RAG DevOps Project: AI สนับสนุนงานพ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล (PDPA)

ระบบ Retrieval-Augmented Generation (RAG) เพื่อช่วยค้นหาและวิเคราะห์ข้อมูลเกี่ยวกับกฎหมายคุ้มครองข้อมูลส่วนบุคคล (PDPA) ของไทย

การติดตั้ง Docker Desktop

ก่อนเริ่มใช้งานระบบ คุณต้องติดตั้ง Docker Desktop ในเครื่องของคุณ

สำหรับ Windows

1. ดาวน์โหลด Docker Desktop สำหรับ Windows จาก เว็บไซต์อย่างเป็นทางการ
2. เปิดไฟล์ติดตั้งและทำตามขั้นตอนที่แสดงบนหน้าจอ
3. หากระบบแจ้งเตือนเกี่ยวกับ WSL 2 ให้ติดตั้งตามที่แนะนำ
4. หลังจากติดตั้งเสร็จสิ้น ให้รีสตาร์ทเครื่อง
5. เปิด Docker Desktop และตรวจสอบว่าสถานะเป็น "Docker is running"

สำหรับ macOS

1. ดาวน์โหลด Docker Desktop สำหรับ Mac จาก เว็บไซต์อย่างเป็นทางการ
2. ลาก Docker.app ไปยังโฟลเดอร์ Applications
3. เปิด Docker จากโฟลเดอร์ Applications
4. เมื่อได้รับแจ้งให้อนุญาตการใช้งาน privileges ให้ป้อนรหัสผ่าน
5. รอจนกระทั่ง Docker เริ่มต้นเสร็จสิ้นและสถานะแสดง "Docker is running"

การตรวจสอบการติดตั้ง

เปิด Terminal (macOS) หรือ Command Prompt (Windows) และรันคำสั่งต่อไปนี้:

docker --version
docker-compose --version

หากคำสั่งแสดงเวอร์ชัน แสดงว่าการติดตั้งสำเร็จและพร้อมใช้งาน

ส่วนประกอบหลัก

ระบบนี้ประกอบด้วย 3 ส่วนหลัก:

1. Embedding Service: ทำหน้าที่อ่านเอกสาร PDF และแปลงเป็น vector embeddings เพื่อเก็บลงใน OpenSearch
2. API Service: ให้บริการ API สำหรับค้นหาข้อมูลใน OpenSearch ด้วยวิธี text search
3. App Service: หน้าเว็บแอปพลิเคชัน Streamlit สำหรับผู้ใช้งาน ช่วยในการค้นหาข้อมูลและวิเคราะห์โดยใช้ LLM (Ollama)

การตั้งค่าภายนอก

ระบบนี้ใช้บริการภายนอกสองบริการ:

• OpenSearch: สำหรับเก็บและค้นหา vector embeddings (http://113.53.253.39:9200)
• Ollama: สำหรับรัน LLM ท้องถิ่น (http://113.53.253.39:11434)

วิธีการรัน

การรันแบบ Docker

# สร้าง Docker network
docker network create rag-network

# รันระบบด้วย Docker Compose
docker-compose up -d

สามารถเข้าถึงหน้าเว็บแอปพลิเคชันได้ที่ http://localhost:8501

การใช้งาน

1. เข้าสู่เว็บแอปพลิเคชันที่ http://localhost:8501
2. พิมพ์คำถามเกี่ยวกับ PDPA ในช่องค้นหา
3. กดปุ่ม "ค้นหา" เพื่อดึงข้อมูลที่เกี่ยวข้องจากเอกสาร
4. กดปุ่ม "วิเคราะห์" เพื่อใช้ AI วิเคราะห์ข้อมูลที่ได้และตอบคำถาม

หมายเหตุ

• ระบบนี้ใช้ Qwen2:0.5b เป็นโมเดล LLM ผ่าน Ollama API
• ระบบถูกออกแบบให้ขยายได้ด้วยการเพิ่มเอกสาร PDF ในโฟลเดอร์ pdf_corpus
• ในการทำงานปกติ Embedding Service จะรันเพียงครั้งเดียวเพื่อสร้าง embeddings จากนั้นจะหยุดทำงาน

Branches

• main: โค้ดต้นฉบับ
• complete: โค้ดต้นฉบับพร้อม Dockerfile และ docker-compose.yml