Constitutional AI vs RAG: สถาปัตยกรรมไหนป้องกัน Hallucination ได้จริง?

ทั้ง RAG และ Constitutional AI ถูกนำเสนอว่าเป็นวิธีแก้ปัญหา AI Hallucination ทั้งคู่ถูกต้องในแง่หนึ่ง แต่พวกมันแก้คนละปัญหา ทำงานคนละชั้นของ AI Stack และมี trade-off ที่แตกต่างกัน

บทความนี้อธิบายความแตกต่างเชิงสถาปัตยกรรม ว่าแต่ละแนวทางทำงานได้ดีเมื่อไหร่ และทำไมระบบ AI Enterprise ที่น่าเชื่อถือที่สุดจึงต้องใช้ทั้งสองร่วมกัน

RAG ทำอะไร

RAG (Retrieval-Augmented Generation) แก้ปัญหา Hallucination โดยการฉีดเอกสารที่เกี่ยวข้องเข้าไปใน context window ของโมเดล ก่อนที่มันจะสร้างคำตอบ กระบวนการทำงาน:

1. Query ของผู้ใช้มาถึง
2. Query ถูก embed และค้นหาใน document store (vector database)
3. เอกสาร N ชิ้นที่มีความคล้ายกันทาง semantic สูงสุดถูกดึงมา
4. เอกสารถูกเพิ่มเข้าไปใน prompt ของ LLM เป็น context
5. LLM สร้างคำตอบที่อิงตามเอกสารที่ดึงมา

RAG ป้องกันอะไร: Hallucination ที่เกิดจากช่องว่างความรู้ — เมื่อโมเดลสร้างข้อเท็จจริงที่ฟังดูสมเหตุสมผลแต่ผิด เพราะไม่มีข้อมูลที่ถูกต้องใน training data

RAG ไม่ป้องกันอะไร:

• Reasoning errors (โมเดล reason ผิดแม้มี context ถูกต้อง)
• Conflation (โมเดลผสมข้อมูลจากเอกสารหลายชิ้นเข้าด้วยกันโดยไม่ถูกต้อง)
• Retrieval gaps (เอกสารที่ถูกต้องไม่ถูกดึงมาเพราะ query ไม่ชัดเจน)
• Constitutional violations (โมเดลสร้าง output ที่เป็นอันตรายหรือไม่สอดคล้อง แม้มี context ถูกต้อง)

Constitutional AI ทำอะไร

Constitutional AI แก้ปัญหา Hallucination และ output ที่ไม่ปลอดภัย โดยการกำหนดข้อจำกัดว่าระบบสามารถสร้าง output อะไรได้ และ reason อย่างไร — ที่ระดับสถาปัตยกรรมของระบบ ไม่ใช่ระดับโมเดล

ใน RCT Ecosystem นี้คือสมการ FDIA F = (D^I) × A:

• การตรวจสอบคุณภาพข้อมูล (D): ถ้าข้อมูลที่ใช้ตอบ query ไม่ผ่าน threshold คุณภาพ query จะถูกปฏิเสธก่อนที่จะเรียก LLM ใดๆ
• การตรวจสอบ Intent (I): Query ที่มีความเสี่ยงสูงต้องการคุณภาพข้อมูลที่สูงขึ้นตามสัดส่วน
• Architect gate (A): ไม่มี output ใดถูกปล่อยออกมาโดยไม่ผ่านการ authorize สำหรับคำตอบที่สำคัญ

Constitutional AI ป้องกันอะไร:

• Output ที่ต่ำกว่า threshold คุณภาพขั้นต่ำ (FDIA gating)
• Output ที่ไม่ได้รับ authorize ในโดเมนสำคัญ (Architect gate, A=0)
• Consensus hallucination (SignedAI multi-model verification)
• Single-model bias (7-model geopolitical balance)

Constitutional AI ไม่แก้โดยธรรมชาติ:

• ช่องว่างความรู้ (ยังต้องการ retrieval สำหรับคำถามเชิงข้อเท็จจริงที่เกิน training data)
• โมเดลที่ต้องการ context เอกสารปัจจุบันที่เฉพาะเจาะจง

ความแตกต่างเชิงสถาปัตยกรรม

| มิติ | RAG | Constitutional AI (FDIA) | |---|---|---| | ทำงานที่ไหน | Input augmentation (ก่อน LLM) | System constraints (รอบๆ LLM) | | ควบคุมอะไร | ข้อมูลที่มีให้โมเดล | สิ่งที่ระบบอนุญาตให้เป็น output | | Hallucination ที่ป้องกัน | ช่องว่างข้อเท็จจริง | Reasoning errors + output ไม่ได้รับ authorize | | Determinism | Probabilistic (คุณภาพ retrieval แปรผัน) | Deterministic (A=0 block เสมอ) | | Multi-model support | โมเดลเดียวพร้อม context | หลายโมเดลพร้อม consensus | | Audit trail | Log การ retrieval เท่านั้น | Provenance เต็มรูปแบบ + FDIA scores + model chain | | กลไก compliance | Access control บน document store | Constitutional constraints ใน execution | | ต้นทุนที่ scale | เพิ่มขึ้นตามขนาด index และต้นทุน retrieval | Warm recall ลดต้นทุนเมื่อเวลาผ่านไป |

