AI Embeddings

AI Embeddings คืออะไร

Embeddings คือวิธีที่ระบบ AI ใช้ทำความเข้าใจความหมาย เมื่อเอเจนต์ AIต้องหาคำตอบที่ถูกต้องให้กับคำถามของลูกค้า ระบบจะไม่ค้นหาคีย์เวิร์ดที่ตรงกันทุกตัวอักษร แต่จะแปลงทั้งคำถามและความรู้ทั้งหมดที่มีเป็นเวกเตอร์เชิงตัวเลข (ชุดของตัวเลข) ที่แทนความหมายเชิง semantic คำถามและคำตอบที่มีความหมายใกล้เคียงกันจะอยู่ใกล้กันใน vector space นี้ ทำให้เอเจนต์หาข้อมูลที่เกี่ยวข้องได้ แม้ลูกค้าจะใช้คำที่ต่างจากในเอกสารโดยสิ้นเชิง

ตัวอย่างเช่น ลูกค้าที่ถามว่า "จะขอเงินคืนได้อย่างไร" กับเอกสารชื่อ "นโยบายการคืนเงินและคืนสินค้า" ใช้คำต่างกัน แต่มี embedding ที่คล้ายกัน เพราะมีความหมายพื้นฐานเดียวกัน

Embeddings ทำงานอย่างไรในงานบริการลูกค้า

เมื่อติดตั้งระบบ AI สำหรับงานบริการลูกค้า บทความในฐานความรู้ เอกสารผลิตภัณฑ์ และเนื้อหาซัพพอร์ตทั้งหมดจะถูกแปลงเป็น embedding และจัดเก็บไว้ใน vector database เมื่อลูกค้าส่งข้อความมา ข้อความนั้นก็จะถูกแปลงเป็น embedding เช่นกัน จากนั้นระบบจะทำ similarity search — ค้นหาเนื้อหาที่จัดเก็บไว้ซึ่งมี embedding ใกล้เคียงกับ embedding ของคำถามลูกค้ามากที่สุด

นี่คือรากฐานของ Retrieval-Augmented Generation (RAG) — สถาปัตยกรรมที่ใช้กันแพร่หลายที่สุดในการยึดโยงคำตอบของ AI เข้ากับเนื้อหาที่เป็นข้อเท็จจริง คุณภาพของ embedding เป็นตัวกำหนดคุณภาพของการดึงข้อมูลโดยตรง ซึ่งส่งผลต่อความแม่นยำของคำตอบจากเอเจนต์ AI อีกทอดหนึ่ง

ทำไมคุณภาพของ Embedding จึงสำคัญ

Embedding ที่ไม่ดีนำไปสู่การดึงข้อมูลที่ไม่ดี และนำไปสู่คำตอบที่ไม่ดี หากโมเดล embedding ไม่เข้าใจว่า "ยกเลิกบัญชีของฉัน" กับ "ปิดการสมัครใช้บริการของฉัน" มีความหมายใกล้เคียงกัน เอเจนต์ AI ก็จะหาเอกสารนโยบายที่ถูกต้องไม่เจอ และอาจสร้างคำตอบที่ไม่มีอยู่จริง (hallucinate) หรือส่งต่อโดยไม่จำเป็น

บริบทเชิงเทคนิค: โมเดล embedding สมัยใหม่สร้างเวกเตอร์ที่มี 768 ถึง 3,072 มิติ ซึ่งเก็บความสัมพันธ์เชิง semantic ที่ละเอียดอ่อนได้ Embedding เฉพาะโดเมนที่เทรนด้วยข้อมูลงานบริการลูกค้าสามารถทำผลงานได้ดีกว่า embedding ทั่วไป 10-25% ในงานดึงข้อมูลเฉพาะด้านซัพพอร์ต

ข้อได้เปรียบของ Maven: Knowledge Graph ที่ก้าวไกลกว่า Embeddings

ขณะที่ embeddings ขับเคลื่อน semantic search ขั้นพื้นฐาน Maven AGI ก้าวไปอีกขั้นด้วย knowledge graph แบบมีโครงสร้าง ที่ไม่ได้เก็บแค่ความคล้ายคลึงเชิง semantic แต่ยังเก็บความสัมพันธ์ระหว่างแนวคิด นโยบาย ผลิตภัณฑ์ และเวิร์กโฟลว์ ซึ่งหมายความว่า Maven เข้าใจได้ว่าคำถามเรื่อง "การคืนสินค้าที่ชำรุด" เชื่อมโยงกับนโยบายการคืนสินค้า เงื่อนไขการรับประกัน นโยบายการจัดส่ง และประวัติคำสั่งซื้อของลูกค้ารายนั้น — ระดับความเข้าใจบริบทที่การค้นหาด้วย embedding แบบแบนเพียงอย่างเดียวทำไม่ได้

ผลลัพธ์จริงจาก Maven: Enumerate มีอัตราการแก้ปัญหา 91% ด้วยการใช้ knowledge graph ของ Maven เชื่อมโยงเครือข่ายข้อมูลที่ซับซ้อนทั้งข้อมูลอสังหาริมทรัพย์ ข้อมูลผู้เช่า และเวิร์กโฟลว์งานซ่อมบำรุง — ความสัมพันธ์ที่การค้นหาด้วย embedding แบบธรรมดาจะมองข้ามไป

คำถามที่พบบ่อย

Embeddings ต่างจากคีย์เวิร์ดอย่างไร

คีย์เวิร์ดจับคู่ข้อความที่ตรงกันทุกตัวอักษร ส่วน embeddings จับคู่ความหมาย การค้นหาคีย์เวิร์ด "คืนเงิน" จะไม่เจอเอกสารเรื่อง "การส่งคืนสินค้าเพื่อรับเครดิต" แต่การค้นหาด้วย embedding จะเจอ เพราะทั้งสองแนวคิดมีความหมายเชิง semantic ใกล้เคียงกันใน vector space

ต้องอัปเดต embeddings เมื่อเนื้อหาเปลี่ยนหรือไม่

ต้อง เมื่อมีการเพิ่ม แก้ไข หรือลบเนื้อหาในฐานความรู้ ต้องสร้าง embedding ที่เกี่ยวข้องใหม่ให้สะท้อนการเปลี่ยนแปลง แพลตฟอร์ม AI ระดับองค์กรจะทำกระบวนการนี้โดยอัตโนมัติ เพื่อให้การอัปเดตเนื้อหาสะท้อนในความสามารถในการดึงข้อมูลของเอเจนต์ได้ทันที

Embeddings ใช้ข้ามภาษาได้หรือไม่

โมเดล embedding หลายภาษาสมัยใหม่สามารถแทนข้อความจากภาษาต่างๆ ไว้ใน vector space เดียวกัน ซึ่งหมายความว่าลูกค้าที่ถามเป็นภาษาสเปนสามารถจับคู่กับเอกสารที่เขียนเป็นภาษาอังกฤษได้ ช่วยให้รองรับซัพพอร์ตหลายภาษาได้โดยไม่ต้องทำเนื้อหาซ้ำในทุกภาษา