การสร้างแบบเสริมด้วยการเรียกคืน (RAG)

ยินดีต้อนรับสู่การสร้างแบบเสริมด้วยการเรียกคืนข้อมูล (RAG) บทเรียนนี้จะแนะนำเทคนิคทรงพลังที่ช่วยให้โมเดลภาษาขนาดใหญ่ (LLM) มีความแม่นยำและน่าเชื่อถือยิ่งขึ้น

RAG ผสานความรู้มหาศาลของ LLM เข้ากับข้อมูลภายนอกที่เป็นปัจจุบัน ลองนึกภาพว่าเป็นการให้ LLM เปิดหนังสือระหว่างการสอบที่ยาก

แม้ LLM แบบพื้นฐานจะมีความสามารถน่าประทับใจ แต่ก็มีข้อจำกัดบางประการ:

• การแต่งข้อมูลขึ้นเอง: บางครั้งอาจสร้างข้อมูลที่ไม่ถูกต้องตามข้อเท็จจริงหรือไร้เหตุผล
• ความรู้ล้าสมัย: ความรู้จำกัดอยู่เพียงข้อมูลฝึกจนถึงวันที่ตัดข้อมูล
• ขาดความเฉพาะเจาะจง: อาจไม่รู้ข้อเท็จจริงเฉพาะด้านหรือข้อมูลเฉพาะของโดเมนที่เป็นความลับ
• ไม่มีแหล่งอ้างอิง: ไม่สามารถบอกได้โดยง่ายว่าข้อมูลมาจากที่ใด

RAG แก้ไขข้อจำกัดเหล่านี้ด้วยการผสานระบบเรียกคืนข้อมูลเข้ากับ LLM สำหรับสร้างผลลัพธ์

ก่อนที่ LLM จะสร้างคำตอบ RAG จะเรียกคืนข้อมูลที่เกี่ยวข้องจากฐานความรู้ภายนอกที่เชื่อถือได้ก่อน จากนั้นข้อมูลที่เรียกคืนมาจะช่วย 'เสริม' พรอมต์ที่ส่งให้ LLM

ขั้นตอนแรกของ RAG คือการเรียกคืนข้อมูล เมื่อผู้ใช้ถามคำถาม องค์ประกอบ 'ตัวเรียกคืนข้อมูล' โดยเฉพาะจะเริ่มทำงาน

• วิเคราะห์คำค้นของผู้ใช้
• ค้นหาฐานความรู้ภายนอกขนาดใหญ่ เช่น เอกสาร ฐานข้อมูล และหน้าเว็บ
• ระบุและดึงส่วนข้อมูลหรือ 'เอกสาร' ที่เกี่ยวข้องกับคำค้นมากที่สุด

เมื่อเรียกคืนข้อมูลที่เกี่ยวข้องแล้ว ขั้นตอนถัดไปคือการเสริมข้อมูล

• แทรกส่วนข้อความที่เรียกคืนมาโดยตรงลงในพรอมต์เดิมของผู้ใช้
• สร้าง 'พรอมต์ที่เสริมข้อมูลแล้ว' ซึ่งมีทั้งคำขอของผู้ใช้และบริบทตามข้อเท็จจริง
• พรอมต์ที่มีข้อมูลครบถ้วนนี้มอบข้อมูลเฉพาะที่ LLM ต้องใช้เพื่อสร้างคำตอบที่แม่นยำ

สุดท้ายคือขั้นตอนการสร้างผลลัพธ์ โมเดลภาษาขนาดใหญ่จะได้รับพรอมต์ที่เสริมข้อมูลแล้ว

• เมื่อมีการระบุบริบทที่เกี่ยวข้องไว้อย่างชัดเจน LLM จะสร้างคำตอบ
• ระบบจะกำชับให้ยึดคำตอบจากข้อมูลที่ให้ไว้เป็นหลัก แทนที่จะอาศัยความรู้ที่ฝึกไว้ล่วงหน้าเพียงอย่างเดียว
• ผลลัพธ์จึงมีข้อมูลจริงรองรับ มีข้อเท็จจริง และตรวจสอบยืนยันได้มากขึ้น

