<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Narrative Personalization on ระบบอัตโนมัติอัจฉริยะสำหรับแบบสอบถามและการปฏิบัติตาม</title><link>https://blog.procurize.ai/th/tags/narrative-personalization/</link><description>Recent content in Narrative Personalization on ระบบอัตโนมัติอัจฉริยะสำหรับแบบสอบถามและการปฏิบัติตาม</description><generator>Hugo</generator><language>th</language><atom:link href="https://blog.procurize.ai/th/tags/narrative-personalization/index.xml" rel="self" type="application/rss+xml"/><item><title>การสร้างข้อความเชิงดึงข้อมูลเสริมที่รับรู้บริบทแบบไดนามิกสำหรับการปรับแต่งเรื่องราวการปฏิบัติตามแบบเรียลไทม์</title><link>https://blog.procurize.ai/th/dynamic-context-aware-retrieval-augmented-generation-for-rea/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.procurize.ai/th/dynamic-context-aware-retrieval-augmented-generation-for-rea/</guid><description>&lt;h1 id="การสรางขอความเชงดงขอมลเสรมทรบรบรบทแบบไดนามกสำหรบการปรบแตงเรองราวการปฏบตตามแบบเรยลไทม">การสร้างข้อความเชิงดึงข้อมูลเสริมที่รับรู้บริบทแบบไดนามิกสำหรับการปรับแต่งเรื่องราวการปฏิบัติตามแบบเรียลไทม์&lt;/h1>
&lt;p>การเล่าเรื่องการปฏิบัติตามได้เปลี่ยนจากเอกสารนโยบายคงที่ไปสู่ &lt;strong>เรื่องราวเชิงบริบทแบบเรียลไทม์&lt;/strong> ที่ปรับให้เข้ากับผู้ใช้, เขตอำนาจศาล, และสายผลิตภัณฑ์แต่ละรายการ ระบบ Retrieval‑Augmented Generation (RAG) แบบดั้งเดิมแม้จะดึงหลักฐานที่เกี่ยวข้องได้ดี แต่บ่อยครั้งละเลย &lt;strong>บริบทไดนามิก&lt;/strong> ของผู้ร้องขอ เช่น บทบาท, ความเสี่ยงที่ยอมรับได้, และการเปลี่ยนแปลงกฎระเบียบล่าสุด นอกจากนี้การนำ RAG ไปใช้ส่วนใหญ่ยังพึ่งพาโมเดลศูนย์กลาง ทำให้เกิดคอขวดและกังวลด้านความเป็นส่วนตัวสำหรับองค์กรที่ต้องเก็บข้อมูลการตรวจสอบที่ละเอียดอ่อนไว้ในสถานที่&lt;/p>
&lt;p>&lt;strong>Dynamic Context‑Aware Retrieval‑Augmented Generation (DC‑RAG)&lt;/strong> จัดการช่องโหว่เหล่านี้โดย:&lt;/p>
&lt;ol>
&lt;li>&lt;strong>ฝังบริบทโดยตรงในขั้นตอนการดึงข้อมูล&lt;/strong> ด้วยตัวเข้ารหัสบริบทขนาดเล็กแบบ edge‑native&lt;/li>
&lt;li>&lt;strong>ฝึกนโยบายการสร้างด้วยการเรียนรู้เสริมแบบกระจาย (FedRL)&lt;/strong> เพื่อให้แต่ละโหนดเรียนรู้จากปฏิสัมพันธ์ภายในขณะเดียวกันแชร์เพียง gradient ของนโยบายเท่านั้น&lt;/li>
&lt;li>&lt;strong>พัฒนา knowledge graph (KG) ของการปฏิบัติตามอย่างต่อเนื่องผ่านการอัปเดต edge แบบ self‑supervised&lt;/strong> เพื่อรับประกันว่าฐานหลักฐานจะสดใหม่โดยไม่ต้องคอยทำคิวรีด้วยมือ&lt;/li>
&lt;/ol>
