AutoRAG-Research - ชุดรวมอิมพลีเมนเทชันไปป์ไลน์จากงานวิจัย RAG ล่าสุดและเครื่องมือทดลองเปรียบเทียบ
(github.com/NomaDamas)- แม้จะอยู่ในยุคของ AI Agent แต่ RAG ก็ยังคงมีความสำคัญ และเป็นองค์ประกอบหลักที่จำเป็นต้องรวมอยู่ในระบบเมื่อจำเป็นต้องใช้ความรู้ภายนอกและเอกสาร
- ในสาขาต่าง ๆ เช่น Agentic RAG ที่ผสาน Agent กับ RAG, Graph RAG ที่ใช้ knowledge graph, และ Multi-modal RAG ที่ใช้โมเดล embedding สำหรับภาพ กำลังมีวิธีการใหม่ ๆ เกิดขึ้นอย่างนับไม่ถ้วน
- เมื่อเทียบกับจำนวนวิธีการใหม่และชุดข้อมูล benchmark ที่หลั่งไหลออกมา กลับยังไม่มีสภาพแวดล้อมการทดลองแบบมาตรฐานสำหรับนำสิ่งเหล่านี้มาสร้างซ้ำและตรวจสอบประสิทธิภาพ
- AutoRAG-Research เป็นโครงการโอเพนซอร์สที่ช่วยให้สามารถเปรียบเทียบประสิทธิภาพของชุดข้อมูล benchmark ที่มีอยู่และวิธีการ RAG ต่าง ๆ ได้อย่างง่ายดาย
- มีการจัดการชุดข้อมูล benchmark หลายชุดด้วย schema มาตรฐาน ทำให้นักวิจัยสามารถดาวน์โหลด DB ที่ทำ embedding เสร็จแล้วและนำไปใช้ทดลองได้ทันที
- มีการอิมพลีเมนต์งานวิจัย RAG ล่าสุดไว้ล่วงหน้า จึงพร้อมใช้งานได้ทันที
- รองรับโครงสร้างแบบปลั๊กอินที่ออกแบบมาให้เพิ่มชุดข้อมูลแบบกำหนดเองและไปป์ไลน์ RAG แบบกำหนดเองได้ง่าย
สวัสดีครับ ผมคิมดงกยู ผู้พัฒนา AutoRAG ครับ ครั้งนี้ผมได้รวบรวมทั้งข้อที่ยังรู้สึกเสียดายจาก AutoRAG และสิ่งที่ได้เรียนรู้อย่างมาก จนออกมาเป็นเครื่องมือวิจัยและพัฒนา RAG ชื่อ AutoRAG-Research และเปิดซอร์สให้ใช้งานกันครับ
ช่วงนี้แม้ AI Agent จะกำลังมาแรง แต่ RAG ก็ยังถูกนำไปใช้จริงในหลากหลายภาคอุตสาหกรรม และยังเป็นสิ่งที่แยกขาดจาก Agent ได้ยากครับ
ผมทำโปรเจกต์นี้ขึ้นมาเพื่อแก้ปัญหาความลองผิดลองถูกและความไม่สะดวกมากมายที่พบระหว่างการวิจัย RAG และรู้สึกยินดีมากที่ได้เปิดเผยเป็นโอเพนซอร์สครับ
ฝากติดตามกันด้วยนะครับ และถ้ากด GitHub star ให้ด้วยก็จะขอบคุณมากครับ!
2 ความคิดเห็น
คุณยังคงโฟกัสด้าน RAG อย่างต่อเนื่องจริง ๆ นะครับ/คะ ผม/ฉันก็สงสัยเหมือนกันว่า autorag มีผลลัพธ์ทางธุรกิจเป็นอย่างไรบ้าง
ขอบคุณครับ