Knowledge Graph คืออะไร? เชื่อมข้อมูลกระจายใน SME ให้ AI ตอบแม่นด้วย GraphRAG

Knowledge Graph คือแผนที่ความสัมพันธ์ของข้อมูลที่แทนสิ่งต่าง ๆ ในธุรกิจเป็นโหนด และแทนความเกี่ยวข้องกันเป็นเส้นเชื่อม เช่น ลูกค้าคนหนึ่งสั่งซื้อสินค้าหลายชิ้น สินค้าแต่ละตัวอยู่ในคลังหลายสาขา และใบสั่งขายอ้างถึงลูกค้ากับพนักงานขายคนเดียวกัน แนวคิดนี้ไม่ได้ใหม่ แต่มาเข้าใกล้ SME มากขึ้นเมื่อ LLM อย่าง ChatGPT ถูกนำมาสร้างแชทบอทตอบคำถามภายในองค์กร เพราะ AI จะได้ไม่ต้องเดาบริบทจากเอกสารแยกส่วน ประโยชน์ที่ SME เห็นเร็วคือ แชทบอทหน้าร้านตอบเรื่องสต็อกได้ตรงสาขา ลูกค้าสอบถามสินค้าที่เหมาะกับตัวเองได้โดยอ้างอิงจากข้อมูลการขายจริง และทีมขายรู้ประวัติลูกค้าครบในที่เดียวโดยไม่ต้องเปิดหลายไฟล์

Knowledge Graph คืออะไร

Knowledge Graph หรือกราฟความรู้ คือโครงสร้างข้อมูลที่เก็บ “สิ่งที่เราสนใจ” เป็นโหนด (node) และเก็บ “ความสัมพันธ์” ระหว่างสิ่งเหล่านั้นเป็นเส้นเชื่อม (edge) ตัวอย่างง่าย ๆ ในธุรกิจ SME ร้านขายสินค้าแฟชั่น:

• โหนด ได้แก่ ลูกค้า สินค้า สาขา พนักงานขาย ซัพพลายเออร์
• เส้นเชื่อม ได้แก่ ลูกค้า สั่งซื้อ สินค้า / สินค้า อยู่ในคลังของ สาขา / พนักงานขาย ดูแล ลูกค้า / ซัพพลายเออร์ จัดหา สินค้า

การออกแบบแบบนี้ทำให้ระบบตอบคำถามได้ว่า “ลูกค้าคนนี้เคยซื้อสินค้าสีไหนบ่อยที่สุด” หรือ “สินค้าที่ขายดีในเดือนที่แล้ว ตอนนี้เหลืออยู่ที่สาขาใด” ซึ่งเป็นคำถามที่ต้องเดินข้ามข้อมูลหลายตาราง ถ้าใช้ตาราง Relational Database แบบเดิมก็ทำได้ แต่ต้องเขียน JOIN และต้องรู้ล่วงหน้าว่าจะถามอะไร ส่วนกราฟเก็บความสัมพันธ์เป็นโครงสร้างหลัก ทำให้ AI หรือนักวิเคราะห์สามารถ “เดินไปตามเส้นเชื่อม” เพื่อหาคำตอบที่ไม่รู้คำถามล่วงหน้าได้

ในแง่ของ SME ข้อมูลที่กระจัดกระจายอยู่ใน Odoo หรือ Excel มีอยู่แล้ว เช่น Odoo มีตารางลูกค้า ตารางสินค้า ตารางคำสั่งขาย ตารางคลังสินค้า ถ้าเรานำตารางเหล่านี้มาแมปเป็นโหนดและความสัมพันธ์ แทนที่จะปล่อยให้เป็นไฟล์แยกกัน ความรู้ที่ซ่อนอยู่ในระบบ ERP ก็จะกลายเป็น “โครงสร้างเดียว” ที่ AI อ่านเข้าใจได้

ทำไมต้อง GraphRAG และต่างจาก Vector Database อย่างไร

ช่วงที่ผ่านมาหลายองค์กรเริ่มใช้ระบบ RAG หรือ Retrieval-Augmented Generation โดยการตัดเอกสารออกเป็นชิ้นเล็ก ๆ แล้วแปลงเป็นเวกเตอร์เก็บใน Vector Database เวลาถามคำถาม ระบบจะค้นหาชิ้นส่วนข้อความที่ “คล้ายคลึง” กับคำถามแล้วส่งให้ LLM สรุปคำตอบ วิธีนี้เหมาะกับคู่มือ เอกสาร PDF หรือหน้าวิกิภายใน แต่มีข้อจำกัดเมื่อคำถามต้องการเชื่อมข้อมูลหลายแหล่ง เช่น

