สรุปสั้น ๆ (TL;DR)
- RAG (Retrieval-Augmented Generation) มาจากงานวิจัย Facebook AI Research ปี 2563 (ค.ศ. 2020) แยกการตอบเป็นขั้นดึงข้อมูลและขั้นเขียนคำตอบ ทำให้โมเดลตอบจากข้อความที่ใหม่กว่าข้อมูลตอนฝึกได้
- เอกสารฟีเจอร์ AI ของ Google อธิบาย query fan-out และระบุว่าใช้หลักการจัดทำดัชนีและสิทธิ์แสดง snippet ตามปกติ OpenAI แยก OAI-SearchBot ออกจาก GPTBot ส่วนขนาด chunk น้ำหนักการเลือก และความสดของดัชนีไม่เปิดเผยจากเจ้าใดเลย
- การถูกอ้างอิงเกิดหลังขั้นถูกเข้าถึง ถูกจัดทำดัชนี ถูกดึง และถูกเลือก บอตที่ถูกบล็อก ข้อความที่มีเฉพาะผ่าน JavaScript หรือย่อหน้าที่อ่านรู้เรื่องเฉพาะเมื่อมีบริบท อาจตัดห่วงโซ่นี้ก่อนถึงการอ้างอิง
- RAG ลดการแต่งคำตอบแต่ไม่ขจัดให้หมด ชิ้นข้อความที่ผิด แหล่งข้อมูลเก่า หรือลิงก์อ้างอิงที่ไม่มีข้อความนั้นจริง ยังทำให้ได้คำตอบผิดด้วยน้ำเสียงมั่นใจได้
rag คือ Retrieval-Augmented Generation หรือกระบวนการที่ให้โมเดลภาษา (LLM) ค้นเอกสารที่เกี่ยวข้องมาก่อน แล้วค่อยเขียนคำตอบโดยอิงจากข้อความที่ดึงมานั้น แทนที่จะตอบจากความจำที่ได้ตอนฝึกโมเดลเพียงอย่างเดียว สำหรับนักการตลาด ความหมายที่ใช้งานได้จริงคือเนื้อหาของคุณต้องถูกดึง (retrieve) ได้ก่อน จึงจะมีโอกาสถูกนำไปใช้และอ้างอิงในคำตอบของ AI และเรื่องที่ไม่มีใครรู้แน่ เช่น วิธีที่ระบบแต่ละเจ้าเลือกข้อความ ก็ควรถูกบอกตรง ๆ ว่าไม่ทราบ บทความนี้อธิบายเฉพาะมุมการค้นหาและ GEO ไม่ได้สอนสร้างระบบ RAG เอง
rag (retrieval-augmented generation) คืออะไร
ชื่อ RAG มาจากงานวิจัยปี 2563 (ค.ศ. 2020) ของทีมที่ Facebook AI Research (Lewis และคณะ) ชื่อ Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks แนวคิดแยกเป็นสองส่วน ส่วนแรกคือ retrieval คือการค้นหาข้อความที่เกี่ยวข้องจากคลังเอกสาร ส่วนที่สองคือ generation คือการให้โมเดลภาษาเขียนคำตอบโดยมีข้อความเหล่านั้นอยู่ในบริบท
เหตุผลที่ต้องมีวิธีนี้คือโมเดลภาษามีความรู้ที่หยุดอยู่ ณ เวลาที่ฝึก และไม่รู้เอกสารภายในของแต่ละองค์กร ถ้าถามเรื่องที่โมเดลไม่เคยเห็นหรือเปลี่ยนไปแล้ว มันอาจเดาด้วยน้ำเสียงที่มั่นใจ ซึ่งเรียกว่า hallucination RAG แก้ปัญหานี้โดยเอาข้อความที่ถูกต้องและทันสมัยมาวางให้โมเดลอ่านก่อนตอบ
