การเตรียมข้อมูลเพื่อให้เอกสารภายในองค์กรสามารถนำไปใช้กับ AI ได้ หมายถึงการสำรวจระเบียบข้อบังคับ รายงานการประชุม และคู่มือที่กระจัดกระจายอยู่ แล้วนำมาจัดระเบียบชั้นความลับ รูปแบบ และข้อมูลเมตา (Metadata) เพื่อให้พร้อมสำหรับการนำเข้าสู่ระบบ RAG เมื่อฝ่ายระบบสารสนเทศหรือผู้รับผิดชอบด้าน DX ต้องการนำ AI ผู้ช่วยภายในองค์กรมาใช้งาน มักจะมีคำถามว่าควรเริ่มต้นจากจุดไหน บทความนี้จะอธิบายตั้งแต่การเลือกขอบเขตงานที่สำคัญไปจนถึงการสร้างระบบการอัปเดตข้อมูลจากมุมมองการปฏิบัติงานจริง การพยายามจัดระเบียบเอกสารทั้งหมดในคราวเดียวมักทำให้งานหยุดชะงัก แต่การเริ่มจากส่วนที่มีการใช้งานบ่อยจะช่วยให้สามารถสร้างสมดุลระหว่างความแม่นยำในการค้นหาและความรวดเร็วในการนำไปใช้งานได้ดียิ่งขึ้น

RAG คือกลไกที่ผสมผสานการสืบค้นและการสร้างเนื้อหาเข้าด้วยกัน ดังนั้น หากเอกสารที่นำเข้ายังอยู่ในสภาพที่ล้าสมัย ซ้ำซ้อน หรือมีข้อมูลที่เป็นความลับปะปนอยู่ ก็จะทำให้เกิดสัญญาณรบกวนในขั้นตอนการสืบค้น และคำตอบที่สร้างขึ้นก็มักจะคลาดเคลื่อนจากความเป็นจริง ตัวอย่างเช่น หากมีกฎระเบียบฉบับเก่าที่หยุดอัปเดตไปเมื่อครึ่งปีก่อนวางอยู่ในโฟลเดอร์เดียวกับฉบับล่าสุด AI จะไม่สามารถตัดสินได้ว่าควรใช้ข้อมูลใดเป็นหลัก และอาจนำเสนอข้อมูลเก่าออกมาอย่างมั่นใจ การขาดการจัดระเบียบข้อมูลไม่ใช่แค่ปัญหาเรื่องความสวยงาม แต่ส่งผลโดยตรงต่อความน่าเชื่อถือของคำตอบ ต่อไปเราจะมาดูรายละเอียดกันว่า การขาดการจัดระเบียบข้อมูลนั้นก่อให้เกิดผลเสียอย่างไรบ้าง

RAG คือกลไกที่แปลงคำถามและส่วนของเอกสารให้เป็นเวกเตอร์ จากนั้นจึงค้นหาความใกล้เคียงทางความหมายเพื่อสร้างคำตอบ โดยรากฐานของการค้นหานี้คือตัวเอกสารที่ถูกนำเข้าสู่ระบบ ต่อให้เพิ่มประสิทธิภาพของโมเดลมากเพียงใด หากเอกสารต้นฉบับล้าสมัย ซ้ำซ้อน หรือมีการใช้คำที่ไม่สอดคล้องกัน ก็จะไม่สามารถดึงส่วนของเนื้อหาที่ถูกต้องออกมาได้ ซึ่งเป็นไปตามหลักการที่ว่า "ใส่ขยะเข้าไป ก็จะได้ขยะออกมา" (Garbage In, Garbage Out)

หากกฎระเบียบฉบับเดียวกันมีทั้งเวอร์ชันก่อนและหลังแก้ไขค้างอยู่ในระบบ การค้นหาจะตัดสินว่าทั้งสองฉบับมีความเกี่ยวข้องใกล้เคียงกัน ทำให้ไม่สามารถแยกแยะได้ว่าควรให้ความสำคัญกับฉบับใด ในกรณีที่มีรูปแบบไฟล์ปะปนกัน เช่น Word, PDF หรือภาพสแกน ความแม่นยำในการดึงข้อความจะแตกต่างกันไปในแต่ละเอกสาร ส่งผลให้เนื้อหาเดียวกันอาจถูกค้นพบได้ง่ายหรือยากต่างกันไป ในกรณีที่ชื่อไฟล์หรือหัวข้อไม่สามารถระบุตำแหน่งของเอกสารได้ การค้นหามักจะพึ่งพาการจับคู่ตัวอักษรในเนื้อหาเป็นหลัก ทำให้ความสามารถในการตอบคำถามที่มีการใช้คำต่างไปจากเดิมลดลง

ปัญหาเหล่านี้สามารถแก้ไขได้ด้วยการเตรียมความพร้อมก่อนนำเอกสารเข้าสู่ระบบ ในความเป็นจริง การขจัดความไม่สอดคล้องเหล่านี้ในช่วงเริ่มต้นของการเตรียมข้อมูล ส่งผลต่อความแม่นยำในการค้นหามากกว่าการแบ่ง Chunk หรือการปรับปรุงอัลกอริทึมการค้นหาในขั้นตอนถัดไป การรวมประวัติการแก้ไข การทำให้รูปแบบเป็นมาตรฐานเดียวกัน และการเพิ่มข้อมูล Metadata เพื่อระบุตำแหน่งของเอกสาร ทั้ง 3 ประการนี้จะเป็นตัวกำหนดว่าคุณภาพของผลลัพธ์การค้นหาจะแตกต่างกันมากเพียงใดแม้จะใช้กลไก RAG เดียวกัน การวางรากฐานฝั่งเอกสารให้พร้อมจึงเป็นก้าวแรกที่สำคัญที่สุดในการนำ AI มาใช้งานจริง

การใช้งาน RAG ในสภาวะที่การเตรียมข้อมูลไม่เพียงพอมักจะก่อให้เกิดอาการที่คล้ายคลึงกันเสมอ

กรณีที่พบบ่อยที่สุดคือการที่ระบบส่งคืนผลลัพธ์เป็นระเบียบข้อบังคับหรือคู่มือฉบับเก่า หากเอกสารทั้งฉบับก่อนและหลังการแก้ไขยังคงอยู่ในฐานความรู้ (Knowledge Base) AI จะไม่สามารถตัดสินได้ว่าฉบับใดมีผลบังคับใช้จริง จึงอาจตอบคำถามโดยอ้างอิงจากระเบียบการลาแบบเก่าหรืออัตราค่าธรรมเนียมเดิม เอกสารที่ไม่มีการระบุมิตาข้อมูล (Metadata) เกี่ยวกับวันที่แก้ไขหรือวันหมดอายุจะมีโอกาสเกิดปัญหานี้ได้ง่าย โดยเฉพาะระเบียบด้านทรัพยากรบุคคลและธุรการที่มีการแก้ไขรายละเอียดเล็กน้อยปีละหลายครั้ง จึงมักพบกรณีที่ฉบับเก่าไม่ได้ถูกลบออกไป

