บริหารจัดการองค์ความรู้ ขับเคลื่อนนวัตกรรมด้วย AI Chatbot และ RAG

บริหารจัดการองค์ความรู้ ขับเคลื่อนนวัตกรรมด้วย AI Chatbot และ RAG

---

ลองจินตนาการดูว่าคุณเป็นสมาชิกคนหนึ่งของทีมที่กำลังทำโครงการที่มีความสำคัญ ซึ่งคุณต้องรวบรวมข้อมูลต่าง ๆ เพื่อที่จะดำเนินการตามแผนที่ได้วางเอาไว้ แต่ปัญหาคือคุณไม่ได้เป็นเจ้าของข้อมูลต่าง ๆ เหล่านี้ซึ่งคุณก็ยังไม่รู้ว่าข้อมูลที่ต้องการนั้นอยู่ในแผนกไหน และการตามหาข้อมูล รวมถึงระบุเจ้าของข้อมูลก็เหมือนกับการงมเข็มในมหาสมุทร ปัญหาเหล่านี้เกิดจากสิ่งที่เรียกว่า Knowledge Silos ที่ทำให้ข้อมูลที่มีคุณค่าเหล่านี้ถูกขังอยู่ในมุมต่าง ๆ ขององค์กร ซึ่งเป็นอุปสรรคใหญ่ในการสร้างนวัตกรรม รวมถึงทำให้การทำงานต่าง ๆ ก็จะชะลอตัวลงอย่างเห็นได้ชัด เพราะไม่สามารถแชร์หรือดึงข้อมูลได้อย่างรวดเร็ว ซึ่ง AI Chatbot ร่วมกับการใช้  Retrieval-Augmented Generation (RAG) อาจเป็นทางออกให้กับปัญหานี้ได้

แต่ก่อนจะไปทำความรู้จักกับ RAG เรามาทำความเข้าใจถึงปัญหากันก่อน

ปัญหาของการไม่สามารถเข้าถึงหรือสืบค้นข้อมูลได้อย่างมีประสิทธิภาพ

ในหลายองค์กร เอกสาร ข้อมูล และความรู้ต่าง ๆ มักจะถูกจัดเก็บกระจัดกระจายอยู่ตามที่ต่าง ๆ บางทีมเก็บงานวิจัยไว้บนคลาวด์ บางทีมใช้สเปรดชีต (Spreadsheets) และบางทีเอกสารต่าง ๆ ก็ซ่อนอยู่ในเว็บไซต์ภายในขององค์กร แม้ว่าปัญหาของการกระจัดกระจายนี้อาจดูเหมือนว่าจะกระทบกับการทำงานไม่มากในช่วงแรก แต่ในที่สุดก็จะกลายเป็นอุปสรรค์ต่อการพัฒนาองค์กรในระยะยาว โดยเฉพาะในวันที่องค์กรมีขนาดใหญ่มากยิ่งขึ้น มีจำนวนพนักงานใหญ่ขึ้น และมีข้อมูลมากยิ่งขึ้น ผู้คนไม่รู้ว่าจะต้องไปหาข้อมูลจากที่ไหน และเสียเวลาอันมีค่าไปกับการพยายามรวบรวมข้อมูลที่ต้องการจากที่ต่างๆ

โดยเฉพาะสำหรับหน่วยงานภาครัฐที่ต้องจัดการกับโครงการต่างๆ นโยบาย ระเบียบวิธีปัฏิบัติ และข้อมูลจากประชาชน จำนวนข้อมูลที่มากมายเหล่านี้อาจกลายเป็นฝันร้ายของผู้ปฏิบัติงานได้ ยกตัวอย่างเช่น ระเบียบวิธีปัฏิบัติที่มีหลายฉบับ นโยบายที่มีการเปลี่ยนแปลงตลอดเวลา ข้อมูลโปรเจกต์ต่างๆ ทั้งเก่าและใหม่ โดยทีมปฏิบัติการก็ต้องทำงานด้วยการพิจารณาจากข้อมูลเหล่านี้ ซึ่งหากข้อมูลไม่ถูกเชื่อมโยงเข้าด้วยกัน การตัดสินใจก็จะขาดมุมมองที่สมบูรณ์ ซึ่งนำไปสู่การพลาดโอกาส การทำงานซ้ำซ้อน ความล่าช้า และท้ายที่สุดอาจก็ทำให้เกิดความเสียหายแก้ภาพลักษณ์ขององค์ รวมถึงการหยุดชะงักของสิ่งสำคัญที่เรียกว่า นวัตกรรม

