การพัฒนาระบบสืบค้นเชิงความหมายโดยใช้เทคนิค Retrieval-Augmented Generation (RAG) และโมเดล GPT ร่วมกับฐานข้อมูลเวกเตอร์ เพื่อเพิ่มประสิทธิภาพการสืบค้นและการวิเคราะห์องค์ความรู้ทางวิชาการ
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้พัฒนาระบบสืบค้นเชิงความหมายสำหรับข้อมูลเชิงวิชาการโดยประยุกต์ใช้สถาปัตยกรรม Retrieval-Augmented Generation (RAG) ร่วมกับโมเดล GPT และฐานข้อมูลเวกเตอร์ เพื่อรองรับการสืบค้นด้วยภาษาธรรมชาติและการให้คำตอบเชิงวิเคราะห์ตามบริบท ดำเนินการวิจัยตามกรอบการพัฒนาระบบเชิงวิศวกรรมซอฟต์แวร์ ตั้งแต่การวิเคราะห์ข้อจำกัดของระบบสืบค้นเดิม ออกแบบและพัฒนาระบบ และดำเนินการประเมินผล ผลการวิจัย พบว่า ระบบสามารถนำเข้าเอกสารวิจัยได้ร้อยละ 96.21 ด้านการสรุปข้อมูลมีค่า Compression Ratio เท่ากับ 0.74 และ Cosine Similarity สูงถึง 0.9597 ขณะที่ค่า ROUGE-1, ROUGE-2 และ ROUGE-L อยู่ที่ 0.65, 0.56 และ 0.53 ตามลำดับ สะท้อนการรักษาใจความสำคัญได้อย่างมีประสิทธิภาพ สำหรับการค้นคืน ผลการประเมิน พบว่า Semantic Search มีค่า Precision และ Recall เท่ากับร้อยละ 90 สูงกว่า Keyword Search ซึ่งมีค่าเท่ากับร้อยละ 79 ขณะที่ค่า MRR เพิ่มจากร้อยละ 86 เป็นร้อยละ 98 ผลดังกล่าวสะท้อนว่า Semantic Search สามารถค้นคืนผลลัพธ์ที่เกี่ยวข้องได้แม่นยำและครอบคลุมมากขึ้น และสามารถจัดอันดับผลลัพธ์ที่เกี่ยวข้องให้อยู่ในลำดับต้นได้ดีกว่า Keyword Search สรุปผลการวิจัยชี้ชัดว่าการประยุกต์ใช้ RAG และ GPT ร่วมกับฐานข้อมูลเวกเตอร์สามารถเพิ่มความแม่นยำ ลดอุปสรรคในการเข้าถึงสารสนเทศผ่านภาษาธรรมชาติได้อย่างเท่าเทียม และมีศักยภาพในการขยายผลไปสู่คลังข้อมูลประเภทอื่นได้ในอนาคต
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
แกมกาญจน์ สมประเสริฐศรี. (2566). การค้นคืนสารสนเทศดิจิทัล Digital information retrieval. โรงพิมพ์พีคัลเลอร์.
Bevara, R. V. K., Lund, B. D., Kareddla, S. P., Mohammed, Y., Kolapudi, S. T., & Mannuru, A. (2025). Prospects of retrieval augmented generation (RAG) for academic library search and retrieval. Information Technology and Libraries, 44(2). https://doi.org/10.5860/ital.v44i2.17361
Chumwatana, T., & Rattana-umnuaychai, W. (2021). Using OCR Framework and information extraction for Thai documents digitization. In 2021 9th International Electrical Engineering Congress (iEECON) (pp. 440-443). IEEE. https://doi.org/10.1109/iEECON51072.2021.9440300
Marqo. (2024). Foundations of embedding models. https://www.marqo.ai/course/foundations-of-embedding-models
OpenAI. (2024). GPT-4o mini: Advancing cost-efficient intelligence. https://openai.com/index/gpt-4o-mini-advancing-cost-efficient-intelligence
Qdrant. (2026). Points, vectors and payloads. https://qdrant.tech/course/essentials/day-1/embedding-models/
Sawarkar, K., Mangal, A., & Solanki, S. R. (2024). Blended RAG: Improving RAG (retriever-augmented generation) accuracy with semantic search and hybrid query-based retrievers. In 2024 IEEE 7th International Conference on Multimedia Information Processing and Retrieval (MIPR) (pp. 155–161). IEEE. https://doi.org/10.1109/MIPR62202.2024.00031
Schwaber, K. (1997). SCRUM development process. In J. Sutherland, C. Casanave, J. Miller, P. Patel, & G. Hollowell (Eds.), Business Object Design and Implementation. Springer. https://doi.org/10.1007/978-1-4471-0947-1_11
Wang, L., Yang, N., Huang, X., Yang, L., Majumder, R., & Wei, F. (2024). Multilingual E5 text embeddings: A technical report. arXiv. https://doi.org/10.48550/arXiv.2402.05672
Zhang, J., Zhao, Y., Saleh, M., & Liu, P. J. (2019). PEGASUS: Pre-training with extracted gap-sentences for abstractive summarization [Preprint]. arXiv. https://arxiv.org/abs/1912.08777