ปัญญาประดิษฐ์ผ้าขี้ริ้วAI มัลติโมดอลการสร้างการดึงข้อมูลเสริมllmวิชั่นคอมพิวเตอร์

RAG ที่มีบริบทภาพเทียบกับ RAG ที่มีบริบทเฉพาะข้อความ

RAG ที่มีบริบททางภาพช่วยเสริมโมเดลภาษาให้ดียิ่งขึ้นโดยการดึงภาพ แผนภูมิ และไดอะแกรมควบคู่ไปกับข้อความ ในขณะที่ RAG ที่ใช้เฉพาะข้อความจะอาศัยเพียงข้อความที่เขียนไว้เท่านั้น RAG ที่มีภาพนั้นโดดเด่นในงานแบบหลายรูปแบบ เช่น การทำความเข้าใจเอกสารและการตอบคำถามด้วยภาพ ในขณะที่ RAG ที่ใช้เฉพาะข้อความนั้นเรียบง่ายกว่า เร็วกว่า และประหยัดกว่าในการใช้งาน

ไฮไลต์

Visual RAG ขจัดข้อผิดพลาดจาก OCR โดยการดึงหน้าเว็บมาเป็นรูปภาพโดยตรง
RAG ที่เป็นข้อความล้วนยังคงเร็วกว่าและถูกกว่าสำหรับฐานความรู้ที่เป็นลายลักษณ์อักษรเพียงอย่างเดียว
ผลการทดสอบประสิทธิภาพแบบหลายรูปแบบชี้ให้เห็นอย่างสม่ำเสมอว่า การค้นหาข้อมูลด้วยภาพนั้นเหมาะสมกว่าสำหรับงานที่เกี่ยวข้องกับแผนภูมิและเอกสาร
ท่อส่งแบบไฮบริดกำลังกลายเป็นทางเลือกที่ใช้งานได้จริงและเหมาะสมสำหรับระบบการผลิต

RAG พร้อมบริบททางภาพ คืออะไร

แนวทางการสร้างข้อความโดยใช้การดึงข้อมูล ซึ่งดึงรูปภาพ แผนภาพ และข้อมูลภาพมาใช้เป็นพื้นฐานในการตอบสนองของแบบจำลองภาษา

ระบบ RAG แบบภาพจะดึงทั้งเนื้อหาที่เป็นข้อความและภาพจากฐานความรู้เพื่อสนับสนุนการให้เหตุผลแบบหลายรูปแบบ
โมเดลอย่าง GPT-4V, Gemini และ LLaVA สามารถประมวลผลภาพที่ดึงมาได้โดยตรงภายในหน้าต่างบริบทของโมเดลเหล่านั้น
ColPali และ ColQwen ได้นำเสนอการค้นหาเอกสารที่มองหน้าเอกสารเป็นรูปภาพ ซึ่งช่วยหลีกเลี่ยงกระบวนการ OCR แบบดั้งเดิม
Visual RAG มีประสิทธิภาพเป็นพิเศษในการทำความเข้าใจแผนภูมิ อินโฟกราฟิก รูปภาพทางวิทยาศาสตร์ และเอกสารที่สแกนแล้ว
เกณฑ์มาตรฐานอย่าง MMMU และ DocVQA แสดงให้เห็นถึงผลลัพธ์ที่วัดได้เมื่อเพิ่มการค้นหาภาพเข้าไปในกระบวนการค้นหาด้วยข้อความเพียงอย่างเดียว

RAG ที่มีบริบทเฉพาะข้อความ คืออะไร

ระบบการสร้างข้อความเสริมการดึงข้อมูลแบบดั้งเดิม ซึ่งใช้ข้อความที่เป็นลายลักษณ์อักษรจากเอกสารเป็นพื้นฐานสำหรับแบบจำลองภาษา