• “ลูกค้า A ซื้อสินค้า B ไปแล้ว และสินค้า B มีเหลือที่สาขาไหนบ้าง”
• “ซัพพลายเออร์รายใดที่ส่งวัตถุดิบล่าช้าประจำสำหรับสินค้าที่มียอดขายสูงสุด”

คำถามประเภทนี้ต้องการการเดินทางหลายขั้นตอน (multi-hop) จากลูกค้าไปหาสินค้า จากสินค้าไปหาคลัง และจากคลังไปหาสาขา Vector Database จะให้ผลลัพธ์เป็น “ข้อความที่ใกล้เคียง” แต่ไม่ได้การันตีว่าความสัมพันธ์นั้นเป็นจริงหรือครบถ้วน

GraphRAG คือการนำ Knowledge Graph มาเสริม RAG โดยให้ LLM ดึงข้อมูลจากกราฟแทนที่จะดึงจากข้อความนิ่ง ๆ วิธีหนึ่งคือการให้ LLM เปลี่ยนคำถามภาษาไทยเป็นภาษา Query เช่น Cypher เพื่อค้นหาเส้นทางในกราฟ แล้วนำผลลัพธ์จริงจากฐานข้อมูลมาสรุปคำตอบ ผลลัพธ์คือ AI ตอบโดยอ้างอิงความสัมพันธ์ที่ตรวจสอบได้ ลดอาการหลอน (hallucination) และตอบคำถามเชิงวิเคราะห์ได้ลึกขึ้น

GraphRAG ทำงานอย่างไร

GraphRAG โดยทั่วไปมีเส้นทางการทำงานดังนี้

1. โหลดข้อมูลจาก Odoo/Excel เข้าสู่ Graph Database เพื่อสร้างโหนดและความสัมพันธ์
2. ผู้ใช้พิมพ์คำถาม เช่น “สินค้าที่ราคาไม่เกิน 500 บาท และมี stock ที่สาขาบางกะปิ มีรุ่นไหนบ้าง”
3. LLM ถูกสั่งให้แปลงคำถามเป็น Cypher Query โดยมี schema ของกราฟเป็นตัวอย่างให้
4. Query ถูกส่งไปประมวลผลบนกราฟจริง ได้ผลลัพธ์เป็นชุดโหนดและเส้นเชื่อมที่เกี่ยวข้อง
5. LLM ได้รับผลลัพธ์เหล่านั้นพร้อมกับคำถามเดิม แล้วเรียบเรียงเป็นคำตอบภาษาไทยที่เป็นธรรมชาติ

นอกจากนี้ยังสามารถใช้เทคนิคแบบผสม คือ ใช้ Vector Search เพื่อค้นหาโหนดเริ่มต้นที่ใกล้เคียง เช่น เจอชื่อสินค้าที่ลูกค้าพิมพ์ผิด แล้วใช้ Graph Traversal เพื่อไล่ดูความสัมพันธ์ที่เกี่ยวข้องทั้งหมด วิธีนี้ช่วยให้ได้ทั้งความยืดหยุ่นในการค้นหาคำเหมือนและความแม่นยำของการเชื่อมโยงข้อมูลเชิงโครงสร้าง

กรอบการทำงาน เช่น LangChain หรือ LlamaIndex มีเครื่องมือสำหรับ “Graph Retriever” และ “Text-to-Cypher” อยู่แล้ว ทำให้เราไม่ต้องเขียนทุกอย่างจากศูนย์ แม้ทีมไอทีเล็ก ๆ ก็เริ่มสร้าง PoC ได้ภายในไม่กี่สัปดาห์

กรณีใช้งานจริงใน SME: จาก Customer 360 ถึงเช็คสต็อกข้ามสาขา

Customer 360 สำหรับธุรกิจบริการหรือร้านค้าออนไลน์ ธุรกิจมักมีข้อมูลลูกค้าอยู่ใน Odoo แต่กระจายอยู่หลายโมดูล ไม่ว่าจะเป็นที่อยู่ ในใบสั่งขาย ประวัติการชำระเงิน หรือบันทึกการเคลม การสร้าง Knowledge Graph ที่เชื่อมลูกค้ากับทุกออเดอร์และทุกการติดต่อช่วยให้แชทบอทตอบได้ว่า “คุณลูกค้ารายนี้มียอดซื้อรวมเท่าไร เคยคืนสินค้ากี่ครั้ง และสินค้าที่ซื้อประจำคืออะไร” ทีมขายใช้ข้อมูลนี้ปิดการขายได้เร็วขึ้น