กรณีที่พบบ่อยถัดมาคือการตอบคำถามโดยนำเนื้อหาจากหลายเอกสารมาปะปนกัน หากมีไฟล์ที่ชื่อคล้ายกันหรือคู่มือการปฏิบัติงานที่แตกต่างกันเพียงเล็กน้อยในแต่ละแผนกอยู่ร่วมกัน ผลการค้นหาอาจถูกนำมาประกอบกันแบบกระจัดกระจาย จนเกิดเป็นขั้นตอนการทำงานที่ไม่มีอยู่จริง ตัวอย่างที่ชัดเจนคือกรณีที่มีไฟล์ "ขั้นตอนการขออนุมัติ" ของฝ่ายขายและฝ่ายบริหารแยกกัน แต่ถูกบันทึกด้วยชื่อเดียวกัน ทำให้ AI นำเนื้อหาบางส่วนของทั้งสองฝ่ายมาเชื่อมโยงกันจนสร้างขั้นตอนที่ผิดเพี้ยนขึ้นมา

กรณีที่ร้ายแรงที่สุดคืออุบัติเหตุที่ข้อมูลการประเมินผลบุคคลหรือเงื่อนไขสัญญาที่พนักงานไม่มีสิทธิ์เข้าถึงหลุดรอดเข้าไปในคำตอบ ซึ่งมีสาเหตุมาจากการนำเอกสารทั้งหมดเข้าสู่ระบบโดยไม่ได้จัดระเบียบชั้นความลับ ปัญหานี้ไม่ใช่แค่เรื่องความแม่นยำของคำตอบ แต่ส่งผลกระทบโดยตรงต่อการรั่วไหลของข้อมูล หากเอกสารอย่างใบประเมินผลพนักงานที่จำกัดเฉพาะผู้บริหาร หรือรายการเงื่อนไขสัญญาที่แตกต่างกันในแต่ละคู่ค้าถูกวางไว้ในฐานความรู้โดยไม่มีการจำแนกประเภท ก็มีความเสี่ยงที่เนื้อหาเหล่านั้นจะถูกนำมาอ้างอิงในการตอบคำถามของพนักงานทั่วไปโดยตรง

สิ่งที่อาการทั้งสามประการนี้มีร่วมกันคือ ประสิทธิภาพของโมเดล

การพยายามจัดระเบียบเอกสารทั้งหมดพร้อมกันจะทำให้ปริมาณงานเพิ่มขึ้นจนมักส่งผลให้การนำไปใช้งานจริงหยุดชะงัก บ่อยครั้งที่หลายองค์กรพยายามคัดแยกเอกสารหลายร้อยโฟลเดอร์ในคราวเดียว จนสุดท้ายเวลาผ่านไปหลายเดือนโดยที่ยังไม่ได้เริ่มทำอะไรเลย สิ่งที่ควรให้ความสำคัญเป็นอันดับแรกคือการระบุพื้นที่ที่มีการใช้งานบ่อย และการคัดแยกเอกสารลับที่ไม่ควรให้ AI เข้าถึง ในส่วนนี้จะขอสรุปมุมมองสำหรับการจำกัดขอบเขตของงานให้แคบลงครับ

หากนำเอกสารทั้งหมดมาตรวจสอบพร้อมกัน แผนการดำเนินงานจะหยุดชะงักเนื่องจากงานไม่เสร็จสิ้น วิธีปฏิบัติที่เหมาะสมคือการคัดกรองขอบเขตที่มีความสำคัญโดยใช้สองแกนหลัก ได้แก่ "ความถี่ในการใช้งาน" และ "ความถี่ในการอัปเดต"

เอกสารที่มีความถี่ในการใช้งานสูง หมายถึงส่วนที่มีการสอบถามหรือการค้นหาบ่อยครั้ง เช่น ข้อบังคับการทำงาน กฎระเบียบการเบิกจ่ายค่าใช้จ่าย ข้อมูลจำเพาะของผลิตภัณฑ์ และชุดคำถามที่พบบ่อย (FAQ) เป็นต้น หากจัดระเบียบส่วนนี้ได้ ผู้ใช้งานจะเห็นผลลัพธ์ที่ชัดเจนได้อย่างรวดเร็ว ในทางกลับกัน เอกสารเก่า เช่น แผนงานหรือเอกสารการประชุมในอดีตที่อ้างอิงเพียงปีละไม่กี่ครั้ง หากทำภายหลังก็แทบไม่ส่งผลกระทบต่อการดำเนินงาน

ความถี่ในการอัปเดตเป็นอีกมุมมองหนึ่งที่ส่งผลต่อลำดับความสำคัญ กฎระเบียบหรือคู่มือที่มีการแก้ไขบ่อยครั้ง หากจัดระเบียบไปแล้วเนื้อหาก็จะล้าสมัยในเวลาอันสั้น ดังนั้นหากนำเข้าสู่ระบบในขณะที่ยังไม่มีกลไกการอัปเดตที่พร้อม อาจกลายเป็นแหล่งข้อมูลที่ผิดพลาดได้ ในทางกลับกัน เอกสารที่มีการอัปเดตน้อยและมีความเสถียร เช่น กฎหมายหรือระเบียบภายในบริษัท หากจัดระเบียบเพียงครั้งเดียวก็สามารถใช้งานได้ยาวนาน จึงถือว่ามีความคุ้มค่าในการลงทุนสูง

เมื่อนำทั้งสองแกนมาพิจารณาร่วมกัน จะทำให้เห็นลำดับที่ควรเริ่มดำเนินการ กลุ่มเอกสารที่มี "ความถี่ในการใช้งานสูงและมีความถี่ในการอัปเดตต่ำ" ถือเป็นกลุ่มที่สำคัญที่สุด ซึ่งมักจะเป็นพวกข้อบังคับการทำงานหรือระเบียบภายในบริษัท ส่วนเอกสารที่มี "ความถี่ในการใช้งานสูงและมีความถี่ในการอัปเดตสูง" ควรเตรียมกลไกการจัดการอัปเดตให้พร้อมก่อนที่จะเร่งจัดระเบียบ หากข้ามขั้นตอนนี้ไป เนื้อหาจะคลาดเคลื่อนจากความเป็นจริงภายในไม่กี่เดือน และอาจนำไปสู่สถานการณ์ที่ AI ตอบข้อมูลที่ล้าสมัยออกมา ในทางกลับกัน เอกสารที่ทั้งสองค่าต่ำนั้น สามารถตัดออกจากขอบเขตการจัดระเบียบชั่วคราวได้โดยแทบไม่ส่งผลกระทบต่อการทำงาน แนวทางที่สมเหตุสมผลที่สุดคือเริ่มจากส่วนที่มี "ความถี่ในการใช้งานสูงและมีความถี่ในการอัปเดตต่ำ" ก่อน แล้วจึงค่อยๆ ขยายขอบเขตไปพร้อมกับการตรวจสอบผลลัพธ์ที่ได้

สิ่งที่มักถูกมองข้ามในการจัดเตรียมเอกสารคือ การคัดแยกเอกสารที่ไม่ควรให้ AI อ่าน หากนำเอกสารทั้งหมดเข้าสู่ระบบ RAG อาจมีความเสี่ยงที่ข้อมูลซึ่งจำกัดสิทธิ์การเข้าถึงเฉพาะบุคคลจะหลุดเข้าไปอยู่ในผลการค้นหา เปรียบเสมือนการนำของในห้องที่ล็อกกุญแจไว้มาวางไว้ที่โถงทางเดิน ซึ่งเป็นจุดที่ความสะดวกสบายและความปลอดภัยมักต้องแลกเปลี่ยนกัน

