Boom Field Lab

RAG กับเอกสาร 56-1: สร้างระบบค้นที่ทุกคำตอบชี้กลับหน้าต้นฉบับได้ — และซ่อนทุกบรรทัดที่พิสูจน์ไม่ได้

ถาม AI ตรงๆ กับงบหรือแบบ 56-1 เสี่ยงได้ตัวเลขที่ฟังดูใช่แต่ผิด นี่คือวิธีที่ Boom Leverage Terminal ถูกสร้างให้ค้นเอกสารทั้งตลาดแล้วชี้กลับหน้าได้ทุกบรรทัด: ค้นตามความหมาย, floor คะแนน, และด่าน citation ที่เปิด PDF พิสูจน์ทีละประโยค พร้อมผลทดสอบกับ 'เอกสารผิด' ก่อนจะเชื่อ

โดย วรัญชัย ยิ่งคำนึง (Boom) · เผยแพร่ครั้งแรก · ตรวจทานล่าสุด

ห้องเก็บเอกสารขนาดใหญ่ในความมืด แสงสีอำพันส่องลงบนเอกสารที่เปิดอยู่บนโต๊ะ พร้อมข้อความ ทุกคำตอบต้องชี้กลับหน้าได้

ถ้าเคยก็อปงบหรือแบบ 56-1 ยาวๆ ไปถาม AI ตรงๆ แล้วได้ตัวเลขที่ "ฟังดูใช่แต่ผิด" นั่นคืออาการหลอนที่อันตรายที่สุดในงานการเงิน เพราะมันผิดแบบเนียน บันทึกนี้เล่าว่า Boom Leverage Terminal ถูกสร้างยังไงให้ค้นเอกสารทั้งตลาดแล้ว ชี้กลับหน้าต้นฉบับได้ทุกบรรทัด — เล่าในระดับหลักการและตัวเลขจริง ไม่ลงรายละเอียดเครื่องและเครือข่าย

ทำไมถาม LLM ตรงๆ กับเอกสารการเงินถึงเสี่ยง?

LLM ตอบจากสิ่งที่มันจำได้ตอนฝึก ไม่ใช่จากไฟล์ที่เราถือ ถ้าเอกสารยาวเกินที่มันรับได้ หรือมันจำคลาดเคลื่อน มันมักจะ "เดาให้เนียน" แทนที่จะบอกว่าไม่รู้ งานทั่วไปอาจรับได้ แต่งานที่คนเอาไปตัดสินใจเรื่องเงินรับไม่ได้

RAG (Retrieval-Augmented Generation) แก้ตรงนี้: ค้นข้อความที่เกี่ยวข้องจากเอกสารจริงก่อน แล้วค่อยตอบจากข้อความนั้น เหมือนนักวิเคราะห์ที่ดีที่ไม่ตอบจากความจำลอยๆ แต่เปิดไปหน้าที่เกี่ยว อ่าน แล้วตอบพร้อมบอกว่า "อยู่หน้านี้"

แต่ RAG เปล่าๆ ยังไม่พอ ถ้าขั้น "ตอบ" ยังให้โมเดลเรียบเรียงใหม่ได้อิสระ มันก็ยังแต่งได้ Terminal จึงเลือกทางที่เข้มกว่า: แสดงข้อความต้นฉบับ ไม่ใช่คำตอบที่เรียบเรียงใหม่ และพิสูจน์ว่าข้อความนั้นอยู่ในเอกสารจริงก่อนแสดง

ระบบค้นของ Terminal ทำงานยังไง?

