Keyword Search กับ Semantic Search ต่างกันอย่างไร และเมื่อไรควรใช้ Hybrid Search

พนักงานพิมพ์ว่า “คืนสินค้าได้ไหม” แต่คู่มือเขียนว่า “นโยบายการรับคืน” ระบบค้นคำตรงตัวอาจไม่เจอ ขณะเดียวกันการค้นด้วยความหมายอาจจับรหัสสินค้า A-104 ผิดรุ่นได้ วิธีเลือกการค้นจึงขึ้นอยู่กับชนิดคำถาม ไม่ใช่ว่า AI ใหม่กว่าย่อมดีกว่าเสมอ

แว่นขยายค้นรูปทรงที่ตรงกันและใบไม้ที่สัมพันธ์กัน ก่อนรวมไปยังเอกสารเดียว

Keyword Search จับคำที่ตรงกัน ส่วน Semantic Search เชื่อมความหมาย

Keyword Search มองความสัมพันธ์ระหว่างคำค้นกับคำที่อยู่ในเอกสาร เช่น ชื่อรุ่น รหัสสินค้า และข้อความตามกฎหมาย ส่วน Semantic Search ใช้ตัวแทนเชิงตัวเลขหรือ embedding เพื่อค้นเนื้อหาที่ความหมายใกล้กัน แม้ใช้คนละคำ การค้นแบบ Hybrid ผสานสัญญาณทั้งสองชนิดก่อนจัดอันดับผลลัพธ์ (Google Cloud: Hybrid Search)

ตัวอย่างสมมติ: คู่มือใช้คำว่า “เปลี่ยนสินค้า” แต่ผู้ใช้ถาม “ของเสียขออันใหม่ได้ไหม” การค้นเชิงความหมายมีโอกาสพบย่อหน้าที่เกี่ยวข้องโดยไม่ต้องตรงทุกคำ แต่ถ้าคำถามคือ “อะไหล่ XZ-17 ใช้กับรุ่นไหน” การจับตัวอักษร XZ-17 ให้ตรงมีความสำคัญมากกว่าเดาว่ารุ่นใดคล้ายกัน

เลือกวิธีค้นตามข้อมูลที่ต้องตรงและความหมายที่ต้องหา

เอกสาร Google Cloud อธิบายการผสาน dense embedding สำหรับความหมายกับ sparse embedding สำหรับคำค้น และการรวมอันดับผลลัพธ์ด้วยแนวทางอย่าง Reciprocal Rank Fusion (Vertex AI: Hybrid queries) อย่างไรก็ตามการจัดอันดับที่ดีขึ้นในตัวอย่างหนึ่งไม่รับประกันผลกับเอกสารภาษาไทยทุกชุด

ตัวอย่างสมมติ: รหัสตรง แต่เงื่อนไขอาจอยู่ผิดฉบับ

สมมติคลังมี 4 ฉบับ: A เป็นนโยบายคืนของทั่วไปปี 2569, B เป็นคู่มือรุ่น AB-018 ปี 2568, C เป็นคู่มือรุ่น AB-018 ปี 2569 ที่เขียนว่า “รับคืนภายใน 7 วัน ยกเว้นสินค้าสั่งทำ” และ D เป็นคู่มือรุ่น AB-081 ปี 2569 ผู้ใช้ถามว่า “ของสั่งทำรุ่น AB-018 ขอเงินคืนได้ไหม” เอกสารที่ต้องรักษาไว้คือ C พร้อมข้อยกเว้น ทั้งชื่อรุ่น ปี และความหมายของคำถามสำคัญพร้อมกัน