ในการออกแบบระดับความลับ (Confidentiality Classification) ขั้นแรกให้กำหนดระดับต่างๆ เช่น "เผยแพร่ได้" "จำกัดเฉพาะภายในบริษัท" "จำกัดเฉพาะแผนก" และ "ห้ามเข้าถึง" จากนั้นจึงติดป้ายกำกับให้เอกสารแต่ละฉบับ โดยหลักการแล้ว เอกสารที่เกี่ยวข้องกับการประเมินผลงาน เงินเดือน เงื่อนไขในสัญญาของคู่ค้า และข้อมูลส่วนบุคคล ควรเป็นสิ่งที่ห้ามไม่ให้ AI อ่านเพื่อความปลอดภัย หากต้องจัดการกับข้อมูลส่วนบุคคล ให้ใช้แนวทางปฏิบัติเกี่ยวกับข้อมูลที่ผ่านการทำข้อมูลนิรนาม (Anonymized Information) หรือข้อมูลที่ผ่านการทำข้อมูลนามแฝง (Pseudonymized Information) มาเป็นเกณฑ์ในการตัดสินว่าสามารถลบชื่อหรือข้อมูลติดต่อออกด้วยระบบอัตโนมัติได้หรือไม่

เอกสารที่มีการอ้างอิงบ่อยทั่วทั้งบริษัท เช่น ระเบียบปฏิบัติหรือคู่มือ มักจัดอยู่ในกลุ่มที่เผยแพร่ได้ง่าย ในทางกลับกัน เอกสารสัญญาหรือเอกสารที่เกี่ยวข้องกับบุคคลมักมีความอ่อนไหวของระดับความลับที่เปลี่ยนแปลงได้ตามสถานการณ์เฉพาะ และแต่ละแผนกมักมีมุมมองในการจัดการที่แตกต่างกัน ในช่วงเริ่มต้นของการออกแบบระดับความลับ การใช้วิธีอนุรักษ์นิยมโดยการคัดแยกเอกสารที่ตัดสินใจได้ยากออกไปก่อน แล้วเริ่มนำเฉพาะเอกสารที่ชัดเจนเข้าสู่ระบบถือเป็นวิธีที่ทำได้จริง สำหรับเอกสารที่คัดออกไปนั้น หากไม่กำหนดผู้รับผิดชอบและกรอบเวลาในการตัดสินใจให้ชัดเจน เอกสารเหล่านั้นก็จะถูก "พักไว้" และสะสมไปเรื่อยๆ

กฎการแบ่งระดับความลับไม่ใช่สิ่งที่กำหนดครั้งเดียวแล้วจบไป การออกแบบโดยคำนึงถึงการทบทวนระดับความลับของเอกสารเมื่อมีการย้ายแผนกหรือปรับเปลี่ยนองค์กร เพื่อตรวจสอบว่าข้อมูลยังเป็นปัจจุบันหรือไม่ จะช่วยลดภาระในการดำเนินงานในภายหลังได้

การแบ่งขั้นตอนตั้งแต่การทำ Inventory ไปจนถึงการทดสอบการค้นหาออกเป็น 5 ระดับ จะช่วยป้องกันการตกหล่นของงานได้ง่ายขึ้น โดยเริ่มจากการทำ Inventory และการขจัดข้อมูลซ้ำซ้อน (Deduplication) ตามด้วยการปรับรูปแบบให้เป็นมาตรฐานและการใส่ Metadata และปิดท้ายด้วยการทดสอบการค้นหา การปฏิบัติตามลำดับนี้จะช่วยหลีกเลี่ยงไม่ให้ขอบเขตของงานคลาดเคลื่อนระหว่างทาง โดยเฉพาะอย่างยิ่งหากไม่สามารถจำกัดขอบเขตให้ชัดเจนได้ตั้งแต่ขั้นตอนการทำ Inventory ในช่วงแรก ก็จะส่งผลให้เกิดงานย้อนหลังในทุกขั้นตอนถัดไป ดังนั้นการให้เวลากับขั้นตอนนี้จึงถือว่าคุ้มค่า ต่อไปนี้จะอธิบายวิธีการดำเนินการในแต่ละขั้นตอนโดยละเอียดตามหัวข้อ H3 ถัดไป

ขั้นตอนแรกของการทำ Inventory คือการรวบรวมและจัดทำรายการเอกสารทั้งหมดที่มีอยู่ในขอบเขตที่กำหนด บ่อยครั้งที่สถานที่จัดเก็บข้อมูลมีความกระจัดกระจาย เช่น ไฟล์เซิร์ฟเวอร์, ไดรฟ์ส่วนกลาง (Shared Drive), Wiki ภายในองค์กร หรือไฟล์แนบในอีเมล หากไม่ทำให้ "มีอะไรอยู่ที่ไหน" มองเห็นได้ชัดเจนก่อน ก็จะไม่สามารถกำหนดขอบเขตของการจัดระเบียบได้

เอกสารที่รวบรวมได้จะถูกนำมาสรุปไว้ในรายการ Inventory โดยระบุชื่อเอกสาร, สถานที่จัดเก็บ, วันที่แก้ไขล่าสุด และแผนกที่รับผิดชอบ ในขั้นตอนนี้ คุณจะพบกับสถานการณ์ที่มีระเบียบฉบับเดียวกันถูกบันทึกไว้ในหลายที่ด้วยชื่อที่ต่างกัน หรือมีทั้งฉบับเก่าและฉบับปรับปรุงคงค้างอยู่ เมื่อได้ลงมือทำจริง คุณจะเกือบต้องเจอเคสที่ว่า "ไฟล์ที่คิดว่าเป็นเวอร์ชันล่าสุด จริงๆ แล้วเป็นเวอร์ชันเมื่อ 3 รุ่นที่แล้ว" ซึ่งไม่ใช่เรื่องแปลกที่ความทรงจำของผู้รับผิดชอบจะไม่ตรงกับความเป็นจริง

หากนำเอกสารที่ซ้ำซ้อนหรือเป็นฉบับเก่าเข้าสู่ RAG โดยตรง จะทำให้ AI อ้างอิงข้อมูลทั้งเก่าและใหม่จนส่งผลให้เกิดคำตอบที่ขัดแย้งกัน นี่คือส่วนที่ใช้เวลาดำเนินการมากที่สุดในงานจัดระเบียบทั้งหมด และหากตัดสินใจผิดพลาด จะทำให้งานในขั้นตอนถัดไปอย่างการปรับรูปแบบให้เป็นมาตรฐาน (Format Standardization) และการเพิ่ม Metadata ต้องย้อนกลับมาทำใหม่ทั้งหมด สำหรับเอกสารที่มีเนื้อหาเดียวกัน ให้เก็บฉบับที่มีวันที่แก้ไขล่าสุดไว้ ส่วนฉบับอื่นให้ลบหรือย้ายไปไว้ในที่เก็บถาวร (Archive) สำหรับเอกสารที่ไม่มีการระบุวันที่มีผลบังคับใช้หรือประวัติการแก้ไข ให้สอบถามแผนกที่รับผิดชอบว่ายังเป็นฉบับปัจจุบันหรือไม่ ส่วนเอกสารที่มีอยู่ในเครื่องคอมพิวเตอร์ส่วนบุคคลเท่านั้น จำเป็นต้องตัดสินใจในขั้นตอนนี้ว่าถือเป็นสิ่งที่ต้องจัดการอย่างเป็นทางการหรือไม่ โดยเฉพาะเอกสารที่มาจากเครื่องส่วนบุคคล ซึ่งมักจะมีเพียงผู้สร้างเท่านั้นที่ทราบที่มา หากปล่อยให้การตรวจสอบล่าช้าออกไป จะไม่มีใครสามารถตัดสินใจได้อีก