นวัตกรรมเติบโตได้จากการทำงานร่วมกัน และเมื่อทีมไม่สามารถเข้าถึงความรู้ร่วมกันได้ ความคิดสร้างสรรค์ก็จะได้รับผลกระทบอย่างหนัก การที่ความรู้ถูกจัดเก็บกระจัดกระจายไม่เพียงแต่ทำให้ทีมทำงานช้าลงเท่านั้น แต่ยังทำให้ไอเดียต่างๆ ถูกลืมเลือนไปตามกาลเวลา ความก้าวหน้าหยุดนิ่ง หรือบางครั้งก็ทำให้เกิดการพัฒนานวัตกรรมที่ซ้ำซ้อนภายในองค์กรเดียวกัน

แก้ปัญหาข้อมูลกระจัดกระจายด้วย AI Chatbot

แล้วจะแก้ปัญหานี้ได้อย่างไร? คำตอบอยู่ที่วิธีการและเครื่องมือเพื่อทำลายกำแพงของ Knowledge Silos เช่น การรวมศูนย์ข้อมูล (Centralized Data Store) และเทคโนโลยี AI ที่ให้มากกว่าการสืบค้นข้อมูลทั่วไป อย่าง RAG (Retrieval-Augmented Generation)

การรวมศูนย์ข้อมูล (Centralized Data Store) เป็นการจัดการและบริหารข้อมูลให้อยู่ในที่เดียว เช่น Data Lake หรือ Data Warehouse เพื่อให้สามารถเข้าถึงและใช้งานข้อมูลได้อย่างมีประสิทธิภาพและรวดเร็ว ซึ่งเมื่อนำการรวมศูนย์ข้อมูลมาประกอบกับเทคนิค RAG ซึ่งเป็นกระบวนการที่ผสมผสานระหว่างการดึงข้อมูล (Retrieval) และการสร้างข้อความด้วยโมเดล AI (Generation) เพื่อให้มีการใช้ข้อมูลเฉพาะที่เราต้องการมาสร้างเป็นคำตอบที่ถูกต้องและแม่นยำ โดยไม่จำเป็นต้องพัฒนา โมเดลภาษาขนาดใหญ่ หรือที่เรียกว่า LLM (Large Language Model) ขึ้นมาใหม่ทั้งหมด

RAG (Retrieval-Augmented Generation) คืออะไร?

RAG (Retrieval-Augmented Generation) เป็นหนึ่งในเทคนิค หรือ framework หนึ่งที่ใช้เพื่อเพิ่มประสิทธิภาพของ LLM โดยการรวมเอาความรู้เฉพาะ (Doamin Knowledge) จากข้อมูลที่เก็บไว้ในฐานข้อมูลภายในขององค์กรเข้ามาใช้งานร่วมกับการสร้างข้อความหรือคำตอบ (text generation) ของโมเดล LLM เพื่อให้ได้คำตอบที่ถูกต้องและอ้างอิงกับข้อมูลที่องค์กรมีอยู่ได้มากขึ้น

เรียนรู้เพิ่มเติมได้ที่ ibm.com

หลักการทำงานของ RAG ในระบบ AI Chatbot

สมมติว่า “กรมพัฒนาธุรกิจการค้า” เปิดให้บริการแพลตฟอร์มออนไลน์ที่ประชาชนสามารถสอบถามเกี่ยวกับการจดทะเบียนบริษัท เช่น เอกสารที่จำเป็น ค่าธรรมเนียม และขั้นตอนการดำเนินการที่เกี่ยวข้องต่าง ๆ ได้ จะเกิดอะไรขึ้นถ้าผู้ใช้งานคนหนึ่งพิมพ์ถาม AI Chatbot บนแพลตฟอร์มดังกล่าวว่า “ฉันต้องใช้เอกสารอะไรบ้างในการจดทะเบียนบริษัทจำกัด?”

