Knowledge Graph & GraphRAG
ข้อมูลชุดเดียวกัน แต่มองเห็น "ความสัมพันธ์" ที่ตารางมองไม่เห็น
เรานำข้อมูล POC ชุดเดียวกับที่ท่านส่งให้ ไปสร้างเป็น กราฟความรู้ (Knowledge Graph) บน Neo4j —
ที่ทำการ บริการ พื้นที่ ประเภทงาน และกระแสงาน ถูกเชื่อมเป็นโครงข่ายเดียว
ทำให้ถามคำถามเชิงความสัมพันธ์ที่ฐานข้อมูลตารางตอบยากมากได้ในบรรทัดเดียว
และเป็นฐานของ GraphRAG ที่ AI ใช้ตอบคำถามได้แม่นและตรวจย้อนได้
10,600+
ความสัมพันธ์ (Edges)
🗺️ แผนที่ความสัมพันธ์ — เครือข่าย 9 ที่ทำการ
ข้อมูลจริงจาก Neo4j
ลาก/ซูมเพื่อสำรวจ · คลิกที่โหนดเพื่อไฮไลต์เพื่อนบ้าน · เปิด/ปิดชั้นข้อมูลได้ด้านล่าง
เขตไปรษณีย์
จังหวัด
ที่ทำการ
ที่ทำการ Hub (Outlier)
ประเภทที่ทำการ
บริการหลัก
กระแสงาน
4 คำถามที่ "กราฟตอบได้ใน 1 บรรทัด แต่ตารางตอบยาก"
ทำไมต้องมี Knowledge Graph — ไม่ใช่แค่ฐานข้อมูลตาราง
| ลักษณะคำถาม | ฐานข้อมูลตาราง (SQL) | Knowledge Graph (Cypher) |
|---|
| ตามความสัมพันธ์ 3 ชั้นขึ้นไป | ⚠️ ต้อง JOIN ซ้อนหลายชั้น เขียนยาก ช้า | ✅ เขียน pattern ตรง ๆ บรรทัดเดียว |
| เส้นทางความยาวไม่แน่นอน (เช่น กระแสงาน) | ❌ ต้องใช้ Recursive CTE ซับซ้อน | ✅ ใช้ -[:FLOWS_TO*]-> |
| ความคล้าย/เพื่อนบ้าน (Jaccard, peer group) | ⚠️ subquery + UNION ซ้อน | ✅ collect + size |
| แนะนำบริการ (Collaborative Filtering) | ⚠️ 3 self-join + NOT IN | ✅ เดินตาม peer pattern |
| ความสำคัญในเครือข่าย (Centrality) | ❌ ทำตรง ๆ ไม่ได้ | ✅ นับ degree ในตัว |
| อธิบาย "ทำไมสองสิ่งนี้เกี่ยวกัน" | ❌ ไม่มี | ✅ allShortestPaths() |
หมายเหตุ: เราไม่ได้เสนอให้เลิกใช้ฐานข้อมูลตาราง — ตารางยังเก่งเรื่องธุรกรรมและรายงานมาตรฐาน
กราฟคือ ชั้นเสริม ที่มาตอบคำถามเชิงความสัมพันธ์ซึ่งตารางทำได้ลำบาก ทั้งสองทำงานร่วมกัน
GraphRAG คืออะไร — และช่วยงานไปรษณีย์อย่างไร
RAG แบบเดิม ให้ AI ค้นเอกสารด้วยความ "คล้ายข้อความ" อย่างเดียว — ตอบคำถามตรง ๆ ได้ แต่พอเป็นคำถามที่ต้อง
เชื่อมโยงหลายเอกสาร/หลายหน่วยงาน มักหลุด. GraphRAG เพิ่มชั้นกราฟความรู้เข้าไป
ให้ AI เดินตาม "ความสัมพันธ์จริง" ก่อนตอบ — จึงตอบคำถามซับซ้อนได้แม่นกว่าและบอกที่มาได้ทุกขั้น
RAG ธรรมดา
คำถาม → ค้นข้อความคล้าย → ส่งชิ้นส่วนเอกสารให้ AI → ตอบ