การทำ Inventory และการคัดออกให้เสร็จสิ้นก่อน จะช่วยให้สามารถจำกัดขอบเขตของงานในขั้นตอนถัดไปอย่างการปรับรูปแบบให้เป็นมาตรฐานและการเพิ่ม Metadata ได้ กล่าวอีกนัยหนึ่งคือ หากไม่ทำขั้นตอนนี้อย่างละเอียดถี่ถ้วนก่อนจะก้าวไปสู่ขั้นตอนถัดไป ก็อาจต้องกลับมาเริ่มงานจัดระเบียบทั้งหมดใหม่อีกครั้ง

เอกสารที่ผ่านการทำ Inventory แล้ว อันดับแรกต้องปรับรูปแบบให้เป็นมาตรฐานเดียวกัน หากนำไฟล์ Word, PDF, PowerPoint และภาพสแกนที่ปะปนกันอยู่เข้าสู่ RAG โดยตรง ความแม่นยำในการดึงข้อความจะแตกต่างกันไปตามรูปแบบไฟล์ ส่งผลให้เกิดกรณีที่เนื้อหาเหมือนกันแต่บางเอกสารค้นหาเจอ ในขณะที่บางเอกสารค้นหาไม่เจอ สำหรับเอกสารที่เป็นข้อความหลักควรปรับให้เป็น PDF หรือ Plain text ส่วนเอกสารที่มีตารางหรือรูปภาพจำนวนมาก การเลือกรูปแบบที่สามารถรักษาโครงสร้างไว้ได้จะช่วยให้ผลลัพธ์มีความเสถียร

จุดที่มักจะละเลยได้ง่ายคือการใส่ Metadata แต่ในความเป็นจริง สิ่งนี้ส่งผลต่อความแม่นยำในการค้นหามากกว่ารูปแบบไฟล์เสียอีก หากมีการระบุข้อมูล เช่น ชื่อเรื่อง, แผนก, วันที่ออกเอกสาร, ระดับความลับ และประเภทเอกสารไว้ในแต่ละไฟล์ จะช่วยให้การกรองผลการค้นหาและการแสดงแหล่งอ้างอิงสำหรับคำตอบทำได้ง่ายขึ้นมาก วันที่ออกเอกสารเป็นหัวข้อที่เชื่อมโยงโดยตรงกับการจัดการเวอร์ชันของระเบียบและคู่มือที่จะกล่าวถึงในภายหลัง ดังนั้นการกำหนดกฎการกรอกข้อมูลไว้ตั้งแต่ขั้นตอนนี้จะช่วยลดการแก้ไขงานในขั้นตอนถัดไปได้ ทั้งนี้ ควรจำกัดจำนวนหัวข้อไว้ที่ประมาณ 5 รายการเพื่อให้เป็นไปได้จริง เพราะยิ่งเพิ่มจำนวนมากเท่าไหร่ ก็ยิ่งเกิดการกรอกข้อมูลตกหล่นมากขึ้น ซึ่งจะกลายเป็นสาเหตุที่ทำให้การจัดเตรียมข้อมูลหยุดชะงัก

สำหรับรายละเอียดเกี่ยวกับการแบ่งข้อความ (Text splitting) และการออกแบบ Chunk สามารถอ้างอิงเนื้อหาจาก วิธีสร้าง AI Chatbot ที่รองรับภาษาลาว ได้เช่นกัน

เมื่อการจัดเตรียมเอกสารเสร็จสิ้นแล้ว อย่าเพิ่งหยุดเพียงแค่นั้น ขั้นตอนการนำเอกสารเข้าสู่ RAG เพื่อทำการทดสอบการค้นหาจริงถือเป็นสิ่งที่ขาดไม่ได้ เพราะเราจะไม่ทราบเลยว่าเอกสารที่จัดเตรียมไว้จะถูกดึงออกมาโดย Search Engine หรือ AI ได้อย่างถูกต้องหรือไม่ จนกว่าจะได้ลองตั้งคำถามจริง

วิธีการทดสอบนั้นเรียบง่าย ให้ลิสต์คำถามที่พบบ่อยในการทำงานจริงออกมาประมาณ 10–20 ข้อ แล้วนำไปป้อนให้ AI เพื่อตรวจสอบคำตอบ โดยต้องตรวจสอบทีละข้อว่า AI ให้คำตอบตามที่คาดหวังหรือไม่ เอกสารที่ใช้อ้างอิงถูกต้องหรือไม่ และมีเอกสารเวอร์ชันเก่าหรือเอกสารที่ซ้ำซ้อนปะปนอยู่หรือไม่

หากคำตอบไม่ตรงประเด็น สาเหตุหลักมักแบ่งออกเป็น 3 รูปแบบ ได้แก่ หากในตัวเอกสารไม่มีข้อมูลที่จำเป็น ก็จำเป็นต้องจัดเตรียมข้อมูลเพิ่มเติม หากมีข้อมูลอยู่แล้วแต่ค้นหาไม่พบ การทบทวน Metadata หรือชื่อเรื่องจะเป็นวิธีที่มีประสิทธิภาพ และหากทั้งข้อมูลและการค้นหาไม่มีปัญหา แต่คำตอบยังไม่ถูกต้อง อาจจำเป็นต้องปรับจูนที่ตัวอัลกอริทึมการค้นหา

ในส่วนของการปรับปรุงความแม่นยำของอัลกอริทึมการค้นหานั้น เป็นคนละสาขาความเชี่ยวชาญกับการจัดเตรียมเอกสาร สำหรับรายละเอียดของเทคนิคต่างๆ เช่น Hybrid Search หรือ Reranking สามารถดูได้ที่ บทความเรื่อง Hybrid Search เพื่อปรับปรุงความแม่นยำในการค้นหา ดังนั้นในบทความนี้จะเน้นไปที่การตรวจสอบความพร้อมของฝั่งเอกสารเท่านั้น ทั้งนี้ ควรสะสมปัญหาที่พบจากการทดสอบไว้เป็นรายการสิ่งที่ต้องปรับปรุงเมื่อขยายขอบเขตพื้นที่สำคัญ ซึ่งจะเป็นประโยชน์ในรอบการตรวจสอบเอกสารครั้งถัดไป

จุดที่ควรให้ความสำคัญในการจัดระเบียบจะแตกต่างกันไปตามประเภทของเอกสาร โดยเรามาตรวจสอบจุดที่มักมองข้ามไปในเอกสารทั้ง 3 ประเภท ได้แก่ กฎระเบียบและคู่มือ, รายงานการประชุมและรายงานประจำวัน, และไฟล์ PDF ที่สแกนมา

