🤖 AI Engineering ตอนที่ 3: RAG สร้างระบบตอบคำถามอัจฉริยะ

ซีรีส์: AI Engineering สำหรับนักพัฒนาชุมชน

ผู้เขียน: เหน่ง (นักวิชาการพัฒนาชุมชน)
สังกัด: กรมการพัฒนาชุมชน กระทรวงมหาดไทย
วันที่: 9 เมษายน 2569

📋 สารบัญ

1. บทนำ: ทำไม LLM ถึง “มั่ว” ข้อมูล?
2. RAG คืออะไร?
3. RAG ทำงานอย่างไร?
4. ทำไม RAG จึงสำคัญ?
5. Use Cases ในภาครัฐและชุมชน
6. เครื่องมือที่แนะนำ
7. สรุป
8. ตอนต่อไป

🎯 บทนำ: ทำไม LLM ถึง “มั่ว” ข้อมูล?

ลองนึกภาพว่าคุณถาม AI ว่า:

“กองทุนหมู่บ้านกู้ได้สูงสุดเท่าไหร่?”

แล้ว AI ตอบกลับมาว่า “50,000 บาท” — ทั้งที่จริงๆ แล้วกฎหมายใหม่บอกว่า “100,000 บาท”

เชื่อไหมว่าผู้เขียนเคยเจอกรณีแบบนี้มาแล้ว? นี่คือปัญหาพื้นฐานของ LLM (Large Language Model) หรือโมเดลภาษาขนาดใหญ่ที่เราใช้กันอยู่ 🎯

😵 ปัญหา 3 ข้อของ LLM ทั่วไป

1. ข้อมูลล้าสมัย (Knowledge Cutoff)

LLM ถูกฝึกด้วยข้อมูลจนถึงวันหนึ่งๆ (เช่น มกราคม 2025) หลังจากนั้นโลกเปลี่ยนไป แต่ AI ไม่รู้ กฎหมายใหม่ออก ระเบียบเปลี่ยน นโยบายปรับ — AI ยังตอบแบบเก่า

2. การมั่วข้อมูล (Hallucination)

บางครั้ง AI ก็ “แต่ง” คำตอบขึ้นมาเอง เหมือนคนที่ไม่รู้แต่พูดมั่วให้น่าเชื่อ เราเรียกว่า “Hallucination” — มันฟังดูมีเหตุผล แต่ไม่มีแหล่งอ้างอิง

3. ไม่รู้ข้อมูลเฉพาะทาง

ถามเรื่องกรมการพัฒนาชุมชน? ถามเรื่องระเบียบเงินอุดหนุน? ถามเรื่องโครงการ OTOP? — LLM ทั่วไปไม่รู้ เพราะไม่เคยเห็นเอกสารภายในเหล่านี้

ถามว่าจะแก้ยังไง?

วิธีหนึ่งคือ “Fine-tune” หรือปรับแต่งโมเดลใหม่ แต่วิธีนี้มีค่าใช้จ่ายสูง ต้องใช้ GPU แรงๆ และต้องฝึกใหม่ทุกครั้งที่ข้อมูลเปลี่ยน

มีวิธีที่ดีกว่านั้น — เรียกว่า RAG 🔥

🤖 RAG คืออะไร?

ภาพ: แนวคิด RAG - ภาพประกอบจาก Unsplash

RAG (Retrieval-Augmented Generation) แปลเป็นไทยว่า “การค้นหาเสริมการสร้าง” — ฟังดูเทคนิคมาก แต่หลักการง่ายมาก

🤖 สมอง + ห้องสมุด

ลองนึกภาพสองแบบนี้:

📚 RAG ทำงานแบบ 3 ขั้นตอน

 1┌─────────────────────────────────────────────────────────────┐
 2│                    กระบวนการ RAG                             │
 3├─────────────────────────────────────────────────────────────┤
 4│                                                             │
 5│  1️⃣ ค้นหา (Retrieve)                                        │
 6│     ┌──────────┐    ┌──────────┐    ┌──────────┐           │
 7│     │ คำถาม    │───▶│ แปลงเป็น │───▶│ ค้นหาใน  │           │
 8│     │ "กองทุน  │    │ Vector   │    │ Vector   │           │
 9│     │ หมู่บ้าน"│    │          │    │ Database │           │
10│     └──────────┘    └──────────┘    └──────────┘           │
11│                                              │              │
12│                                              ▼              │
13│  2️⃣ เสริม (Augment)                          │              │
14│     ┌──────────┐    ┌──────────┐              │              │
15│     │ เอกสาร   │    │ รวมคำถาม │◀─────────────┘              │
16│     │ ที่เจอ   │ +  │ + ข้อมูล  │                             │
17│     └──────────┘    └──────────┘                             │
18│                           │                                  │
19│                           ▼                                  │
20│  3️⃣ สร้าง (Generate)                                          │
21│     ┌──────────┐    ┌──────────┐                             │
22│     │ LLM      │───▶│ คำตอบ    │                             │
23│     │ ที่มี    │    │ พร้อม    │                             │
24│     │ ข้อมูล   │    │ แหล่งอ้าง│                             │
25│     └──────────┘    └──────────┘                             │
26│                                                             │
27└─────────────────────────────────────────────────────────────┘