RAG ที่ใช้เฉพาะข้อความได้รับความนิยมจากบทความต้นฉบับของ Lewis et al. ในปี 2020 ซึ่งแนะนำการสร้างข้อความเสริมด้วยการค้นหาข้อมูล
โดยทั่วไปจะใช้โมเดลการฝังข้อมูล เช่น OpenAI text-embedding-3 หรือ BGE เพื่อแปลงข้อมูลเป็นส่วนๆ ให้เป็นรูปแบบเวกเตอร์
โดยทั่วไป การค้นหาข้อมูลจะดำเนินการผ่านการค้นหาเวกเตอร์หนาแน่น (Dense Vector Search), BM25 หรือวิธีการผสมผสานบนคลังข้อความ
RAG ที่ใช้ข้อความอย่างเดียวเป็นระบบพื้นฐานที่ใช้ในแชทบอท ระบบค้นหาข้อมูลสำหรับองค์กร และผู้ช่วยฝ่ายสนับสนุนลูกค้าส่วนใหญ่ในปัจจุบัน
เฟรมเวิร์กอย่าง LangChain, LlamaIndex และ Haystack ถูกสร้างขึ้นโดยเน้นที่กระบวนการค้นหาข้อมูลที่เป็นข้อความเพียงอย่างเดียวเป็นหลัก

ตารางเปรียบเทียบ

ฟีเจอร์	RAG พร้อมบริบททางภาพ	RAG ที่มีบริบทเฉพาะข้อความ
รูปแบบการป้อนข้อมูล	ข้อความ + รูปภาพ + ข้อมูลภาพ	เฉพาะข้อความ
วิธีการเรียกค้นข้อมูล	การฝังข้อมูลแบบหลายโมดอล (เช่น ColPali, CLIP)	การฝังข้อความ (เช่น BGE, OpenAI ada)
เหมาะสำหรับ	แผนภูมิ แผนภาพ เอกสารที่สแกน การตรวจสอบคุณภาพด้วยภาพ	บทความ, คำถามที่พบบ่อย, โค้ด, ข้อความที่มีโครงสร้าง
ความซับซ้อน	ระดับที่สูงขึ้น — ต้องการตัวเข้ารหัสภาพและพื้นที่จัดเก็บข้อมูลเพิ่มเติม	ระดับต่ำกว่า — ท่อส่งข้อมูลและการจัดทำดัชนีที่เรียบง่ายกว่า
ค่าใช้จ่าย	สูงขึ้นเนื่องจากการประมวลผลภาพและการใช้โทเค็น	ต่ำกว่า โดยเฉพาะกับข้อความชิ้นเล็กๆ
ความหน่วง	สูงกว่าเล็กน้อยจากการเข้ารหัสภาพ	โดยทั่วไปจะเร็วกว่า
การพึ่งพา OCR	มักถูกกำจัดออกไปโดยการค้นหารูปภาพโดยตรง	จำเป็นสำหรับไฟล์ PDF ที่สแกนหรือเป็นรูปภาพ
ตัวอย่างโมเดล	GPT-4V, ราศีเมถุน 1.5, LLaVA, Qwen-VL	GPT-4, Claude, Mistral, Llama 3

การเปรียบเทียบโดยละเอียด

ความแตกต่างของกระบวนการดึงข้อมูล

RAG แบบข้อความอย่างเดียวใช้แนวทางที่คุ้นเคยกันดี คือ การแบ่งเอกสารออกเป็นส่วนๆ ฝังลงในเวกเตอร์ และจัดเก็บไว้ในฐานข้อมูลเพื่อค้นหาความคล้ายคลึงกัน ส่วน RAG แบบภาพนั้นใช้แนวทางที่แตกต่างออกไปโดยสิ้นเชิง ด้วยการเข้ารหัสทั้งหน้าหรือรูปภาพเป็นข้อมูลฝังตัวแบบภาพ ทำให้ระบบสามารถดึงข้อมูลได้โดยอิงจากเค้าโครง แผนภูมิ และรูปภาพ แทนที่จะเป็นเพียงคำพูด การเปลี่ยนแปลงนี้หมายความว่า RAG แบบภาพสามารถค้นหาข้อมูลที่อยู่ในกราฟ ตาราง หรือบันทึกที่เขียนด้วยลายมือ ซึ่ง OCR อาจบิดเบือนได้

ความถูกต้องแม่นยำของเอกสารหลายรูปแบบ

เมื่อเอกสารมีภาพประกอบที่หลากหลาย เช่น แผนภูมิทางการเงิน แผนภาพทางวิศวกรรม หรือภาพทางการแพทย์ การใช้ RAG ที่ใช้ภาพประกอบมักจะมีประสิทธิภาพดีกว่าวิธีการใช้ข้อความเพียงอย่างเดียว การศึกษาจากเกณฑ์มาตรฐาน DocVQA และ ChartQA แสดงให้เห็นว่าโมเดลที่ได้รับภาพประกอบพร้อมกับข้อความสามารถตอบคำถามได้ถูกต้องมากกว่าโมเดลที่ใช้ข้อความที่ดึงมาเพียงอย่างเดียว อย่างไรก็ตาม สำหรับแหล่งข้อมูลที่เป็นข้อความล้วนๆ เช่น บทความในบล็อกหรือที่เก็บโค้ด การใช้ RAG ที่ใช้ข้อความเพียงอย่างเดียวก็มีประสิทธิภาพดีเช่นกันโดยไม่ต้องมีภาพประกอบเพิ่มเติม