ระเบียบและคู่มือเป็นเอกสารที่มีการแก้ไขปรับปรุงอยู่เสมอ ดังนั้นเมื่อนำเข้าสู่ RAG จึงจำเป็นต้องระบุให้ชัดเจนว่า "ฉบับใดเป็นฉบับล่าสุด" ในตอนแรกเรามักจะคิดว่าการเก็บไว้เพียงฉบับล่าสุดในโฟลเดอร์ก็เพียงพอแล้ว แต่ในความเป็นจริง การเก็บฉบับเก่าไว้โดยระบุวันที่มีผลบังคับใช้และวันสิ้นสุดผลบังคับใช้เป็นข้อมูลเมตา (Metadata) แล้วค่อยกำหนดให้ฉบับเก่าไม่อยู่ในขอบเขตการค้นหา จะมีประสิทธิภาพมากกว่า เนื่องจากหากลบฉบับเก่าทิ้งไปทั้งหมด จะทำให้ไม่สามารถติดตามประวัติการแก้ไขหรือตอบคำถามที่ต้องการตรวจสอบหลักฐานการดำเนินงานในอดีตได้

ในทางปฏิบัติ การกำหนดให้ชื่อไฟล์หรือข้อมูลเมตาต้องระบุ "วันที่มีผลบังคับใช้" "เลขที่ฉบับ" "ผู้อนุมัติ" และ "เหตุผลในการแก้ไข" ถือเป็นวิธีที่มีประสิทธิภาพ ตัวอย่างเช่น หากเป็นระเบียบข้อบังคับเกี่ยวกับการทำงาน หาก AI อ้างอิงฉบับที่ไม่ได้ระบุวันที่มีผลบังคับใช้ไว้อย่างชัดเจน อาจเกิดกรณีที่ AI ตอบข้อมูลเกี่ยวกับระบบวันลาที่ถูกยกเลิกไปแล้วได้ หากมีข้อความที่ขัดแย้งกันระหว่างก่อนและหลังการแก้ไข ควรใช้วิธีติดแท็ก "ห้ามอ้างอิง" (Reference Prohibited) ไว้ที่ฉบับเก่า และนำออกจากดัชนีการค้นหา (Search Index) จะเป็นวิธีที่เหมาะสมที่สุด

นอกจากนี้ ระเบียบต่างๆ มักมีกฎเฉพาะของแต่ละแผนก (Local Rules) การติดแท็กเพื่อแยกแยะระหว่างระเบียบของบริษัทและระเบียบของแผนกจึงมีความสำคัญเช่นกัน การจัดระเบียบกฎเกณฑ์การจัดการเวอร์ชันให้เรียบร้อย จะช่วยให้ AI สามารถตอบคำถามโดยอ้างอิงจากระเบียบที่ยังมีผลบังคับใช้อยู่ได้อย่างถูกต้องเสมอ

รายงานการประชุมและรายงานประจำวันแตกต่างจากระเบียบปฏิบัติหรือคู่มือตรงที่รูปแบบและความละเอียดของเนื้อหามักจะแตกต่างกันไปตามผู้เขียน อีกทั้งยังมีกรณีที่ระบุชื่อบุคคล ความคิดเห็นเชิงประเมิน และข้อมูลคู่ค้าไว้โดยตรงบ่อยครั้ง หากมีการบันทึกคำพูดที่เกี่ยวข้องกับการประเมินผลงานพนักงาน หรือเนื้อหาความไม่พอใจ/ข้อร้องเรียนต่อลูกค้าบางรายไว้ในรายงานการประชุม AI อาจนำข้อมูลเหล่านั้นไปอ้างอิงในผลการค้นหาสำหรับคำถามที่ไม่เกี่ยวข้องได้

ในการจัดเตรียมข้อมูล สิ่งที่มีประสิทธิภาพคือการแยกเนื้อหาออกเป็น "สิ่งที่ตัดสินใจในเชิงธุรกิจ" และ "ความคิดเห็น/การประเมินส่วนบุคคล" แม้สิ่งที่ตัดสินใจไปแล้วจะมีคุณค่าในฐานะองค์ความรู้ (Knowledge) แต่บันทึกคำพูดหรือการประเมินรายบุคคลมักไม่มีความจำเป็นต้องนำเข้าสู่ระบบ RAG จึงจำเป็นต้องมีการตัดสินใจแบ่งแยกชั้นความลับเพื่อคัดออก

รายงานประจำวันก็เช่นเดียวกัน มักเป็นเอกสารที่ปะปนไปด้วยบันทึกเกี่ยวกับเวลาทำงานหรือสุขภาพส่วนบุคคล หากในเนื้อหามีชื่อบุคคลหรือชื่อลูกค้าปรากฏอยู่ ควรพิจารณาการทำ Masking หรือการสรุปใจความใหม่ก่อนนำเข้าข้อมูล โดยอ้างอิงแนวคิดจากแนวทางปฏิบัติเกี่ยวกับข้อมูลที่ผ่านการแปรรูปให้เป็นข้อมูลนิรนาม (Anonymized Information) ทั้งนี้ แนวทางปฏิบัติของคณะกรรมการคุ้มครองข้อมูลส่วนบุคคล (Personal Information Protection Commission) ได้กำหนดภาระหน้าที่ในการประกาศรายการข้อมูลที่รวมอยู่ด้วยหากมีการสร้างข้อมูลที่ผ่านการแปรรูปจนไม่สามารถระบุตัวบุคคลได้ ดังนั้น ในเอกสารภายในองค์กรเองก็ควรมีการระบุให้ชัดเจนเป็นลายลักษณ์อักษรว่า "จะเก็บข้อมูลส่วนใดไว้ และจะตัดข้อมูลส่วนใดออก" เพื่อให้การดำเนินงานเป็นไปในทิศทางเดียวกัน

เนื่องจากรายงานการประชุมและรายงานประจำวันมีการอัปเดตบ่อยครั้ง แต่ข้อมูลจำนวนมากมักมีคุณค่าในการนำกลับมาใช้ซ้ำต่ำ การคัดเลือกเฉพาะส่วนที่สามารถใช้เป็นฐานอ้างอิงสำหรับระเบียบภายในองค์กรได้มาจัดเตรียมข้อมูล จึงเป็นแนวทางปฏิบัติที่เหมาะสมในเชิงธุรกิจ

เอกสารกฎระเบียบที่เป็นกระดาษ ไฟล์ PDF ที่สแกนจากใบสมัครในอดีต หรือประกาศที่ถ่ายภาพไว้ หากนำเข้าสู่ RAG โดยตรง อาจมีกรณีที่ไม่ถูกจดจำเป็นตัวอักษรและไม่ถูกค้นพบในการค้นหาเลย ต้องแปลงเป็นข้อความด้วย OCR (Optical Character Recognition) ก่อน จึงจะสามารถทำงานเป็นเป้าหมายของการค้นหาได้