คำนี้ใช้กับสองบริบทที่ควรแยกกัน บริบทแรกคือนักพัฒนาสร้างระบบถามตอบจากเอกสารของบริษัทตัวเอง บริบทที่สองคือเครื่องมือค้นหาแบบ AI ที่ค้นเว็บแล้วสรุปคำตอบ บทความนี้สนใจบริบทที่สอง เพราะเป็นบริบทที่ส่งผลต่อการมองเห็นของแบรนด์
rag ทำงานอย่างไร: retrieve แล้ว generate
ระบบ RAG แต่ละเจ้าออกแบบต่างกัน แต่โครงสร้างโดยทั่วไปเป็นแบบนี้
- เตรียมคลังเอกสาร (indexing): เอกสารถูกแบ่งเป็นชิ้นย่อย (chunk) แล้วแปลงแต่ละชิ้นเป็นเวกเตอร์ตัวเลข (embedding) ที่แทนความหมาย เก็บไว้ในดัชนี ระบบค้นหาแบบดั้งเดิมยังเก็บดัชนีคำสำคัญด้วย
- รับคำถามและปรับคำถาม: คำถามของผู้ใช้อาจถูกเขียนใหม่หรือแตกเป็นคำถามย่อยหลายข้อก่อนค้น
- ดึงข้อมูล (retrieve): ระบบค้นชิ้นข้อความที่ใกล้เคียงคำถามที่สุด ด้วยการเทียบความหมาย การจับคู่คำสำคัญ หรือผสมกัน (hybrid)
- จัดอันดับใหม่ (rerank): ระบบบางแบบมีขั้นตอนคัดชิ้นที่ตอบคำถามตรงที่สุดไว้ข้างบน
- ประกอบพรอมต์: ชิ้นข้อความที่เลือกถูกใส่ในพรอมต์ของโมเดลพร้อมคำถาม
- เขียนคำตอบ (generate): โมเดลเขียนคำตอบโดยอิงข้อความที่ให้มา และบางระบบแนบลิงก์แหล่งที่มา
chunk, embedding, grounding คืออะไร
- Chunk: ชิ้นข้อความที่ถูกตัดจากเอกสารเพื่อให้ค้นและใส่ในพรอมต์ได้ ขนาดและวิธีตัดต่างกันตามระบบ เช่น ตัดตามหัวข้อหรือตามจำนวนตัวอักษร ไม่มีค่ามาตรฐานที่ใช้ทั่วโลก
- Embedding: การแปลงข้อความเป็นชุดตัวเลขที่ข้อความมีความหมายใกล้กันจะมีเวกเตอร์ใกล้กัน ทำให้ค้นด้วยความหมายได้ แม้คำไม่ตรงกัน
- Grounding: การผูกคำตอบเข้ากับแหล่งข้อมูลที่ระบุได้ คำตอบที่ grounded คือคำตอบที่ตรวจย้อนไปยังข้อความต้นทางได้
จุดสำคัญสำหรับคนทำคอนเทนต์คือ โมเดลไม่ได้อ่านทั้งเว็บไซต์ของคุณตอนตอบ มันอ่านเฉพาะชิ้นที่ระบบเลือกดึงมาให้ คำถามที่ควรถามจึงเป็นว่า ชิ้นข้อความจากหน้าของคุณจะถูกดึงมาหรือไม่ และเมื่อถูกดึงมาแล้วอ่านรู้เรื่องหรือไม่
rag ต่างจาก LLM ที่ตอบจากความจำ และจาก fine-tuning อย่างไร
ทั้งสามวิธีให้ความรู้กับโมเดลคนละทาง ตารางนี้สรุปความต่างเชิงกลไก
| วิธี | ความรู้มาจากไหน | เมื่อข้อมูลเปลี่ยน |
|---|---|---|
| LLM ตอบจากความจำ | น้ำหนักของโมเดลที่ได้จากการฝึก | ต้องฝึกหรือออกรุ่นใหม่ ข้อมูลหลังวันตัดข้อมูลหายไป |