ขั้นตอนที่ 1

ระบบ RAG ซึ่งจะประกอบไปด้วยโมเดลทางภาษาหนึ่งที่เรียกว่า Embedding model จะเริ่มต้นด้วยการวิเคราะห์คำถาม หรือ Prompt จากผู้ใช้งาน โดยใช้เทคนิคการประมวลผลภาษาธรรมชาติ (Natural Language Processing – NLP) เพื่อแยกคำสำคัญ เช่น “เอกสาร” และ “จดทะเบียนบริษัทจำกัด” เพื่อให้เข้าใจว่าเนื้อหาที่ต้องการเกี่ยวข้องกับการจดทะเบียนธุรกิจ และต้องการข้อมูลเกี่ยวกับเอกสารที่จำเป็น

ขั้นตอนที่ 2

เมื่อระบบเข้าใจคำถามแล้ว จะเข้าสู่กระบวนการค้นหาข้อมูล หรือ การดึงข้อมูล (Retrieval) ที่เกี่ยวข้อง โดยใช้ฐานข้อมูลที่เก็บเอกสารที่เกี่ยวข้อง เช่น
– พระราชบัญญัติการทะเบียนพาณิชย์ พ.ศ. 2499
– คู่มือการจดทะเบียนบริษัทจำกัด (ฉบับกรมพัฒนาธุรกิจการค้า)
– ระเบียบกระทรวงพาณิชย์ว่าด้วยการจดทะเบียนธุรกิจ พ.ศ. 2559

โดยข้อมูลเหล่านี้มักจะถูกเก็บอยู่ในรูปแบบ Vector ภายใน Vector Database ที่ช่วยให้การค้นหาเอกสารที่เกี่ยวข้องทำได้รวดเร็วและแม่นยำ โดยจะช่วยให้สามารถค้นหาข้อมูลที่มีความหมายใกล้เคียงกัน (Semantic Search) แม้ว่าจะไม่มีคำศัพท์ตรงตัวระหว่างในคำถามกับในฐานข้อมูล

ขั้นตอนที่ 3

การเสริมข้อมูล (Augmentation) เป็นกระบวนการสร้าง Prompt ใหม่ ที่มีการผสมผสานข้อมูลที่ดึงมาจากแหล่งข้อมูล (จากขั้นตอน Retrieval) เพื่อส่งต่อไปยัง LLM เพื่อให้ LLM เข้าใจบริบททั้งหมด เพื่อสร้างคำตอบที่สมบูรณ์ ชัดเจน และตอบโจทย์คำถามของผู้ใช้งาน โดยใช้ความสามารถของ Generative AI (เช่น GPT หรือ LLAMA) ตัวอย่าง Prompt ใหม่ที่ส่งไปยัง LLM เช่น

“
คำตอบจากเอกสารที่เกี่ยวข้อง:
1. ต้องใช้เอกสารดังนี้: แบบฟอร์ม บอจ.1, สำเนาบัตรประชาชน, หนังสือบริคณห์สนธิ (อ้างอิงจาก คู่มือการจดทะเบียนบริษัทจำกัด)
2. ค่าธรรมเนียมการจดทะเบียนคือ 5,000 บาท (อ้างอิงจาก ระเบียบกระทรวงพาณิชย์ พ.ศ. 2559)
คำถามของผู้ใช้งาน:
“ฉันต้องใช้เอกสารอะไรบ้างในการจดทะเบียนบริษัทจำกัด?”
จงสร้างคำตอบที่ชัดเจนและกระชับจากข้อมูลข้างต้น
“

ขั้นตอนที่ 4

หลังจากสร้างคำตอบ ระบบจะส่งคำตอบกลับไปยังผู้ใช้งานในรูปแบบที่เป็นข้อความที่อ่านง่าย มีภาษาที่เป็นธรรมชาติ (จากความสามารถของ LLM) เพื่อให้ผู้ใช้งานเข้าใจข้อมูลได้ทันที โดยอาจจะมีการแนบเอกสารที่เกี่ยวข้อง โดยการแนบลิงก์ไปยัง คู่มือการจดทะเบียนบริษัทจำกัด (PDF) หรือ แบบฟอร์มคำขอจดทะเบียนบริษัท (บอจ.1) โดยผู้ใช้งานยังสามารถสอบถามเพิ่มเติมในประเด็นที่เกี่ยวข้องเพิ่มได้อีกด้วย