สิ่งที่มักถูกมองข้ามในขั้นตอนนี้คือการตรวจสอบคุณภาพหลังการประมวลผล OCR ระบบ OCR มีแนวโน้มที่จะตีความผิดพลาดได้ง่ายกับตัวอักษรลายมือ ตารางที่มีเส้นบรรทัดจำนวนมาก หรือตัวอักษรที่อยู่ใกล้กับตราประทับที่เลือนราง หากเกิดการแปลงผิดพลาด เช่น อ่าน "日" (วัน) เป็น "目" (ตา) หรืออ่าน "1" เป็น "l" จะทำให้คำค้นหาไม่ตรงกับข้อความในเนื้อหา ส่งผลให้เอกสารที่เกี่ยวข้องไม่ปรากฏในผลการค้นหา

วิธีแก้ไขที่มีประสิทธิภาพคือการกำหนดขั้นตอนตรวจสอบข้อความหลังการประมวลผล OCR ด้วยตาเปล่าแบบสุ่มตัวอย่าง เพื่อตรวจสอบว่าตัวเลข วันที่ และชื่อเฉพาะที่สำคัญถูกแปลงอย่างถูกต้องหรือไม่ โดยเฉพาะช่องจำนวนเงินหรือช่องวันที่ในสัญญา ซึ่งเป็นส่วนที่หากเกิดข้อผิดพลาดจะส่งผลกระทบต่อการตัดสินใจทางธุรกิจ ควรได้รับการตรวจสอบเป็นลำดับความสำคัญแรก

สำหรับไฟล์ PDF ความละเอียดต่ำที่สร้างจากเครื่องสแกนรุ่นเก่า ควรพิจารณาสแกนใหม่ และหากเป็นไปได้ ควรค้นหาข้อมูลอิเล็กทรอนิกส์ต้นฉบับมาแทนที่ ซึ่งในบางกรณีวิธีนี้มีประสิทธิภาพมากกว่าการเพิ่มความพยายามในการปรับปรุงความแม่นยำของ OCR

การจัดทำเอกสารไม่ใช่การทำงานเพียงครั้งเดียวจบ เพื่อรักษาให้เอกสารอยู่ในสถานะหลังการตรวจสอบ (Inventory) อยู่เสมอ จำเป็นต้องมีการแต่งตั้งผู้รับผิดชอบในการอัปเดต รอบการทบทวนอย่างสม่ำเสมอ และกลไกการซิงโครไนซ์ข้อมูลระหว่างต้นฉบับกับฝั่ง AI ในส่วนนี้จะอธิบายถึงการสร้างระบบเพื่อดำเนินการอย่างต่อเนื่อง

การจัดทำเอกสารแม้จะทำให้สมบูรณ์ได้ในครั้งเดียว แต่หากเปลี่ยนผู้รับผิดชอบแล้วไม่มีการอัปเดต เอกสารก็จะเสื่อมสภาพลงภายในไม่กี่เดือน กลไกที่ขาดไม่ได้ในการรักษาความสมบูรณ์ของเอกสารคือ การระบุผู้รับผิดชอบในการอัปเดตให้ชัดเจนและการกำหนดรอบการตรวจสอบ (Inventory cycle)

โดยพื้นฐานแล้ว ผู้รับผิดชอบควรมีเพียงคนเดียวต่อหนึ่งเอกสาร เพื่อให้มั่นใจว่า "ใครเป็นผู้รับรองความถูกต้อง" ของเอกสารนั้นๆ ผู้ที่เหมาะสมที่สุดคือผู้ที่ใช้งานเอกสารนั้นจริงและรับทราบการเปลี่ยนแปลง เช่น ฝ่ายธุรการหรือฝ่ายบุคคลสำหรับระเบียบข้อบังคับต่างๆ หรือหัวหน้างานในแต่ละหน้างานสำหรับคู่มือการปฏิบัติงาน การที่ฝ่ายระบบสารสนเทศ (IT) จะเป็นผู้รับผิดชอบทำความเข้าใจและอัปเดตเนื้อหาทั้งหมดนั้นไม่สมเหตุสมผลนัก การแบ่งบทบาทหน้าที่โดยให้ฝ่ายปฏิบัติงานรับผิดชอบความถูกต้องของเนื้อหา และให้ฝ่ายระบบสารสนเทศรับผิดชอบความสอดคล้องของรูปแบบและข้อมูลเมตา (Metadata) มักจะเป็นวิธีที่ได้ผลดีกว่า

การกำหนดรอบการตรวจสอบตามความถี่ในการอัปเดตเอกสารเป็นวิธีที่นำไปใช้ได้จริง:

• เอกสารที่มีการแก้ไขน้อย เช่น ระเบียบข้อบังคับ คู่มือต่างๆ: ตรวจสอบทุกครึ่งปีหรือปีละ 1 ครั้ง
• เอกสารที่มีการอัปเดตบ่อย เช่น รายงานการประชุม, FAQ, ขั้นตอนการปฏิบัติงาน: ตรวจสอบเป็นรายเดือนหรือรายไตรมาส
• เอกสารที่เกี่ยวข้องกับการเปลี่ยนแปลงกฎหมายหรือระเบียบภายในบริษัท: อัปเดตทันทีเมื่อมีการเปลี่ยนแปลง

หากไม่มีการกำหนดรอบที่ชัดเจนและใช้การดำเนินงานแบบ "แก้ไขเมื่อนึกได้" จะทำให้เอกสารฉบับเก่าตกค้างอยู่ ซึ่งเป็นสาเหตุที่ทำให้ AI นำข้อมูลเก่าไปตอบคำถาม ผลการตรวจสอบควรบันทึกไว้ในสมุดทะเบียนหรือรายการตรวจสอบ (Checklist) อย่างง่าย เพื่อให้ผู้รับผิดชอบคนถัดไปสามารถติดตามสถานะได้ ซึ่งจะเป็นรากฐานสำคัญในการรักษาความสมบูรณ์ของเอกสารในระยะยาว

แม้จะมีการอัปเดตเอกสารต้นฉบับ แต่หากดัชนี (Index) ที่ RAG อ้างอิงไม่ได้รับการอัปเดตโดยอัตโนมัติ AI ก็จะยังคงตอบด้วยเนื้อหาที่ล้าสมัย ประเด็นสำคัญของหัวข้อนี้คือการสร้างกลไกการซิงโครไนซ์ระหว่างเอกสารต้นฉบับและข้อมูลสำหรับการค้นหา

ในอุดมคติควรเป็นไปป์ไลน์ที่ตรวจจับการเปลี่ยนแปลงของแหล่งจัดเก็บเอกสารและทำการทำดัชนีใหม่ (Re-indexing) โดยอัตโนมัติ การใช้เหตุการณ์การอัปเดตจากระบบ Cloud Storage หรือระบบจัดการความรู้ (Knowledge Management System) มาเป็นตัวกระตุ้น (Trigger) เพื่อสะท้อนการเพิ่ม แก้ไข หรือลบข้อมูลแบบส่วนต่าง (Differential update) จะช่วยป้องกันการตกหล่นจากการดำเนินการด้วยตนเอง หากการทำระบบอัตโนมัติทำได้ยาก สามารถใช้การประมวลผลแบบแบตช์ (Batch processing) ตามความถี่ของการอัปเดตแทนได้ แต่จำเป็นต้องแจ้งให้ผู้ใช้ทราบถึงความล่าช้าในการอัปเดตข้อมูล (เช่น หากเป็นแบตช์รายวัน อาจมีความล่าช้าสูงสุดถึง 1 วัน)