| Fine-tuning | ปรับน้ำหนักของโมเดลด้วยชุดข้อมูลเพิ่ม | ต้องฝึกปรับใหม่ มักเหมาะกับการปรับสไตล์และพฤติกรรมมากกว่าเก็บข้อเท็จจริงที่เปลี่ยนบ่อย |
| RAG | ข้อความที่ดึงมาใส่ในพรอมต์ตอนตอบ | อัปเดตเอกสารในดัชนีแล้วคำตอบเปลี่ยนตามได้ ไม่ต้องฝึกโมเดลใหม่ |
ข้อสังเกตคือสามวิธีใช้ร่วมกันได้ ระบบจริงหลายระบบใช้โมเดลที่ผ่านการฝึกและปรับแต่งมาแล้ว แล้วเสริมด้วย RAG สำหรับข้อมูลที่ต้องทันสมัย สำหรับนักการตลาด ความต่างที่สำคัญที่สุดคือ RAG ทำให้เนื้อหาที่เพิ่งเผยแพร่มีโอกาสปรากฏในคำตอบได้ โดยไม่ต้องรอให้โมเดลถูกฝึกใหม่ เมื่อมันถูกค้นเจอและดึงมา
AI search ใช้การดึงข้อมูลแบบ rag อย่างไร
เครื่องมือค้นหาแบบ AI อย่าง AI Overviews, ChatGPT search และ Perplexity ทำงานในลักษณะค้นก่อนแล้วตอบ ซึ่งคล้ายกับ RAG แต่ต้องระวังว่าสถาปัตยกรรมภายในของแต่ละเจ้าไม่เปิดเผยรายละเอียด สิ่งที่พูดได้อย่างมั่นใจจำกัดอยู่ที่สิ่งที่แต่ละเจ้าบันทึกไว้ในเอกสารสาธารณะ
- Google AI Overviews และ AI Mode: เอกสาร Google Search Central เรื่องฟีเจอร์ AI ระบุว่าฟีเจอร์เหล่านี้อาจใช้เทคนิค query fan-out คือส่งการค้นที่เกี่ยวข้องหลายข้อในหัวข้อย่อยหลายหัวข้อ เพื่อหาหน้าที่รองรับคำตอบ และเอกสารเดียวกันระบุว่าไม่มีข้อกำหนดพิเศษเพิ่มเติม หน้าต้องถูกจัดทำดัชนีและมีสิทธิ์แสดง snippet ตามแนวปฏิบัติ SEO ปกติ ควรเปิดเอกสารฉบับล่าสุดเพราะเนื้อหาถูกปรับปรุงบ่อย
- ChatGPT search: OpenAI ระบุในเอกสารสำหรับผู้เผยแพร่ว่า OAI-SearchBot ใช้สำหรับการแสดงเว็บไซต์ในผลการค้นหาของ ChatGPT และแยกจาก GPTBot ที่เกี่ยวกับการเก็บข้อมูลเพื่อฝึกโมเดล เจ้าของเว็บควบคุมแต่ละบอตแยกกันได้ผ่าน robots.txt
- Perplexity: Perplexity เผยแพร่ข้อมูลเกี่ยวกับ PerplexityBot ซึ่งเป็นบอตสำหรับแสดงและลิงก์เว็บไซต์ในผลลัพธ์ของตน ควรเช็กเอกสารล่าสุดเกี่ยวกับสิ่งที่บอตนี้ทำ
สิ่งที่ยังไม่มีใครรู้จากภายนอก
- ขนาดชิ้นข้อความ (chunk) และวิธีตัดที่แต่ละเจ้าใช้จริง
- น้ำหนักของปัจจัยต่าง ๆ ในการเลือกว่าชิ้นไหนถูกดึง และชิ้นไหนถูกอ้างอิง
- ดัชนีที่แต่ละเจ้าใช้ค้น ว่าเป็นของตัวเองทั้งหมดหรือใช้ร่วมกับแหล่งอื่น และอัปเดตบ่อยแค่ไหน
- คุณภาพการค้นด้วยภาษาไทยเทียบกับภาษาอังกฤษของแต่ละเจ้า
