แปลงข้อความเป็นเวกเตอร์ด้วย Embedding & Vector Store

---

🧠 ตอนนี้เรากำลังทำอะไร?

หลังจากตอนก่อนหน้านี้ เราได้:

1. โหลดเอกสาร เช่น data.txt ที่มีข้อมูลขององค์กร
2. แบ่งข้อความ ในเอกสารออกเป็นชิ้นเล็กๆ (เรียกว่า chunks)

ในตอนนี้ เราจะ:

🔁 แปลงข้อความแต่ละ chunk เป็นตัวเลข (Vector)
🧠 เพื่อให้ AI เข้าใจข้อมูล
💾 แล้วนำไปเก็บไว้ใน Vector Store เพื่อใช้ค้นหาและตอบคำถามภายหลัง

---

💡 แล้ว Vector คืออะไร?

ให้นึกง่ายๆ ว่า:

• ข้อความ = สิ่งที่มนุษย์เข้าใจ
• Vector = ตัวเลขหลายๆ ตัวที่ AI เข้าใจ

เช่น
ข้อความ: "กล้องถ่ายรูป" → ถูกแปลงเป็นตัวเลขแบบนี้:
[0.384, -0.277, 0.008, ..., 0.695]

AI ไม่เข้าใจคำว่า “กล้อง” แต่เข้าใจว่ามันคือชุดตัวเลขที่มีความหมาย

---

🔧 ขั้นตอนการทำ Embedding & Vector Store

✅ 1. แปลงข้อความเป็นเวกเตอร์ (Embeddings)

Library ที่ใช้:

from langchain.embeddings import OpenAIEmbeddings

สร้างตัวแปลง:

embedding = OpenAIEmbeddings()

💡 ใช้บริการของ OpenAI ซึ่งต้องมี API Key
(สามารถโหลดจาก .env ได้โดยใช้ load_dotenv())

เมื่อเราแปลงข้อความแล้ว ผลลัพธ์ที่ได้จะเป็น “ชุดตัวเลข” หรือ “เวกเตอร์”
ลองส่งคำว่า "กล้อง" เข้าไป ก็จะได้เวกเตอร์ยาวๆ กลับมา

---

✅ 2. สร้าง Vector Store สำหรับเก็บเวกเตอร์

Library ที่ใช้:

from langchain.vectorstores import FAISS

FAISS เป็นเครื่องมือจาก Facebook สำหรับจัดเก็บและค้นหาเวกเตอร์อย่างรวดเร็ว

ติดตั้งแบบใช้ CPU (แนะนำสำหรับผู้เรียนทั่วไป):

pip install faiss-cpu

ถ้าใช้ GPU (กรณีมีการ์ดจอ NVIDIA):

pip install faiss-gpu

---

✅ 3. แปลง chunks ทั้งหมดเป็นเวกเตอร์ และเก็บลง Vector Store

สมมุติว่าเราแบ่งข้อความไว้ในตัวแปร chunks

vectorstore = FAISS.from_documents(
    documents=chunks,
    embedding=embedding
)

📦 chunks คือข้อมูลที่เราต้องการให้ AI เข้าใจ
🧠 embedding คือสิ่งที่แปลงข้อความเป็นตัวเลข
💾 vectorstore คือคลังเก็บเวกเตอร์

---

✅ 4. ดึงข้อมูลจาก Vector Store (Retrieval)

หากผู้ใช้มีคำถาม เช่น
“ปีที่ก่อตั้งของบริษัท ABC คือเมื่อไร?”

เราต้องการดึงเวกเตอร์จากคำถามนี้ แล้วไปเปรียบเทียบกับสิ่งที่เคยเก็บไว้

retriever = vectorstore.as_retriever()

ต่อไป เราก็จะใช้ retriever ใน Chain เพื่อให้ AI ค้นหาข้อมูลที่ใกล้เคียง แล้วตอบกลับได้อย่างแม่นยำ

---

🧭 Workflow สรุปอีกครั้ง

ขั้นตอน	คำอธิบาย
1. โหลดเอกสาร	เช่น data.txt
2. แบ่งข้อความ	แบ่งเป็น chunks ยาว 100 ตัวอักษร
3. สร้าง Embedding	ใช้ OpenAIEmbeddings แปลงเป็นเวกเตอร์
4. เก็บเวกเตอร์	ใช้ FAISS เก็บไว้ใน vectorstore
5. ดึงข้อมูล	ใช้ retriever ค้นหาเวกเตอร์ที่ใกล้กับคำถามที่ได้รับ

---

🧪 ทดลอง: แปลงคำว่า “กล้อง” เป็นเวกเตอร์

result = embedding.embed_query("กล้อง")
print(result)

ผลลัพธ์คือเวกเตอร์ยาวๆ เช่น:

[0.384, -0.277, 0.008, ..., 0.695]

---

🔄 ประโยชน์ของการมี Vector Store

• ช่วยให้ AI “จดจำ” และ “อ้างอิง” ข้อมูลภายในองค์กรได้
• รองรับการค้นหาข้อมูลตามคำถาม (Question → Search → Answer)
• ไม่ต้องเทรนโมเดลใหม่ เพียงแค่เพิ่มเอกสารและสร้างเวกเตอร์