admin ดูวิดีโอนี้จาก llamaindex ซึ่งมีประโยชน์มากครับ สำหรับนักพัฒนา LLM ใช้ในองค์กรหรือ Application ในธุรกิจ ขอสรุปประเด็นสำคัญดังนี้ครับ
RAG คือกระบวนการที่ช่วยให้ LLM เข้าใจบริบท โดยใช้เทคนิคในการให้ LLM ตอบคำถามหรือสร้างข้อความจากข้อมูลที่มีอยู่ โดยการดึงข้อมูลที่เกี่ยวข้องที่สุดแล้วใช้โมเดลภาษาขนาดใหญ่ (LLM) เพื่อสร้างข้อความที่ตอบโจทย์คำถามของผู้ใช้ได้ถูกต้อง
ข้อจำกัดของ RAG คือ มีข้อจำกัด โดยเฉพาะในงานที่ซับซ้อน เช่น การสรุป การเปรียบเทียบ และการตอบหลายคำถาม ซึ่งอาจทำให้ LLM ตอบผิดพลาดหรือเกิดอาการ Hallucination
การปรับปรุง RAG ด้วย Agents: RAG สามารถปรับปรุงโดยใช้เทคนิคของ Agents เพื่อแก้ไขข้อจำกัดของ RAG โดยการเพิ่มขั้นตอนเพื่อตอบคำถาม การใช้เครื่องมือและแหล่งข้อมูลเพิ่มเติม และ Agent สามารถทำงานเชิง Reasoning เพื่อหาเหตุผลเกี่ยวกับคำถาม โดยเฉพาะคำถามที่ซับซ้อน
ส่วนประกอบของ Agent: ส่วนประกอบต่างๆ ของ agents ประกอบด้วย
1. Routing การกำหนดเส้นทางการ query ของ RAG
2. Memory หน่วยความจำใช้ในการจดจำการโต้ตอบที่ผ่านมา
3. Planning การวางแผนให้บรรลุเป้าหมาย
4. Tools การใช้เครื่องมือภายนอกเพิ่มเติม
การทำงานเชิงเหตุผล(Agent reasoning): เป็นการใช้เหตุผลแบบ agentic โดยมีวิธีการทำงาน 3 รูปแบบ
1. แบบทำงานตามลำดับ (Sequencial) เป็นแบบที่ง่ายสุด ใช้กับคำถามที่ไม่ซับซ้อนมาก
2. DAG-Based ใช้กับคำถามที่ซับซ้อน
3. Tree-Based แบบที่ยากสุด ใช้กับคำถามที่ซับซ้อนที่สุด โดย Agent จะสำรวจเส้นทางความเป็นไปได้สูงสุด
ข้อมูลเพิ่มเติม
댓글