&lt;p>ผลลัพธ์คือ &lt;strong>เรื่องราวการปฏิบัติตามที่ปรับให้เป็นส่วนตัว&lt;/strong> ที่สร้างได้ในระดับมิลลิวินาที, เคารพอธิปไตยของข้อมูล, และพัฒนาขึ้นเรื่อย ๆ ตามที่ระบบรับฟีดแบ็กจากผู้ใช้&lt;/p>
&lt;hr>
&lt;h2 id="1-ภาพรวมสถาปตยกรรม">1. ภาพรวมสถาปัตยกรรม&lt;/h2>
&lt;p>ด้านล่างเป็นไดอะแกรม Mermaid ระดับสูงที่จับส่วนประกอบหลักและการไหลของข้อมูลของ DC‑RAG&lt;/p>
&lt;pre class="mermaid">
 graph TD
 A[&amp;#34;คำขอของผู้ใช้&amp;#34;] --&amp;gt; B[&amp;#34;ตัวเข้ารหัสบริบท (Edge)&amp;#34;]
 B --&amp;gt; C[&amp;#34;เวกเตอร์บริบท&amp;#34;]
 C --&amp;gt; D[&amp;#34;ตัวดึงข้อมูลแบบกระจาย&amp;#34;]
 D --&amp;gt; E[&amp;#34;กราฟย่อย KG ที่เกี่ยวข้อง&amp;#34;]
 E --&amp;gt; F[&amp;#34;ตัวสร้างพรอมต์&amp;#34;]
 F --&amp;gt; G[&amp;#34;LLM ท้องถิ่น (Edge)&amp;#34;]
 G --&amp;gt; H[&amp;#34;เรื่องราวที่สร้าง&amp;#34;]
 H --&amp;gt; I[&amp;#34;ตัวเก็บข้อเสนอแนะ&amp;#34;]
 I --&amp;gt; J[&amp;#34;ตัวเพิ่มประสิทธิภาพ FedRL&amp;#34;]
 J --&amp;gt; B
 J --&amp;gt; D
 style A fill:#f9f,stroke:#333,stroke-width:2px
 style H fill:#bbf,stroke:#333,stroke-width:2px
&lt;/pre>
&lt;ul>
&lt;li>&lt;strong>คำขอของผู้ใช้&lt;/strong> – คำถามใด ๆ ที่เกี่ยวกับการปฏิบัติตาม (เช่น “อธิบายสิทธิของผู้เป็นเจ้าของข้อมูลตาม &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> สำหรับผลิตภัณฑ์ SaaS ของเรา”)&lt;/li>
&lt;li>&lt;strong>ตัวเข้ารหัสบริบท&lt;/strong> – transformer ขนาดเล็กที่รับเมตาดาต้า (บทบาท, ภูมิภาค, เวอร์ชันผลิตภัณฑ์) แล้วส่งออกเวกเตอร์บริบทหนาแน่น&lt;/li>
&lt;li>&lt;strong>ตัวดึงข้อมูลแบบกระจาย&lt;/strong> – ดัชนีกระจายที่ใช้เวกเตอร์บริบทเพื่อปรับการค้นหาความคล้ายคลึงใน shard KG ท้องถิ่น&lt;/li>
&lt;li>&lt;strong>ตัวสร้างพรอมต์&lt;/strong> – ผสานหลักฐานที่ดึงมาเข้ากับพรอมต์ระบบที่รับรู้บริบท&lt;/li>
&lt;li>&lt;strong>LLM ท้องถิ่น&lt;/strong> – ทำงานบนอุปกรณ์ edge หรือเซิร์ฟเวอร์ในสถานที่ เพื่อให้ข้อมูลดิบไม่ออกจากองค์กร&lt;/li>
&lt;li>&lt;strong>ตัวเก็บข้อเสนอแนะ&lt;/strong> – เก็บการให้คะแนนของผู้ใช้, การคลิก, และหมายเหตุของเจ้าหน้าที่ compliance&lt;/li>
&lt;li>&lt;strong>ตัวเพิ่มประสิทธิภาพ FedRL&lt;/strong> – รวม gradient จากโหนดทั้งหมดเพื่อปรับนโยบายโดยไม่เปิดเผยข้อมูลดิบ&lt;/li>
&lt;/ul>
&lt;hr>
&lt;h2 id="2-การดงขอมลทรบรบรบทโดยละเอยด">2. การดึงข้อมูลที่รับรู้บริบทโดยละเอียด&lt;/h2>
&lt;h3 id="21-การสรางเวกเตอรบรบท">2.1 การสร้างเวกเตอร์บริบท&lt;/h3>
&lt;p>ตัวเข้ารหัสบริบทถูกฝึกด้วย &lt;strong>วัตถุประสงค์หลายงาน&lt;/strong>:&lt;/p></description></item></channel></rss>