Prompt vs RAG vs Fine-tuning
เมื่อไหร่ควรใช้วิธีไหนในการปรับแต่ง AI
การเลือกใช้เทคนิคปรับแต่งโมเดล (ออกสอบแน่นอน!)
เมื่อความรู้เดิมของ Foundation Model ไม่พอสำหรับงานของคุณ เรามี 3 วิธีหลักในการเพิ่มความสามารถให้โมเดล ได้แก่ การเขียน Prompt, การทำ RAG, และการ Fine-Tuning
คำศัพท์ที่ต้องรู้: - RAG (Retrieval-Augmented Generation): การไปค้นหาข้อมูลจากฐานข้อมูลภายนอก (Retrieve) มาประกอบเป็นความรู้ให้โมเดลอ่านก่อนตอบ - Fine-Tuning: การนำโมเดลเดิมมาสอนเพิ่มเติม (Train) ด้วยชุดข้อมูลเฉพาะทาง
1. Prompt Engineering = บอกปากเปล่าว่าต้องทำยังไง (เร็ว แต่อาจลืมถ้าสั่งยาวไป) 2. RAG = ยื่นคู่มือพนักงานให้เขาเปิดอ่านตอนเจอคำถาม (ข้อมูลอัปเดตง่าย เปลี่ยนคู่มือใหม่ได้ตลอด) 3. Fine-Tuning = ส่งพนักงานไปเรียนปริญญาโทเฉพาะด้าน (แพง ใช้เวลานาน แต่เขาจะซึมซับความรู้ฝังลึกและเปลี่ยนวิธีคิดใหม่)
สรุป Key Takeaways
- Prompt Engineering: ง่ายสุด ถูกสุด ใช้กับข้อมูลที่เปลี่ยนบ่อยได้ดีถ้ามีขนาดเล็ก
- RAG (Retrieval-Augmented Generation): ดึงข้อมูลจากฐานความรู้ภายนอกมาแนบกับ Prompt เหมาะกับข้อมูลเฉพาะองค์กรที่มีจำนวนมากและเปลี่ยนบ่อย
- Fine-tuning: นำโมเดลมา Train เพิ่มเติม เหมาะสำหรับปรับ "สไตล์" หรือสอนศัพท์เฉพาะทาง แต่แพงและอัปเดตข้อมูลยาก
ลองทำ Quiz ท้ายบท
คำถามแนวข้อสอบของโมดูลนี้ 1 ข้อ · เฉลยทันที