- ระบบเลือกแหล่งอ้างอิงด้วยเกณฑ์ใด เมื่อมีหลายหน้าตอบได้เหมือนกัน
ดังนั้นคำแนะนำใดก็ตามที่อ้างว่ารู้สูตรแน่นอนของการถูกอ้างอิงใน AI search ควรถูกสงสัย สิ่งที่ทำได้อย่างซื่อสัตย์คือเริ่มจากกลไกที่เข้าใจร่วมกัน แล้ววัดผลจากการทดสอบจริงบนระบบที่คุณสนใจ
rag เกี่ยวกับ GEO อย่างไร ทำไมเนื้อหาต้องถูกดึงได้ก่อนถูกอ้างอิง
GEO (Generative Engine Optimization) คือการทำให้เนื้อหามีโอกาสปรากฏและถูกอ้างอิงในคำตอบที่ AI สร้าง กลไกแบบ RAG ทำให้เห็นว่าการถูกอ้างอิงเกิดหลังขั้นตอนอื่นหลายขั้น ถ้าขั้นก่อนหน้าล้มเหลว ขั้นหลังจะไม่เกิดขึ้น ลำดับคือ ถูกเข้าถึงได้ ถูกจัดทำดัชนี ถูกดึง ถูกเลือกไปใช้ และถูกอ้างอิง
จุดที่เนื้อหามักหลุดออกจากลำดับ
- เข้าถึงไม่ได้: บอตถูกบล็อกใน robots.txt หรือในระดับ CDN และไฟร์วอลล์ หรือหน้าอยู่หลังการล็อกอิน
- ข้อความไม่อยู่ใน HTML ที่ได้รับ: เนื้อหาที่ปรากฏเฉพาะหลังรัน JavaScript อาจไม่ถูกบอตบางตัวอ่านเห็น ควรตรวจกับเอกสารของแต่ละระบบ
- ไม่ถูกจัดทำดัชนี: หน้าตั้ง noindex หรือ canonical ไปที่อื่น หรือคุณภาพต่ำจน Google ไม่เก็บ
- ชิ้นข้อความตีความยาก: ย่อหน้าที่ขึ้นต้นด้วย "สิ่งนี้" หรือ "มัน" โดยไม่บอกว่าหมายถึงอะไร เมื่อถูกตัดออกมาเดี่ยว ๆ จะไม่มีความหมาย
- คำตอบถูกฝังลึก: ข้อเท็จจริงที่ตอบคำถามได้ตรงอยู่กลางย่อหน้ายาว ผสมกับเรื่องอื่น
- ข้อมูลเก่าหรือขัดกัน: วันที่ ตัวเลข หรือคำนิยามไม่ตรงกันระหว่างหน้า
สรุปคือ SEO พื้นฐานยังเป็นฐาน เพราะการถูกเข้าถึงและจัดทำดัชนีเป็นเงื่อนไขของแทบทุกระบบ การทำให้เนื้อหาถูกค้นเจอเป็นงานที่ บริการ SEO สำหรับตลาดไทย ครอบคลุมอยู่แล้ว ส่วนการจัดเนื้อหาให้ AI อ่านและอ้างอิงได้อย่างถูกต้อง เป็นประเด็นของ บริการ GEO
เขียนเนื้อหาอย่างไรให้ระบบดึงไปใช้ได้
ข้อแนะนำต่อไปนี้มาจากการให้เหตุผลตามกลไกการดึงข้อมูลที่อธิบายข้างต้น ไม่ใช่ปัจจัยจัดอันดับที่แพลตฟอร์มใดเผยแพร่ และไม่มีหลักฐานสาธารณะที่ยืนยันได้ว่ารูปแบบใดเพิ่มอัตราการถูกอ้างอิงด้วยตัวเลขที่แน่นอน จึงควรมองเป็นสมมติฐานที่ต้องทดสอบ
- ให้แต่ละหัวข้อตอบคำถามหนึ่งข้อ: ใช้หัวข้อ h2 และ h3 ที่เป็นคำถามหรือหัวข้อที่ผู้ใช้พิมพ์จริง แล้วเปิดย่อหน้าแรกด้วยคำตอบตรง ๆ หนึ่งถึงสองประโยค