สรุปง่ายๆ: แทนที่จะให้ AI ตอบจากความจำอย่างเดียว เราจะ “ส่งหนังสือให้อ่านก่อน” แล้วค่อยตอบ

⚙️ RAG ทำงานอย่างไร?

ภาพ: สถาปัตยกรรม RAG - ภาพประกอบจาก Unsplash

🧩 4 องค์ประกอบหลัก

📖 ตัวอย่างการทำงาน

สมมติว่าเรามีระบบ Q&A สำหรับกรมการพัฒนาชุมชน

ขั้นตอนที่ 1: เตรียมข้อมูล (Ingestion)

 1เอกสาร: "ระเบียบกรมการพัฒนาชุมชนว่าด้วยเงินอุดหนุน..."
 2   │
 3   ▼ แบ่งเป็นชิ้นเล็กๆ (Chunking)
 4
 5["ระเบียบกรมการพัฒนาชุมชน", "เงินอุดหนุนกองทุนหมู่บ้าน", "วงเงินกู้ไม่เกิน 100,000 บาท", ...]
 6   │
 7   ▼ แปลงเป็น Vector (Embedding)
 8
 9[0.12, -0.34, 0.56, 0.89, ...]  ← ตัวเลขที่แทนความหมาย
10   │
11   ▼ เก็บใน Vector Database

ขั้นตอนที่ 2: ค้นหา (Retrieval)

 1ผู้ใช้ถาม: "กองทุนหมู่บ้านกู้ได้สูงสุดเท่าไหร่?"
 2   │
 3   ▼ แปลงคำถามเป็น Vector
 4
 5[0.15, -0.31, 0.52, 0.91, ...]
 6   │
 7   ▼ ค้นหาใน Database หาข้อมูลที่ใกล้เคียงที่สุด
 8
 9เจอ: "วงเงินกู้ไม่เกิน 100,000 บาท"
10   │
11   ▼ ส่งข้อมูลนี้ให้ LLM

ขั้นตอนที่ 3: ตอบ (Generation)

1LLM ได้รับ:
2- คำถาม: "กองทุนหมู่บ้านกู้ได้สูงสุดเท่าไหร่?"
3- ข้อมูลที่ค้นหา: "วงเงินกู้ไม่เกิน 100,000 บาท"
4
5LLM ตอบ: "กองทุนหมู่บ้านกู้ได้สูงสุด 100,000 บาท ตามระเบียบกรมการพัฒนาชุมชน"

✅ ทำไม RAG จึงสำคัญ?

ภาพ: ประโยชน์ของ RAG - ภาพประกอบจาก Unsplash

✅ ข้อดีหลัก 5 ข้อ

1. ลดการมั่วข้อมูล (Hallucinations)

AI ตอบจากข้อมูลจริงที่เราให้ ไม่ใช่เดาเอง คำตอบมีแหล่งอ้างอิงชัดเจน

2. ข้อมูลทันสมัยเสมอ

อัปเดตฐานความรู้เมื่อไหร่ก็ได้ ไม่ต้องเทรนโมเดลใหม่ แค่เพิ่มเอกสารเข้าไป

3. ประหยัดค่าใช้จ่าย

ไม่ต้อง Fine-tune โมเดล (ซึ่งต้องใช้ GPU แรงๆ และเสียเงินมาก) ใช้โมเดลทั่วไป + ฐานความรู้เฉพาะทางแทน

4. ตรวจสอบได้ (Transparency)

แสดงแหล่งที่มาให้ผู้ใช้เห็น คลิกดูต้นฉบับได้ เหมือนมี เชิงอรรถ ให้ตรวจสอบ

5. ปลอดภัย

ข้อมูลภายในองค์กรไม่ต้องส่งไปให้ AI ภายนอก เก็บในระบบของตัวเอง

❌ ข้อเสีย/ความท้าทายที่ต้องรู้

🏛️ Use Cases ในภาครัฐและชุมชน

นี่คือส่วนที่น่าสนใจที่สุด! RAG ไม่ได้มีไว้สำหรับแค่บริษัทเทคโนโลยี แต่มีประโยชน์มากสำหรับภาครัฐและการพัฒนาชุมชน 🇹🇭

🏛️ Use Cases ในภาครัฐ

🇹🇭 ตัวอย่างจริงสำหรับกรมการพัฒนาชุมชน

กรณีศึกษา: ระบบ Q&A สำหรับนักพัฒนาชุมชน

สมมติว่านักพัฒนาชุมชนถามว่า:

“โครงการกองทุนหมู่บ้านในพื้นที่ X มีเงินอุดหนุนได้ไหม?”

