Retrieval-Augmented Generation หรือ RAG คือการค้นข้อมูลที่เกี่ยวข้องแล้วส่งเป็นบริบทให้โมเดลสร้างคำตอบ Enterprise RAG เพิ่มข้อกำหนดด้านสิทธิ์ รุ่นเอกสาร และการตรวจสอบ เพื่อให้การค้นใช้ความรู้ที่ผู้ถามได้รับอนุญาต
แนวทางนำไปใช้
เก็บสิทธิ์ไว้กับเอกสารและชิ้นข้อมูล ตรวจสิทธิ์ก่อนข้อมูลถึงโมเดล ทดสอบทั้งคำถามที่ตอบได้และคำถามที่ควรถูกปฏิเสธ เมื่อเอกสารถูกลบหรือสิทธิ์เปลี่ยน ต้องอัปเดตดัชนีและแคช อย่าใช้ Prompt แทนระบบตรวจสิทธิ์
| เปรียบเทียบทางเลือก | RAG | Traditional Search |
|---|---|---|
| ผลลัพธ์ที่ต้องพิสูจน์ | คำตอบ | เอกสาร |
| หลักฐานที่ควรเตรียม | คำตอบพร้อมแหล่งอ้างอิง | แหล่งอ้างอิง |
| ขั้นตอนการทำงาน | ค้นหาความรู้ | ค้นหาบทความหรือคำศัพท์ |
| ตรวจทานโดยผู้รับผิดชอบ | มีแล้ว และใช้งานจริง | มีแล้ว และใช้งานจริง |
บริการ Public AI ต่างกันตามผู้ให้บริการ แพ็กเกจ และสัญญา ส่วน Private AI ขึ้นกับสถาปัตยกรรมและการตั้งค่าจริง ไม่มีรูปแบบใดเหมาะกับทุกงาน
รายการตรวจสอบก่อนเริ่ม
- สิทธิ์ระดับชิ้นข้อมูล
- อ้างอิงตรวจกลับได้
- ลบจากดัชนีและแคช
ข้อมูลความสามารถและ Deployment ต้องยืนยันเป็นรายโครงการ ไม่มีการกล่าวอ้าง Certification, ROI หรือรายชื่อลูกค้าที่ไม่มีหลักฐาน
คำถามที่พบบ่อย
ข้อมูลต้องออกอินเทอร์เน็ตหรือไม่?
ขึ้นกับ Deployment และบริการที่เชื่อมต่อ ต้องกำหนดเส้นทางข้อมูลของโมเดล OCR, Embedding, Backup และ Logs ก่อนยืนยันขอบเขตจริง
คำตอบ AI เชื่อถือได้ทันทีหรือไม่?
ควรตรวจต้นฉบับ ความครบถ้วน และรุ่นเอกสาร โดยเฉพาะงานกฎหมาย บัญชี และการตัดสินใจสำคัญ แหล่งอ้างอิงช่วยตรวจสอบ แต่ไม่รับประกันความถูกต้อง
ควรเริ่มโครงการอย่างไร?
เลือก Use Case ชัดเจนหนึ่งเรื่อง เตรียมเอกสารที่อนุญาต กำหนดผู้รับผิดชอบและเกณฑ์ยอมรับ ทดสอบคุณภาพคำตอบ สิทธิ์ และต้นทุนกับผู้ใช้กลุ่มเล็กก่อนขยายผล
แหล่งข้อมูลอ้างอิง
แหล่งข้อมูลสาธารณะใช้ประกอบคำอธิบายหลักการ ไม่ได้เป็นการรับรองผลิตภัณฑ์ RAGBOX
- NIST AI Risk Management Framework
- Microsoft: Retrieval-augmented generation
- OWASP: RAG Security Cheat Sheet
- OWASP: Prompt Injection Prevention
รอผู้เชี่ยวชาญตรวจทานก่อนใช้งานจริง ไม่ได้เป็นคำแนะนำกฎหมายหรือภาษีเฉพาะกรณี