ทันเอไอ

นักวิจัยพัฒนาระบบ ISEE ช่วยให้ AI เอเจนต์เข้าใจฐานข้อมูลองค์กรแม่นขึ้น

ระบบ Interactive Semantic Enrichment จาก Purdue University, Adobe และ UW–Madison ช่วยเติมความรู้เฉพาะทางลงในคำอธิบายฟิลด์ข้อมูล ทำให้ AI เอเจนต์ทำงานกับฐานข้อมูลได้แม่นยำขึ้น

เมื่อ AI เอเจนต์ที่ขับเคลื่อนด้วย LLM (Large Language Model หรือโมเดลภาษาขนาดใหญ่) ถูกนำมาใช้ทำงานกับข้อมูลมากขึ้นเรื่อยๆ ทั้งการทำความเข้าใจข้อมูล การสำรวจ และการสืบค้น ปัญหาที่เจอบ่อยคือความแม่นยำตกต่ำ โดยเฉพาะกับฐานข้อมูลระดับองค์กร สาเหตุไม่ได้อยู่ที่ตัวโมเดลเสมอไป แต่มาจากคำอธิบายฟิลด์ข้อมูล (field descriptions) ที่มักคลุมเครือหรือไม่สมบูรณ์ เช่น ฟิลด์ที่ตั้งชื่อเฉพาะของบริษัทเอง ซึ่งความหมายที่แท้จริงอยู่ในความรู้เฉพาะทาง (domain knowledge) ของพนักงาน แต่ไม่เคยถูกจดบันทึกไว้ต่อสาธารณะ

เพื่อแก้ช่องว่างนี้ ทีมนักวิจัยจาก Purdue University, Adobe และ University of Wisconsin—Madison นำโดย Yuan Tian, Yiru Chen และ Rakesh R. Menon พร้อมคณะ จึงเสนอระบบ ISEE (Interactive SEmantic Enrichment) ซึ่งเผยแพร่บน arXiv หมวด cs.AI/cs.IR ระบบนี้ทำงานแบบ interactive คือเมื่อได้รับคำอธิบายฟิลด์มา ISEE จะประเมินคุณภาพของคำอธิบายนั้นด้วยระบบให้คะแนน จากนั้นรวบรวมความรู้จากผู้ใช้ และร่วมกับผู้ใช้ปรับปรุงความหมายของฟิลด์ให้สมบูรณ์ขึ้น

ทีมวิจัยระบุว่าคำอธิบายฟิลด์ที่คลุมเครือส่งผลกระทบโดยตรงต่องานด้านหลัง (downstream tasks) อย่างเช่น entity linking ซึ่งเป็นการเชื่อมโยงข้อมูลกับเอนทิตีที่ถูกต้อง — งานประเภทที่ AI เอเจนต์พลาดง่ายมากถ้าไม่เข้าใจว่าแต่ละฟิลด์หมายถึงอะไรจริงๆ

ผลการศึกษาผู้ใช้และการประเมินเชิงคุณภาพพบว่า ISEE ช่วยเพิ่มความแม่นยำของคำอธิบายฟิลด์ข้อมูลได้จริง และยังช่วยลดภาระทางความคิด (cognitive load) ของผู้ใช้เมื่อเทียบกับวิธีพื้นฐานทั่วไป กล่าวคือผู้ใช้ไม่ต้องเหนื่อยคิดและจดบันทึกทุกอย่างด้วยตัวเองจากศูนย์

อย่างไรก็ตาม ผลงานนี้ยังเป็นงานวิจัยระยะต้นที่เผยแพร่แบบ preprint บน arXiv ยังไม่ได้ผ่านการทบทวนจากผู้เชี่ยวชาญ (peer review) อย่างเป็นทางการ และตัวเลขผลการทดลองเชิงละเอียดยังไม่ได้เปิดเผยในบทคัดย่อ การใช้งานจริงในระดับอุตสาหกรรมจึงต้องรอดูต่อไป