การเดินทางของ Sergey Brin: จากอัลกอริธึมการค้นหา สู่ปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI)
สำรวจเส้นทางของ Sergey Brin จากอัลกอริธึมการค้นหาในยุคแรกสู่ Generative AI ปัจจุบัน พร้อมแนวคิดสำคัญเรื่องการปรับขนาด ผลกระทบต่อผลิตภัณฑ์ และคำถามที่ยังเปิดอยู่
ทำไม Sergey Brin ยังคงมีความสำคัญต่อ AI และการค้นหา
เรื่องราวของ Sergey Brin มีความสำคัญไม่ใช่เพราะเรื่องราวดาราหรือเกร็ดบริษัท แต่เพราะมันลากเส้นตรงจากปัญหา การค้นหาแบบคลาสสิก (จะค้นหาคำตอบที่ดีที่สุดบนเว็บเปิดได้อย่างไร) มาสู่คำถามที่ทีมเผชิญวันนี้กับ AI สมัยใหม่ (จะสร้างผลลัพธ์ที่เป็นประโยชน์โดยไม่เสียความถูกต้อง ความเร็ว หรือความน่าเชื่อถือได้อย่างไร) งานของเขาอยู่ที่จุดตัดของอัลกอริธึม ข้อมูล และระบบ—ตรงจุดที่การค้นหาและ Generative AI พบกัน
บทความนี้คืออะไร (และไม่ใช่อะไร)
นี่คือทัวร์เชิงแนวคิดของเหตุการณ์สำคัญ: แนวคิดอย่าง PageRank เปลี่ยนความเกี่ยวข้องอย่างไร, การเรียนรู้ของเครื่องเข้ามาแทนกฎที่เขียนด้วยมือได้อย่างไร, และทำไมการเรียนรู้เชิงลึกจึงช่วยให้เข้าใจภาษาได้ดีขึ้น มันไม่ใช่ซุบซิบ ดราม่าภายใน หรือไทม์ไลน์ข่าว จุดมุ่งหมายคืออธิบาย ทำไม การเปลี่ยนแปลงเหล่านี้สำคัญ และมันหล่อหลอมผลิตภัณฑ์ที่ผู้คนใช้ได้อย่างไร
“Generative AI ในระดับสเกล” แบบเข้าใจง่าย
Generative AI จะเรียกว่า “ระดับสเกล” เมื่อมันต้องทำงานเหมือนการค้นหา: หลายล้านผู้ใช้ ความหน่วงต่ำ ต้นทุนที่คาดการณ์ได้ และคุณภาพที่สม่ำเสมอ นั่นหมายถึงมากกว่าสาธิตโมเดลที่ฉลาด มันรวมถึง:
- การฝึกบนชุดข้อมูลขนาดใหญ่ท่ามกลางข้อจำกัดทางคอมพิวต์จริงจัง
- การให้คำตอบอย่างรวดเร็วภายใต้การจราจรหนาแน่น
- การยึดผลลัพธ์กับแหล่งที่เชื่อถือได้เมื่อความถูกต้องสำคัญ
- การเพิ่มการควบคุมด้านความปลอดภัยและนโยบายโดยไม่ทำให้การใช้งานเสียประโยชน์
สิ่งที่คุณจะได้จากบทความนี้
พออ่านจบ คุณจะเชื่อมต่อยุคการค้นหากับผลิตภัณฑ์สไตล์แชทในปัจจุบันได้ เข้าใจว่าทำไมการเรียกคืน (retrieval) และการสร้าง (generation) จึงผสมกัน และยืมหลักการปฏิบัติสำหรับทีมผลิตภัณฑ์—การวัด ผลความเกี่ยวข้อง การออกแบบระบบ และการปรับใช้ที่รับผิดชอบ—ซึ่งข้ามไปใช้ได้ทั้งสองโลก
