Retrieval-Augmented Generation (RAG)
RAG (Retrieval-Augmented Generation) คือเทคนิค AI ที่ระบบจะดึงข้อความที่เกี่ยวข้องจากฐานความรู้ที่กำหนดไว้ เช่น คู่มือเกษตรกรรมหรือข้อกำหนดทางกฎหมาย จากนั้นให้โมเดลภาษาสร้างคำตอบโดยอ้างอิงจากข้อความเหล่านั้น มักพร้อมการอ้างอิงแหล่งที่มา
หรือเรียกอีกชื่อว่า: RAG · การสร้างคำตอบที่มีหลักฐานอ้างอิง · AI แบบดึงข้อมูลเสริม
ทำไมเรื่องนี้จึงสำคัญ
ในภาคเกษตรกรรมและการปฏิบัติตามกฎระเบียบ คำตอบต้องสอดคล้องกับพืชผล ภูมิภาค ฤดูกาล หรือข้อความทางกฎหมายที่เฉพาะเจาะจง โมเดลภาษาเพียงลำพังอาจให้คำแนะนำที่ลื่นไหลแต่ไม่ถูกต้อง RAG ช่วยให้คำตอบมีหลักฐานอ้างอิงจากองค์ความรู้ที่ผ่านการคัดกรอง เช่น คู่มือส่งเสริมการเกษตร แนวปฏิบัติทางการเกษตรที่ดี มาตรฐานการรับรอง หรือ EUDR ซึ่งสามารถปรับปรุงให้เป็นปัจจุบันได้โดยไม่ต้องฝึกโมเดลใหม่ แนวทางนี้ถูกอธิบายไว้ในงานวิจัยของ Lewis และคณะ (2020)
ทำงานอย่างไร
- สร้างฐานความรู้: รวบรวมและตรวจสอบเอกสาร แบ่งออกเป็นส่วนข้อความ และจัดทำดัชนี
- ดึงข้อมูล: สำหรับแต่ละคำถาม ค้นหาข้อความที่เกี่ยวข้องที่สุด มักใช้การค้นหาเชิงความหมาย
- สร้างคำตอบ: นำข้อความและคำถามไปให้โมเดลภาษา พร้อมกำหนดให้ตอบโดยอ้างอิงจากข้อความเหล่านั้น
- อ้างอิงและประเมินผล: แสดงแหล่งที่มา ทดสอบคำตอบกับชุดคำถามที่ผู้เชี่ยวชาญตรวจสอบแล้ว และรวบรวมความคิดเห็นจากผู้ใช้
ข้อผิดพลาดที่พบบ่อย
- ฐานความรู้ที่ล้าสมัยหรือไม่สอดคล้องกับสภาพท้องถิ่น
- ผสมแหล่งข้อมูลที่มีความน่าเชื่อถือต่างกันโดยไม่จัดลำดับความสำคัญ
- ไม่มีชุดข้อมูลสำหรับประเมินผล จึงไม่ทราบคุณภาพที่แท้จริง
- คำตอบที่ใช้ภาษาหรือระดับความเข้าใจที่เกษตรกรไม่คุ้นเคย
ผู้ช่วยด้านเกษตรกรรมที่ขับเคลื่อนด้วย AI ของ Farmer1st ใช้คำตอบที่มีหลักฐานอ้างอิงจากองค์ความรู้ด้านเกษตรกรรมที่ผ่านการตรวจสอบแล้ว เพื่อสนับสนุนเกษตรกรและทีมงานที่ทำงานร่วมกับพวกเขา
คำถามที่พบบ่อย
ทำไมต้องใช้ RAG แทนแชทบอททั่วไป
โมเดลทั่วไปตอบคำถามจากสิ่งที่เรียนรู้ตอนฝึก ซึ่งอาจล้าสมัย เป็นข้อมูลทั่วไปเกินไป หรือไม่ถูกต้องสำหรับบริบทท้องถิ่น RAG จำกัดคำตอบให้อ้างอิงจากแหล่งข้อมูลที่ผ่านการตรวจสอบและเป็นปัจจุบัน และยังช่วยให้แสดงได้ว่าคำตอบนั้นอ้างอิงจากแหล่งใด
RAG ช่วยขจัดข้อผิดพลาดของ AI ได้ทั้งหมดหรือไม่
ไม่ได้ RAG ช่วยลดคำตอบที่ไม่มีหลักฐานรองรับ แต่ยังขึ้นอยู่กับคุณภาพและความครอบคลุมของฐานความรู้ ขั้นตอนการดึงข้อมูล และการประเมินผล การตรวจสอบโดยมนุษย์และการรับฟังความคิดเห็นยังคงมีความสำคัญ
เล่าให้เราฟังเกี่ยวกับห่วงโซ่อุปทานของคุณ
ใช้เวลาสิบนาทีกับผู้ช่วยกำหนดขอบเขตของเรา แล้วเราจะกลับมาพร้อมร่างแรกของบริการสำหรับคุณ
