มาทำความรู้จัก RAG หลายๆ ประเภทในปัจจุบันกันครับ

Naive RAG (RAG พื้นฐาน)
เป็นระบบ RAG อย่างง่ายที่ใช้การค้นหาข้อมูลและสร้างคำตอบโดยพึ่งพาเพียง databaseของเอกสารเท่านั้น ไม่มีการปรับแต่งหรือกลไกพิเศษเพิ่มเติม วิธีนี้เหมาะสำหรับงานไม่ซับซ้อนและเป็นจุดเริ่มต้นของระบบ RAG
Retrieve-and-Rerank
ปรับปรุงคุณภาพการค้นหาด้วยการจัดอันดับผลลัพธ์ใหม่ หลังจากค้นหาเอกสารที่เกี่ยวข้องแล้ว ระบบจะประเมินและจัดเรียงเอกสารใหม่เพื่อให้ได้บริบทที่เหมาะสมที่สุดสำหรับคำถาม ทำให้ตอบคำถามได้แม่นยำมากขึ้น
Multimodal RAG
ขยายขอบเขตของ RAG ให้ครอบคลุมมากกว่าแค่ข้อความ โดยรวมรูปภาพ วิดีโอ และสื่อรูปแบบอื่นๆ เข้าไปด้วย ช่วยให้ระบบสามารถเข้าใจและสร้างเนื้อหาที่หลากหลายมากขึ้น เช่น ตอบคำถามโดยอ้างอิงทั้งข้อความและรูปภาพ
Graph RAG
จัดโครงสร้างความรู้ในรูปแบบกราฟ ทำให้สามารถเชื่อมโยงความสัมพันธ์ระหว่างข้อมูลได้อย่างมีความหมายมากขึ้น แทนที่จะมองเอกสารแยกกัน ระบบสามารถเข้าใจความเชื่อมโยงระหว่างแนวคิด บุคคล หรือเหตุการณ์ต่างๆ ช่วยให้ตอบคำถามซับซ้อนได้ดีขึ้น
Hybrid RAG
ผสมผสานเทคนิคการค้นหาหลายวิธี เช่น การค้นหาแบบเวกเตอร์ (vector search) การค้นหาด้วยคำสำคัญ (keyword search) และเทคนิคhybrid เพื่อเพิ่มความแม่นยำในการค้นหาและให้ผลลัพธ์ที่ครอบคลุมมากขึ้น
Agentic RAG
ใช้ AI เอเจนท์ในการช่วยจัดการคำถามที่ซับซ้อน โดยสามารถกำหนดเส้นทางคำขอไปยังแหล่งข้อมูลต่างๆ แบบ Dynamic ระบบประกอบด้วย:
- Router (ตัวกำหนดเส้นทาง): ตัดสินใจว่าควรส่งคำถามไปที่แหล่งข้อมูลหรือเอเจนท์ใด
- Multi-Agent (หลายเอเจนท์): เอเจนท์หลายตัวทำงานร่วมกันเพื่อจัดการกับงานย่อยต่างๆ และรวบรวมข้อมูลจากหลายแหล่ง
วิธีนี้เหมาะสำหรับคำถามที่ต้องการการวิเคราะห์ข้อมูลจากหลายแหล่ง หรือต้องการการตัดสินใจว่าควรค้นหาข้อมูลจากแหล่งไหน