- ให้ย่อหน้าอยู่ได้ด้วยตัวเอง: ใส่ชื่อสิ่งที่พูดถึงในประโยคเอง เช่น "ใบรับรอง TLS ต้องครอบคลุมชื่อโฮสต์..." แทน "ตัวนี้ต้องครอบคลุม..." เพราะชิ้นข้อความอาจถูกแยกจากย่อหน้าก่อนหน้า
- นิยามคำศัพท์ที่จุดที่ใช้: ระบุความหมายและชื่อเต็มเมื่อพูดถึงครั้งแรกในหัวข้อนั้น ไม่ต้องรอให้ผู้อ่านย้อนไปหน้าอื่น
- ใช้ตารางและรายการสำหรับข้อมูลเปรียบเทียบ: โครงสร้างที่ชัดเจนทำให้ข้อเท็จจริงแต่ละข้อแยกออกมาใช้ได้ง่าย
- ระบุวันที่และตัวเลขให้ชัด: ใส่ปี เวอร์ชัน และหน่วยในประโยค เพื่อให้ข้อความที่ถูกตัดออกมายังมีบริบทครบ และอัปเดตหน้าเมื่อข้อเท็จจริงเปลี่ยน
- ให้ข้อความหลักอยู่ใน HTML: อย่าซ่อนคำตอบไว้ในรูปภาพหรือเนื้อหาที่โหลดผ่าน JavaScript เท่านั้น
- ไม่บล็อกบอตที่คุณต้องการให้ไปถึง: ตรวจ robots.txt และการตั้งค่า CDN ว่าบอตค้นหาที่คุณสนใจเข้าถึงได้ โดยแยกการตัดสินใจเรื่องบอตเก็บข้อมูลฝึกโมเดลออกต่างหาก
- ให้ชื่อแบรนด์ ผลิตภัณฑ์ และบริการสอดคล้องกันทุกหน้า: ชื่อเรียกที่ไม่คงที่ทำให้ระบบเชื่อมข้อมูลเข้าด้วยกันยากขึ้น
ข้อควรระวังคืออย่าเขียนเพื่อเครื่องจนอ่านไม่ออก เนื้อหาที่มนุษย์อ่านแล้วไม่เข้าใจก็ไม่มีใครอยากอ้างถึง และการยัดคำถามคำตอบซ้ำซ้อนเพียงเพื่อหวังถูกดึงอาจเข้าข่ายเนื้อหาสแปมตามนโยบายของ Google
rag ลด hallucination ได้แค่ไหน
RAG ช่วยลดการแต่งข้อมูลขึ้นเอง เมื่อระบบดึงข้อความที่ถูกต้องและตรงคำถามมาได้ เพราะโมเดลมีข้อความจริงให้อิง แต่ไม่ได้ขจัดปัญหาให้หมด และไม่มีตัวเลขกลางที่ใช้อ้างได้ว่าลดลงกี่เปอร์เซ็นต์ เพราะผลขึ้นกับระบบ ข้อมูล และคำถามแต่ละกรณี
- ดึงชิ้นผิด: ระบบอาจดึงข้อความที่ใกล้เคียงแต่ไม่ตอบคำถาม แล้วโมเดลก็เขียนตามนั้น
- แหล่งข้อมูลเก่าหรือผิด: ถ้าข้อความที่ดึงมาผิด คำตอบก็ผิดตาม โดยมีลิงก์ยืนยันหน้าตาน่าเชื่อถือ
- โมเดลตีความเกินข้อความ: สรุปอาจเพิ่มรายละเอียดที่ไม่ได้อยู่ในแหล่งที่อ้าง
- การอ้างอิงไม่ตรงกับข้อความ: ลิงก์ที่แนบมาอาจเป็นหน้าที่เกี่ยวข้อง แต่ไม่ได้มีประโยคที่คำตอบอ้างจริง
สำหรับแบรนด์ มีผลสองด้าน ด้านดีคือเนื้อหาที่ชัดเจนและตรวจสอบได้ลดโอกาสที่ AI จะเล่าเรื่องแบรนด์ผิด ด้านที่ต้องเฝ้าระวังคือคำตอบที่ผิดเกี่ยวกับแบรนด์ยังเกิดขึ้นได้ ควรตรวจคำตอบจริงของระบบที่ลูกค้าใช้เป็นระยะ และแก้ที่ต้นทางคือหน้าเว็บของคุณเมื่อพบข้อมูลที่ถูกดึงไปผิด