ต้นทุนและโครงสร้างพื้นฐาน

Visual RAG ต้องการทรัพยากรโครงสร้างพื้นฐานที่มากกว่า การจัดเก็บข้อมูลฝังตัวของภาพใช้พื้นที่ดิสก์มากกว่า ตัวเข้ารหัสภาพอย่าง ColPali ต้องการ GPU เพื่อให้ทำงานได้อย่างมีประสิทธิภาพ และการป้อนภาพเข้าสู่โมเดลภาษาใช้โทเค็นมากกว่าข้อความธรรมดามาก RAG ที่ใช้เฉพาะข้อความจึงยังคงเป็นตัวเลือกที่ประหยัดงบประมาณสำหรับทีมส่วนใหญ่ โดยเฉพาะอย่างยิ่งเมื่อทำงานกับคลังบทความหรือเอกสารขนาดใหญ่ที่ไม่จำเป็นต้องมีการตีความด้วยภาพ

ความเหมาะสมของกรณีการใช้งาน

เลือกใช้ RAG แบบภาพเมื่อฐานความรู้ของคุณประกอบด้วยไฟล์ PDF ที่สแกนแล้ว สไลด์นำเสนอ แคตตาล็อกสินค้าที่มีรูปภาพ หรือเนื้อหาใดๆ ที่การจัดวางภาพมีความสำคัญ ส่วน RAG แบบข้อความอย่างเดียวเหมาะสำหรับวิกิฝ่ายสนับสนุนลูกค้า สัญญาทางกฎหมายในรูปแบบข้อความธรรมดา เอกสารประกอบโค้ด และเอเจนต์สนทนาที่ความเร็วและต้นทุนมีความสำคัญมากกว่าความถูกต้องของภาพ ปัจจุบันระบบการผลิตหลายระบบได้รวมทั้งสองแบบเข้าด้วยกัน โดยดึงข้อความสำหรับบางคำค้นหาและรูปภาพสำหรับคำค้นหาอื่นๆ

ความเข้ากันได้ของรุ่น

Visual RAG ต้องการโมเดลแบบมัลติโมดอลที่สามารถประมวลผลภาพได้ เช่น GPT-4V, Claude 3.5 Sonnet, Gemini 1.5 Pro หรือทางเลือกโอเพนซอร์สอย่าง LLaVA และ Qwen-VL ส่วน RAG แบบข้อความอย่างเดียวสามารถใช้งานได้กับโมเดลภาษาแทบทุกแบบ รวมถึงโมเดลแบบโอเพนเวทขนาดเล็กอย่าง Llama 3 8B หรือ Mistral 7B ทำให้สามารถใช้งานได้แม้บนฮาร์ดแวร์ที่มีประสิทธิภาพปานกลาง ช่องว่างด้านความเข้ากันได้นี้กำลังลดลงเรื่อยๆ เนื่องจากมีโมเดลหลายรุ่นที่มีความสามารถในการประมวลผลภาพ แต่การตั้งค่าแบบข้อความอย่างเดียวยังคงมีตัวเลือกการใช้งานที่กว้างกว่าในปัจจุบัน

ข้อดีและข้อเสีย

RAG พร้อมบริบททางภาพ

ข้อดี

+ จัดการกับแผนภูมิและไดอะแกรม
+ ข้ามข้อจำกัดของ OCR
+ ความเข้าใจเอกสารที่ดีขึ้น
+ บันทึกข้อมูลเค้าโครง

ยืนยัน

− ต้นทุนโครงสร้างพื้นฐานที่สูงขึ้น
− เวลาในการดึงข้อมูลช้าลง
− จำเป็นต้องใช้โมเดลแบบหลายรูปแบบ
− พื้นที่จัดเก็บขนาดใหญ่ขึ้น

