Retrieval Augmented Generation (RAG)

Retrieval Augmented Generation (RAG) เป็นเทคนิคที่ช่วยเพิ่มความแม่นยำและความน่าเชื่อถือของ Generative AI (GenAI) โดยการรวมความสามารถของ การเรียกค้นข้อมูล (Retrieval) และ การสร้างเนื้อหา (Generation)

หลักการทำงานของ RAG

1. Retrieval (การเรียกค้นข้อมูล)

- ระบบค้นหาข้อมูลจากแหล่งข้อมูลที่เชื่อถือได้ เช่น ฐานข้อมูล, เอกสาร, Knowledge Graphs หรือ AI Vector Search

- ข้อมูลที่ดึงมาใช้จะช่วยให้โมเดล AI มีบริบทที่ถูกต้องและเกี่ยวข้องกับคำถามที่ได้รับ

2. Generation (การสร้างเนื้อหา)

- โมเดล Generative AI ใช้ข้อมูลที่ดึงมาเป็นแหล่งอ้างอิงเพื่อสร้างคำตอบที่ แม่นยำและเกี่ยวข้อง

- ช่วยลดปัญหา Hallucination (การสร้างข้อมูลผิดพลาด) ของโมเดล AI

ข้อดีของ RAG

เพิ่มความแม่นยำ – ดึงข้อมูลจริงมาใช้แทนการคาดเดาของโมเดล AI

ลดข้อผิดพลาด (Hallucination) – โมเดลสร้างเนื้อหาจากข้อมูลที่ตรวจสอบได้

อัปเดตข้อมูลได้ง่าย – สามารถอ้างอิงแหล่งข้อมูลใหม่โดยไม่ต้องฝึกโมเดลใหม่

การใช้งาน RAG ใน Oracle Database 23ai

Oracle Database 23ai รองรับ RAG ผ่าน AI Vector Search และ Knowledge Graphs เพื่อช่วยให้แอปพลิเคชัน AI สามารถใช้ข้อมูลจริงและสร้างคำตอบที่แม่นยำ

RAG เป็นเทคโนโลยีสำคัญในการพัฒนาแอปพลิเคชัน AI คุณภาพสูงที่ เชื่อถือได้, แม่นยำ และมีความสามารถด้านการวิเคราะห์ข้อมูลที่ลึกซึ้งขึ้น

ทำให้การเข้าถึงข้อมูลง่ายขึ้นด้วย Retrieval Augmented Generation (RAG)

ลูกค้าของคุณเบื่อกับการต้องค้นหาข้อมูลจำนวนมหาศาลเพื่อหาคำตอบสำหรับธุรกิจของพวกเขาหรือไม่?

นักพัฒนาสามารถสร้างแอปพลิเคชัน AI เพื่อแก้ปัญหานี้ได้โดยใช้ Retrieval Augmented Generation (RAG) ซึ่งช่วยเพิ่มประสิทธิภาพให้กับ Generative AI และ Large Language Models (LLMs)

RAG ช่วยเพิ่มประสิทธิภาพการใช้งาน LLM อย่างไร?

รวมข้อมูลจากหลายแหล่ง – นำข้อมูลจาก Oracle Database และแหล่งข้อมูลอื่นๆ มาใช้ร่วมกับ LLM

ลดปัญหา Hallucination – ป้องกันโมเดล AI จากการสร้างคำตอบที่ไม่ถูกต้องโดยใช้ข้อมูลจริง

อธิบายผลลัพธ์ได้ – สามารถอ้างอิงแหล่งที่มาของข้อมูลเพื่อเพิ่มความน่าเชื่อถือ

Oracle Database 23ai ซึ่งเป็น Converged Database เป็นแพลตฟอร์มที่เหมาะสมที่สุดสำหรับการพัฒนาแอปพลิเคชัน RAG

ตัวอย่างการใช้งาน RAG ในธุรกิจ

หากลูกค้าต้องการข้อมูลเกี่ยวกับผลิตภัณฑ์ RAG สามารถรวบรวมข้อมูลจาก เอกสารที่ไม่มีโครงสร้าง (Unstructured Data), บันทึกข้อมูล (Logs) ผ่าน AI Vector Search และรวมเข้ากับ ข้อมูลโครงสร้าง (Structured Data) เช่น ข้อมูลสินค้าในฐานข้อมูล จากนั้นส่งไปยัง LLM เพื่อสร้างคำตอบที่กระชับและแม่นยำ

ด้วย RAG + Generative AI ลูกค้าของคุณสามารถเข้าถึงข้อมูลที่เกี่ยวข้องได้เร็วขึ้น ช่วยปรับปรุงประสิทธิภาพการทำงาน และเพิ่มความพึงพอใจให้กับผู้ใช้