rag ในตลาดไทย: ภาษาไทยเปลี่ยนอะไรบ้าง
ภาษาไทยเขียนต่อเนื่องไม่เว้นวรรคระหว่างคำ ทำให้การตัดคำ (tokenization) และการตัดชิ้นข้อความทำได้ยากกว่าภาษาที่เว้นวรรค ระบบที่ตัดชิ้นตามจำนวนตัวอักษรอาจตัดกลางคำหรือกลางประโยค การค้นด้วยการจับคู่คำสำคัญก็ขึ้นกับว่าระบบตัดคำไทยได้ดีแค่ไหน ส่วนการค้นด้วย embedding ทำงานตามความหมายได้ แต่คุณภาพกับภาษาไทยขึ้นกับโมเดล embedding ของแต่ละเจ้า ซึ่งไม่มีข้อมูลสาธารณะเปรียบเทียบที่เชื่อถือได้ จึงไม่ควรสรุปว่าระบบใดเก่งภาษาไทยกว่า
ข้อปฏิบัติที่ได้ประโยชน์ในบริบทนี้ได้แก่ เขียนประโยคให้สั้นและจบความหมายในตัวเอง ใช้เครื่องหมายวรรคตอนและเว้นวรรคระหว่างประโยคให้สม่ำเสมอ ใส่ชื่อเฉพาะ ศัพท์เทคนิค และชื่อแบรนด์ทั้งตัวอักษรไทยและอังกฤษเมื่อคนค้นด้วยทั้งสองแบบ และใช้ชื่อเดียวกันทุกหน้า
อีกประเด็นคือคนไทยที่ถาม AI เป็นภาษาไทย อาจได้คำตอบที่ระบบดึงจากหน้าภาษาอังกฤษมาสรุป ถ้าเว็บของคุณมีสองภาษา ควรทำให้ทั้งสองภาษาเข้าถึงได้ มีลิงก์ hreflang ที่ถูกต้อง และมีข้อเท็จจริงสำคัญตรงกัน เพื่อไม่ให้คำตอบสองภาษาขัดกัน ส่วนการจัดเนื้อหาให้ผู้ช่วย AI ตอบได้ถูกต้องครอบคลุมทั้งสองภาษา อยู่ในขอบเขตของ AI SEO ด้วย
วัดผลอย่างไรเมื่อไม่รู้สูตรของระบบ
เมื่อกลไกภายในไม่เปิดเผย วิธีที่ใช้ได้คือการทดสอบจากภายนอกอย่างเป็นระบบ รวบรวมคำถามจริงที่ลูกค้าถามสามสิบถึงห้าสิบข้อ (ตัวเลขนี้เป็นตัวอย่างเพื่อภาพประกอบ ไม่ใช่เกณฑ์มาตรฐาน) ถามในระบบ AI ที่ลูกค้าใช้ ทั้งภาษาไทยและอังกฤษ แล้วบันทึกว่าแบรนด์ถูกกล่าวถึงหรือไม่ ถูกอ้างอิงหน้าไหน ข้อมูลที่ตอบถูกหรือผิด และคู่แข่งหรือแหล่งใดถูกอ้างแทน ทำซ้ำเป็นรอบทุกเดือน เพราะคำตอบของ AI เปลี่ยนได้ตามเวลาและแม้แต่การถามซ้ำในวันเดียวกัน จึงควรถามหลายครั้งและดูแนวโน้ม ไม่ใช่ผลครั้งเดียว
เมื่อพบว่าหน้าที่ควรถูกอ้างไม่ถูกอ้าง ให้ไล่ตามลำดับที่อธิบายไว้ข้างต้น ตรวจก่อนว่าเข้าถึงและจัดทำดัชนีได้ไหม จากนั้นตรวจว่าชิ้นข้อความที่ตอบคำถามอ่านรู้เรื่องเมื่อแยกออกมา ตรวจข้อมูลที่ขัดกัน และตรวจว่ามีแหล่งอื่นที่ตอบได้ชัดกว่าหรือไม่ การทดสอบเป็นรอบแบบนี้เป็นหัวใจของงาน GEO ที่ทำอย่างเป็นระบบ และการติดตามการถูกกล่าวถึงข้ามระบบก็ต่อยอดจากฐาน SEO เดิมของเว็บ
