RAG vs Fine-tuning: เลือกแบบไหนให้คุ้ม

จะให้ AI รู้เรื่องธุรกิจของคุณ ควรใช้ RAG หรือ Fine-tuning เทียบกลไก จุดแข็ง ต้นทุน และกรอบตัดสินใจที่ใช้ได้จริง

"เราควรเทรน AI ด้วยข้อมูลของบริษัทเองเลยไหม" เป็นคำถามที่ผู้บริหารหลายคนถามหลังได้ลองใช้ ChatGPT หรือ Claude คำว่า "เทรน" ฟังดูเหมือนคำตอบที่ถูก แต่ในหลายกรณี สิ่งที่องค์กรต้องการจริงๆ ไม่ใช่การเทรนโมเดลใหม่ แต่คือการให้ AI เข้าถึงข้อมูลที่ถูกต้องในเวลาที่ต้องใช้ บทความนี้จะช่วยแยกให้ชัดว่าเมื่อไรควรใช้ RAG และเมื่อไรควรใช้ Fine-tuning

RAG และ Fine-tuning คืออะไร

RAG: ให้ AI เปิดเอกสารก่อนตอบ

RAG (Retrieval-Augmented Generation) ไม่ได้เปลี่ยนตัวโมเดลเลย แต่ค้นเอกสารที่เกี่ยวข้องแล้วแนบไปกับคำถามทุกครั้ง เปรียบเหมือนให้พนักงานเก่งๆ คนหนึ่งเปิดคู่มือของบริษัทก่อนตอบ

Fine-tuning: ฝึกโมเดลเพิ่ม

Fine-tuning คือการนำโมเดลที่ฝึกมาแล้วไปฝึกต่อด้วยตัวอย่างของเรา เพื่อปรับพฤติกรรม เช่น สไตล์การเขียน รูปแบบคำตอบ หรือความถนัดในงานเฉพาะ เปรียบเหมือนส่งพนักงานไปอบรมจนทำงานแบบหนึ่งได้เป็นธรรมชาติ

ปัจจุบันนิยมใช้เทคนิคที่ประหยัดกว่าการฝึกทั้งโมเดล เช่น LoRA จากงานวิจัยของ Hu และคณะ (2021) ซึ่งแช่น้ำหนักเดิมของโมเดลไว้ แล้วฝึกเฉพาะเมทริกซ์ขนาดเล็กที่เพิ่มเข้าไป งานวิจัยรายงานว่าเมื่อเทียบกับการ fine-tune GPT-3 175B แบบเต็ม LoRA ลดจำนวนพารามิเตอร์ที่ต้องฝึกได้ราว 10,000 เท่า และลดหน่วยความจำ GPU ได้ราว 3 เท่า

งานวิจัยบอกอะไร

งานวิจัย Fine-Tuning or Retrieval? Comparing Knowledge Injection in LLMs (Ovadia และคณะ ตีพิมพ์ใน EMNLP 2024) เปรียบเทียบการ "ใส่ความรู้" ให้โมเดลสองแบบ ผลคือ fine-tuning แบบ unsupervised ช่วยได้บ้าง แต่ RAG ทำได้ดีกว่าอย่างสม่ำเสมอ ทั้งกับความรู้ที่โมเดลเคยเห็นและความรู้ใหม่ทั้งหมด และพบว่าโมเดลเรียนรู้ข้อเท็จจริงใหม่ผ่าน fine-tuning แบบนี้ได้ยาก

ข้อสรุปเชิงปฏิบัติคือ ถ้าโจทย์คือ "ให้ AI รู้ข้อมูล" ให้เริ่มจาก RAG ส่วน fine-tuning เหมาะกับโจทย์ "ให้ AI ทำงานแบบใดแบบหนึ่ง" มากกว่า