การนำ RAG มาใช้มีข้อดีสำคัญหลายประการ:

• ลดการแต่งข้อมูลขึ้นเอง: คำตอบของ LLM มีข้อเท็จจริงจากฐานความรู้รองรับ
• ข้อมูลที่เป็นปัจจุบัน: เข้าถึงข้อมูลปัจจุบันที่อยู่นอกเหนือวันที่ตัดข้อมูลฝึกของ LLM
• ความเฉพาะเจาะจงตามโดเมน: ผสานข้อมูลส่วนตัวหรือข้อมูลเฉพาะทางขององค์กรได้โดยง่าย
• ความสามารถในการอธิบาย: ระบบมักสามารถระบุแหล่งที่มาของข้อมูลที่เรียกคืนมาได้

มาลองนึกภาพการทำงานของ RAG แบบง่าย ๆ กัน:

1. คำถามของผู้ใช้: "หอไอเฟลสร้างเสร็จเมื่อใด"
2. การเรียกคืนข้อมูล: ระบบค้นหาฐานข้อมูลข้อเท็จจริงทางประวัติศาสตร์ และพบว่า "หอไอเฟลสร้างเสร็จเมื่อวันที่ 31 มีนาคม ค.ศ. 1889"
3. การเสริมข้อมูล: พรอมต์กลายเป็น: "จากข้อมูลต่อไปนี้: 'หอไอเฟลสร้างเสร็จเมื่อวันที่ 31 มีนาคม ค.ศ. 1889' หอไอเฟลสร้างเสร็จเมื่อใด"
4. การสร้างผลลัพธ์: LLM ตอบว่า: "หอไอเฟลสร้างเสร็จเมื่อวันที่ 31 มีนาคม ค.ศ. 1889"

โดยพื้นฐานแล้ว ระบบ RAG ประกอบด้วยองค์ประกอบเชิงตรรกะหลักสองส่วน:

• ตัวเรียกคืนข้อมูล: องค์ประกอบนี้รับผิดชอบการค้นหาและดึงเอกสารหรือส่วนข้อมูลที่เกี่ยวข้องมากที่สุดจากฐานความรู้ภายนอก โดยอ้างอิงจากคำค้นของผู้ใช้
• ตัวสร้างผลลัพธ์: นี่คือโมเดลภาษาขนาดใหญ่ (LLM) เอง ซึ่งนำคำค้นเดิมของผู้ใช้มารวมกับบริบทที่เรียกคืนมา เพื่อสร้างคำตอบที่สอดคล้องและมีข้อมูลสนับสนุน

ข้อใดต่อไปนี้เป็นประโยชน์สำคัญของการใช้การสร้างแบบเสริมด้วยการเรียกคืนข้อมูล (RAG) กับ LLM

ตอนนี้คุณได้เรียนรู้แนวคิดหลักและสถาปัตยกรรมของการสร้างแบบเสริมด้วยการเรียกคืนข้อมูล (RAG) แล้ว RAG เป็นเทคนิคสำคัญสำหรับสร้างแอปพลิเคชัน LLM ที่น่าเชื่อถือ มีข้อเท็จจริงรองรับ และเข้าใจบริบทได้ดียิ่งขึ้น

ด้วยการผสานการเรียกคืนข้อมูลเข้ากับการสร้างผลลัพธ์ RAG ช่วยให้ LLM โต้ตอบกับข้อมูลภายนอกแบบไดนามิกและตอบคำถามโดยอ้างอิงจากข้อมูลเหล่านั้นได้ ถัดไป เราจะสำรวจว่าฐานข้อมูลเวกเตอร์มีบทบาทสำคัญอย่างไรต่อการเรียกคืนข้อมูลอย่างมีประสิทธิภาพสำหรับระบบ RAG