ระบบเก่า (ไม่มี RAG):

• นักพัฒนาต้องค้นหาเอกสารเอง หรือโทรถามเจ้าหน้าที่
• ใช้เวลา 30 นาที - 1 ชั่วโมง

ระบบใหม่ (มี RAG):

• ถาม AI → AI ค้นหาข้อมูลจากฐานความรู้ → ตอบทันที
• ใช้เวลา 5 วินาที
• มีแหล่งอ้างอิงให้ตรวจสอบ

อีกตัวอย่าง: FAQ ประชาชน

🛠️ เครื่องมือที่แนะนำ

มีเครื่องมือหลายตัวให้เลือกใช้ ขึ้นอยู่กับความต้องการและทักษะ

🛠️ Framework สำหรับสร้าง RAG

แนะนำสำหรับมือใหม่: เริ่มต้นด้วย LlamaIndex — เรียนรู้ง่าย มีเอกสารดี และเหมาะกับงาน Document Q&A

🗄️ Vector Database

แนะนำสำหรับเริ่มต้น: Chroma — ติดตั้งง่าย ใช้ Python ได้เลย เหมาะกับโปรเจกต์ขนาดเล็ก-กลาง

🤖 LLM ที่แนะนำ (อัพเดท 2026)

🖥️ Local AI - รันบนเครื่องตัวเอง (2026)

ทำไมต้อง Local AI?

• 🔒 Privacy - ข้อมูลไม่ส่งออกไปนอกเครื่อง
• 💰 ประหยัด - ไม่เสียค่า API ต่อเนื่อง
• ⚡ เร็ว - ไม่ต้องรอ Internet

เครื่องมือรัน Local:

• Ollama - รัน LLM ง่ายๆ บนเครื่อง
• llama.cpp - ประหยัด RAM ด้วย Quantization
• vLLM - เร็วสำหรับ Production

📝 สรุป

RAG คือกุญแจสำคัญที่ทำให้ AI ตอบคำถามได้แม่นยำ มีแหล่งอ้างอิง และรู้ข้อมูลล่าสุดเสมอ

สรุปสิ่งที่ได้เรียนรู้:

• ✅ RAG ช่วยลดการ “มั่ว” ข้อมูลของ LLM
• ✅ อัปเดตฐานความรู้ได้ง่าย ไม่ต้องเทรนโมเดลใหม่
• ✅ เหมาะกับงานภาครัฐ — Chatbot บริการประชาชน ค้นหาระเบียบ สรุปนโยบาย
• ✅ เครื่องมือฟรีมีเยอะ เริ่มต้นได้ไม่ยาก

คำแนะนำ:

ถ้าคุณกำลังคิดจะสร้างระบบ Q&A หรือ Chatbot ใช้ในองค์กร — RAG ไม่ใช่ทางเลือก แต่เป็น ความจำเป็น 📌

เพราะไม่มีใครอยากได้คำตอบที่ AI “แต่ง” ขึ้นมาเอง ทุกคำตอบต้องมาจากข้อมูลจริงที่ตรวจสอบได้

📚 ซีรีส์อ้างอิง

บทความชุดนี้เขียนโดยอ้างอิงจากหนังสือ “AI Engineering” โดย Chip Huyen

• 📖 หนังสือ: AI Engineering
• 🐙 GitHub: chiphuyen/aie-book
• 👩‍💻 ผู้เขียน: Chip Huyen

หมายเหตุ: บทความชุดนี้ปรับเนื้อหาให้เหมาะกับบริบทของนักพัฒนาชุมชนไทย โดยเพิ่มตัวอย่าง Use Cases ในภาครัฐและชุมชน

📬 ติดต่อได้ที่

• Telegram: https://t.me/Jitaret
• Email: jitaret@gmail.com

📚 อ่านบทความอื่นในซีรีส์

ซีรีส์: AI Engineering สำหรับนักพัฒนาชุมชน ตอนที่ 3/7: RAG โดย เหน่ง - นักวิชาการพัฒนาชุมชน กรมการพัฒนาชุมชน กระทรวงมหาดไทย