รากฐานแรก: การเรียนรู้ งานวิจัย และปัญหาการค้นหา
เส้นทางของ Sergey Brin สู่การค้นหาเริ่มจากวิชาการ ที่ซึ่งคำถามหลักไม่ได้เป็นเรื่อง "การสร้างเว็บไซต์" แต่เป็นการจัดการข้อมูลล้นหลาม ก่อนที่ Google จะกลายเป็นบริษัท Brin จมอยู่กับงานวิจัยวิทยาการคอมพิวเตอร์ที่ครอบคลุมระบบฐานข้อมูล การทำเหมืองข้อมูล และการค้นคืนข้อมูล—สาขาที่ถามว่าจะเก็บข้อมูลขนาดมหาศาลและคืนคำตอบที่มีประโยชน์อย่างรวดเร็วได้อย่างไร
รากฐานทางวิชาการและคำถามด้านข้อมูล
Brin เรียนคณิตศาสตร์และวิทยาการคอมพิวเตอร์ในระดับปริญญาตรี และศึกษาต่อที่ Stanford ซึ่งเป็นศูนย์กลางงานวิจัยเกี่ยวกับขนาดเว็บที่เกิดขึ้นใหม่ นักวิจัยกำลังพยายามแก้ปัญหาที่ฟังดูคุ้นเคยในวันนี้: ข้อมูลยุ่งเหยิง คุณภาพไม่แน่นอน และช่องว่างระหว่างสิ่งที่ผู้คนพิมพ์กับสิ่งที่พวกเขาตั้งใจจะค้นหาจริงๆ
“การค้นหา” หมายถึงอะไรในปลายทศวรรษ 1990
การค้นหาในปลายทศวรรษ 1990 ส่วนใหญ่ขับเคลื่อนด้วยการจับคู่คีย์เวิร์ดและสัญญาณการจัดอันดับพื้นฐาน นั่นใช้ได้เมื่อเว็บยังเล็ก แต่เริ่มเสื่อมสภาพเมื่อหน้ามากขึ้นเรื่อยๆ และเมื่อผู้สร้างเนื้อหารู้วิธีจะเล่นกับระบบ ปัญหาทั่วไปรวมถึง:
- ความเกี่ยวข้อง: เพจที่ถูกต้องไม่ได้มีคีย์เวิร์ดที่ “ถูกต้อง” เสมอไป
- คุณภาพ: ไม่ใช่ทุกหน้าที่มีความน่าเชื่อถือหรือเป็นประโยชน์เท่ากัน
- สแปม: เทคนิคอย่างการยัดคีย์เวิร์ดทำให้เพจคุณภาพต่ำเลื่อนขึ้น
- สเกล: การครอลล์ การจัดทำดัชนี และการให้บริการผลลัพธ์ต้องทันกับการเจริญเติบโตอย่างรวดเร็ว
แรงจูงใจเบื้องต้น: ความเกี่ยวข้อง ความเชื่อถือ และการจัดระเบียบ
แนวคิดที่กระตุ้นคือ: ถ้าเว็บเป็นห้องสมุดขนาดยักษ์ คุณต้องการมากกว่าการจับคู่ข้อความเพื่อจัดอันดับผลลัพธ์—คุณต้องการสัญญาณที่สะท้อนความน่าเชื่อถือและความสำคัญ การจัดระเบียบข้อมูลเว็บต้องการวิธีที่สรุปประโยชน์จากโครงสร้างเว็บเอง ไม่ใช่แค่คำบนหน้า