✗ คำถามข้ามหน่วยงาน/หลายชั้นมักตอบพลาด · อธิบายที่มายาก
GraphRAG
คำถาม → ค้นข้อความ + เดินกราฟความสัมพันธ์ → ส่งบริบทที่เชื่อมโยงแล้วให้ AI → ตอบ + เส้นทางที่มา
✓ ตอบคำถามเชิงความสัมพันธ์ได้แม่น · ตรวจย้อนหลักฐานได้ทุกขั้น
ตัวอย่างในงาน HR ที่สาธิตแล้ว: คำถาม "ใครพร้อมเป็นผู้บริหารคนต่อไป" —
ระบบเดินจาก เกณฑ์ในเอกสาร → ตำแหน่ง → พนักงาน → ผลประเมิน/อบรม/หมุนงาน
แล้วสรุปเป็นระดับความพร้อม โดยอ้างหลักฐานได้ทุกบรรทัด นี่คือ GraphRAG ในทางปฏิบัติ
มาตรฐานสากลของแพลตฟอร์มกราฟความรู้ระดับองค์กร
5 คุณสมบัติที่แนวปฏิบัติสากลถือว่าแพลตฟอร์มกราฟความรู้ควรมี
อ้างอิงจากงานวิจัยและการใช้งานจริงในอุตสาหกรรมโลจิสติกส์/ไปรษณีย์ต่างประเทศ · แต่ละข้อวัดผลได้และเป็นกลาง ไม่ผูกกับผู้ขายรายใด · แถบขวาคือหลักฐานว่า POC ของเราทำได้แล้ว
01 แบบจำลองข้อมูลแบบกราฟ (Graph Data Model)
จัดเก็บและสืบค้นความสัมพันธ์แบบหลายชั้น (multi-hop) ได้ตั้งแต่ 3 ชั้นขึ้นไป และรองรับภาษาสืบค้นกราฟมาตรฐานเปิด (openCypher / Gremlin / SPARQL)
✓ POC ทำได้แล้ว — 12 labels, 11 ชนิดความสัมพันธ์, สืบค้น 6 hop ได้
02 การค้นคืนแบบผสม (Hybrid Retrieval / GraphRAG)
ผู้ช่วย AI ค้นคืนโดยผสานการค้นความหมายของข้อความ (semantic) เข้ากับการเดินกราฟความสัมพันธ์ และแสดงเส้นทางที่มาของคำตอบ (provenance) ให้ตรวจสอบได้
✓ POC ทำได้แล้ว — สาธิต Successor/Talent อ้างเกณฑ์→หลักฐานได้ทุกขั้น
03 การเชื่อมโยงเอนทิตี (Entity Resolution)
เชื่อมโยงสิ่งเดียวกันที่มาจากหลายระบบต้นทางให้เป็นเอนทิตีเดียวได้ (เช่น ที่ทำการ/ที่อยู่/บริการ) พร้อมกลไกตรวจสอบคุณภาพการจับคู่
✓ POC ทำได้แล้ว — รวม 6 SourceSystem เป็นกราฟเดียว ตรวจ 118/118
04 รองรับภาษาไทย + ประมวลผลในองค์กร
ถาม-ตอบภาษาไทยบนข้อมูลจริงได้ โดยประมวลผลบนโครงสร้างที่องค์กรควบคุมได้ (self-hosted) เป็นส่วนใหญ่ของภาระงานประมวลผลภาษา
✓ POC ทำได้แล้ว — โมเดลโอเพนซอร์ส self-hosted, ไม่มี cloud API
05 ความยั่งยืนของข้อมูล (Portability)
ข้อมูลกราฟและสคีมาส่งออกในรูปแบบมาตรฐานเปิด (GraphML / RDF / CSV) ได้ เพื่อป้องกันการผูกติดผู้ขาย (vendor lock-in)
✓ สอดคล้องนโยบายโอเพนซอร์ส — ไม่มีค่าไลเซนส์รายปี
