RAG vs Fine-tuning ต่างกันยังไง — ใช้กับธุรกิจไทยควรเลือกอะไร

ทุกครั้งที่คุยเรื่อง AI กับลูกค้า คำถามที่ตามมาคือ “RAG หรือ fine-tuning ดีกว่ากัน” คำตอบคือ “แล้วแต่เคส” — แต่ส่วนใหญ่ของธุรกิจไทย คำตอบที่ถูกคือ RAG

RAG (Retrieval-Augmented Generation) คืออะไร

แนวคิดง่าย ๆ: ค้นข้อมูลจริงก่อน แล้วเอามาให้ LLM ตอบ

[User Question] 
   → Search ข้อมูลที่เกี่ยวข้องจาก database
   → ส่ง search result + question ให้ LLM
   → LLM ตอบโดยอ้างจากข้อมูลที่ได้

LLM ไม่ต้อง “จำ” ข้อมูล แค่ “อ่าน” ข้อมูลที่ให้ตอนนั้นแล้วสรุปคำตอบ

ข้อดี

• อัปเดตข้อมูลได้ทันที (เปลี่ยน document → บอทตอบจากเวอร์ชั่นใหม่)
• ไม่ hallucinate (เพราะมี source ให้อ้าง)
• ใช้ LLM ตัวไหนก็ได้ (Claude, GPT, Gemini, open source)
• ไม่ต้อง train เอง

ข้อเสีย

• ต้องมี vector DB + search infrastructure
• คุณภาพคำตอบขึ้นกับคุณภาพ retrieval
• ต้นทุน inference สูงกว่า fine-tune ระยะยาว (ถ้า volume เยอะ)

Fine-tuning คืออะไร

แนวคิด: สอน LLM ด้วยข้อมูลเรา ให้มันจำและตอบในสไตล์ที่ต้องการ

[Training Dataset (input → output pairs)]
   → Train model หลาย epoch
   → Model weights ใหม่ที่ "รู้จัก" pattern นั้น
   → Deploy เป็น API ใช้งาน

ข้อดี

• ตอบในสไตล์ที่ต้องการได้แม่นยำ (เช่น tone ของแบรนด์)
• Inference เร็วและถูกกว่า RAG ระยะยาว
• ไม่ต้อง retrieve ทุกครั้ง

ข้อเสีย

• ทุกครั้งที่ข้อมูลเปลี่ยน → ต้อง retrain
• ค่า training สูง ($100–$5000 ต่อรอบ)
• ต้องมี dataset คุณภาพดี (ขั้นต่ำ 1,000+ pairs)
• เสี่ยง overfitting

ตารางเปรียบเทียบ

ปัจจัย	RAG	Fine-tuning
ข้อมูลเปลี่ยนบ่อย	✅ เหมาะ	❌ ต้อง retrain
ตอบจากเอกสารยาว	✅ เหมาะ	⚠️ ลำบาก
ตอบในสไตล์เฉพาะ	⚠️ ต้องเขียน prompt ดี	✅ เหมาะ
Citation/อ้างอิง	✅ ง่าย	❌ ยาก
ราคา setup	฿50k–฿300k	฿100k–฿1M+
ราคา ongoing	ปานกลาง (API calls + vector DB)	ต่ำ (แค่ inference)
ความเร็วตอบ	ปานกลาง (2–4 วินาที)	เร็ว (<1 วินาที)
Hallucination	ต่ำ	ปานกลาง-สูง

ตัวอย่างเคสที่ “ควรใช้ RAG”

Chatbot ตอบจากเอกสารบริษัท

ข้อมูลเปลี่ยนทุกเดือน (โปรโมชัน, สเปกสินค้า, นโยบาย) — RAG ชนะขาดลอย

ระบบ Q&A จากเอกสารราชการ

เอกสารยาวเป็นร้อยหน้า, ต้องอ้างอิงได้, ต้องการ source — RAG จำเป็น (ดูสูตรเต็มที่ OCR ภาษาไทย + RAG)

Search engine ภายในบริษัท

หาข้อมูลจาก wiki + Slack + email — RAG เหมาะมาก

ตัวอย่างเคสที่ “ควร Fine-tune”

บอทบริการลูกค้าที่ต้องตอบในสไตล์แบรนด์

เช่น แบรนด์เครื่องสำอางต้องตอบนุ่มนวล ใส่ emoji เฉพาะ — fine-tune ได้สไตล์เป๊ะ

Classify ข้อความเป็นหมวด

จัดประเภท email/ticket เข้าหมวดต่าง ๆ — fine-tune classifier เร็วและถูก

Generate text ตาม template เฉพาะ

สร้างใบเสนอราคา, สรุปประชุม, รายงาน ในรูปแบบเฉพาะของบริษัท

Hybrid: ใช้ทั้งสองอย่าง

ในเคสที่ซับซ้อน เราใช้ทั้งสองอย่างควบคู่:

• Fine-tune model เล็ก ๆ ให้รู้ตอบสไตล์แบรนด์ + จัด format
• RAG retrieve ข้อมูลจริงให้ model อ่าน

ตัวอย่าง: LINE OA chatbot ที่ตอบคำถามเรื่องสินค้า → RAG retrieve สเปกสินค้า + fine-tuned model ตอบในโทนแบรนด์

ต้นทุนจริงในการทำ

RAG project ระดับ SME

• Setup: ฿100,000 – ฿300,000
• Monthly: ฿5,000 – ฿20,000 (API + vector DB + hosting)

Fine-tuning project

• Dataset preparation: ฿50,000 – ฿200,000 (labor)
• Training: $200 – $5,000
• Monthly: ฿3,000 – ฿15,000 (inference + hosting)

ข้อผิดพลาดที่เห็นบ่อย

Fine-tune โดยไม่มี dataset พอ — ลูกค้าหลายคนคิดว่า fine-tune กับข้อมูล 50 ตัวอย่างก็พอ ผลคือ model เสียมากกว่าได้

RAG โดยไม่ทำ chunking ที่ดี — แบ่ง chunk ผิด context ขาด retrieval ไม่เจอ คำตอบจะแย่

ไม่วัด accuracy — สร้างเสร็จไม่มี test set ไม่รู้ดีหรือไม่ดี → ต้อง prep eval dataset อย่างน้อย 100 ตัวอย่าง

เริ่มยังไง

ถ้าคุณกำลังคิดทำ AI ในธุรกิจ — เริ่มจาก RAG ก่อนเสมอ ลงทุนถูก ปรับง่าย และเห็นผลเร็ว ถ้าใช้งานจริงแล้วเจอ pattern ที่ต้องตอบในสไตล์เฉพาะค่อย fine-tune เพิ่ม

ปรึกษาเราได้ที่ /#contact — audit ฟรีว่าโจทย์ของคุณเหมาะกับ RAG, fine-tune หรือ hybrid (ดูเคสจริงใน AI Chatbot บน LINE OA)