Databricks เพิ่มโมเดลค้นหาแบบปรับตัวได้ ดึงข้อมูลให้เอเจนต์ได้เร็วขึ้น

Databricks ประกาศขยายขีดความสามารถของโมเดลการค้นหา Adaptive Instructed-Retriever เพื่อเพิ่มความเร็วในการตอบสนองคำขอจากเอเจนต์ AI ที่จำเป็นต้องมีการดึงข้อมูลหลายขั้นตอน

บริษัทระบุว่าโมเดลนี้เป็นองค์ประกอบสำคัญในการดึงข้อมูลสำหรับ Genie Code, Genie One และ Genie Agents ซึ่งมีคุณภาพการดึงข้อมูลทัดเทียมกับโมเดลชั้นนำจากภายนอกและโอเพนซอร์สหลายรายการ พร้อมทั้งยังตอบสนองได้รวดเร็วเป็นสองเท่าเมื่อเทียบกับ Claude Sonnet 5 จาก Anthropic, GPT-5.6 Luna จาก OpenAI และ V4-Flash จาก DeepSeek โดยผลลัพธ์ดังกล่าวมาจากการทดสอบด้วยเกณฑ์มาตรฐานภายในและภายนอกรวม 7 รายการ ซึ่งครอบคลุมหลากหลายโดเมนและระดับความยากในการค้นหาที่แตกต่างกัน

Adaptive Instructed-Retriever พัฒนาต่อยอดมาจาก Instructed-Retriever-1 ซึ่งเป็นโมเดลที่เปิดตัวไปเมื่อช่วงต้นปีนี้ โดยมุ่งเน้นที่การปรับปรุงเทคนิค Retrieval-Augmented Generation แบบดั้งเดิมผ่านการส่งผ่านคำสั่งของผู้ใช้ ตัวอย่าง และโครงสร้างข้อมูลแหล่งที่มาเข้าสู่กระบวนการดึงข้อมูลและสร้างคำตอบ ก่อนหน้านี้ Databricks รายงานว่าสถาปัตยกรรมดังกล่าวช่วยปรับปรุงประสิทธิภาพได้มากกว่า 70% เมื่อเทียบกับ RAG แบบดั้งเดิมในการทดสอบถาม-ตอบสำหรับองค์กร

โมเดลรุ่นก่อนหน้าดำเนินการค้นหาแบบขนานในขั้นตอนเดียว ซึ่งรวดเร็วเพียงพอสำหรับคำขอทั่วไปหลายประเภท แต่ Adaptive Instructed-Retriever ถูกออกแบบมาเพื่อรองรับคำถามที่ต้องการหลักฐานจากหลายแหล่งข้อมูลหรืออาศัยผลการค้นหาจากก่อนหน้า ซึ่งกระบวนการเหล่านั้นมักทำให้เอเจนต์ต้องปรับปรุงคำค้นหาในขณะที่รวบรวมหลักฐาน โดยแต่ละขั้นตอนที่เพิ่มเข้ามาจะส่งผลให้เวลาในการตอบสนองและต้นทุนการคำนวณสูงขึ้น

โมเดลใหม่ของ Databricks พยายามจัดการกับข้อแลกเปลี่ยนดังกล่าวอย่างมีประสิทธิภาพ นักพัฒนาสามารถกำหนดจำนวนขั้นตอนการค้นหาต่อเนื่องสูงสุด และโมเดลจะเป็นผู้ตัดสินว่าคำขอนั้น ๆ ต้องการกี่ขั้นตอน โดยระบบจะหยุดทำงานเมื่อประเมินว่าหลักฐานที่มีอยู่เพียงพอแล้ว และจะทำการค้นหาต่อหากการทำอีกรอบมีแนวโน้มที่จะช่วยปรับปรุงคำตอบให้ดียิ่งขึ้น

แนวทางนี้มุ่งเน้นไปที่เอเจนต์ข้อมูลที่จำเป็นต้องค้นหาข้อมูลในพื้นที่ทำงานขนาดใหญ่ที่มีการเปลี่ยนแปลงอยู่ตลอดเวลา การสืบค้นที่ไม่ซับซ้อนควรจะตอบกลับได้อย่างรวดเร็ว ในขณะที่งานค้นหาที่ยากขึ้นอาจใช้เวลาและต้นทุนมากขึ้น โดยบริษัทระบุในเอกสารอธิบายว่าเป้าหมายคือการทำให้การค้นหาฉลาดขึ้น เพื่อให้สามารถค้นพบข้อมูลได้โดย “ไม่ต้องเสียเวลาไปกับการสำรวจแบบใช้กำลังเข้าแลก”

