RAG & Knowledge Base

รายละเอียดหลักสูตร

อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง รูปแบบบรรยายพร้อมปฏิบัติจริง (Hands-on Workshop) และ Capstone Project ระดับ Intermediate ถึง Advanced ผู้เรียนจะได้ระบบ RAG และ Knowledge Base ที่สร้างเอง, Template RAG Pipeline, และ Checklist ด้าน Access Control, Security และ PDPA กลับไปใช้งานจริง

Day 1: เข้าใจ RAG และสร้าง Knowledge Base

Section 1: ทำไมองค์กรต้องมี RAG

• ข้อจำกัดของ LLM: Hallucination, Knowledge Cutoff และการไม่รู้ข้อมูลภายในองค์กร
• RAG คืออะไร และเปลี่ยน AI ทั่วไปให้กลายเป็น AI ที่รู้จักองค์กรได้อย่างไร
• ความแตกต่างระหว่างการ Fine-tune, การใส่ข้อมูลใน Prompt และการทำ RAG
• ตัวอย่าง Use Case ของ RAG ในองค์กร: Helpdesk, คู่มือพนักงาน, นโยบาย, สัญญา และฐานความรู้

Section 2: กายวิภาคของ RAG

• ภาพรวม RAG Pipeline: Ingest, Chunk, Embed, Store, Retrieve, Augment และ Generate
• ขั้นตอน Indexing (เตรียมข้อมูลล่วงหน้า) กับขั้นตอน Query (ตอบคำถามตอนใช้งาน)
• บทบาทของแต่ละองค์ประกอบและจุดที่มักทำให้คุณภาพตก
• ภาพรวมเครื่องมือในตลาดและการเลือกให้เหมาะกับองค์กร

Section 3: Embeddings และ Vector Database

• Embeddings คืออะไร และทำให้ค้นหาด้วยความหมาย (Semantic Search) ได้อย่างไร
• ความต่างระหว่าง Keyword Search กับ Semantic Search
• การเลือก Embedding Model และผลต่อคุณภาพและต้นทุน
• Vector Database (Qdrant, Pinecone, Chroma) หลักการทำงานและการเลือกใช้ รวมถึงแบบ Self-hosted สำหรับข้อมูลภายใน

Section 4: การเตรียมและ Chunking เอกสาร

• การนำเข้าเอกสารหลายรูปแบบ: PDF, Word, Excel, เว็บ และฐานข้อมูล
• กลยุทธ์ Chunking: ขนาด Chunk, การซ้อน (Overlap) และการแบ่งตามโครงสร้างเอกสาร
• ผลของ Chunking ต่อคุณภาพการค้นคืน และปัญหาที่พบบ่อย
• การจัดการ Metadata (แหล่งที่มา วันที่ สิทธิ์เข้าถึง) เพื่อใช้กรองและอ้างอิง
• Workshop: เตรียมและ Chunk ชุดเอกสารตัวอย่างพร้อมกำหนด Metadata ให้พร้อมทำ Index

Section 5: สร้าง Knowledge Base และ Retrieval แรก

• การสร้าง Index และนำ Embeddings เข้าสู่ Vector Database
• การค้นคืนด้วย Similarity Search และการกำหนดจำนวนผลลัพธ์ (Top-k)
• การอ่านผลการค้นคืนและการประเมินว่าตรงคำถามหรือไม่ และการกรองผลด้วย Metadata
• Workshop: สร้าง Knowledge Base จากเอกสารของ Workshop ก่อนหน้า แล้วทดสอบค้นคืนด้วยคำถามจริง

Day 2: คุณภาพ, Advanced Retrieval, การใช้งานจริงและการกำกับดูแล

Section 6: การวัดและปรับคุณภาพ RAG

• ทำไม RAG ถึงตอบผิด: ค้นคืนไม่เจอ, เจอไม่ตรง หรือโมเดลไม่ใช้บริบทที่ให้
• การวัดคุณภาพ 2 ระดับ: Retrieval Quality และ Answer Faithfulness
• การสร้างชุดคำถามทดสอบ (Evaluation Set) จากงานจริง
• แนวทางไล่หาสาเหตุและปรับปรุงทีละจุดใน Pipeline

Section 7: Advanced Retrieval

• Hybrid Search: ผสาน Keyword กับ Semantic เพื่อครอบคลุมทั้งคำตรงและความหมาย
• Reranking: การจัดอันดับผลการค้นคืนซ้ำให้ตรงคำถามยิ่งขึ้น
• Query Rewriting และ Multi-query สำหรับคำถามที่กำกวมหรือกว้าง
• Metadata Filtering และการค้นแบบจำกัดขอบเขต เช่น เฉพาะแผนกหรือช่วงเวลา

Section 8: สร้าง RAG Application และ Chatbot

• การประกอบบริบทที่ค้นคืนเข้ากับ Prompt และการออกแบบ System Prompt สำหรับ RAG
• การบังคับให้ AI ตอบพร้อมอ้างอิงแหล่งที่มา (Citation) และตอบ ไม่พบข้อมูล เมื่อไม่มีในฐานความรู้
• การจัดการบทสนทนาต่อเนื่องและการค้นคืนตามบริบทการสนทนา
• Workshop: สร้าง RAG Chatbot ที่ตอบคำถามจาก Knowledge Base พร้อมแสดงแหล่งอ้างอิง

Section 9: เชื่อม RAG เข้ากับระบบงานจริง

• การเชื่อมแหล่งข้อมูลจริงผ่าน MCP (Model Context Protocol): Google Drive, SharePoint, Notion และฐานข้อมูล
• การวาง Workflow นำเข้าเอกสารและอัปเดต Knowledge Base อัตโนมัติด้วย n8n
• การรักษา Knowledge Base ให้ทันสมัย: การเพิ่ม แก้ไข และลบข้อมูล (Re-indexing) และการนำ RAG ไปใช้ผ่านช่องทางจริง เช่น เว็บ, LINE หรือ Microsoft Teams
• Workshop: ตั้ง Workflow นำเข้าเอกสารใหม่เข้าสู่ Knowledge Base โดยอัตโนมัติ

Section 10: Security, Access Control และ PDPA

• การควบคุมสิทธิ์การเข้าถึงข้อมูลใน Knowledge Base (ใครเห็นเอกสารใดได้บ้าง)
• การจำแนกระดับชั้นความลับของเอกสารและการป้องกันข้อมูลรั่วผ่านคำตอบของ AI
• ข้อมูลส่วนบุคคลตาม PDPA และการจัดการก่อนนำเอกสารเข้าสู่ RAG
• ความแตกต่างของ Cloud กับ On-premise / Self-hosted สำหรับข้อมูลอ่อนไหว และการทำ Audit Trail

Section 11: Capstone Project และการนำไปใช้จริง

• โจทย์: สร้างผู้ช่วย AI ที่รู้จักองค์กรจากชุดเอกสารจริงหรือของหน่วยงานตนเองแบบครบวงจร
• เตรียมเอกสาร ทำ Index ปรับคุณภาพการค้นคืน และให้ตอบพร้อมอ้างอิง แล้วทดสอบด้วยชุดคำถามจริง วัดคุณภาพและปรับปรุงจนใช้งานได้
• นำเสนอผลงานและรับ Feedback แนวทางการนำไปใช้จริงใน 30 วันแรก และการต่อยอดสู่ระบบ Enterprise Knowledge และ AI Agent ที่ใช้ RAG เป็นฐานความรู้