การค้นหาแบบไฮบริด
การค้นหาแบบไฮบริด (Hybrid Search) คือเทคนิคที่ผสมผสานการค้นหาแบบคีย์เวิร์ด (เช่น BM25) กับการค้นหาเชิงเวกเตอร์ (Semantic Search) เพื่อใช้จุดแข็งของทั้งสองวิธีในการปรับปรุงความแม่นยำ
ปัจจัยสำคัญที่สุดที่ส่งผลต่อความแม่นยำในการค้นหาของ RAG คือสามารถดึงเอกสารที่เกี่ยวข้องได้ถูกต้องหรือไม่ Vector Search เพียงอย่างเดียวอ่อนแอกับการจับคู่ชื่อเฉพาะอย่าง "ISO 27001" ขณะที่ BM25 เพียงอย่างเดียวไม่สามารถรับมือกับการถอดความเชิงความหมายอย่าง "มาตรฐานสากลด้านความปลอดภัยข้อมูล" ได้ การค้นหาแบบไฮบริดชดเชยจุดอ่อนทั้งสอง
รูปแบบการใช้งานที่พบมากที่สุดคือรัน BM25 และ Vector Search แยกกัน จากนั้นรวมผลลัพธ์ด้วย RRF (Reciprocal Rank Fusion) โดยนำค่าผกผันของอันดับจากแต่ละวิธีมาบวกกันเป็นคะแนนสุดท้าย สูตรเรียบง่ายแต่ให้ความแม่นยำสูงกว่าการใช้วิธีค้นหาเดียวอย่างสม่ำเสมอ
การผสม pgvector กับ Full-text Search ของ PostgreSQL ทำให้สร้าง Hybrid Search ได้โดยไม่ต้องเพิ่มโครงสร้างพื้นฐาน บน Supabase สามารถมีทั้ง Vector Column และ tsvector Column ในตารางเดียวกัน แล้วคำนวณคะแนนทั้งสองใน SQL
การออกแบบ Chunk Size ก็มีผลต่อความแม่นยำ Chunk เล็กเพิ่มความแม่นยำของ Vector Search แต่ BM25 จะสูญเสียบริบท ในทางปฏิบัตินิยมใช้ Chunk ขนาด 500-1000 Token พร้อม Overlap กับบริบทด้านข้าง
บทความที่กล่าวถึงคำศัพท์นี้
- Hybrid Search คืออะไร? กลไกและวิธีเพิ่มความแม่นยำให้ RAG ด้วย Vector Search และ Full-Text Searchอธิบายกลไก Hybrid Search ผ่าน Vector Search, BM25 และ RRF พร้อมสรุปเทคนิคการออกแบบเพื่อเพิ่มความแม่นยำให้ RAG และข้อควรระวังในการใช้งานจริง
- 10 ข้อผิดพลาดในการสร้าง RAG และวิธีแก้ไข — ป้องกันปัญหาที่อาจเกิดขึ้นในการใช้งานจริงเจาะลึก 10 ข้อผิดพลาดที่พบบ่อยในการทำ RAG ทั้งก่อนและหลังใช้งานจริง ตั้งแต่การแบ่ง Chunk การเพิ่มความแม่นยำในการค้นหา ไปจนถึงวิธีแก้ปัญหา Hallucination
- ฐานข้อมูลเวกเตอร์คืออะไร? อธิบายครบจบ ตั้งแต่หลักการทำงาน เปรียบเทียบผลิตภัณฑ์หลัก ไปจนถึงการใช้งาน RAGอธิบายแนวคิดพื้นฐานของ Vector Database เปรียบเทียบผลิตภัณฑ์หลักอย่าง Pinecone, Weaviate, pgvector และการนำไปใช้ใน RAG System สำหรับผู้รับผิดชอบด้าน AI
- วิธีเลือกใช้ Fine-tuning และ RAG: คู่มือเปรียบเทียบตามต้นทุน ความแม่นยำ และการใช้งานจริงเลือกใช้ Fine-tuning หรือ RAG ดี? เปรียบเทียบ 4 ปัจจัยหลัก (ต้นทุน, ความแม่นยำ, การอัปเดต, ความปลอดภัย) พร้อมเกณฑ์การเลือกที่เหมาะสมกับธุรกิจคุณ
คำศัพท์ที่เกี่ยวข้อง
RRF
RRF (Reciprocal Rank Fusion) คือวิธีการให้คะแนนเพื่อรวมผลลัพธ์การจัดอันดับจากหลายวิธีการค้นหาเข้าด้ว
Agentic RAG
Agentic RAG คือสถาปัตยกรรมที่ LLM ทำหน้าที่เป็น Agent โดยวนซ้ำกระบวนการสร้าง Query ค้นหา ประเมินผลลั
เอ็มเบดดิง (Embedding)
เอ็มเบดดิง (Embedding) คือเทคนิคที่แปลงข้อมูลไม่มีโครงสร้าง เช่น ข้อความ รูปภาพ และเสียง ให้เป็นเวกเ
GraphRAG
สถาปัตยกรรม RAG รุ่นถัดไปที่ผสมผสาน Knowledge Graph และการค้นหาแบบ Vector เข้าด้วยกัน โดยใช้ประโยชน์