ลำดับความสำคัญการวิจัยเหล่านี้—การวัดคุณภาพ ต่อต้านการแทรกแซง และการทำงานในสเกลมหาศาล—ได้วางรากฐานให้กับการเปลี่ยนแปลงต่อมาของการค้นหาและ AI รวมถึงการจัดอันดับด้วยการเรียนรู้ของเครื่อง และในที่สุดแนวทางเชิงสร้างสรรค์
จากลิงก์สู่ความเกี่ยวข้อง: PageRank เปลี่ยนอะไร
เป้าหมายของการค้นหาฟังดูเรียบง่าย: เมื่อคุณพิมพ์คำถาม หน้าเพจที่มีประโยชน์ที่สุดควรขึ้นมาด้านบน ในปลายทศวรรษ 1990 นั่นเป็นเรื่องยากกว่า เว็บเติบโตอย่างรวดเร็ว และเครื่องมือค้นหาแรกๆ พึ่งพามากกับข้อความในหน้า—ทำให้ผลลัพธ์ถูกจัดการได้ง่ายและน่าหงุดหงิด
แนวคิด PageRank แบบเข้าใจง่าย
ความเข้าใจสำคัญของ Sergey Brin และ Larry Page คือการใช้โครงสร้างลิงก์ของเว็บเป็นสัญญาณ ถ้าหนึ่งหน้าเชื่อมไปยังหน้าอื่น มันเหมือนการลงคะแนน ไม่ใช่การลงคะแนนทั้งหมดเท่ากัน: ลิงก์จากหน้าที่เคารพมากควรมีค่าน้ำหนักมากกว่าจากหน้าที่ไม่ค่อยมีคนเห็น
แนวคิดคือ PageRank วัดความสำคัญโดยถามว่า: หน้าไหนถูกอ้างอิงโดยหน้าที่สำคัญอื่นๆ? คำถามวนซ้ำนี้กลายเป็นการจัดอันดับเชิงคณิตศาสตร์ที่คำนวณในระดับเว็บ ผลลัพธ์ไม่ใช่คำตอบสุดท้ายของความเกี่ยวข้อง แต่เป็นส่วนผสมที่ทรงพลังใหม่
มากกว่าสัญญาณเดียว—และการต่อสู้ที่ไม่หยุดนิ่ง
ง่ายที่จะให้เครดิต PageRank เกินควรว่ามันคือต้นเหตุความสำเร็จของ Google ในความเป็นจริง การจัดอันดับเป็นสูตร: อัลกอริธึมรวมสัญญาณหลายอย่าง (การจับคู่ข้อความ ความสดใหม่ ตำแหน่ง ความเร็ว และอื่นๆ) เพื่อทำนายว่าอะไรที่ผู้คนต้องการจริงๆ
และแรงจูงใจมักยุ่งเหยิง ทันทีที่การจัดอันดับสำคัญ สแปมก็มา—ฟาร์มลิงก์ การยัดคีย์เวิร์ด และทริกอื่นๆ ที่พยายามดูมีความเกี่ยวข้องโดยไม่เป็นประโยชน์ อัลกอริธึมการค้นหาจึงกลายเป็นเกมเชิงรุกต่อเนื่อง: ปรับปรุงความเกี่ยวข้อง ตรวจจับการแทรกแซง และปรับระบบ
ทำไมการจัดอันดับจึงไม่เคย “สำเร็จสมบูรณ์”
เว็บเปลี่ยน ภาษาเปลี่ยน และความคาดหวังของผู้ใช้ก็เปลี่ยน การปรับปรุงทุกครั้งสร้างกรณีมุมใหม่ PageRank ไม่ได้จบการค้นหา แต่นำทางสาขาจากการจับคู่คีย์เวิร์ดเรียบง่ายสู่การค้นคืนข้อมูลสมัยใหม่ ที่ซึ่งความเกี่ยวข้องถูกวัด ทดสอบ และปรับแต่งอย่างต่อเนื่อง
สร้างการค้นหาในระดับอินเทอร์เน็ต: ความท้าทายด้านระบบ