สิ่งที่ต้องระวังคือการซิงโครไนซ์เมื่อมีการลบข้อมูล หากเอกสารต้นฉบับถูกลบหรือตั้งค่าเป็นส่วนตัวแล้ว แต่ข้อมูลในฝั่งการค้นหายังคงอยู่ AI อาจนำข้อมูลที่หมดอายุไปใช้เป็นฐานในการตอบคำถาม ดังนั้น การออกแบบการซิงโครไนซ์แบบสองทาง (Bi-directional synchronization) ที่ครอบคลุมทั้งการเพิ่ม การอัปเดต และการลบ จึงเป็นสิ่งที่ขาดไม่ได้

สำหรับการแบ่งข้อความ (Text splitting) และการออกแบบโครงสร้างดัชนี สามารถดูรายละเอียดเพิ่มเติมได้ที่ วิธีสร้าง AI แชทบอทที่รองรับภาษาลาว — การบรรลุระดับการใช้งานจริงด้วยภาษาทรัพยากรต่ำ × RAG

ในหน้างานการจัดทำเอกสาร มักพบความล้มเหลวสองประการที่เกิดขึ้นซ้ำซาก ได้แก่ การหยุดชะงักจากความสมบูรณ์แบบนิยม (Perfectionism) และความเสื่อมถอยจากการที่ข้อมูลไม่ตรงกันหลังจากจัดทำเสร็จ ทั้งสองปัญหาสามารถหลีกเลี่ยงได้เพียงแค่ปรับเปลี่ยนวิธีการทำงานเล็กน้อย ในหัวข้อ H3 ถัดไป ผมจะสรุปสาเหตุและแนวทางแก้ไขไว้อย่างเป็นรูปธรรมครับ

หากแผนกสารสนเทศตั้งเป้าหมายที่จะจัดเตรียมเอกสารทั้งหมดให้สมบูรณ์แบบ มักจะพบกรณีที่ต้องใช้เวลาหลายเดือนเพียงแค่ในขั้นตอนการวางแผนก่อนเริ่มงานจริง ในองค์กรที่มีเอกสารตั้งแต่หลายร้อยไปจนถึงหลายพันฉบับ หากพยายามจำแนกชั้นความลับและใส่ข้อมูลเมตา (metadata) ให้เสร็จสิ้นพร้อมกันทั้งหมด จะต้องใช้เวลาในการปรับเกณฑ์การตัดสินใจและตรวจสอบกับแผนกที่เกี่ยวข้อง จนทำให้ไม่สามารถไปถึงขั้นตอนการทดสอบการค้นหาได้เลย

ในหน้างานที่สามารถก้าวข้ามอุปสรรคนี้ได้ การตัดสินใจที่ให้ความสำคัญกับความรวดเร็วในการเริ่มงานมากกว่าความสมบูรณ์แบบนั้นได้ผลดี โดยใช้วิธีเลือกเฉพาะระเบียบปฏิบัติหรือคู่มือที่มีการใช้งานบ่อยเพียงบางส่วนมาทำการสำรวจและจำแนกชั้นความลับ เพื่อให้สามารถดำเนินการทดสอบการค้นหาได้ก่อน เมื่อได้ทดลองค้นหาจริง จะพบปัญหาที่คาดไม่ถึง เช่น ความไม่สอดคล้องของคำที่ใช้หรือการมีเอกสารฉบับเก่าปะปนอยู่ ซึ่งสามารถนำไปปรับใช้ในการสร้างเกณฑ์สำหรับขั้นตอนถัดไปได้ทันที

ในส่วนของเกณฑ์การตัดสินใจ หากเป็นแผนกขนาดเล็กที่มีเอกสารเพียงไม่กี่สิบฉบับ สามารถดำเนินการจัดเตรียมแบบรวดเดียวโดยไม่ต้องจำกัดขอบเขตได้ แต่หากเป็นกรณีที่ครอบคลุมหลายแผนกและมีเอกสารมากกว่าหลายร้อยฉบับ การกำหนดพื้นที่ที่มีความสำคัญลำดับต้นๆ แล้วค่อยๆ ขยายผลทีละขั้นจะช่วยให้การนำระบบไปใช้งานไม่หยุดชะงัก การไม่ยึดติดกับแผนการจัดเตรียมที่ตายตัวตั้งแต่ต้น แต่ใช้วิธีตรวจสอบในวงเล็กก่อนแล้วค่อยขยายผล จะช่วยเพิ่มความสมบูรณ์ของการจัดเตรียมให้สูงขึ้นในท้ายที่สุด

แม้จะมีการจัดเตรียมเอกสารไว้เป็นอย่างดีแล้ว แต่หากการดำเนินงานในภายหลังทำให้ข้อมูลไม่ซิงค์กับ RAG ความแม่นยำในการค้นหาก็จะค่อยๆ ลดลง กรณีที่พบบ่อยคือการที่เอกสารต้นฉบับถูกอัปเดต แต่ดัชนี (Index) หรือข้อมูลเวกเตอร์ (Vector data) ที่อยู่ใน RAG ยังคงเป็นเวอร์ชันเก่า ซึ่งในกรณีนี้ AI จะยังคงตอบคำถามโดยยึดเนื้อหาเดิมที่ไม่อัปเดตเป็นคำตอบที่ถูกต้อง

สถานการณ์ที่มักทำให้เกิดปัญหาข้อมูลไม่ซิงค์ (Sync loss) สามารถแบ่งออกได้เป็นหลายกรณีเพื่อให้เข้าใจได้ง่ายขึ้น:

• ในกรณีที่ต้องนำเอกสารเข้าสู่ RAG ด้วยตนเอง หากผู้รับผิดชอบลืมอัปเดต ข้อมูลจะเกิดความคลาดเคลื่อนทันที
• แม้จะมีระบบเชื่อมต่อโฟลเดอร์หรือระบบ Crawl อัตโนมัติ แต่หากเอกสารถูกย้ายหรือบันทึกไว้นอกขอบเขตของโฟลเดอร์ที่กำหนด ระบบก็จะไม่สามารถดึงข้อมูลเหล่านั้นเข้ามาได้
• เมื่อมีการลบหรือรวมเอกสาร หากดัชนีของเวอร์ชันเก่าหลงเหลืออยู่ จะกลายเป็นสาเหตุที่ทำให้เกิดการตอบคำถามซ้ำซ้อน

แนวทางแก้ไขที่มีประสิทธิภาพไม่ใช่การนำเข้าข้อมูลใหม่ทุกครั้งที่มีการอัปเดต แต่เป็นการทำให้ตำแหน่งที่จัดเก็บเอกสารกับเป้าหมายที่ RAG ดึงข้อมูลมานั้นตรงกัน และสร้างระบบที่ทำงานอัตโนมัติตั้งแต่การตรวจจับการอัปเดตไปจนถึงการสะท้อนผลเข้าสู่ระบบ ทั้งนี้ การปรับปรุงการแบ่งข้อความ (Text splitting) หรือความแม่นยำในการค้นหาเป็นอีกประเด็นหนึ่ง ซึ่งเกี่ยวข้องกับการตัดสินใจด้านการออกแบบที่กล่าวถึงใน การนำ Enterprise RAG ไปใช้งานจริง แต่ในที่นี้ สิ่งสำคัญที่ต้องคำนึงถึงเป็นอันดับแรกคือ การดำเนินงานเพื่อตรวจสอบอย่างสม่ำเสมอว่า "สถานะของเอกสารต้นฉบับและ RAG ตรงกันอยู่เสมอหรือไม่" ซึ่งถือเป็นจุดเริ่มต้นของการป้องกันไม่ให้ประสิทธิภาพของระบบลดลง

