Grounding (ใน AI)

Grounding ใน AI คืออะไร

Grounding คือเทคนิคการยึดโยงคำตอบของเอเจนต์ AIเข้ากับแหล่งข้อมูลที่ผ่านการตรวจสอบและเชื่อถือได้ เมื่อเอเจนต์ AI มี grounding ที่ดี ทุกข้อความที่ตอบจะตรวจสอบย้อนกลับไปยังเอกสาร ระเบียนในฐานข้อมูล หรือบทความในฐานความรู้ที่เฉพาะเจาะจงได้ นี่คือแนวป้องกันหลักต่อ AI hallucination ซึ่งเป็นแนวโน้มที่ large language model จะสร้างข้อมูลที่ฟังดูน่าเชื่อแต่แต่งขึ้นเอง

ในงานบริการลูกค้า grounding ช่วยให้มั่นใจว่าเมื่อเอเจนต์ AI บอกลูกค้าว่า "การรับประกันของคุณครอบคลุมกรณีนี้เป็นเวลา 24 เดือน" ข้อมูลนั้นมาจากนโยบายการรับประกันจริงโดยตรง ไม่ใช่จากข้อมูลเทรนทั่วไปของโมเดล

Grounding ทำงานอย่างไร

โดยทั่วไป grounding ทำงานผ่าน Retrieval-Augmented Generation (RAG) เมื่อลูกค้าถามคำถาม ระบบจะดึงเอกสารที่เกี่ยวข้องจากฐานความรู้หรือระบบที่เชื่อมต่อก่อน จากนั้นส่งเอกสารเหล่านั้นเป็นบริบทให้โมเดลภาษา ซึ่งจะสร้างคำตอบจากข้อมูลที่ผ่านการตรวจสอบนั้นแทนข้อมูลเทรนทั่วไป

ระบบ grounding ขั้นสูงยังทำได้มากกว่านั้น ด้วย:

• การติดตามการอ้างอิง: เชื่อมโยงแต่ละข้อความในคำตอบกับเอกสารต้นทาง
• การให้คะแนนความมั่นใจ: วัดว่าแต่ละข้อความมีหลักฐานจากข้อมูลที่ดึงมารองรับมากน้อยเพียงใด
• การตรวจจับความขัดแย้ง: ระบุเมื่อแหล่งข้อมูลขัดแย้งกันเอง
• การตรวจสอบความเป็นปัจจุบัน: ตรวจสอบว่าแหล่งข้อมูลยังเป็นปัจจุบันและไม่ถูกแทนที่ด้วยข้อมูลใหม่

งานวิจัยในอุตสาหกรรม: Microsoft Research พบว่าการใช้การดึงข้อมูลจาก knowledge graph ร่วมกับ RAG ช่วยเพิ่มความแม่นยำของข้อเท็จจริงได้ราว 23% และมีความพึงพอใจของผู้ใช้ 89% แสดงให้เห็นผลลัพธ์ที่วัดได้ของเทคนิค grounding

ทำไม Grounding จึงสำคัญต่อ AI ระดับองค์กร

งานบริการลูกค้าในองค์กรต้องการความแม่นยำ คำตอบที่เกิดจาก hallucination เกี่ยวกับนโยบายการคืนเงิน ปฏิกิริยาระหว่างยา หรือผลิตภัณฑ์ทางการเงิน อาจก่อให้เกิดความรับผิดทางกฎหมาย ทำลายความเชื่อมั่นของลูกค้า และละเมิดข้อกำหนดด้านกฎระเบียบ Grounding เปลี่ยน AI จากเครื่องสร้างข้อความเชิงความน่าจะเป็น ให้เป็นระบบข้อมูลที่เชื่อถือได้ซึ่งองค์กรไว้วางใจให้สื่อสารกับลูกค้าได้

ข้อได้เปรียบของ Maven: คำตอบที่มี grounding พร้อมตรวจสอบย้อนกลับได้ครบถ้วน

สถาปัตยกรรมของ Maven AGI สร้างขึ้นบน grounding ทุกคำตอบที่ Agent Maven สร้างขึ้นตรวจสอบย้อนกลับไปยังแหล่งที่มาใน knowledge graph หรือระบบต้นทางที่เชื่อมต่อได้ Inbox ของ Maven ตรวจจับช่องว่าง ความขัดแย้ง เนื้อหาซ้ำซ้อน และเนื้อหาที่ล้าสมัยในฐานความรู้โดยอัตโนมัติ เพื่อให้ข้อมูลที่ใช้ grounding มีความถูกต้องอยู่เสมอ เมื่อเอเจนต์หาข้อมูลอ้างอิงไม่เพียงพอที่จะตอบได้อย่างมั่นใจ ก็จะส่งต่อให้เจ้าหน้าที่แทนการคาดเดา

ผลลัพธ์จริงจาก Maven: Mastermind มีอัตราการแก้ไขปัญหาผ่านไลฟ์แชท 93% ด้วย Maven AGI โดยคำตอบอ้างอิงเอกสารผลิตภัณฑ์และนโยบายจริงของบริษัท แสดงให้เห็นว่า AI ที่มี grounding ไม่ต้องแลกกับความเร็วหรือความสามารถในการแก้ปัญหา

คำถามที่พบบ่อย

Grounding ต่างจาก RAG อย่างไร

RAG เป็นหนึ่งในเทคนิคที่ใช้เพื่อให้เกิด grounding ส่วน grounding คือหลักการที่กว้างกว่าในการทำให้ผลลัพธ์ของ AI เชื่อมโยงกับแหล่งข้อมูลที่ผ่านการตรวจสอบ RAG ทำได้ด้วยการดึงเอกสารที่เกี่ยวข้อง ณ เวลาที่มีคำถาม เทคนิค grounding อื่นๆ ได้แก่ การสืบค้นผ่าน knowledge graph การค้นหาในฐานข้อมูล และการผสานข้อมูลแบบมีโครงสร้าง

Grounding กำจัด hallucination ได้ทั้งหมดหรือไม่

Grounding ลด hallucination ได้อย่างมาก แต่ไม่ได้กำจัดได้ทั้งหมด โมเดล AI ยังอาจตีความผิดหรือนำข้อมูลที่ดึงมารวมกันอย่างไม่ถูกต้องได้บ้างเป็นครั้งคราว ระบบระดับองค์กรรับมือกับปัญหานี้ด้วย guardrails เกณฑ์ความมั่นใจ และเส้นทางการส่งต่อให้เจ้าหน้าที่

Grounding ทำงานกับข้อมูลแบบเรียลไทม์อย่างไร

สำหรับข้อมูลที่เปลี่ยนแปลงตลอดเวลา เช่น สถานะคำสั่งซื้อหรือยอดคงเหลือในบัญชี grounding ทำงานผ่านการเรียก API แบบเรียลไทม์แทนเอกสารที่ทำดัชนีไว้ล่วงหน้า เอเจนต์ AI จะสืบค้นจากระบบที่ใช้งานอยู่จริงและใช้ข้อมูลปัจจุบันเป็นแหล่งอ้างอิง เพื่อให้คำตอบสะท้อนสถานะจริงของบัญชีลูกค้า