แผนภาพ 5 ขั้นของระบบค้น: PDF 56-1 และ MD&A, สกัดเป็นข้อค้นพบ, แปลงเป็นเวกเตอร์ 384 มิติ, ค้นตามความหมายพร้อม floor คะแนน, ด่าน citation พิสูจน์ใน PDF แล้วจึงแสดงพร้อมเลขหน้า
ขั้นตอนหลักของระบบค้น · ขั้นที่เน้นคือด่าน citation — ขั้นเดียวที่ตัดสินว่าบรรทัดไหนได้ถึงหน้าจอผู้ใช้
ขั้นทำอะไรของจริงใน Terminal
1. เอกสารดึงแบบ 56-1 และ MD&A จากเว็บ ก.ล.ต.เก็บไบต์ต้นฉบับไว้ ไม่แก้ไฟล์
2. สกัดอ่านแล้วแยกเป็นข้อค้นพบ มีโดเมน ปี หน้า และข้อความต้นฉบับช่วงหลัก FY2021–2026: 988,998 ข้อค้นพบ ใน 19 โดเมน (คลังย้อนหลังแยกอีก 381,072) · 27 ก.ย. 2026
3. เวกเตอร์แปลงข้อความเป็นเวกเตอร์เพื่อค้นตามความหมายโมเดล multilingual MiniLM ขนาด 384 มิติ
4. ค้น + floorหาใกล้ที่สุดตามความหมาย ตัดผลที่คะแนนต่ำกว่า floorfloor ถูกตั้งจากการวัดสัดส่วนผลที่ไม่เกี่ยว ไม่ใช่เดาเลข
5. ด่าน citationเปิด PDF หาประโยคนั้นให้เจอผ่าน 98.95% · ไม่ผ่าน = ไม่แสดง

รายละเอียดเล็กที่ช่วยเรื่องต้นทุนมาก: เวกเตอร์ถูก cache ตามเนื้อข้อความ รอบ build ล่าสุด (27 ก.ย. 2026) ต้องคำนวณใหม่แค่ 8 จากข้อค้นพบทั้ง index 1,370,116 ตัว (รวมคลังย้อนหลัง) ที่เหลือใช้ของเดิม

ด่าน citation ทำงานยังไง?

ข้อค้นพบทุกตัวใน Terminal อ้างว่า "ประโยคนี้อยู่ในเอกสารของบริษัทนี้จริง" ด่านนี้พยายามพิสูจน์คำอ้างนั้นทีละตัว:

  • จัดกลุ่มตามเอกสาร — เปิดและตัดคำ PDF แต่ละไฟล์ครั้งเดียว แล้วตรวจทุกข้อค้นพบของไฟล์นั้น (ต่างกันระหว่างหลักนาทีกับหลักวัน)
  • ใช้ตัวจับคู่ตัวเดียวกับไฮไลต์บนหน้าจอ — ข้อค้นพบที่ผ่านด่าน คือข้อค้นพบที่ระบบวาดกรอบบนหน้า PDF ได้จริง ไม่มีการ drift ระหว่างสองที่
  • ไฟล์สแกนเป็นคำตัดสินแยก — ไฟล์ที่ไม่มีชั้นข้อความถูกบันทึกเป็น "ไม่มีชั้นข้อความ" ไม่ใช่ "หาไม่เจอ" เพื่อไม่ให้ขนาดของงานค้างถูกซ่อน
  • เกือบตรง ≠ ผ่าน — ประโยคที่ตรงไม่ครบคำถูกให้คะแนนความใกล้ (ถ่วงด้วยความหายากของคำ เพื่อให้ภาษาพิธีกรรมที่ทุกบริษัทเขียนเหมือนกันช่วยไม่ได้) แต่ยังถูกซ่อนอยู่ดี
การ์ดข้อความจริงจากโค้ดด่าน citation: Near misses are scored, not admitted — ประโยคที่เกือบตรงถูกให้คะแนนแต่ไม่ถูกยอมรับ
docstring จริงของด่าน citation (ภาษาอังกฤษต้นฉบับ) · คะแนนความใกล้มีไว้ให้คนที่ขอดูสิ่งที่ถูกซ่อน เห็นแถวที่น่าเชื่อที่สุดก่อน

Near misses are scored, not admitted.