RAG ที่มีบริบทเฉพาะข้อความ

ข้อดี

+ ติดตั้งง่าย
+ ต้นทุนการดำเนินงานที่ต่ำกว่า
+ ใช้ได้กับหลักสูตร LLM ทุกหลักสูตร
+ ระบบนิเวศเครื่องมือที่พัฒนาเต็มที่

ยืนยัน

− มีปัญหาเรื่องการมองเห็น
− ขึ้นอยู่กับคุณภาพของ OCR
− พลาดจุดสังเกตในการจัดวาง
− ประสิทธิภาพลดลงในเอกสารที่มีรูปภาพจำนวนมาก

ความเข้าใจผิดทั่วไป

ตำนาน

Visual RAG จะเข้ามาแทนที่ RAG ที่เป็นข้อความอย่างเดียวโดยสมบูรณ์

ความเป็นจริง

Visual RAG เป็นส่วนเสริมมากกว่าการแทนที่วิธีการค้นหาด้วยข้อความเพียงอย่างเดียว สำหรับคลังข้อมูลที่เป็นข้อความล้วนๆ เช่น บทความหรือโค้ด การค้นหาด้วยข้อความเพียงอย่างเดียวยังคงเร็วกว่าและแม่นยำเท่าเทียมกัน ระบบใช้งานจริงส่วนใหญ่จะได้รับประโยชน์จากการตั้งค่าแบบไฮบริดที่ส่งคำค้นหาไปยังตัวค้นหาที่เหมาะสม

ตำนาน

RAG เวอร์ชันข้อความอย่างเดียวไม่สามารถจัดการกับเอกสารที่มีรูปภาพได้เลย

ความเป็นจริง

ระบบ RAG ที่ใช้เฉพาะข้อความยังสามารถประมวลผลเอกสารที่มีรูปภาพได้ โดยการใช้ OCR ก่อนแล้วจึงจัดทำดัชนีข้อความที่ดึงออกมา คุณภาพขึ้นอยู่กับกระบวนการ OCR เป็นอย่างมาก และเค้าโครงที่ซับซ้อนมักจะสูญเสียความหมายไป แต่ก็เป็นวิธีการที่ใช้ได้ผลในหลายกรณี

ตำนาน

การใช้ภาพประกอบในการประเมินมักให้คำตอบที่ดีกว่าการใช้ข้อความเพียงอย่างเดียว

ความเป็นจริง

Visual RAG จะมีประสิทธิภาพเหนือกว่า RAG ที่ใช้เฉพาะข้อความก็ต่อเมื่อข้อมูลภาพที่ดึงมานั้นเกี่ยวข้องกับคำค้นหาจริงๆ สำหรับคำถามเกี่ยวกับข้อความร้อยแก้ว โค้ด หรือข้อความที่มีโครงสร้าง การเพิ่มรูปภาพอาจทำให้เกิดความคลาดเคลื่อนและเพิ่มต้นทุนโดยไม่ปรับปรุงความแม่นยำ

ตำนาน

คุณต้องใช้ GPT-4V หรือ Gemini เพื่อทำการวิเคราะห์ RAG แบบเห็นภาพ

ความเป็นจริง

โมเดลโอเพนซอร์ส เช่น LLaVA, Qwen-VL, InternVL และ MiniCPM-V สามารถจัดการงาน RAG ด้านภาพได้อย่างมีประสิทธิภาพ ตัวเข้ารหัสภาพขนาดเล็กที่รวมกับตัวดึงข้อมูล เช่น ColPali ทำงานบน GPU สำหรับผู้บริโภค ทำให้สามารถเข้าถึง RAG ด้านภาพได้โดยไม่ต้องใช้ API ที่เป็นกรรมสิทธิ์

ตำนาน

Visual RAG มีราคาแพงเกินไปสำหรับการใช้งานในระดับการผลิต

ความเป็นจริง

แม้ว่า RAG แบบภาพจะมีต้นทุนสูงกว่าแบบข้อความอย่างเดียว แต่เทคนิคต่างๆ เช่น การบีบอัดภาพ การแคชข้อมูลแบบฝัง และการเรียกค้นข้อมูลแบบเลือกสรร ช่วยให้ต้นทุนอยู่ในระดับที่จัดการได้ สำหรับอุตสาหกรรมที่ต้องใช้เอกสารจำนวนมาก เช่น กฎหมาย การดูแลสุขภาพ และการเงิน ความถูกต้องแม่นยำที่เพิ่มขึ้นมักจะคุ้มค่ากับค่าใช้จ่าย

คำถามที่พบบ่อย

ความแตกต่างหลักระหว่าง RAG แบบภาพและ RAG แบบข้อความอย่างเดียวคืออะไร?

