Retrieval Augmented Generation (RAG) คืออะไร?

ในปี 2023 บริษัท Algo การสื่อสาร ซึ่งมีฐานอยู่ในแคนาดา พบว่าตนต้องเผชิญกับความท้าทาย บริษัทมีความพร้อมที่จะเติบโตอย่างรวดเร็ว แต่ไม่สามารถฝึกอบรมตัวแทนฝ่ายบริการลูกค้า (CSR) ได้รวดเร็วเพียงพอที่จะตามทันการขยายตัวของบริษัท เพื่อรับมือกับความท้าทายนี้ บริษัทจึงหันมาใช้โซลูชันใหม่: AI เชิงสร้างสรรค์

Algo นำเอา โมเดลภาษาขนาดใหญ่ (LLM) มาใช้เพื่อช่วยให้ CSR ใหม่สามารถเข้ามาทำงานได้เร็วยิ่งขึ้น เพื่อฝึกให้พวกเขาตอบคำถามที่ซับซ้อนของลูกค้าด้วยความแม่นยำและคล่องแคล่ว Algo รู้ดีว่าจำเป็นต้องมีบางอย่างที่แข็งแกร่งกว่า LLM สำเร็จรูป ซึ่งโดยทั่วไปจะได้รับการฝึกอบรมบนอินเทอร์เน็ตสาธารณะ และขาดบริบททางธุรกิจเฉพาะที่จำเป็นต่อการตอบคำถามได้อย่างแม่นยำ เข้าสู่การประมวลผลการเรียกค้นข้อมูลแบบเพิ่มขยาย ซึ่งรู้จักกันง่าย ๆ ว่า RAG

ในตอนนี้พวกเราหลายคนได้ใช้ LLM ซึ่งเป็น AI เชิงสร้างสรรค์ผ่านแอปแชท เช่น ChatGPT ของ OpenAI หรือ Gemini ของ Google (เดิมชื่อ Bard) เพื่อช่วยเขียนอีเมลหรือร่างเนื้อหาสำหรับโซเชียลมีเดียอันชาญฉลาดแล้ว แต่การจะได้ผลลัพธ์ที่ดีที่สุดนั้นไม่ใช่เรื่องง่ายเสมอไป โดยเฉพาะอย่างยิ่งหากคุณยังไม่เข้าใจศิลปะและวิทยาศาสตร์อันประณีตในการสร้างคำกระตุ้นที่ดี

นี่คือเหตุผล: โมเดล AI จะดีได้เท่ากับสิ่งที่สอนเท่านั้น หากต้องการให้เจริญเติบโต จำเป็นต้องมีบริบทที่เหมาะสมและข้อมูลเชิงข้อเท็จจริงจำนวนมาก ไม่ใช่ข้อมูลทั่วไป หลักสูตร LLM สำเร็จรูปไม่ทันสมัยอยู่เสมอ และอาจไม่สามารถเข้าถึงข้อมูลของคุณได้อย่างน่าเชื่อถือ หรือเข้าใจความสัมพันธ์กับลูกค้าของคุณอีกด้วย นั่นคือจุดที่ RAG สามารถช่วยได้

RAG เป็นเทคนิค AI ที่ช่วยให้บริษัทต่างๆ ฝังข้อมูลกรรมสิทธิ์ที่เกี่ยวข้องและเป็นปัจจุบันที่สุดลงในคำสั่ง LLM โดยอัตโนมัติโดยตรง และเราไม่ได้พูดถึงแค่ข้อมูลที่มีโครงสร้างเช่น สเปรดชีตหรือฐานข้อมูลเชิงสัมพันธ์เท่านั้น เราหมายถึงการดึงข้อมูลที่มีอยู่ ทั้งหมด รวมถึงข้อมูลที่ไม่มีโครงสร้าง เช่น อีเมล PDF บันทึกการแชท โพสต์บนโซเชียลมีเดีย และข้อมูลประเภทอื่นๆ ที่สามารถนำไปสู่ผลลัพธ์ AI ที่ดีขึ้น

โดยสรุป RAG ช่วยให้บริษัทต่างๆ ดึงและใช้ ข้อมูลจากแหล่งภายในต่างๆ เพื่อผลลัพธ์ AI เชิงสร้างสรรค์ที่ดีขึ้น เนื่องจากข้อมูลต้นฉบับมาจากข้อมูลที่คุณเชื่อถือได้ จึงช่วย ลดหรือแม้แต่กำจัดอาการประสาทหลอน และผลลัพธ์ที่ไม่ถูกต้องอื่นๆ ได้ บรรทัดสุดท้าย: คุณสามารถไว้วางใจว่าคำตอบจะมีความเกี่ยวข้องและแม่นยำ

เพื่อให้ได้ความแม่นยำที่ได้รับการปรับปรุงนี้ RAG จะทำงานร่วมกับฐานข้อมูลประเภทเฉพาะที่เรียกว่า ฐานข้อมูลเวกเตอร์ เพื่อจัดเก็บข้อมูลในรูปแบบตัวเลขที่สมเหตุสมผลสำหรับ AI และดึงข้อมูลเมื่อได้รับคำขอ

