RAG & Amazon Bedrock Knowledge Bases
ทำให้ FM ตอบจากข้อมูลบริษัทโดยไม่ต้อง fine-tune — ingestion, retrieval และ generation
Retrieval Augmented Generation (RAG) = ค้นหาข้อมูลที่เกี่ยวข้องก่อน แล้วแนบเข้าไปใน prompt ให้ FM ตอบโดยอิงข้อมูลนั้น ช่วย ลด hallucination, ใช้ข้อมูลล่าสุดได้ และ อ้างอิงแหล่งที่มา (citations) ได้
Amazon Bedrock Knowledge Bases คือ RAG แบบ managed ครบวงจร: ดึงเอกสาร → แบ่ง chunk → สร้าง embedding → เก็บใน vector store → ค้นหา → generate คำตอบ
| API | คืนค่าอะไร | ใช้เมื่อ |
|---|---|---|
| chunks ที่เกี่ยวข้อง + score + metadata | อยากคุม prompt/โมเดลเอง หรือส่งต่อให้ agent |
| คำตอบที่ generate แล้ว + citations | อยากได้ RAG สำเร็จรูปเร็วที่สุด รองรับ session สำหรับ multi-turn |
ฟีเจอร์ที่ออกสอบ
- Metadata filtering — แนบไฟล์
<ชื่อไฟล์>.metadata.jsonคู่กับเอกสารใน S3 (เช่นdepartment,year) แล้วกรองตอน query → แม่นขึ้น และใช้ทำ multi-tenant / access control ได้ - Sync / incremental ingestion — กด sync หรือเรียก
StartIngestionJobจะประมวลผลเฉพาะไฟล์ที่เพิ่ม/แก้/ลบ ตั้งเวลาด้วย EventBridge Scheduler หรือ trigger จาก S3 event - Query decomposition — แตกคำถามซับซ้อนเป็นคำถามย่อยก่อนค้นหา
- Reranking — ใช้ reranker model (เช่น Amazon Rerank, Cohere Rerank) จัดลำดับผลค้นหาใหม่ให้เกี่ยวข้องที่สุด
- Structured data — Knowledge Base เชื่อมกับ Redshift ได้ (แปลงคำถามเป็น SQL)
- GraphRAG — ใช้ Neptune Analytics เพื่อเชื่อมความสัมพันธ์ระหว่าง entity
คำตอบของแชตบอตอ้างอิงนโยบายเก่าที่ถูกแก้ไขใน S3 ไปแล้วเมื่อวาน สาเหตุที่เป็นไปได้มากที่สุดคือ?
การดึงความรู้ออกมาใช้ทันทีหลังอ่าน (retrieval practice) ช่วยให้จำได้นานขึ้นมาก