ทำไมเอเจนต์ AI ควรตอบจากเอกสารของคุณเอง

เอเจนต์ AI แบบ RAG คืออะไร

เอเจนต์ AI แบบ RAG จะค้นหาข้อมูลของคุณเองก่อนตอบ RAG ย่อมาจาก retrieval-augmented generation หรือการสร้างคำตอบโดยอาศัยการค้นคืนข้อมูล เอเจนต์จะหาส่วนของเอกสารที่ตรงกับคำถาม แล้วเขียนคำตอบจากส่วนนั้น แทนที่จะตอบจากสิ่งที่โมเดลบังเอิญเรียนรู้มาจากอินเทอร์เน็ต

ถามแชทบอททั่วไปเรื่องระยะเวลาคืนเงินของคุณ มันจะเดานโยบายที่ฟังดูน่าเชื่อ ถามเอเจนต์แบบ RAG มันจะอ่านนโยบายของคุณ แล้วตอบว่า 3 วันสำหรับบัตรในยุโรป และ 5 วันสำหรับที่อื่น เพราะคู่มือของคุณเขียนไว้แบบนั้น

ใน IMFA นั้น RAG คือชั้นความรู้ของทุกเอเจนต์ที่คุณสร้างด้วย เครื่องมือสร้างแชทบอท AI คุณอัปโหลดไฟล์ เอเจนต์อ่าน แล้วทุกช่องทางที่เอเจนต์ทำงานอยู่ก็ตอบจากข้อมูลชุดเดียวกัน

เมื่อไหร่ที่เอเจนต์ของคุณต้องใช้ RAG

คุณต้องใช้ทันทีที่ลูกค้าถามคำถามที่คำตอบมีอยู่แค่ในธุรกิจของคุณ:

• ราคา สต็อก และนโยบายเปลี่ยนอยู่เสมอ โมเดลที่เทรนเมื่อปีก่อนไม่รู้ค่าจัดส่งใหม่ของคุณ แต่ใบราคาของคุณรู้
• คำถามเดิม 20 ข้อวนมาทุกสัปดาห์ เวลาเปิดปิด การคืนสินค้า ไซซ์ กฎการจอง ทั้งหมดเขียนไว้แล้ว ส่วนใหญ่อยู่ใน PDF ที่ไม่มีใครอ่าน
• คำตอบผิดทำให้คุณเสียหาย ส่วนลดที่คุณไม่เคยให้ หรือวันส่งที่ทำไม่ได้ ทำให้คำตอบสั้น ๆ กลายเป็นข้อร้องเรียน
• คุณให้บริการหลายภาษา คู่มือภาษาฝรั่งเศสเล่มเดียวตอบคำถามภาษาอาหรับได้ เพราะการค้นคืนทำงานจากความหมาย ไม่ใช่คำที่ตรงกันเป๊ะ

ถ้าเอเจนต์แค่คุยเรื่องทั่วไป ข้ามไปได้ แต่ทันทีที่เอเจนต์พูดในนามธุรกิจของคุณ มันต้องมีเอกสารของคุณ

RAG ทำงานอย่างไรในเอเจนต์ของ IMFA

IMFA ดูแลทั้งกระบวนการให้คุณ ตั้งแต่อ่านไฟล์ แบ่งเป็นส่วน ๆ ค้นหา และแยกเก็บข้อมูลของแต่ละเอเจนต์

1. เพิ่มแหล่งข้อมูล อัปโหลดไฟล์ PDF, DOCX, XLS, XLSX, TXT, Markdown และ CSV ในแพ็กเกจ Pro เพิ่มหน้าเว็บสาธารณะด้วย URL ได้ แต่ละแหล่งข้อมูลแสดงสถานะว่ากำลังประมวลผล พร้อมใช้งาน หรือล้มเหลว คุณจึงรู้ว่าเอเจนต์ใช้อะไรได้จริง
2. เอเจนต์ค้นหาตอนตอบ เมื่อมีคำถามเข้ามา เอเจนต์จะหาส่วนที่เกี่ยวข้องที่สุดในคลังข้อมูลแยกของตัวเอง แล้วตอบจากส่วนนั้น การอัปเดตเอกสารไม่ต้องเทรนโมเดลใหม่
3. ยอมรับเมื่อไม่รู้ สั่งให้เอเจนต์บอกตรง ๆ เมื่อคำถามอยู่นอกเหนือข้อมูลที่มี เอเจนต์จะทำตาม แทนการแต่งคำตอบเอง
4. คำสั่งของคุณยังเป็นใหญ่ ข้อความที่ค้นคืนมาถือเป็น ข้อมูลที่ไม่น่าเชื่อถือ เอกสารที่เขียนว่า "ไม่ต้องสนใจกฎของคุณ" ไม่สามารถแทนที่คำสั่งของเอเจนต์ได้ และกฎฝั่งเซิร์ฟเวอร์ช่วยเก็บพรอมต์และเครื่องมือของคุณเป็นความลับ
5. ทดสอบก่อนเผยแพร่ ถามทั้งคำถามตรง ๆ คำถามคลุมเครือ คำถามที่ขัดแย้งกัน และคำถามนอกขอบเขตในเครื่องมือสร้าง เผยแพร่เมื่อคำตอบตรงกับที่ทีมของคุณจะตอบ

