RAG: เมื่อการดึงข้อมูลเพิ่ม ไม่ได้แปลว่า AI จะฉลาดขึ้นเสมอไป

RAG: เมื่อการดึงข้อมูลเพิ่ม ไม่ได้แปลว่า AI จะฉลาดขึ้นเสมอไป

เมื่อพูดถึง ปัญญาประดิษฐ์ หรือ AI โดยเฉพาะโมเดลภาษาขนาดใหญ่ที่เรียกว่า LLM (Large Language Model) หลายคนคงคุ้นเคยกับการที่มันสามารถสร้างข้อความ ตอบคำถาม หรือแม้แต่แต่งเรื่องราวได้อย่างน่าทึ่ง

แต่สิ่งที่ท้าทายคือบางครั้ง LLM ก็อาจจะ “หลอน” หรือให้ข้อมูลที่ไม่ถูกต้อง ซึ่งมักจะเกิดขึ้นเมื่อมันไม่มีข้อมูลที่เกี่ยวข้องโดยตรงอยู่ในชุดข้อมูลที่ได้รับการฝึกฝนมา

หรืออาจไม่สามารถนำข้อมูลที่มีอยู่มาใช้ได้อย่างมีประสิทธิภาพ

เพื่อแก้ไขปัญหานี้ เทคนิคที่เรียกว่า RAG (Retrieval Augmented Generation) จึงถูกพัฒนาขึ้นเพื่อเสริมความฉลาดให้กับ LLM

ทำความเข้าใจ RAG: เมื่อ AI ต้องการข้อมูลเสริม

RAG คือแนวทางที่ช่วยให้ LLM สามารถดึงข้อมูลที่เกี่ยวข้องจากแหล่งภายนอกเข้ามาประกอบการพิจารณาก่อนที่จะสร้างคำตอบออกมา

หลักการง่าย ๆ คือ เมื่อมีคำถามเข้ามา ระบบจะไป “ค้นหา” เอกสารหรือข้อความที่เกี่ยวข้อง แล้วนำข้อมูลเหล่านั้นส่งไปให้ LLM ใช้เป็นบริบทในการตอบคำถาม

การทำเช่นนี้ช่วยลดโอกาสที่ LLM จะสร้างข้อมูลผิดพลาด และเพิ่มความน่าเชื่อถือให้กับคำตอบได้อย่างมาก เพราะคำตอบจะอิงตามข้อเท็จจริงที่มีอยู่จริง

ความแตกต่างระหว่าง RAG แบบดั้งเดิมและ RAG แบบ Agentic

ในโลกของ RAG มีการพัฒนาไปหลายรูปแบบ รูปแบบที่ใช้กันทั่วไปคือ RAG แบบดั้งเดิม (Traditional RAG) โดยระบบจะดึงข้อมูลที่คิดว่าเกี่ยวข้องที่สุดจำนวนหนึ่ง (เช่น ดึง 2 ชิ้นแรก) ออกมา แล้วส่งให้ LLM ทันที เพื่อใช้ในการสร้างคำตอบ

ในขณะที่ RAG แบบ Agentic (Agentic RAG) มีความซับซ้อนขึ้นมาอีกระดับหนึ่ง ที่นี่มี “เอเจนต์” หรือตัวแทนที่ทำหน้าที่เป็นสมองกล มันไม่ได้แค่ดึงข้อมูลครั้งเดียวแล้วจบไป

แต่สามารถตัดสินใจได้ว่าจะต้องดึงข้อมูลเพิ่มอีกไหม จะปรับปรุงคำถามอย่างไร หรือแม้กระทั่งจะใช้เครื่องมืออะไรในการค้นหาข้อมูล

เอเจนต์สามารถวนลูป ดึงข้อมูลหลายรอบ เพื่อหาบริบทที่สมบูรณ์ที่สุดก่อนส่งให้ LLM สร้างคำตอบ ซึ่งฟังดูแล้วน่าจะดีกว่ามาก

การทดลองจริง: ผลลัพธ์ที่น่าประหลาดใจ

มีการทดลองเปรียบเทียบประสิทธิภาพของ RAG ทั้งสองแบบนี้ โดยใช้ชุดเอกสารจำนวน 18 ชิ้น และคำถาม 18 ข้อ ที่แต่ละข้อต้องการข้อมูลจากเอกสารเฉพาะเจาะจง

สิ่งที่น่าสนใจคือ ทั้ง RAG แบบดั้งเดิม และ RAG แบบ Agentic ต่างก็สามารถ “ดึง” เอกสารที่จำเป็นสำหรับการตอบคำถามได้ครบถ้วน หมายความว่าความสามารถในการค้นหาข้อมูลนั้นไม่ได้เป็นปัญหาเลย

แต่ผลลัพธ์ที่ได้กลับทำให้หลายคนประหลาดใจ เพราะทั้งสองระบบสามารถตอบคำถามได้ถูกต้องเพียง 9 จาก 18 ข้อ เท่ากัน

ยิ่งไปกว่านั้น RAG แบบ Agentic ที่มีความซับซ้อนและใช้กระบวนการที่มากกว่า กลับใช้เวลานานกว่า RAG แบบดั้งเดิม เกือบ 6 เท่า โดยที่ไม่ได้ให้ผลลัพธ์ที่ดีขึ้นเลยในแง่ของความถูกต้องของคำตอบ

บทเรียนที่สำคัญ: ปริมาณไม่ใช่คำตอบเสมอไป

การทดลองนี้ชี้ให้เห็นประเด็นสำคัญว่า การเพิ่มความซับซ้อนในการดึงข้อมูล หรือการพยายามดึงข้อมูลให้ได้ “มากที่สุด” หรือ “ครอบคลุมที่สุด” อาจไม่ใช่หนทางเดียวที่จะทำให้ LLM ตอบคำถามได้ดีขึ้นเสมอไป

ปัญหาที่แท้จริงอาจไม่ได้อยู่ที่ว่าระบบ RAG สามารถดึงข้อมูลที่ถูกต้องมาได้หรือไม่ แต่อยู่ที่ว่า LLM สามารถ “นำ” ข้อมูลที่ได้รับมานั้นไปใช้ประกอบการพิจารณาได้อย่างมีประสิทธิภาพแค่ไหนต่างหาก

ดังนั้น แนวทางในการปรับปรุงประสิทธิภาพของ RAG อาจจะต้องหันมาให้ความสำคัญกับสิ่งอื่น ๆ เช่น Prompt Engineering ที่ออกแบบคำสั่งให้ LLM เข้าใจและใช้บริบทได้ดีขึ้น การใช้ Reranking เพื่อจัดลำดับความสำคัญของข้อมูลที่ดึงมา การทดลองกับ LLM รุ่นอื่น ๆ หรือแม้แต่การ Fine-tuning ตัว LLM ให้มีความสามารถในการเข้าใจและสังเคราะห์ข้อมูลบริบทได้ดียิ่งขึ้น เพื่อให้ได้ผลลัพธ์ที่ดียิ่งขึ้นในอนาคต