แนวคิดการจัดอันดับที่ฉลาดไม่พอเมื่อฐานข้อมูลของคุณคือเว็บทั้งใบ สิ่งที่ทำให้การค้นหาในยุคแรกของ Google ต่างออกไปไม่ใช่แค่ความเกี่ยวข้อง แต่มันคือความสามารถในการส่งมอบความเกี่ยวข้องนั้นอย่างรวดเร็วและสม่ำเสมอให้ผู้คนนับล้านพร้อมกัน
เมื่อต้องขยายขนาด ทุกอย่างเปลี่ยนไป
การค้นหาในระดับอินเทอร์เน็ตเริ่มด้วยการครอลล์: ค้นพบหน้า เยี่ยมชมซ้ำ และรับมือกับเว็บที่ไม่เคยหยุดเปลี่ยน ต่อมาก็เป็นการจัดทำดัชนี: แปลงเนื้อหาที่ยุ่งเหยิงและหลากหลายเป็นโครงสร้างที่สามารถสืบค้นได้ในมิลลิวินาที
ในสเกลเล็ก คุณอาจจัดการที่เก็บและคอมพิวต์เหมือนปัญหาของเครื่องเดียว แต่ในสเกลใหญ่ ทุกการเลือกคือการแลกเปลี่ยนเชิงระบบ:
- ที่เก็บข้อมูล: เก็บสำเนาหลายชุด บีบอัด และแจกจ่ายข้อมูลข้ามเครื่องหลายเครื่อง
- ความหน่วง (latency): คืนผลให้เร็วพอจนประสบการณ์รู้สึกว่าเป็นทันที
- ความสดใหม่ (freshness): อัพเดตดัชนีอย่างรวดเร็วเพื่อให้หน้าใหม่หรือการเปลี่ยนแปลงปรากฏโดยไม่ล่าช้า
ความน่าเชื่อถือและความเร็วคือส่วนหนึ่งของ “คุณภาพ”
ผู้ใช้ไม่เห็นคุณภาพการค้นหาเป็นคะแนนการจัดอันดับ พวกเขาเห็นเป็นหน้าผลลัพธ์ที่โหลดทันทีทุกครั้ง หากระบบล้มเหลวบ่อย ผลลัพธ์หมดเวลา หรือความสดช้าลง แม้โมเดลความเกี่ยวข้องดีแค่ไหนก็จะดูไม่ดีในทางปฏิบัติ
นั่นคือเหตุผลที่วิศวกรรมเพื่อความพร้อมใช้งาน การลดผลกระทบเมื่อเกิดปัญหา และประสิทธิภาพที่สม่ำเสถียรนั้นแยกไม่ออกจากการจัดอันดับ ผลลัพธ์ที่อาจสมบูรณ์น้อยกว่านิดหน่อยแต่ส่งได้อย่างสม่ำเสมอใน 200ms ย่อมชนะผลลัพธ์ที่ดีกว่าแต่ช้าหรือไม่แน่นอน
ท่อข้อมูลและการเปลี่ยนแปลงที่ปลอดภัย
ในระดับสเกล คุณไม่สามารถ “แค่ปล่อย” การอัพเดต การค้นหาพึ่งพาท่อข้อมูลที่เก็บสัญญาณ (การคลิก ลิงก์ รูปแบบภาษา) รันการประเมิน และค่อยๆ เปิดตัวการเปลี่ยนแปลง เป้าหมายคือการตรวจจับการถดถอยตั้งแต่เนิ่นๆ—ก่อนจะกระทบผู้ใช้ทั้งหมด
อุปมาเรียบง่าย: บัญชีห้องสมุด vs เว็บที่มีชีวิต
