ข้ามไปยังเนื้อหา
QC/QA สู่ BA

RAG — Retrieval-Augmented Generation

ในบทนี้
  1. Why this matters
  2. Concept
  3. Example from Automotive QA
  4. What a BA needs to know

Why this matters

RAG คือหนึ่งใน concept ที่สำคัญที่สุดสำหรับ use case ของเรา — มันคือคำตอบเชิงเทคนิคของหลักการจาก Stage 2 ที่ว่า “อย่าให้ AI เดา ให้มันตอบจากข้อมูลจริงพร้อมหลักฐาน”

Concept

User Question
      ↓
Search Knowledge Base
      ↓
Relevant Documents
      ↓
LLM receives Question + Evidence
      ↓
Answer
      ↓
Source / Citation

แทนที่จะให้ LLM ตอบจากความจำของมัน ระบบจะ ค้นเอกสารจริงขององค์กรก่อน (Retrieval — มักใช้ semantic search จากบทที่แล้ว) แล้วส่งเอกสารที่เกี่ยวข้องไปพร้อมคำถาม ให้ LLM ประกอบคำตอบจากหลักฐานนั้น (Generation) พร้อมระบุแหล่งที่มา

Example from Automotive QA

What is the acceptable coating thickness for Part ABC?

ระบบไม่ควรให้ LLM เดา แต่ค้น specification ของ Part ABC ก่อน แล้วจึงตอบพร้อมอ้างอิงว่าเลขนี้มาจากเอกสารไหน revision อะไร — ถ้าค้นไม่เจอ ระบบต้องตอบว่าไม่พบข้อมูล ไม่ใช่แต่งขึ้นมา

What a BA needs to know

  • RAG ลด hallucination ได้มาก แต่ ไม่ได้กำจัดทิ้ง — ยังต้องมี citation ให้คนตรวจได้เสมอ
  • คุณภาพของ RAG ขึ้นกับคุณภาพเอกสารต้นทาง: เอกสาร revision เก่า จัดเก็บสะเปะสะปะ = คำตอบผิดแบบมีหลักฐานประกอบ
  • requirement ฝั่ง BA จึงต้องครอบคลุมเรื่องเอกสารด้วย เช่น ใช้เฉพาะเอกสาร revision ล่าสุด และสิทธิ์เข้าถึงเอกสารต้องตามสิทธิ์ของคนถาม