แชทบอทแนะนำสินค้าตามสเปก โรงงานหรือร้านค้าที่มีสินค้าหลายพัน SKU มักถูกถามว่า “มีปั๊มน้ำที่เหมาะกับบ่อepth 30 เมตรไหม” หรือ “สายพานรุ่นไหนใช้กับเครื่องจักรยี่ห้อนี้ได้” ความสัมพันธ์ระหว่างสินค้า หมวดหมู่ สเปก และความเข้ากันได้กับเครื่องจักร ทำให้ AI ตอบได้ตรงกรณี ไม่ใช่แค่ค้นหาคำที่ใกล้เคียง

เช็คสต็อกข้ามสาขา ร้านอาหารหรือแฟรนไชส์ที่มีหลายสาขามักต้องการรู้ว่า “วัตถุดิบนี้มีเหลือที่สาขาไหนบ้าง และสาขาที่ใกล้ลูกค้าที่สุดส่งให้ถึงในกี่ชั่วโมง” กราฟเชื่อม Product กับ Warehouse หลายแห่ง และ Warehouse กับ Location ทำให้ AI ตอบเป็นเส้นทางและเวลาจัดส่งโดยประมาณได้

วิเคราะห์ห่วงโซ่อุปทาน SME ที่เป็นโรงงานผลิต ต้องการรู้ว่าสินค้าตัวไหนต้องพึ่งซัพพลายเออร์รายใดเพียงรายเดียว หรือซัพพลายเออร์รายใดส่งของล่าช้าบ่อยครั้ง กราฟ Supplier จัดหา Part และ Part ประกอบเป็น Product จะช่วยให้เห็นระดับความเสี่ยงได้ชัดเจนกว่าแดชบอร์ดตารางแบบเดิม

วิธีเริ่มต้นจากข้อมูล Odoo/Excel ที่มีอยู่แล้ว

ไม่จำเป็นต้องรอให้ทีม Data Science เต็มรูปแบบ ขั้นตอนเริ่มต้นสามารถทำได้ในธุรกิจขนาดเล็ก:

1. เลือกโจทย์ที่เจ็บปวดที่สุด เช่น ฝ่ายขายบอกว่าตอบลูกค้าเรื่องสต็อกไม่ได้ ข้อมูลสาขาไม่ตรงกัน ใช้โจทย์นี้เป็นโปรเจกต์แรก
2. ส่งออกข้อมูลจาก Odoo หรือ Excel เริ่มจากตารางสำคัญจำนวน 3-5 ตาราง เช่น ลูกค้า สินค้า คลังสินค้า ใบสั่งขาย และรายการสินค้าในใบสั่งขาย
3. ทำความสะอาดข้อมูล ลบรายการซ้ำ ตรวจสอบรหัสสินค้าและรหัสลูกค้าให้เป็นชุดเดียวกัน จัดรูปแบบวันที่ให้เหมือนกัน เพื่อให้การเชื่อมโยงไม่หลุด
4. ออกแบบกราฟง่าย ๆ กำหนดโหนดและความสัมพันธ์ขั้นต่ำก่อน เช่น Customer -[ซื้อ]-> Product, Product -[มีสต็อกที่]-> Warehouse
5. นำเข้าข้อมูลและทดสอบ Query ใช้เครื่องมืออย่าง Neo4j และภาษา Cypher เพื่อถามคำถามที่ต้องการ แล้วดูว่าคำตอบถูกต้องหรือไม่
6. เชื่อมต่อ LLM ผ่าน LangChain หรือ LlamaIndex จากนั้นค่อยเพิ่มระบบรักษาความสดของข้อมูล เช่น นำเข้าสต็อกใหม่ทุกวันตอนเช้า

ขั้นตอนนี้ใช้คนเพียง 1-2 คน และถ้าใช้ข้อมูลชุดเล็กก่อนผลลัพธ์จะเห็นเร็ว จากนั้นค่อยขยายไปยังข้อมูลอื่น เช่น บันทึกการเคลม หรือโปรโมชัน

เครื่องมือและค่าใช้จ่ายสำหรับ SME

เครื่องมือหลักมีอยู่สองกลุ่ม คือ Graph Database และ LLM Framework

Graph Database

• Neo4j เป็นตัวเลือกที่นิยมมากที่สุด มี Community Edition ให้ใช้ฟรีสำหรับการพัฒนาและโปรเจกต์ขนาดเล็ก และมี Neo4j AuraDB แบบคลาวด์ที่ให้เริ่มต้นฟรี จากนั้นคิดค่าใช้จ่ายตามขนาดข้อมูล (ผู้ให้บริการระบุ ผลจริงขึ้นกับบริบท)
• FalkorDB เป็น Graph Database แบบโอเพนซอร์สที่เน้นความเร็ว มีจุดเด่นเรื่องความง่ายและต้นทุนต่ำ เหมาะกับ startups และ SME ที่ต้องการเทสต์แนวคิด