จะเห็นว่าขั้นตอนทั้งหมดจะประกอบไปด้วย Retrieval(การดึงข้อมูล) Augmentation(การเสริมข้อมูล) และ Generation(การสร้าง) ซึ่งนี่ก็คือที่มาของชื่อ Retrieval-Augmented Generation ซึ่งการนำเอาเทคนิคอย่าง RAG เข้ามาใช้ จึงทำให้ AI Chatbot เหล่านี้ไม่เพียงแค่ลดระยะเวลาในการเข้าถึงข้อมูลที่ถูกต้องและแม่นยำ แต่ยังข้ามข้อจำกัดของการค้นหาด้วยคำสำคัญเหมือนระบบเดิมๆ ที่ต้องใช้คำศัพท์ให้ตรงกับคำในเอกสาร โดยระบบสามารถเข้าใจบริบทของคำถามจากเทคโนโลยี Semantic เพื่อดึงข้อมูลที่เกี่ยวข้องที่สุด และนำเสนอให้กับผู้ใช้งานได้ภายในไม่กี่วินาที ซึ่งไม่ว่าคุณจะเป็นเจ้าหน้าที่ราชการ หรือประชาชนที่กำลังค้นหาข้อมูล AI Chatbot และ RAG จะช่วยให้คุณได้คำตอบอย่างรวดเร็วและแม่นยำ

โดยเราสามารถนำไปประยุคใช้ได้หลากหลาย ตัวอย่างเช่น

1. การตอบคำถามเชิงลึกและข้อมูลเฉพาะทาง
   RAG สามารถเข้าถึงแหล่งข้อมูลที่ถูกจัดเก็บไว้ในฐานข้อมูลที่เฉพาะของหน่วยงานนั้นๆ เช่น ฐานข้อมูลความรู้ด้านกฎหมาย การแพทย์ หรือข้อมูลวิจัยเฉพาะทาง โดยเมื่อผู้ใช้ตั้งคำถาม โมเดล RAG จะดึงข้อมูลที่เกี่ยวข้องจากคลังข้อมูล และใช้โมเดล AI สร้างคำตอบที่มีความแม่นยำและเหมาะสม
2. การบริหารจัดการความรู้ในองค์กร (Knowledge Management)
   ในองค์กรที่มีข้อมูลกระจายอยู่ในหลายแหล่ง การรวมศูนย์ข้อมูลทำให้ RAG สามารถดึงข้อมูลที่ถูกต้องและเป็นปัจจุบันมาช่วยสร้างคำตอบสำหรับพนักงาน หรือช่วยให้ผู้ใช้ในองค์กรค้นหาและสื่อสารข้อมูลได้อย่างรวดเร็ว เช่น การตอบคำถามเกี่ยวกับผลิตภัณฑ์ การแก้ไขปัญหาทางเทคนิค หรือระเบียบวิธีปฏิบัติต่าง ๆ
3. ระบบสนับสนุนการตัดสินใจ (Decision Support Systems)
   นอกจากดึงข้อมูลที่มีอยู่ การใช้ RAG ยังทำให้เราสามารถวิเคราะห์ข้อมูลที่มี เช่น ข้อมูลการขาย ข้อมูลลูกค้า หรือข้อมูลตลาด มาประกอบกับความรู้ทั่วไปที่ LLM มี เพื่อสร้างคำแนะนำเชิงกลยุทธ์ หรือรายงานที่ปรับแต่งตามความต้องการของผู้ใช้ในรูปแบบที่เข้าใจง่าย
4. การสร้างประสบการณ์ใหม่ๆ ให้กับผู้ใช้งาน
   แชทบอทที่ช่วยในการตอบคำถามหรือแนะนำข้อมูลคล้ายกับพนักงานคนหนึ่ง แทนการปล่อยให้ผู้ใช้งานค้นหาคำตอบเองผ่านระบบ หรือ หน้า FAQ เช่น ข้อมูลบัญชีผู้ใช้ ประวัติการทำธุรกรรม หรือเอกสารที่เกี่ยวข้อง

แล้วผลลัพธ์จากการได้คำตอบอย่างรวดเร็วและแม่นยำคืออะไร?