สมุดบรรณานุกรมของห้องสมุดสมมติว่าหนังสือคงที่ คัดสรร และเปลี่ยนช้า เว็บคือห้องสมุดที่หนังสือเขียนตัวเอง ชั้นวางย้าย และมีห้องใหม่ปรากฏเสมอ การค้นหาในระดับอินเทอร์เน็ตคือเครื่องจักรที่รักษาบัญชีที่ใช้งานได้สำหรับเป้าหมายที่เคลื่อนไหวนี้—รวดเร็ว น่าเชื่อถือ และอัพเดตต่อเนื่อง
จากกฎสู่การเรียนรู้ของเครื่อง: จุดเปลี่ยนเชิงเงียบ
การจัดอันดับการค้นหาในยุคแรกพึ่งพากฎมาก: ถ้าหน้ามีคำที่ถูกต้องในหัวข้อ ถ้ามีลิงก์บ่อย โหลดเร็ว ฯลฯ สัญญาณเหล่านั้นสำคัญ แต่การตัดสินใจว่าแต่ละอย่างควรมีค่าน้ำหนักเท่าไรมักเป็นงานที่ปรับด้วยมือ วิศวกรสามารถปรับน้ำหนัก รันการทดลอง และทำซ้ำ มันใช้ได้ แต่ถึงเพดานเมื่อเว็บและความคาดหวังของผู้ใช้ขยายขึ้น
“การเรียนรู้เพื่อจัดอันดับ” หมายถึงอะไร (ไม่ต้องใช้คณิตศาสตร์)
“การเรียนรู้เพื่อจัดอันดับ” คือการปล่อยให้ระบบ เรียนรู้ ว่าผลลัพธ์ที่ดีเป็นอย่างไรโดยศึกษาจากตัวอย่างจำนวนมาก
แทนการเขียนรายการกฎยาวๆ คุณป้อนโมเดลด้วยการค้นหาและผลลัพธ์ในอดีต—เช่นผลลัพธ์ที่ผู้คนเลือก ผลลัพธ์ที่พวกเขากลับออกเร็ว และหน้าที่ผู้ตรวจสอบมนุษย์ตัดสินว่ามีประโยชน์ เมื่อเวลาผ่านไป โมเดลจะคาดเดาได้ดีขึ้นว่าหน้าไหนควรอยู่สูงขึ้น
อุปมาง่ายๆ: แทนที่ครูจะเขียนผังที่นั่งละเอียดสำหรับทุกคลาส ครูสังเกตว่าผังที่นั่งแบบไหนนำไปสู่การสนทนาที่ดีกว่า แล้วปรับให้เอง
จากปุ่มปรับที่ตั้งด้วยมือสู่โมเดลที่ฝึกด้วยข้อมูล
การเปลี่ยนแปลงนี้ไม่ได้ลบสัญญาณคลาสสิกอย่างลิงก์หรือคุณภาพหน้า แต่มันเปลี่ยนวิธีรวมสัญญาณเหล่านั้น ส่วนที่ “เงียบ” คือจากมุมมองผู้ใช้ ช่องค้นหาดูเหมือนเดิม แต่ภายใน จุดศูนย์ถ่วงย้ายจากสูตรการให้คะแนนที่ปรับด้วยมือไปสู่โมเดลที่ฝึกด้วยข้อมูล
การประเมินกลายเป็นพวงมาลัย
เมื่อโมเดลเรียนรู้จากข้อมูล การวัดผลจะกลายเป็นแนวทาง
ทีมพึ่งพาตัวชี้วัดความเกี่ยวข้อง (ผลลัพธ์ตอบความต้องการหรือไม่) การทดสอบออนไลน์แบบ A/B (การเปลี่ยนแปลงทำให้พฤติกรรมผู้ใช้ดีขึ้นหรือไม่) และข้อเสนอแนะจากมนุษย์ (ผลลัพธ์ถูกต้อง ปลอดภัย และมีประโยชน์หรือไม่) กุญแจคือการมองการประเมินเป็นกระบวนการต่อเนื่อง—เพราะสิ่งที่ผู้คนค้นหาและนิยามของ “ดี” ยังคงเปลี่ยนแปลง
คำถามที่พบบ่อย
Why does Sergey Brin “still matter” when discussing AI and search today?