Q1. ควรเริ่มจัดเตรียมเอกสารภายในองค์กรจากตรงไหนดี? ไม่จำเป็นต้องจัดเตรียมเอกสารทั้งหมดในคราวเดียว แต่ควรเริ่มจากส่วนที่มีการใช้งานบ่อยและมีการอัปเดตบ่อยจะคุ้มค่าที่สุด ในทางปฏิบัติควรให้ความสำคัญกับระเบียบหรือคู่มือที่มีการสอบถามเข้ามาบ่อย โดยเริ่มจากการทำรายการสำรวจ (Inventory) และกำหนดระดับความลับให้เรียบร้อยก่อน จากนั้นจึงค่อยดำเนินการในส่วนของการกำหนดรูปแบบมาตรฐาน (Formatting) และการใส่ข้อมูลเมตา (Metadata) ตามลำดับ

Q2. เอกสารลับสามารถนำเข้าสู่ RAG ได้หรือไม่? การจัดการจะขึ้นอยู่กับระดับความลับของเอกสาร สำหรับเอกสารที่มีข้อมูลส่วนบุคคลหรือข้อมูลทรัพยากรบุคคล จำเป็นต้องพิจารณาโดยตั้งอยู่บนพื้นฐานของการทำข้อมูลให้เป็นนิรนาม (Anonymization) หรือการควบคุมการเข้าถึง ซึ่งในทางปฏิบัติควรแยกเอกสารเหล่านี้ออกจากข้อมูลที่จะนำเข้า หรือจัดเก็บไว้ในพื้นที่เฉพาะที่มีการจำกัดขอบเขตการเข้าถึง ทั้งนี้ การออกแบบระดับความลับควรเป็นสิ่งที่กำหนดไว้ตั้งแต่ขั้นตอนการทำรายการสำรวจ

Q3. ควรนำไฟล์ PDF ที่สแกนมาหรือเอกสาร OCR มาจัดเตรียมด้วยหรือไม่? เอกสารที่ผ่าน OCR แล้วมีความแม่นยำต่ำ หากนำเข้าโดยตรงอาจทำให้เกิดคำตอบที่ผิดพลาดได้ จึงจำเป็นต้องตรวจสอบคุณภาพของข้อความก่อน หากเอกสารใดมีการอ่านผิดพลาดบ่อย ควรลดลำดับความสำคัญลง หรือพิจารณาทางเลือกในการแปลงเอกสารเป็นรูปแบบดิจิทัลใหม่โดยเริ่มจากเอกสารที่มีการใช้งานบ่อยก่อน

Q4. ควรทบทวนเอกสารที่จัดเตรียมไว้บ่อยแค่ไหน? สำหรับระเบียบหรือคู่มือที่มีการอัปเดตบ่อย ควรมีกลไกที่อัปเดตข้อมูลอ้างอิงในฝั่ง AI ทุกครั้งที่มีการเปลี่ยนแปลง ส่วนเอกสารที่มีการอัปเดตน้อย สามารถตรวจสอบตามรอบการทำรายการสำรวจตามปกติได้ การแบ่งความถี่ในการทบทวนตามลักษณะของเอกสารถือเป็นวิธีที่เหมาะสมในทางปฏิบัติ

Q5. การแบ่งข้อความ (Text Chunking) และการปรับปรุงความแม่นยำในการค้นหา รวมอยู่ในขอบเขตของบทความนี้หรือไม่? บทความนี้เน้นเฉพาะการจัดเตรียมเอกสารก่อนนำเข้าเท่านั้น สำหรับการออกแบบการแบ่งส่วนข้อมูล (Chunking) สามารถดูรายละเอียดได้ที่ วิธีสร้าง AI Chatbot รองรับภาษาลาว — การบรรลุระดับใช้งานจริงด้วยภาษาทรัพยากรต่ำ × RAG และสำหรับวิธีการปรับปรุงความแม่นยำในการค้นหา สามารถดูรายละเอียดได้ที่ การนำ Enterprise RAG ไปใช้งานจริง — รูปแบบการใช้งาน Agentic RAG และ Hybrid Search ที่พิสูจน์แล้วจาก Chatbot ภาษาลาว

การเตรียมเอกสารภายในองค์กรเพื่อนำไปใช้กับ AI ไม่ใช่โครงการแบบเหมาเข่งที่ต้องทำกับเอกสารทั้งหมดในคราวเดียว การเริ่มจากส่วนที่มีการใช้งานบ่อย จัดหมวดหมู่ความลับและรูปแบบเอกสารให้เรียบร้อย แล้วค่อยๆ ขยายขอบเขตไปพร้อมกับการทดสอบการค้นหา จะช่วยให้ระยะเวลาในการนำไปใช้งานจริงและคุณภาพของการตรวจสอบมีความเสถียรมากกว่า

การเริ่มจากส่วนที่มีความสำคัญก่อนแล้วรีบเข้าสู่ขั้นตอนการทดสอบการค้นหา เพื่อนำข้อผิดพลาดจากคำตอบที่ได้มาวิเคราะห์หาจุดบกพร่องนั้นเป็นวิธีที่ใช้งานได้จริงมากกว่าการรอให้ทุกอย่างสมบูรณ์แบบแล้วค่อยเริ่ม เพราะสาเหตุหลักที่ทำให้การเตรียมเอกสารหยุดชะงักคือแนวคิดที่ว่า "ต้องทำให้เสร็จทั้งหมดก่อนถึงจะเริ่มได้"

หลังจากเตรียมเอกสารเสร็จสิ้น สิ่งที่ขาดไม่ได้คือการกำหนดผู้รับผิดชอบในการอัปเดตและรอบการตรวจสอบ รวมถึงการรักษากลไกการซิงโครไนซ์เพื่อให้การแก้ไขเอกสารสะท้อนกลับไปยัง Knowledge Base อยู่เสมอ หากขาดการซิงโครไนซ์ เอกสารที่เตรียมไว้อย่างดีก็จะเสื่อมสภาพลงอย่างรวดเร็ว ส่วนการปรับแต่งทางเทคนิคหลังการนำไปใช้งาน เช่น การแบ่งข้อความ (Text Splitting) หรือการปรับปรุงความแม่นยำในการค้นหา เป็นส่วนที่ควรดำเนินการตามขั้นตอนเฉพาะทางตามวัตถุประสงค์ การเริ่มจากจุดเล็กๆ ตรวจสอบคุณภาพด้วยการทดสอบการค้นหา แล้วค่อยๆ ขยายขอบเขตและระบบการดำเนินงานไปทีละขั้น คือแนวทางที่เป็นจริงที่สุดในการสร้าง Knowledge Base ให้ประสบความสำเร็จ