การเปรียบเทียบประสิทธิภาพ

| Metric | RAG เพียงอย่างเดียว | Constitutional AI เพียงอย่างเดียว | RAG + Constitutional AI | |---|---|---|---| | Hallucination rate | ~3-5% | ~1-2% | 0.3% (RCT Ecosystem) | | การ ground ข้อเท็จจริง | ✅ สูง (เอกสารที่ดึงมา) | ⚠️ ขึ้นกับ training data | ✅ สูง | | ความปลอดภัยของ reasoning | ⚠️ ขึ้นกับโมเดล | ✅ มีข้อจำกัด | ✅ ทั้งสองชั้น | | การรับประกัน compliance | ❌ ไม่มี | ✅ Constitutional gate | ✅ ทั้งสองชั้น | | ความเร็ว Warm recall | ❌ Re-retrieve ทุกครั้ง | ✅ Delta Engine <50ms | ✅ Cached + constrained |

Hallucination rate 0.3% ของ RCT Ecosystem ทำได้โดยการรวมทั้งสอง: RAG สำหรับ factual grounding (ผ่าน DelentiaDB และ Codex Genome) กับ Constitutional AI (FDIA gating และ SignedAI consensus) สำหรับความปลอดภัยของ reasoning และ compliance

ควรใช้อะไรเมื่อไหร่

ใช้ RAG เมื่อ:

• คุณต้องการคำตอบที่ ground ในเอกสารปัจจุบันที่เฉพาะเจาะจง (คู่มือผลิตภัณฑ์, สัญญาทางกฎหมาย, นโยบาย)
• คุณต้องการอัปเดต knowledge base อย่างสม่ำเสมอโดยไม่ต้อง retrain
• Hallucination เป็นปัญหา knowledge gap เป็นหลัก (ไม่ใช่ปัญหา reasoning)
• กรณีใช้งานเน้นข้อมูล/การดึงข้อมูล

ใช้ Constitutional AI เมื่อ:

• คุณต้องการการรับประกันที่พิสูจน์ได้เกี่ยวกับคุณภาพและความปลอดภัยของ output
• กรณีใช้งานเกี่ยวข้องกับการตัดสินใจสำคัญ (การแพทย์, กฎหมาย, การเงิน)
• คุณต้องการเอกสาร compliance (PDPA, HIPAA, GDPR audit trails)
• คุณต้องการ multi-model consensus เพื่อป้องกัน bias ของโมเดลเดียว
• คุณต้องการ warm recall (ต้นทุนเข้าใกล้ศูนย์สำหรับ query ซ้ำ)

ใช้ทั้งสอง (แนะนำสำหรับ Enterprise):

• คุณต้องการ factual grounding และ quality/safety guarantees
• คุณมีข้อกำหนด compliance ในอุตสาหกรรมที่มีการควบคุม
• คุณต้องการ audit trails ระดับ enterprise
• ประสิทธิภาพและต้นทุนที่ scale มีความสำคัญ

ข้อพิจารณาในการ Implement

การเพิ่ม RAG บน Constitutional AI (แนวทาง RCT Ecosystem):

1. Knowledge retrieval ผ่าน Codex Genome (semantic search ใน DelentiaDB Warm zone)
2. FDIA gating ตรวจสอบคุณภาพข้อมูลที่ดึงมา (D score)
3. JITNA assembly route ไปยังโมเดลที่เหมาะสมพร้อม context ที่ดึงมา
4. SignedAI consensus ตรวจสอบคำตอบก่อน delivery
5. Delta Engine caching ป้องกัน re-retrieval สำหรับคำถามซ้ำ

ผลลัพธ์: คุณภาพ RAG + ความปลอดภัย Constitutional AI + warm recall ต่ำกว่า 50ms

บทสรุป

RAG และ Constitutional AI เป็นสิ่งที่เสริมกัน ไม่ใช่แข่งกัน:

• RAG แก้ปัญหา factual grounding (สิ่งที่โมเดลรู้)
• Constitutional AI แก้ปัญหาความปลอดภัยของ output และ compliance (สิ่งที่ระบบอนุญาต)
• รวมกัน: สถาปัตยกรรมที่ทำให้ได้ Hallucination 0.3% พร้อมเอกสาร PDPA/compliance เต็มรูปแบบและ warm recall

สำหรับ Enterprise AI ที่ต้องการทั้งความแม่นยำและความปลอดภัย คำตอบไม่ใช่ RAG หรือ Constitutional AI แต่คือทั้งสอง

บทความนี้เขียนโดย อิทธิฤทธิ์ แซ่โง้ว ผู้ก่อตั้งและ developer เดี่ยวของ Delentia Labs