แน่นอนว่าการทำงานจะราบรื่นขึ้น และใช้เวลาน้อยลงในการค้นหาข้อมูลต่างๆ ไม่ต้องไปตามหาว่าใครมีข้อมูลที่เราต้องการ มีเวลามากขึ้นในการลงมือทำขั้นตอนอื่นๆ มากขึ้น การตัดสินใจเกิดขึ้นได้เร็วขึ้น ทำให้การทำงาน หรือการพัฒนานวัตกรรมต่างๆ ไม่หยุดชะงักเพียงเพราะหาข้อมูลไม่เจอ ผู้คนสามารถเข้าถึงข้อมูลที่แม่นยำมากขึ้น ทำให้สามารถปฏิบัติตามขั้นตอนต่างๆ ได้อย่างถูกต้อง ลดความผิดพลาด รวมถึงลูกค้า หรือประชาชนได้รับประสบการณ์ที่ดีมากขึ้นเหมือนมีเจ้าหน้าที่คอยให้คำปรึกษาหรือให้บริการอยู่เสมอ ซึ่งทั้งหมดนี้ก็จะนำไปสู่ความพึงพอใจของผู้ใช้งาน ต้นทุนทางด้านแรงงานที่ลด การพัฒนานวัตกรรมที่รวดเร็วขึ้น และความผิดพลาดที่น้อยลง

พร้อมสำหรับยุคแห่ง AI แล้วหรือยัง?

ถ้าหากการจัดเก็บข้อมูลแบบกระจายกำลังเป็นอุปสรรคภายในองค์กรของคุณ การประยุกต์เอาการรวมศูนย์ข้อมูล AI Chatbot และ RAG อาจเป็นทางออกของปัญหา เปรียบเสมือนกับการมีผู้ช่วยที่ไม่เพียงรอบรู้เรื่องทั่วไป แต่ยังถือเอกสารข้อมูลภายในบริษัท คอยช่วยตอบคำถามแทนการค้นหาแบบเดิมๆ ที่ต้องตามหาผู้ครอบครองข้อมูล หรือระบบที่มีข้อมูลที่ต้องการ และยังต้องใช้คำค้นหาที่ถูกต้องตรงตัวถึงจะเจอข้อมูลที่หาอีกด้วย ซึ่งด้วยการใช้ AI Chatbot และ RAG จะทำให้คุณลืมการค้นหาข้อมูลในโฟลเดอร์ ฐานข้อมูล และอีเมลที่น่าเบื่อไปได้เลย ซึ่งผู้ช่วยคนนี้จะช่วยสรุปเนื้อหาที่เกี่ยวข้อง ให้ได้ทันที ไม่ว่าข้อมูลนั้นจะซ่อนอยู่ที่ไหนก็ตาม และคุณสามารถเข้าถึงประสบการณ์การถามตอบอย่างเป็นธรรมชาติด้วยเทคโนโลยี AI ที่คุณไม่ต้องเริ่มพัฒนา LLM ใหม่จากศูนย์ แต่สามารถใช้ความสามารถของโมเดล LLM ขนาดใหญ่ที่มีประสิทธิภาพสูงได้ทันที

เทคนิคเหล่านี้อาจเป็นเครื่องมือที่สำคัญสำหรับองค์กรที่ต้องการสร้างนวัตกรรมและก้าวไปข้างหน้าอย่างมั่นใจ หากคุณต้องการจะปรับปรุงการทำงาน ลดความวุ่นวาย และมองหาตัวช่วยในการตัดสินใจอย่างชาญฉลาดและรวดเร็ว ก็อาจจะถึงเวลาที่จะต้องก้าวไปสู่การใช้ประโยชน์จาก AI แล้ว ปล่อยให้ AI จัดการงานที่ซ้ำซ้อนและเสียเวลา เพื่อให้ทีมของคุณได้มีเวลากับสิ่งที่สำคัญสำคัญกว่า นั่นก็คือการสร้างสรรค์นวัตกรรม

ถ้าพร้อมแล้ว ติดต่อเรา ทีม NT เพื่อเริ่มต้นการเปลี่ยนแปลงได้เลย