เขาเป็นเลนส์ที่มีประโยชน์สำหรับเชื่อมโยงปัญหา การค้นคืนข้อมูลแบบคลาสสิก (ความเกี่ยวข้อง การต้านทานสแปม การปรับขนาด) เข้ากับปัญหา Generative AI ในปัจจุบัน (การยึดข้อมูลเป็นหลัก ระยะหน่วง ความปลอดภัย ค่าใช้จ่าย) จุดประสงค์ไม่ใช่ประวัติส่วนตัว แต่องค์ความรู้คือว่า search และ AI สมัยใหม่มีข้อจำกัดร่วมกัน: ต้องทำงานในระดับขนาดใหญ่พร้อมรักษาความไว้วางใจ
What does “generative AI at scale” actually mean in practice?
Search จะเรียกว่า “at scale” เมื่อระบบต้องจัดการ คำค้นนับล้าน ได้ด้วยความหน่วงต่ำ ความพร้อมใช้งานสูง และข้อมูลอัพเดตอย่างต่อเนื่อง
Generative AI เรียกว่า “at scale” เมื่อมันต้องทำสิ่งเดียวกันขณะที่ยังต้องสร้างคำตอบเพิ่มขึ้น ซึ่งเพิ่มเงื่อนไขรอบๆ:
- ต้นทุนการอนุมานที่คาดการณ์ได้
- คุณภาพคำตอบที่สม่ำเสมอ
- การยึดข้อมูลและมาตรการความปลอดภัยท่ามกลางการจราจรหนาแน่น
What was wrong with search engines in the late 1990s?
ในปลายทศวรรษ 1990 การค้นหาพึ่งพาการ จับคู่คีย์เวิร์ด และสัญญาณการจัดอันดับพื้นฐาน ซึ่งล้มเหลวเมื่อเว็บเติบโตขึ้นมาก
ปัญหาทั่วไปได้แก่:
- ผลลัพธ์ไม่ตรงประเด็นแม้มีคำที่ “ตรง”
- หน้าเนื้อหาคุณภาพต่ำอยู่เหนือแหล่งข้อมูลที่ดีกว่า
- กลยุทธ์สแปมอย่างการยัดคีย์เวิร์ด
- ไม่สามารถไล่ตามการรวบรวมและจัดทำดัชนีได้ทัน
What did PageRank change compared to keyword-based ranking?
PageRank มองโครงสร้างลิงก์ของเว็บเป็นการให้คะแนนหรือ “ลงคะแนนไว้วางใจ” โดยลิงก์จากหน้าที่มีความน่าเชื่อถือมากกว่าจะมีน้ำหนักมากกว่า
เชิงปฏิบัติ:
- ปรับปรุงความเกี่ยวข้องด้วยการใช้โครงสร้างเว็บ ไม่ใช่แค่ข้อความบนเพจ
- ทำให้การจัดอันดับยากต่อการถูกจัดแต่งกว่าการใช้คีย์เวิร์ดเพียงอย่างเดียว
- ส่งผลให้การค้นหาพัฒนาเป็นการจัดอันดับจากหลายสัญญาณ แทนการจับคู่ปัจจัยเดียว
Why is ranking “never solved” in search?
เพราะการจัดอันดับเกี่ยวข้องกับเงินและความสนใจ มันจึงกลายเป็นระบบ เชิงปฏิบัติการผสมผสานการต้านทาน เมื่อสัญญาณใดใช้ได้ ผู้คนก็พยายามเอาเปรียบ
นั่นทำให้ต้องปรับปรุงอย่างต่อเนื่อง:
- ตรวจจับการบิดเบือน (ลิงก์สแปม, cloaking, ยัดคีย์เวิร์ด)
- ปรับสัญญาณและโมเดล
- ทดสอบใหม่ด้วยชุดทดสอบและการทดลองออนไลน์
How do infrastructure and latency affect search quality?