LLM และ Framework

• LLM ที่ใช้สรุปคำตอบ เช่น GPT, Gemini หรือโมเดลภาษาไทยแบบเปิด ให้เลือกตามงบประมาณและระดับความเป็นส่วนตัวของข้อมูล
• LangChain และ LlamaIndex เปิดให้ใช้งานฟรี มี extension สำหรับ Graph RAG เช่น GraphCypherQAChain หรือ GraphRetriever

ค่าใช้จ่ายหลักของระบบ GraphRAG มักอยู่ที่ค่า API ของ LLM ตามจำนวนคำถามและการประมวลผล ในช่วง PoC ใช้งบประมาณไม่สูงมาก แต่ถ้าจะทำเป็นระบบจริงในองค์กร ควรคำนวณปริมาณการใช้งานต่อเดือนและทดสอบกับข้อมูลจริง

ข้อควรระวัง: คุณภาพข้อมูลและ PDPA

การทำ Knowledge Graph ไม่ใช่ “ยิงปืนนัดเดียวจบ” เพราะถ้าข้อมูลตั้งต้นผิด ความสัมพันธ์ในกราฟก็จะผิด และ AI จะตอบผิดแบบมั่นใจ ควรมีระบบตรวจสอบคุณภาพ เช่น แจ้งเตือนเมื่อสต็อกติดลบ เมื่อรหัสสินค้าไม่มีใน master data หรือเมื่อยอดขายไม่ตรงกับใบสั่งซื้อ

อีกประเด็นที่ SME ไทยต้องจริงจังคือ PDPA ข้อมูลลูกค้าและประวัติการซื้อเป็นข้อมูลส่วนบุคคล การนำไปสร้างกราฟให้ AI ใช้อาจเข้าข่ายประมวลผลข้อมูลส่วนบุคคล ต้องมีฐานทางกฎหมาย เช่น ความยินยอม สัญญา หรือประโยชน์โดยชอบด้วยกฎหมาย และต้องรองรับสิทธิขอเข้าถึงและขอให้ลบข้อมูลของเจ้าของข้อมูล นอกจากนี้ควรจำกัดสิทธิการเข้าถึงกราฟตามบทบาทพนักงาน ไม่ใส่ข้อมูลที่อ่อนไหวเกินจำเป็น เช่น เลขบัตรประชาชน ข้อมูลสุขภาพ หรือข้อมูลบัญชีการเงิน ลงในชุดข้อมูลที่ LLM เรียกใช้

การปกป้องข้อมูลส่วนบุคคลจึงควรมองตั้งแต่ขั้นตอนออกแบบ เช่น การทำ pseudonymization ลูกค้าเป็นรหัสแทนชื่อ ทำให้การทดสอบปลอดภัย และเมื่อพร้อมใช้งานจริงจึงเชื่อมกับข้อมูลจริงในระบบที่ได้สิทธิอย่างถูกต้อง

สรุป

Knowledge Graph และ GraphRAG เปลี่ยนวิธีที่ AI มองข้อมูลธุรกิจจาก “ข้อความที่ใกล้เคียง” กลายเป็น “ความจริงที่เชื่อมโยงได้” สำหรับ SME ไทย เป็นเทคโนโลยีที่เข้าถึงได้มากขึ้นกว่าเดิม เพราะข้อมูลพื้นฐานใน Odoo และ Excel เพียงพอสำหรับโปรเจกต์แรก ไม่จำเป็นต้องรอทีม Data Science ขนาดใหญ่ สิ่งที่ต้องลงทุนคือการทำความเข้าใจข้อมูลของตัวเอง ออกแบบความสัมพันธ์ให้ตรงกับโจทย์ธุรกิจ และเลือกเครื่องมือที่เหมาะกับขนาดองค์กร เมื่อเริ่มต้นได้แล้ว แชทบอทจะไม่ใช่แค่เครื่องมือตอบคำถาม แต่จะกลายเป็นผู้ช่วยที่เข้าใจลูกค้า สต็อก และซัพพลายเออร์ของธุรกิจจริง ๆ และยังเปิดทางไปสู่งานวิเคราะห์ที่ลึกกว่าเดิม เช่น การคาดการณ์ยอดขาย หรือการบริหารความเสี่ยงในห่วงโซ่อุปทาน

ก้าวแรกอาจเริ่มจากการถามคำถามเดียวที่ธุรกิจอยากรู้มากที่สุด แล้วสร้างกราฟเล็ก ๆ เพื่อตอบคำถามนั้นให้แม่นยำ จากนั้นค่อยขยายต่อไป ทีละโหนด ทีละเส้นเชื่อม ข้อมูลที่เคยมองไม่เห็นความเชื่อมโยงจะกลายเป็นความรู้ที่ AI ใช้ทำงานเคียงข้างทีมไทยได้อย่างมีประสิทธิภาพ