สรุป
rag คือรูปแบบที่ AI ค้นข้อความก่อนแล้วตอบจากข้อความนั้น ผลสำหรับนักการตลาดคือเนื้อหาต้องถูกเข้าถึง ถูกจัดทำดัชนี ถูกดึงเป็นชิ้น และอ่านรู้เรื่องเมื่อถูกแยกออกมา ก่อนจะมีโอกาสถูกอ้างอิง สิ่งที่ยังไม่มีใครรู้จากภายนอกคือสูตรการเลือกของแต่ละระบบ จึงควรวางแผนจากกลไกที่แน่นอน และยืนยันด้วยการทดสอบของตัวเอง หากต้องการวางแผน GEO สำหรับเว็บสองภาษา เริ่มได้ที่ บริการ GEO ของ Relevant Audience
คำถามที่พบบ่อยเกี่ยวกับ rag
rag คืออะไร พูดสั้น ๆ
rag คือวิธีให้โมเดลภาษาค้นข้อความที่เกี่ยวข้องมาก่อน แล้วเขียนคำตอบโดยอิงข้อความนั้น ชื่อเต็มคือ Retrieval-Augmented Generation ซึ่งแยกการทำงานเป็นขั้นดึงข้อมูลและขั้นเขียนคำตอบ ทำให้คำตอบอิงข้อมูลที่ทันสมัยกว่าสิ่งที่โมเดลจำได้ตอนฝึก
rag ต่างจาก fine-tuning อย่างไร
RAG ใส่ข้อมูลเข้าไปในพรอมต์ตอนตอบ ส่วน fine-tuning ปรับน้ำหนักของโมเดลด้วยการฝึกเพิ่ม ถ้าข้อมูลเปลี่ยนบ่อย RAG อัปเดตง่ายกว่าเพราะแก้ที่เอกสารในดัชนี ส่วน fine-tuning เหมาะกับการปรับสไตล์หรือพฤติกรรมของโมเดลมากกว่า และสองวิธีใช้ร่วมกันได้
ChatGPT, Perplexity และ AI Overviews ใช้ rag หรือไม่
ทั้งสามค้นเว็บก่อนแล้วตอบ ซึ่งมีลักษณะคล้าย RAG แต่รายละเอียดสถาปัตยกรรมภายในไม่เปิดเผยต่อสาธารณะ Google ระบุถึง query fan-out ในเอกสารของฟีเจอร์ AI และ OpenAI กับ Perplexity เผยแพร่ข้อมูลเกี่ยวกับบอตค้นหาของตน แต่วิธีเลือกชิ้นข้อความและแหล่งอ้างอิงที่แน่นอนยังไม่มีใครรู้จากภายนอก
ทำ SEO อยู่แล้ว ต้องทำอะไรเพิ่มสำหรับ rag ไหม
SEO พื้นฐานยังจำเป็น เพราะหน้าต้องถูกเข้าถึงและจัดทำดัชนีก่อน สิ่งที่เพิ่มคือการจัดให้แต่ละหัวข้อตอบคำถามเดียวอย่างตรงไปตรงมา ให้ย่อหน้าอ่านรู้เรื่องเมื่อถูกแยกออกมา และตรวจว่าบอตที่ต้องการเข้าถึงไม่ถูกบล็อก จากนั้นทดสอบคำถามจริงในระบบ AI เพื่อดูว่าเนื้อหาถูกอ้างอิงหรือไม่
rag ทำให้ AI ไม่แต่งข้อมูลเลยหรือเปล่า
ไม่ RAG ลดการแต่งข้อมูลเมื่อดึงข้อความที่ตรงมาได้ แต่ยังผิดได้ถ้าดึงชิ้นผิด แหล่งข้อมูลเก่า หรือโมเดลตีความเกินข้อความ คำตอบที่มีลิงก์อ้างอิงจึงควรถูกตรวจว่าหน้าที่อ้างมีข้อความนั้นจริงก่อนเชื่อ