Keyword ที่ค้นแค่ “คืนสินค้า” อาจพลาดคำว่า “รับคืน”; Semantic อาจพบคู่มือรุ่น D เพราะเนื้อหาใกล้กัน; Hybrid ช่วยรวมสัญญาณ แต่ยังไม่รับรองว่าจะเลือก C ก่อนทุกครั้ง เมื่อรหัสและปีเป็นข้อกำหนดตายตัว ควรใช้ตัวกรอง metadata หรือ exact field แยกจากคะแนนความคล้าย ไม่ถือว่าคะแนน Keyword เท่ากับการตรวจรหัสตรงทุกตัวโดยอัตโนมัติ ทั้งสี่ฉบับเป็นเอกสารสมมติ และผลที่อธิบายเป็นความเป็นไปได้สำหรับใช้วางแผน ยังไม่ได้รันระบบจริง

คำถามจุดที่ต้องรักษาวิธีเริ่มต้น
คืนของได้ภายในกี่วันระยะเวลาและข้อยกเว้นSemantic แล้วตรวจข้อความต้นทาง
รหัส AB-018 ใช้กับรุ่นใดรหัสต้องตรงทุกตัวKeyword พร้อม exact field/ตัวกรองรหัส
ค่าบริการรุ่น AB-018 ปี 2569ทั้งรหัสและปีHybrid พร้อมตัวกรองปี

ตารางนี้เป็น แนวทางออกแบบ ไม่ใช่ผลทดสอบระบบใด เมื่อนำไปสร้างระบบ ให้ระบุก่อนว่าควรค้นพบเอกสารใด แล้ววัดว่าค้นพบได้บ่อยเพียงใด

ตรวจข้อความที่ค้นพบและคำตอบแยกกัน

Semantic Search อาจคืนข้อความที่มีความหมายใกล้แต่เป็นคนละเงื่อนไข ขณะที่ Keyword Search อาจพลาดคำสะกดหรือคำพ้อง และ Hybrid Search อาจเพิ่มต้นทุนการประมวลผลและความซับซ้อนของการปรับอันดับ ระบบที่ใช้ embedding ยังต้องพิจารณาภาษา เวอร์ชันโมเดล สิทธิ์เข้าถึงเอกสาร และวิธีแบ่งข้อความเป็นชิ้น

หากต่อกับ AI สร้างคำตอบ ให้ตรวจ เอกสารที่ค้นพบ แยกจาก คำตอบที่ AI เขียน เพราะปัญหาคนละชั้น อ่านพื้นฐานเพิ่มเติมที่ RAG คืออะไรและทำไมยังตอบผิดได้

ชุดทดสอบเล็ก ๆ ก่อนเลือกเทคโนโลยี

  1. รวบรวมคำถามจริง 15–20 ข้อ ทั้งคำพ้อง คำสะกดต่างกัน รหัส ตัวเลข และคำถามที่ไม่มีคำตอบ
  2. ระบุเอกสารต้นฉบับที่ควรพบไว้ก่อนทดลอง และเก็บรุ่นเอกสารให้คงที่
  3. รัน Keyword, Semantic และ Hybrid บนข้อมูลเดียวกัน แล้วดูว่าเอกสารที่ควรพบอยู่ในผล 3 หรือ 5 อันดับแรกหรือไม่
  4. จดข้อผิดพลาดแยกเป็น “ไม่พบ”, “พบผิดฉบับ” และ “พบถูกแต่ AI ตอบผิด” ก่อนตัดสินใจปรับระบบ

เลือกวิธีค้นจากคำถามของผู้ใช้และผลเสียหากค้นผิด เพราะไม่มีวิธีใดให้ผลดีที่สุดกับทุกโจทย์

อ่านต่อRAG คืออะไร ทำไมให้ AI อ่านเอกสารแล้วก็ยังตอบผิดได้แยกข้อผิดพลาดตอนค้นเอกสารออกจากข้อผิดพลาดตอน AI เขียนคำตอบ

แหล่งอ้างอิง

บทความนี้ให้ความรู้ทั่วไป ไม่ใช่คำแนะนำทางการเงิน การลงทุน กฎหมาย หรือภาษีเฉพาะบุคคล ผู้อ่านควรตรวจสอบข้อมูลล่าสุดและพิจารณาสถานการณ์ของตนเองก่อนตัดสินใจ