Databricks ได้ฝึกฝนโมเดลนี้ด้วยสภาพแวดล้อมการดึงข้อมูลขององค์กรแบบสังเคราะห์และคำถามแบบหลายขั้นตอน โดยนำข้อมูลจาก Instructed-Retriever-1 มาใช้ซ้ำเพื่อรักษาความสามารถในการค้นหาแบบขั้นตอนเดียว จากนั้นจึงประยุกต์ใช้การเรียนรู้เสริมกำลังออนไลน์ด้วยเทคนิค Clipped Importance Sampling Policy Optimization โดยระบบให้รางวัลจะสนับสนุนวิถีการค้นหาที่แม่นยำ ในขณะที่จะลงโทษขั้นตอนเพิ่มเติมที่ไม่ได้สร้างผลลัพธ์ที่มีคุณภาพเพิ่มขึ้นอย่างสอดคล้องกัน

บริษัทกล่าวว่าการปรับเปลี่ยนขนาดของบทลงโทษดังกล่าวจะช่วยสร้างกลุ่มจุดตรวจสอบของโมเดลที่มีตำแหน่งแตกต่างกันบนเส้นโค้งความสัมพันธ์ระหว่างคุณภาพและเวลาแฝง โดยบทลงโทษที่หนักกว่าจะเน้นไปที่จำนวนขั้นตอนที่น้อยลงและการตอบสนองที่เร็วกว่า ในขณะที่บทลงโทษที่เบากว่าช่วยให้สามารถค้นหาได้มากขึ้นเพื่อให้ได้คุณภาพการดึงข้อมูลที่สูงขึ้น ลูกค้าสามารถเลือกจุดตรวจสอบที่เหมาะสมกับแอปพลิเคชันเชิงโต้ตอบหรืองานประมวลผลแบบออฟไลน์ที่เน้นความเร็วต่ำกว่าได้

ในการทดสอบครั้งหนึ่งที่ Databricks อธิบายไว้ Adaptive Instructed-Retriever สามารถยืนยันได้ว่าบริษัทแห่งหนึ่งไม่ได้ระบุต้นทุนการปรับโครงสร้างองค์กรไว้อย่างชัดเจนในงบกำไรขาดทุนประจำปี 2022 โดยใช้การค้นหาเพียงสองขั้นตอน ในขณะที่ Claude Sonnet 5 ทำคะแนนการเรียกคืนได้เท่ากันในสามขั้นตอน และ GPT-5.6 Luna ต้องใช้ถึงสี่ขั้นตอน

การเปรียบเทียบนี้อ้างอิงจากการทดสอบของ Databricks เองและรวมถึงเกณฑ์มาตรฐานที่เป็นกรรมสิทธิ์ ดังนั้นข้อกล่าวอ้างเหล่านี้จึงยังไม่ได้รับการตรวจสอบอย่างเป็นอิสระ โดยบริษัทไม่ได้เปิดเผยจำนวนพารามิเตอร์ ราคา หรือรายละเอียดเกี่ยวกับการใช้งานทั่วไปในการประกาศครั้งนี้

โมเดลดังกล่าวได้รับการฝึกฝนโดยใช้ Databricks AI Runtime ซึ่งลูกค้าสามารถนำไปใช้เพื่อปรับแต่งโมเดลให้เฉพาะเจาะจงกับข้อมูลและความต้องการด้านประสิทธิภาพของตนเองได้ โดยบริษัทกล่าวว่าโมเดลขนาดเล็กที่ออกแบบมาสำหรับงานเฉพาะทางสามารถแข่งขันกับระบบชั้นนำได้ โดยการเรียนรู้ไม่เพียงแค่วิธีการค้นหา แต่ยังรวมถึงการตัดสินใจว่าเมื่อใดที่ควรค้นหาเพิ่มเติมเพื่อให้คุ้มค่ากับเวลาที่เสียไป

ที่มา: https://siliconangle.com/2026/09/09/databricks-adds-adaptive-search-model-to-speed-agent-retrieval/