ผลคือตัวเลขที่วัดได้ ไม่ใช่สมมติฐาน: ณ 27 ก.ย. 2026 ใน 5 โดเมนที่เปิดเผยแพร่ (FY2021 ขึ้นไป) มี 494,356 บรรทัด ผ่าน 489,157 (98.95%) และถูกซ่อน 5,199 บรรทัด รายละเอียดรายโดเมนอยู่ใน บันทึกการรื้อ V1 เป็น V2

ไฟล์สแกนล่ะ? ทดสอบกับเอกสารผิดก่อนเชื่อ

ไฟล์ที่เป็นภาพสแกนล้วนไม่มีพิกัดของตัวอักษร ด่านจึงพิสูจน์ไม่ได้และซ่อนทุกบรรทัดจากไฟล์นั้น ทางแก้คือ OCR ที่คืน กรอบของแต่ละคำ — ข้อความจาก OCR อาจไม่สวย แต่เราไม่ได้ต้องการข้อความจากมัน เราต้องการแค่พิกัด เพราะข้อความที่เชื่อถือได้อยู่ในข้อค้นพบแล้ว

ก่อนสร้างจริง (1 ส.ค. 2026) มีการวัดสองแบบ:

กราฟแท่งผลทดสอบเส้นทาง OCR: หาตำแหน่งเจอในเอกสารที่ถูก 112 จาก 139 หรือ 80.6% และยืนยันผิดเอกสาร 0 จาก 180
ทดสอบ 8 ไฟล์สแกน 139 ข้อค้นพบ + negative control 180 คู่ (ข้อความกับไฟล์สแกนของบริษัทอื่น) ที่เกณฑ์ 0.75 · วัด 1 ส.ค. 2026
การทดสอบผล
หาตำแหน่งเจอในเอกสารที่ถูก112 จาก 139 (80.6%)
ยืนยันผิดเอกสาร (negative control, n=180)0 จาก 180 ที่เกณฑ์ 0.75
คะแนนสูงสุดกับเอกสารผิด (OCR)0.641 — ต่ำกว่าเกณฑ์
คะแนนสูงสุดกับเอกสารผิด (เส้นทางข้อความปกติ)0.708 — ต่ำกว่าเกณฑ์เช่นกัน

ข้อสรุปไม่ใช่ "OCR แม่น" แต่คือ "OCR แม่นพอที่จะบอกได้ชัดว่าเป็นเอกสารที่ถูก" ซึ่งเป็นคำอ้างเดียวที่ด่านต้องการ และการทดสอบกับเอกสารผิด (negative control) คือส่วนที่คนมักข้าม — ระบบที่ "หาเจอ" ทุกอย่างอาจแค่ยืนยันทุกอย่างมั่วๆ

อีกข้อที่ตั้งใจ: กรอบคำจาก OCR ถูกเก็บเป็นไฟล์แยกข้าง PDF ไม่เคยเขียนลงไฟล์ต้นฉบับ เพราะเอกสารคือหลักฐาน การแก้หลักฐานเพื่อให้เครื่องมือเราใช้ง่ายขึ้น จะทำลายสิ่งที่เรากำลังขายอยู่พอดี

ถ้าจะทำ RAG กับเอกสารการเงินเอง ควรเริ่มจากอะไร?

  • แสดงต้นฉบับ อย่าแสดงคำเรียบเรียง — ถ้าต้องสรุป ให้วางสรุปคู่กับประโยคต้นฉบับและเลขหน้าเสมอ
  • นิยาม "พิสูจน์ได้" ให้เครื่องตรวจได้ — เช่น ประโยคต้องหาเจอใน PDF ด้วยตัวจับคู่ที่กำหนด ไม่ใช่ให้โมเดลตัดสินเองว่า "ตรง"
  • ตัดสินใจล่วงหน้าว่าสิ่งที่พิสูจน์ไม่ได้จะทำยังไง — ซ่อน หรือติดป้าย (Terminal เลือกซ่อน)
  • วัดกับเอกสารผิดก่อนเชื่อทุกวิธีตรวจใหม่
  • รายงานตัวเลขที่ถูกซ่อน ไม่ใช่แค่ตัวเลขที่ผ่าน