“RAG ไม่สามารถทำงานได้หากไม่มีฐานข้อมูลเวกเตอร์” Ryan Schellack ผู้อำนวยการฝ่ายการตลาดผลิตภัณฑ์ AI ของ Salesforce กล่าว “ทั้งสองสิ่งนี้ไปด้วยกัน เมื่อคุณเห็นบริษัทพูดถึงการสนับสนุนการสร้างเสริมการเรียกค้นข้อมูล พวกเขาจะสนับสนุนอย่างน้อยสองสิ่ง: ที่จัดเก็บเวกเตอร์สำหรับจัดเก็บข้อมูล และกลไกการค้นหาด้วยการเรียนรู้ของเครื่องบางประเภทที่ออกแบบมาเพื่อทำงานกับข้อมูลประเภทนั้น”

เมื่อทำงานร่วมกับฐานข้อมูลเวกเตอร์ RAG สามารถเป็นเครื่องมือที่มีประสิทธิภาพในการสร้างผลลัพธ์ LLM ที่ดีขึ้นได้ แต่ก็ไม่ใช่เครื่องมือที่สมบูรณ์แบบ ผู้ใช้ยังคงต้องเข้าใจ พื้นฐานในการเขียนข้อความเตือนที่ชัดเจน

หลังจากเพิ่มข้อมูลที่ไม่มีโครงสร้างจำนวนมหาศาลลงในฐานข้อมูลเวกเตอร์ ซึ่งรวมถึงบันทึกการแชทและประวัติอีเมลสองปี Algo Communications ก็เริ่มทดสอบเทคโนโลยีนี้ในเดือนธันวาคม 2023 กับ CSR บางส่วน พวกเขาทำงานในกลุ่มตัวอย่างขนาดเล็ก: ประมาณ 10% ของฐานผลิตภัณฑ์ของบริษัท CSR ต้องใช้เวลาประมาณสองเดือนจึงจะคุ้นเคยกับเครื่องมือนี้ ระหว่างการนำไปปฏิบัติ ผู้นำของบริษัทรู้สึกตื่นเต้นที่ได้เห็น CSR มีความมั่นใจมากขึ้นในการตอบคำถามเชิงลึกด้วยความช่วยเหลือจาก RAG ณ จุดนี้ บริษัทได้เริ่มเปิดตัว RAG ครอบคลุมทั่วทั้งบริษัทมากขึ้น

“การสำรวจ RAG ช่วยให้เราเข้าใจว่าเราจะสามารถนำข้อมูลเข้ามาได้มากขึ้น” Ryan Zoehner รองประธานฝ่ายปฏิบัติการเชิงพาณิชย์ของ Algo การสื่อสาร กล่าว “สิ่งนี้จะทำให้เราสามารถแยกคำตอบที่ซับซ้อนหลายๆ อย่างออกเป็นหลายส่วน และจัดทำคำตอบเป็น 5 และ 6 ส่วนในลักษณะที่ลูกค้ารู้ว่ามีใครสักคนที่เชี่ยวชาญด้านเทคนิคมาตอบคำถามเหล่านั้น”

ในเวลาเพียงสองเดือนหลังจากเพิ่ม RAG ทีมบริการลูกค้าของ Algo สามารถดำเนินการเคสได้รวดเร็วและมีประสิทธิภาพมากขึ้น ซึ่งช่วยให้พวกเขาสามารถดำเนินการสอบถามใหม่ได้เร็วขึ้น 67% ขณะนี้ RAG ครอบคลุมผลิตภัณฑ์ 60% แล้วและจะขยายต่อไป นอกจากนี้ บริษัทยังเริ่มเพิ่มบันทึกการแชทและบทสนทนาใหม่ลงในฐานข้อมูลเพื่อเสริมความแข็งแกร่งให้กับโซลูชันด้วยบริบทที่เกี่ยวข้องมากยิ่งขึ้น การใช้ RAG ยังทำให้ Algo สามารถลดเวลาในการออนบอร์ดลงได้ครึ่งหนึ่ง ส่งผลให้เติบโตได้เร็วขึ้น

“RAG ทำให้เรามีประสิทธิภาพมากขึ้น” Zoehner กล่าว “มันทำให้พนักงานของเรามีความสุขกับงานของพวกเขามากขึ้นและช่วยให้เราเริ่มทุกอย่างได้เร็วยิ่งขึ้น” สิ่งที่ทำให้หลักสูตรนี้แตกต่างจากหลักสูตรอื่นๆ ที่เราพยายามทำกับหลักสูตร LLM คือ หลักสูตรนี้ช่วยให้เราสามารถรักษาแบรนด์ เอกลักษณ์ และอุดมคติของเราในฐานะบริษัทเอาไว้ได้”

ด้วยการที่ RAG ให้ความช่วยเหลือด้าน AI แก่ CSR ของ Algo ทีมงานจึงสามารถอุทิศเวลาให้กับการเพิ่มสัมผัสแห่งความเป็นมนุษย์ในการโต้ตอบกับลูกค้าได้มากขึ้น

“มันช่วยให้ทีมของเราใช้เวลาเพิ่มขึ้นอีกนิดหน่อยเพื่อให้แน่ใจว่าการตอบสนองจะลงเอยในทางที่ถูกต้อง” Zoehner กล่าว “มนุษยธรรมช่วยให้เราสามารถนำเสนอแบรนด์ของเราผ่านทุกสิ่ง” นอกจากนี้ยังช่วยให้เรามั่นใจได้ถึงคุณภาพในทุกๆ ด้านอีกด้วย”