Visual RAG ดึงภาพ หน้าเอกสาร และเนื้อหาภาพเพื่อใช้เป็นพื้นฐานในการตอบสนองของแบบจำลองภาษา ในขณะที่ RAG แบบข้อความอย่างเดียวจะดึงเฉพาะข้อความที่เป็นลายลักษณ์อักษรเท่านั้น Visual RAG ใช้การฝังข้อมูลแบบหลายโมดอลเพื่อทำความเข้าใจเค้าโครง แผนภูมิ และรูปภาพ ในขณะที่ RAG แบบข้อความอย่างเดียวอาศัยการฝังข้อมูลข้อความและมักต้องใช้ OCR สำหรับเอกสารที่สแกนแล้ว

RAG แบบภาพมีความแม่นยำกว่า RAG แบบข้อความอย่างเดียวหรือไม่?

Visual RAG มักมีความแม่นยำมากกว่าในงานที่เกี่ยวข้องกับแผนภูมิ แผนภาพ เอกสารที่สแกน และการตอบคำถามด้วยภาพ เกณฑ์มาตรฐานอย่าง DocVQA และ ChartQA แสดงให้เห็นถึงการปรับปรุงที่สำคัญเมื่อเพิ่มการค้นหาด้วยภาพ อย่างไรก็ตาม สำหรับการค้นหาด้วยข้อความล้วนๆ ทั้งสองวิธีมีประสิทธิภาพใกล้เคียงกัน

ฉันสามารถใช้ Visual RAG กับโมเดลโอเพนซอร์สได้หรือไม่?

ใช่แล้ว โมเดลโอเพนซอร์สอย่าง LLaVA, Qwen-VL, InternVL และ MiniCPM-V รองรับเวิร์กโฟลว์ RAG แบบภาพ เมื่อรวมกับตัวดึงข้อมูลอย่าง ColPali หรือ ColQwen คุณสามารถสร้างไปป์ไลน์ RAG แบบภาพโอเพนซอร์สเต็มรูปแบบที่ทำงานบน GPU ในเครื่องได้โดยไม่ต้องพึ่งพา API ที่เป็นกรรมสิทธิ์

ระบบ RAG แบบภาพช่วยลดความจำเป็นในการใช้ OCR หรือไม่?

ระบบ Visual RAG มักจะกำจัดข้อผิดพลาดจาก OCR โดยการดึงหน้าเอกสารมาเป็นภาพโดยตรง และปล่อยให้โมเดลภาษาภาพทำการตีความ ซึ่งจะช่วยหลีกเลี่ยงข้อผิดพลาดของ OCR ในเอกสารที่มีเค้าโครงซับซ้อน ลายมือ หรือการสแกนคุณภาพต่ำ ระบบไฮบริดบางระบบยังคงใช้ OCR สำหรับการจัดทำดัชนีเมตาเดต้า ในขณะที่อาศัยการดึงข้อมูลด้วยภาพสำหรับเนื้อหาจริง

RAG แบบภาพมีราคาต่างจาก RAG แบบข้อความอย่างเดียวมากแค่ไหน?

โดยทั่วไปแล้ว Visual RAG จะมีค่าใช้จ่ายสูงกว่า RAG ที่ใช้เฉพาะข้อความถึง 3-10 เท่า เนื่องจากต้องใช้พื้นที่จัดเก็บรูปภาพ การประมวลผลของตัวเข้ารหัสภาพ และการใช้โทเค็นที่มากขึ้นเมื่อป้อนรูปภาพให้กับโมเดลภาษา ค่าใช้จ่ายจะแตกต่างกันไปตามขนาดของเอกสาร ความถี่ในการเรียกใช้ และไม่ว่าคุณจะใช้ API ที่ให้บริการโดยผู้ให้บริการหรือโมเดลที่โฮสต์เอง

ColPali คืออะไร และมีความเกี่ยวข้องกับ RAG ในรูปแบบภาพอย่างไร?