สรุป

RAG ที่ใช้กับเงินได้จริงไม่ได้วัดกันที่ "ค้นเจอแค่ไหน" แต่วัดที่ "ทุกบรรทัดที่แสดง พิสูจน์ได้ไหมว่ามาจากไหน" และยอมซ่อนสิ่งที่พิสูจน์ไม่ได้ แม้จะทำให้ผลค้นดูน้อยลง นี่คือหลักเดียวกับที่ผมใช้ตอนตรวจโมเดลในแบงก์ และเป็นเหตุผลที่ด่านทั้งหมดนี้อยู่ที่ชั้น harness ไม่ใช่ที่ตัวโมเดล

ฝั่งคนอ่าน: วิธีอ่าน 56-1, MD&A และรายงานผู้สอบบัญชีด้วยตัวเองอยู่ใน Filing Decoder Practice Lab

คำถามที่พบบ่อย

ทำไมถาม AI หรือ LLM ตรงๆ กับงบการเงินหรือแบบ 56-1 ถึงเสี่ยง
เพราะ LLM ตอบจากสิ่งที่จำได้ตอนฝึก ไม่ใช่จากไฟล์ที่เราถือ ถ้าเอกสารยาวเกินหรือจำคลาดเคลื่อน มันมักเดาให้เนียนแทนที่จะบอกว่าไม่รู้ ในงานการเงินคำตอบที่ผิดแบบมั่นใจอันตรายกว่าคำว่าไม่พบในเอกสารเสมอ
RAG กับเอกสารการเงินทำงานอย่างไรใน Boom Leverage Terminal
RAG คือการค้นข้อความจริงจากเอกสารก่อนแล้วตอบจากข้อความนั้นเท่านั้น ใน Terminal ระบบสกัดแบบ 56-1 และ MD&A เป็นข้อค้นพบ แปลงเป็นเวกเตอร์ 384 มิติด้วยโมเดล multilingual MiniLM ค้นตามความหมายพร้อม floor คะแนน แล้วผ่านด่าน citation ก่อนแสดงข้อความต้นฉบับพร้อมเลขหน้า
ด่าน citation คืออะไร และถ้าพิสูจน์ไม่ได้จะเกิดอะไรขึ้น
ด่าน citation คือขั้นที่เปิด PDF ต้นฉบับแล้วหาประโยคของข้อค้นพบนั้นให้เจอด้วยตัวจับคู่ตัวเดียวกับไฮไลต์บนหน้าจอ หาไม่เจอคือซ่อน ไม่ใช่ติดป้าย และประโยคที่เกือบตรงจะถูกให้คะแนนแต่ยังถูกซ่อน ณ 27 ก.ย. 2026 ผ่าน 98.95% ของ 494,356 บรรทัดใน 5 โดเมนที่เปิดเผยแพร่
ไฟล์ PDF ที่เป็นภาพสแกนตรวจ citation อย่างไร
ใช้ OCR ที่คืนกรอบของแต่ละคำเพื่อเอาพิกัด ไม่ได้เอาข้อความจาก OCR และเก็บกรอบคำเป็นไฟล์แยก ไม่เขียนลงไฟล์ต้นฉบับ ผลทดสอบวันที่ 1 ส.ค. 2026 หาตำแหน่งเจอ 112 จาก 139 หรือ 80.6% และยืนยันผิดเอกสาร 0 จาก 180 ที่เกณฑ์ 0.75
negative control คืออะไร และทำไมต้องทดสอบกับเอกสารผิดก่อนเชื่อวิธีตรวจใหม่
negative control คือการเอาข้อความไปจับคู่กับเอกสารของบริษัทอื่นเพื่อดูว่าระบบยืนยันผิดหรือไม่ เพราะระบบที่หาเจอทุกอย่างอาจแค่ยืนยันทุกอย่างมั่วๆ ในการทดสอบนี้คะแนนสูงสุดกับเอกสารผิดอยู่ต่ำกว่าเกณฑ์ทั้งเส้นทาง OCR และเส้นทางข้อความปกติ