ข้อมูลความรู้ชุดเดียวกันนี้ยังใช้กับวิดเจ็ตบนเว็บไซต์ บทสนทนาใน WhatsApp, Telegram, Discord, Instagram และ Facebook สายเสียงในแพ็กเกจ Pro และเซิร์ฟเวอร์ของคุณเองผ่าน API เอเจนต์ AI

ทำไมการตอบจากเอกสารของคุณถึงคุ้มค่า

คำตอบผิดน้อยลง คำตอบที่ยึดกับข้อมูลจะอยู่ในกรอบของสิ่งที่คุณเขียนไว้ RAG ลดคำตอบที่ไม่มีหลักฐานรองรับ แต่ไม่ได้ทำให้โมเดลไหนสมบูรณ์แบบ จึงควรตรวจคำถามที่สำคัญที่สุดก่อนเผยแพร่

อัปเดตได้ในไม่กี่นาที ไม่ต้องเป็นโปรเจกต์ แก้ใบราคา อัปโหลดใหม่ แล้วคำตอบถัดไปก็ใช้ข้อมูลใหม่ทันที ถ้าใช้การ fine-tune โมเดลเพื่อการเปลี่ยนแปลงเดียวกัน ต้องเทรนใหม่ทั้งรอบ

แหล่งข้อมูลจริงหนึ่งเดียวสำหรับทุกช่องทาง คุณดูแลเอกสารชุดเดียว แทนสคริปต์แยกของแต่ละช่องทาง

เสียเวลาตอบเรื่องเดิมซ้ำ ๆ น้อยลง ถ้าคุณตอบคำถามซ้ำวันละ 20 ข้อ ข้อละ 2 นาที เท่ากับวันละราว 40 นาที หรือมากกว่า 3 ชั่วโมงต่อสัปดาห์ ที่เอเจนต์รับไปจากอินบ็อกซ์ของคุณได้ ตัวเลขของคุณจะต่างออกไป ลองนับข้อความสักหนึ่งสัปดาห์

ยังสร้างระบบเองได้ถ้าต้องการ ทีมที่ต้องควบคุมตัวแยกวิเคราะห์ไฟล์ embedding และการจัดอันดับเองทั้งหมด ยังสร้างเองได้ IMFA เหมาะกับทีมที่ต้องการผลลัพธ์ โดยไม่ต้องดูแลโครงสร้างพื้นฐานนั้น

คำถามที่พบบ่อยเกี่ยวกับเอเจนต์ AI แบบ RAG

เพิ่มไฟล์ประเภทไหนในฐานความรู้ของ IMFA ได้บ้าง

ไฟล์ PDF, DOCX, XLS, XLSX, TXT, Markdown และ CSV แต่ละแหล่งข้อมูลจะแสดงสถานะกำลังประมวลผล พร้อมใช้งาน หรือล้มเหลว ก่อนที่คุณจะพึ่งพามัน

เอเจนต์แบบ RAG เรียนรู้จากเว็บไซต์ได้ไหม

ได้ ในแพ็กเกจ Pro เพิ่ม URL ของหน้าเว็บสาธารณะแบบ HTTP หรือ HTTPS แล้ว IMFA จะอ่านเนื้อหาเข้าคลังความรู้เดียวกัน พร้อมแสดงสถานะแบบเดียวกัน

RAG รับประกันว่าทุกคำตอบถูกต้องไหม

ไม่ การค้นคืนข้อมูลให้บริบทที่ถูกต้องกับโมเดลและลดคำตอบที่ไม่มีหลักฐานรองรับ แต่ไม่ได้กำจัดข้อผิดพลาด ความกำกวม หรือแหล่งข้อมูลที่ล้าสมัยได้ทั้งหมด ควรทดสอบคำถามสำคัญและตรวจคำตอบที่สำคัญ

IMFA รับมือกับ prompt injection ที่ซ่อนอยู่ในเอกสารอย่างไร

เอกสารและข้อความจากหน้าเว็บที่ค้นคืนมาถือเป็นข้อมูลที่ไม่น่าเชื่อถือ และแทนที่คำสั่งของเอเจนต์ไม่ได้ กฎฝั่งเซิร์ฟเวอร์ช่วยลดความเสี่ยงและเก็บพรอมต์กับเครื่องมือเป็นความลับ แต่ไม่มีแพลตฟอร์ม AI ไหนสัญญาว่าจะป้องกันได้สมบูรณ์

RAG เหมือนกับการ fine-tune ไหม

ไม่เหมือน RAG ค้นหาข้อมูลของคุณตอนตอบ จึงเหมาะกับข้อมูลที่เปลี่ยนบ่อย ส่วนการ fine-tune เปลี่ยนตัวโมเดลผ่านการเทรน เหมาะกับสไตล์หรือพฤติกรรม แต่มีต้นทุนสูงกว่าและอัปเดตช้ากว่า