ColPali เป็นโมเดลการค้นหาเอกสารที่เปิดตัวในปี 2024 ซึ่งมองหน้าเอกสารเป็นรูปภาพ และใช้ตัวเข้ารหัสภาพ เช่น PaliGemma เพื่อสร้างข้อมูลฝังตัว (embeddings) ColPali เป็นผู้บุกเบิกวิธีการค้นหาเอกสารด้วยภาพ ซึ่งเป็นหัวใจสำคัญของระบบ RAG (Research Access Group) สมัยใหม่หลายระบบ โดยเฉพาะอย่างยิ่งสำหรับฐานข้อมูลที่มีไฟล์ PDF จำนวนมาก

ฉันควรเลือกใช้ RAG แบบข้อความอย่างเดียวแทน RAG แบบภาพเมื่อใด?

เลือกใช้ RAG แบบข้อความอย่างเดียวเมื่อฐานความรู้ของคุณประกอบด้วยข้อความที่สะอาดตา เช่น บทความ โค้ด คำถามที่พบบ่อย หรือบันทึกการสนทนา นอกจากนี้ยังเป็นตัวเลือกที่ดีกว่าเมื่อมีงบประมาณจำกัด ความหน่วงมีความสำคัญ หรือคุณกำลังใช้งานบนโมเดลขนาดเล็กที่ไม่มีความสามารถด้านการมองเห็น RAG แบบข้อความอย่างเดียวเป็นค่าเริ่มต้นที่ปลอดภัยกว่าสำหรับแอปพลิเคชันแชทบอทและแอปพลิเคชันค้นหาแบบดั้งเดิมส่วนใหญ่

สามารถนำ RAG ที่เป็นภาพและ RAG ที่เป็นข้อความอย่างเดียวมาผสมผสานกันได้หรือไม่?

ใช่ ระบบ RAG แบบไฮบริดจะรวมทั้งสองแนวทางเข้าด้วยกัน โดยการเรียกใช้ตัวค้นหาแบบขนานและรวมผลลัพธ์ หรือโดยการส่งคำค้นหาไปยังตัวค้นหาที่เหมาะสมตามประเภทของคำถาม ซึ่งจะช่วยให้คุณได้รับประโยชน์ด้านต้นทุนจากการค้นหาด้วยข้อความอย่างเดียวสำหรับคำค้นหาแบบง่าย และได้รับประโยชน์ด้านความแม่นยำจากการค้นหาด้วยภาพสำหรับคำถามที่มีเอกสารจำนวนมาก

เกณฑ์ใดดีที่สุดสำหรับการประเมิน RAG แบบภาพ?

เกณฑ์มาตรฐานที่ใช้กันทั่วไป ได้แก่ DocVQA สำหรับความเข้าใจเอกสาร ChartQA สำหรับคำถามเกี่ยวกับแผนภูมิ MMMU สำหรับการให้เหตุผลแบบหลายรูปแบบ และ InfoVQA สำหรับความเข้าใจอินโฟกราฟิก สำหรับ RAG ที่เป็นข้อความอย่างเดียว เกณฑ์มาตรฐานที่นิยม ได้แก่ Natural Questions, TriviaQA และ HotpotQA

ฉันจำเป็นต้องใช้ LLM แบบมัลติโมดอลเพื่อใช้ RAG แบบภาพหรือไม่?

ใช่แล้ว Visual RAG ต้องการโมเดลภาษาที่สามารถประมวลผลภาพได้ เช่น GPT-4V, Claude 3.5 Sonnet, Gemini 1.5 Pro หรือทางเลือกโอเพนซอร์สอย่าง LLaVA และ Qwen-VL โมเดลข้อความล้วนๆ เช่น GPT-4 หรือ Llama 3 ไม่สามารถตีความภาพที่ดึงมาได้ ดังนั้นจึงใช้งานได้เฉพาะกับ RAG ที่เป็นข้อความเท่านั้น

คำตัดสิน

เลือกใช้ RAG แบบภาพเมื่อข้อมูลของคุณมีรูปภาพจำนวนมาก หรือเมื่อเค้าโครง แผนภูมิ และไดอะแกรมมีความหมายสำคัญ — มันเป็นตัวเลือกที่ดีที่สุดสำหรับ AI ด้านเอกสารและการตอบคำถามด้วยภาพ เลือกใช้ RAG แบบข้อความอย่างเดียวสำหรับฐานความรู้แบบดั้งเดิม เพื่อการใช้งานที่รวดเร็วขึ้นและต้นทุนที่ต่ำกว่า โดยเฉพาะอย่างยิ่งเมื่อเนื้อหาของคุณอยู่ในรูปแบบข้อความที่สะอาดตาอยู่แล้ว ทีมหลายทีมพบว่าวิธีการแบบผสมผสานได้ผลดีที่สุด โดยให้ประเภทของคำค้นหาเป็นตัวกำหนดเส้นทางการดึงข้อมูลที่จะใช้