อ่านต่อ

โรงงานยามค่ำคืน โครงนั่งร้านไม้เก่ากำลังถูกรื้อข้างโครงเหล็กใหม่ พร้อมข้อความ รื้อ V1 สร้าง V2

รื้อ Terminal จาก V1 เป็น V2: เปลี่ยนหน่วยของคำตอบจาก 'ชิ้นข้อความ' เป็น 'ข้อค้นพบที่พิสูจน์ที่มาได้'

บันทึกการรื้อเครื่องมือค้น 56-1 / MD&A ทั้งตลาดของ Boom Leverage Terminal — ทำไม 'ค้นเจอ' กับ 'ตอบได้' ไม่ใช่เรื่องเดียวกัน, หน้าตาของข้อค้นพบแบบมีโครงสร้าง, และด่าน citation ที่ซ่อนทุกบรรทัดที่พิสูจน์ไม่ได้ว่าอยู่ใน PDF จริง (ผ่าน 98.95% ณ 27 ก.ย. 2026)

ห้องเก็บเอกสารมืดยามค่ำ มีแสงไฟส่องแฟ้มเอกสาร พร้อมข้อความ AI มโนได้ ต้องชี้ที่มาได้

ทำไม Terminal ต้องชี้เลขหน้าทุกบรรทัด — เมื่อ FINRA นับ AI hallucination เป็นความเสี่ยงที่มีชื่อ

รายงานกำกับดูแลปี 2026 ของ FINRA นิยาม hallucination ไว้ชัดและขอให้บริษัทเก็บ log ตรวจย้อนได้ นี่คือเหตุผลที่ Boom Leverage Terminal ออกแบบให้ทุกผลลัพธ์เป็นข้อความต้นฉบับพร้อมลิงก์ — และตัวเลขจริงว่าตอนนี้ทำได้ครบแค่ไหน (และตรงไหนยังไม่ครบ)

ห้องเก็บฮาร์ดดิสก์และกล่องเอกสารแสงสลัว พร้อมข้อความ จากกอง PDF สู่ข้อมูลที่ตรวจย้อนได้

สร้าง data pipeline หุ้นไทยด้วย AI agent — จากกอง PDF 56-1 สู่ข้อมูลเกือบล้านบรรทัด (FY2021–2026) ที่กดดูต้นฉบับได้

เบื้องหลัง pipeline ของ Boom Leverage Terminal: ดึงเอกสารที่บริษัทยื่นต่อ ก.ล.ต. แยกข้อความพร้อมเลขหน้า ให้ AI สกัดประเด็นโดยบังคับให้มีถ้อยคำต้นฉบับ แล้วทำ index ค้นได้ทั้งตลาด ตัวเลขจริงจาก index (ช่วงหลัก FY2021–2026: 988,998 บรรทัด · คลังย้อนหลัง FY2016–2020 แยกอีก 381,072 · 19 หมวด) และกับดักที่ต้องรู้ก่อนอ่านตัวเลขรายปี

BOOM FIELD LAB

ลงมือฝึกเรื่องนี้ต่อใน Filing Decoder Practice Lab 2026

อ่านเอกสาร 4 ชิ้นที่บอกว่า "ทำไม" ตัวเลขถึงเปลี่ยน — 56-1 One Report, MD&A, Opportunity Day และรายงานผู้สอบบัญชี ด้วยเทคนิคเดียว: หัวข้อเดียว ข้ามหลายงวด