำ 100%

เบื้องหลังหนึ่งคำถามเกิดอะไรขึ้นบ้าง?

ในมุมของคนใช้งาน Flow พื้นฐานจะประมาณนี้

[คำถามของเรา]
      |
      v
1. Retrieval
   ค้นข้อความหรือเอกสารที่เกี่ยวข้อง
      |
      v
2. Augmentation
   นำข้อมูลที่ค้นได้มาประกอบกับคำถาม
      |
      v
3. Generation
   ให้ LLM อ่าน Context แล้วเรียบเรียงคำตอบ

เครื่องมือบางชนิดค้นเอกสารของเรา บางชนิดค้นข้อมูลจาก Internet และบางระบบใช้หลายแหล่งร่วมกัน สิ่งสำคัญคือข้อมูลที่ส่งเข้าโมเดลต้องมีที่มา เหมาะกับคำถาม และอยู่ภายใต้สิทธิ์ที่ผู้ถามควรเข้าถึง

นี่เป็นหลักคิดที่ผมนำมาใช้พิจารณาการทำงานร่วมกับ AI ใน NEXT4I ครับ ไม่ใช่แค่ถามว่าโมเดลฉลาดแค่ไหน แต่ต้องถามด้วยว่าเราพามันไปเจอข้อมูลอะไร ก่อนให้มันตอบ

RAG ช่วยเรื่องอะไรได้บ้าง?

1. ใช้ข้อมูลที่เปลี่ยนแปลงได้

แทนที่จะฝังข้อมูลทุกอย่างลงในตัวโมเดล ระบบสามารถอัปเดตแหล่งความรู้และทำดัชนีใหม่ตาม Pipeline ที่ออกแบบไว้ ระยะเวลาที่ข้อมูลพร้อมใช้งานขึ้นอยู่กับขั้นตอน Ingestion, Indexing และการตรวจสอบของแต่ละระบบ

2. ลดความเสี่ยงจากการตอบแบบเดา

เราสามารถกำหนดให้โมเดลตอบจาก Context ที่ให้ และบอกว่าไม่พบข้อมูลเมื่อเอกสารไม่เพียงพอ วิธีนี้ช่วยจำกัดพื้นที่ในการเดา แต่ไม่ใช่การรับประกันว่า Hallucination จะหายไปทั้งหมด

3. ทำให้ตรวจสอบที่มาได้ง่ายขึ้น

ถ้าระบบเก็บ Metadata และ Citation ไว้ดี คำตอบสามารถพาคนอ่านกลับไปยังเอกสารหรือข้อความต้นทางได้ คนจึงตรวจซ้ำได้ว่า AI สรุปตรงหรือไม่

4. ออกแบบการเข้าถึงข้อมูลให้สอดคล้องกับสิทธิ์

ข้อมูลไม่ควรถูกค้นเจอเพียงเพราะมันอยู่ใน Vector Database การกำหนดสิทธิ์, Metadata filtering, Data isolation และการตรวจสอบ Log ต้องถูกออกแบบเป็นส่วนหนึ่งของระบบ RAG

พูดอีกแบบคือ RAG ไม่ได้สร้าง Security ให้เราโดยอัตโนมัติครับ ถ้า Retrieval ไม่เช็กสิทธิ์ AI ก็อาจได้รับ Context ที่ผู้ถามไม่ควรเห็นได้

RAG ใช้กับงานอะไรได้บ้าง?

แนวคิดนี้นำไปใช้ได้กับหลายโจทย์ เช่น

• HR Assistant: ค้นนโยบายวันลาและสวัสดิการจากเอกสารที่พนักงานมีสิทธิ์อ่าน
• Customer Support: ค้นคู่มือสินค้าที่ตรงกับรุ่นและอาการก่อนร่างคำตอบ
• Enterprise Search หรือ Second Brain: ค้นสัญญา รายงานการประชุม และองค์ความรู้ย้อนหลัง
• Medical หรือ Legal Assistant: ช่วยค้นและสรุปเอกสารเพื่อให้ผู้เชี่ยวชาญตรวจต่อ ไม่ใช่แทนที่การตัดสินใจของผู้เชี่ยวชาญ

Use case เหล่านี้จะดีได้ไม่ใช่เพราะต่อ LLM สำเร็จเพียงอย่างเดียว แต่เพราะแหล่งข้อมูลถูกจัดระเบียบ ค้นได้ และมีขอบเขตการเข้าถึงที่ชัดเจน

ก่อนเริ่มทำ RAG ลองถามเรื่องข้อมูลก่อน

สำหรับผม การให้ความสำคัญกับ RAG คือการให้ความสำคัญกับ Detail ของการจัดระเบียบข้อมูล การสร้างองค์ความรู้ และการค้นหาสิ่งที่เกี่ยวข้องให้แม่นพอ

ถ้าเอกสารซ้ำกัน เนื้อหาเก่า ตารางอ่านไม่ออก หรือไม่รู้ว่าไฟล์ไหนเป็นฉบับล่าสุด ต่อให้ใช้โมเดลเก่งขึ้น ปัญหาก็ยังย้อนกลับมากวนใจเราได้แหล่ะครับ

RAG จึงไม่ได้เข้าไปปรับความรู้ในตัวโมเดลโดยตรง แต่มันเป็นวิธีพา AI ไปอยู่หน้าตู้หนังสือที่เหมาะกับคำถามก่อนเริ่มตอบ

ถ้าคุณกำลังคิดจะนำ AI มาใช้กับงานหรือธุรกิจ ลองเปลี่ยนคำถามจาก

“เราจะเทรนโมเดลของตัวเองอย่างไร?”

เป็น

“เราจัดระเบียบองค์ความรู้ให้ระบบค้นและตรวจสอบได้พร้อมหรือยัง?”

เพราะความแม่นยำของ RAG ไม่ได้เริ่มที่ Prompt อย่างเดียว มันเริ่มตั้งแต่คุณภาพของข้อมูลและวิธีค้นหาข้อมูลนั้นนั่นเองครับ

---