การเปรียบเทียบที่เกี่ยวข้อง

AI ที่ทำงานแบบไม่เป็นระบบ เทียบกับ AI ที่ควบคุมโดยมนุษย์

AI slop หมายถึงเนื้อหา AI ที่ผลิตออกมาจำนวนมากโดยใช้ความพยายามน้อยและขาดการกำกับดูแล ในขณะที่งาน AI ที่มีมนุษย์ควบคุมนั้นเป็นการผสมผสานปัญญาประดิษฐ์เข้ากับการตัดต่อ การกำกับ และการตัดสินใจเชิงสร้างสรรค์อย่างรอบคอบ ความแตกต่างมักอยู่ที่คุณภาพ ความคิดริเริ่ม ประโยชน์ใช้สอย และว่ามีบุคคลจริงเข้ามามีส่วนร่วมในการกำหนดผลลัพธ์สุดท้ายหรือไม่

AI ที่มีมนุษย์เข้ามาเกี่ยวข้อง กับ AI ที่ทำงานอัตโนมัติอย่างสมบูรณ์

AI ที่มีมนุษย์เข้ามาเกี่ยวข้อง (Human-in-the-Loop AI) ผสานประสิทธิภาพของเครื่องจักรเข้ากับการตัดสินใจของมนุษย์ในจุดสำคัญ ในขณะที่ระบบ AI อัตโนมัติเต็มรูปแบบ (Fully Automated AI Systems) ทำงานอย่างอิสระตั้งแต่ต้นจนจบ แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ความสามารถในการขยายขนาด ต้นทุน และความรับผิดชอบ ซึ่งเป็นตัวกำหนดว่าแนวทางใดเหมาะสมกับกรณีการใช้งานนั้นๆ

AI ที่รับรู้บริบท เทียบกับ AI ที่ไม่รับรู้บริบท

การเปรียบเทียบทางสถาปัตยกรรมนี้เน้นให้เห็นถึงความแตกต่างหลักระหว่างระบบ AI ที่รับรู้บริบท ซึ่งวิเคราะห์ข้อมูลสถานการณ์แบบไดนามิก เช่น ความตั้งใจของผู้ใช้ ประวัติ และสภาพแวดล้อม กับระบบที่ไม่รับรู้บริบท ซึ่งประมวลผลข้อมูลนำเข้าเป็นเหตุการณ์แยกต่างหากโดยอาศัยกฎที่กำหนดไว้ล่วงหน้าเท่านั้น

AI ที่เสริมด้วยการค้นหาเทียบกับการฝึกฝนโดยใช้ชุดข้อมูลเพียงอย่างเดียว

AI ที่เสริมด้วยการค้นหาจะดึงข้อมูลแบบเรียลไทม์จากแหล่งข้อมูลภายนอกในขณะที่ทำการค้นหา ในขณะที่การฝึกฝนโดยใช้ชุดข้อมูลเพียงอย่างเดียวจะอาศัยความรู้ที่ฝังอยู่ในน้ำหนักของโมเดลระหว่างการฝึกฝนเท่านั้น แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ต้นทุน ความทันสมัย และความสามารถในการจัดการกับคำถามที่อยู่นอกขอบเขตการฝึกฝนดั้งเดิม

AI แบบกระจายศูนย์ เทียบกับ ระบบ AI ขององค์กร

ระบบ AI แบบกระจายศูนย์จะกระจายสติปัญญา ข้อมูล และการคำนวณไปยังโหนดอิสระต่างๆ โดยมักให้ความสำคัญกับความเปิดกว้างและการควบคุมของผู้ใช้ ในขณะที่ระบบ AI ขององค์กรนั้นได้รับการจัดการจากส่วนกลางโดยบริษัทต่างๆ โดยมุ่งเน้นที่ประสิทธิภาพ ผลกำไร และการบูรณาการผลิตภัณฑ์ ทั้งสองแนวทางนี้มีส่วนกำหนดวิธีการสร้าง การกำกับดูแล และการเข้าถึง AI แต่มีความแตกต่างกันอย่างมากในด้านความโปร่งใส การเป็นเจ้าของ และการควบคุม