เทียบกันทีละมิติ

• ข้อมูลเปลี่ยนบ่อย: RAG แค่อัปเดตเอกสาร ส่วน fine-tuning ต้องฝึกใหม่
• ต้องอ้างอิงแหล่งที่มา: RAG ชี้ได้ว่าคำตอบมาจากเอกสารไหน fine-tuning ทำได้ยาก
• คุมสไตล์และรูปแบบ: fine-tuning ทำได้ดี เช่น ให้ตอบตามโทนแบรนด์ หรือส่งออกเป็นโครงสร้างเดิมทุกครั้ง
• งานเฉพาะซ้ำๆ ปริมาณมาก: เช่น จัดหมวด ticket หรือดึงข้อมูลจากแบบฟอร์มเดิม fine-tuning โมเดลเล็กอาจคุ้มกว่าในระยะยาว
• ทักษะทีม: RAG เริ่มได้ง่ายกว่า fine-tuning ต้องมีชุดข้อมูลตัวอย่างคุณภาพดี และคนที่ประเมินผลเป็น

ตัวอย่างในธุรกิจไทย

บริษัทประกันแห่งหนึ่งต้องการผู้ช่วย AI ให้ทีมบริการลูกค้า โจทย์มีสองส่วน ส่วนแรกคือตอบเงื่อนไขกรมธรรม์แต่ละแบบให้ถูก ซึ่งเปลี่ยนตามรุ่นผลิตภัณฑ์ ส่วนนี้ใช้ RAG ดึงจากเอกสารกรมธรรม์ล่าสุด ส่วนที่สองคือร่างจดหมายตอบลูกค้าให้มีโทนสุภาพแบบที่บริษัทใช้ และมีโครงสร้างตามมาตรฐาน ถ้าเขียน prompt พร้อมตัวอย่างแล้วยังไม่สม่ำเสมอพอ จึงค่อยพิจารณา fine-tuning สำหรับส่วนนี้ ผลลัพธ์คือใช้ทั้งสองแบบคู่กัน แต่ละแบบทำงานที่ตัวเองถนัด

ข้อควรระวัง

• Fine-tuning ด้วยข้อมูลที่มีข้อมูลส่วนบุคคล อาจทำให้โมเดลจำและเผยข้อมูลนั้นออกมาได้ ต้องคัดกรองข้อมูลก่อนฝึกเสมอ
• โมเดลที่ fine-tune แล้ว ต้องดูแลต่อเมื่อโมเดลฐานออกรุ่นใหม่ ซึ่งเป็นต้นทุนแฝงที่คนมักลืม
• RAG ก็มีต้นทุน ทั้งการดูแลคลังเอกสาร ระบบค้นหา และการวัดผล ไม่ใช่ทางลัดที่ไม่ต้องดูแล
• ก่อนจะทำทั้งสองอย่าง ลองปรับ prompt ให้ดีก่อน หลายปัญหาแก้ได้ตั้งแต่ขั้นนี้

RAG เปลี่ยนสิ่งที่ AI รู้ Fine-tuning เปลี่ยนวิธีที่ AI ทำ

กรอบตัดสินใจ 5 ขั้น

1. เขียนโจทย์ให้ชัดว่า ปัญหาคือ "AI ไม่รู้ข้อมูล" หรือ "AI ทำงานไม่ตรงแบบที่ต้องการ"
2. เริ่มจาก prompt ที่ดีพร้อมตัวอย่าง แล้ววัดผลด้วยชุดคำถามจริง
3. ถ้าปัญหาคือข้อมูล ทำ RAG และปรับการค้นหาให้ดี
4. ถ้าปัญหาคือรูปแบบหรือพฤติกรรมที่ prompt คุมไม่อยู่ ค่อยพิจารณา fine-tuning พร้อมชุดตัวอย่างคุณภาพดี
5. วัดผลก่อนและหลังทุกครั้ง เพื่อให้แน่ใจว่าการลงทุนเพิ่มคุ้มจริง

ถ้ายังไม่คุ้นกับกลไกของ RAG เริ่มจาก RAG คืออะไร และถ้าอยากฝึกการเขียน prompt ซึ่งเป็นขั้นแรกของทุกโปรเจกต์ ดูคอร์ส เขียน Prompt ให้ได้ผลลัพธ์ตรงใจ บน Plants.work