เมื่ออยู่ในระดับเว็บ ระบบประสิทธิภาพคือส่วนหนึ่งของ “คุณภาพ” ผู้ใช้รับรู้คุณภาพเป็น:
- ผลลัพธ์ที่โหลดเร็ว (latency)
- ผลลัพธ์ที่พร้อมใช้งานตลอดเวลา (reliability)
- ผลลัพธ์ที่สะท้อนการเปลี่ยนแปลงล่าสุด (freshness)
ผลลัพธ์ที่อาจแย่กว่าแต่ส่งได้ 200ms สม่ำเสมอ มักชนะผลลัพธ์ที่ดีขึ้นแต่ช้าหรือไม่แน่นอน
What does “learning to rank” mean without the math?
การเรียนรู้การจัดอันดับเปลี่ยนจากกฎที่ปรับแต่งด้วยมือมาเป็น โมเดลที่ฝึกจากข้อมูล (พฤติกรรมการคลิก การตัดสินของมนุษย์ และสัญญาณอื่นๆ)
แทนที่จะกำหนดน้ำหนักของแต่ละสัญญาณด้วยมือ โมเดลเรียนรู้การรวมสัญญาณเหล่านั้นเพื่อทำนาย "ผลลัพธ์ที่เป็นประโยชน์" ได้ดีขึ้น
ผลลัพธ์ที่มองเห็นอาจไม่เปลี่ยน แต่ภายในระบบเปลี่ยนเป็น:
- ขับเคลื่อนด้วยข้อมูลมากขึ้น
- พึ่งพาการวัดผล
- ปรับปรุงได้ผ่านการฝึกและทดสอบซ้ำ
Why did deep learning improve language understanding in search?
Deep learning ช่วยให้ระบบสร้างตัวแทนความหมาย (representations) ที่ดีกว่า ทำให้:
- เข้าใจเจตนามากกว่าคำตามตัวอักษร
- จัดการคำพ้องความหมายและรูปแบบการพูดซ้ำได้ดีขึ้น
- จับคู่คำค้นกับหน้าเพจที่ตอบความต้องการ ไม่ใช่แค่มีคีย์เวิร์ดซ้ำๆ
การแลกเปลี่ยนคือต้นทุนด้านคอมพิวต์ ความต้องการข้อมูล และการอธิบายผลที่ยากขึ้นเมื่อการจัดอันดับเปลี่ยน
What’s fundamentally different about generative AI compared to classic search AI?
การค้นหาแบบคลาสสิกมุ่งที่การ จัดอันดับและการทำนาย — ให้คะแนนเอกสารที่มีอยู่แล้วและเรียงลำดับ Generative AI เปลี่ยนรูปแบบผลลัพธ์ไปเป็นการ สร้าง ข้อความ โค้ด สรุป และภาพ
ความเสี่ยงใหม่รวมถึง:
- ข้อผิดพลาดที่ฟังดูมั่นใจ (hallucinations)
- ความไม่สอดคล้องระหว่างคำสั่งที่คล้ายกัน
- ปัญหาด้านความปลอดภัยและอคติ
คำถามจึงเปลี่ยนจาก “เราเลือกแหล่งที่ดีที่สุดหรือไม่?” เป็น “คำตอบที่สร้างขึ้นแม่นยำ ยึดแหล่ง และปลอดภัยหรือเปล่า?”
How do search and chat blend together with retrieval-augmented generation (RAG)?
Retrieval-augmented generation (RAG) จะดึงแหล่งข้อมูลที่เชื่อถือได้มาก่อน แล้วจึงสร้างคำตอบโดยอิงจากสิ่งที่พบ
เมื่อต้องนำไปใช้ในผลิตภัณฑ์ ทีมมักเพิ่ม:
- การอ้างอิง/คำยกข้อความเพื่อให้ผู้ใช้ตรวจสอบได้
- มาตรการป้องกันการโจมตีจาก prompt injection และคำขอที่ไม่ปลอดภัย
- การเฝ้าติดตามการไหลของคุณภาพและการถดถอย
- การควบคุมค่าใช้จ่าย (การแคช การส่งคำขอไปยังโมเดลที่ถูกกว่าเมื่อเหมาะสม)