向量检索重排序：Rerank 模型与混合搜索实战

บทนำ

ในยุคที่ AI กำลังเปลี่ยนแปลงวงการค้นหาข้อมูล หลายองค์กรเริ่มตระหนักว่าการค้นหาแบบเดิมไม่เพียงพออีกต่อไป การค้นหาด้วย Vector Search ร่วมกับ Rerank Model กำลังกลายเป็นมาตรฐานใหม่สำหรับระบบค้นหาอัจฉริยะ ในบทความนี้เราจะพาคุณไปรู้จักกับเทคนิคที่ทรงพลังนี้ผ่านกรณีศึกษาจริงและตัวอย่างโค้ดที่พร้อมใช้งาน

กรณีศึกษา: ผู้ให้บริการอีคอมเมิร์ซในเชียงใหม่

**บริบทธุรกิจ**: ทีมพัฒนาระบบค้นหาสินค้าสำหรับแพลตฟอร์มอีคอมเมิร์ซขนาดใหญ่ในเชียงใหม่ รองรับคำค้นหากว่า 50,000 รายการต่อวัน มีสินค้าในคลังกว่า 2 ล้านรายการ และต้องการปรับปรุงความแม่นยำในการแนะนำสินค้าให้ลูกค้า **จุดเจ็บปวดของผู้ให้บริการเดิม**: ระบบค้นหาเดิมใช้ pure keyword matching ทำให้ผลลัพธ์ไม่ตรงกับความต้องการที่แท้จริงของผู้ใช้ ตัวอย่างเช่น ค้นหา "กระเป๋าผ้าสำหรับสตรี" แต่ได้ผลลัพธ์เป็นกระเป๋าเดินทางแทน ทำให้ conversion rate ต่ำและลูกค้าหงุดหงิด **เหตุผลที่เลือก HolySheep**: หลังจากทดสอบหลายผู้ให้บริการ สมัครที่นี่ ทีมงานตัดสินใจใช้ HolySheep AI เพราะมี Rerank Model คุณภาพสูงร่วมกับ Hybrid Search ในราคาที่ประหยัดกว่าถึง 85% เมื่อเทียบกับผู้ให้บริการอื่น อัตราแลกเปลี่ยน ¥1=$1 ทำให้ค่าใช้จ่ายต่ำอย่างไม่น่าเชื่อ รวดเร็วภายใน <50ms ต่อ request และรองรับ WeChat/Alipay สำหรับการชำระเงิน **ขั้นตอนการย้ายระบบ**: 1. เปลี่ยน base_url จากผู้ให้บริการเดิมมาเป็น https://api.holysheep.ai/v1 2. หมุน API Key ใหม่พร้อม environment variable rotation 3. Canary Deploy เริ่มจาก 5% ของ traffic ก่อนขยายเต็มรูปแบบ **ตัวชี้วัด 30 วันหลังการย้าย**: - ความหน่วง (Latency) ลดลงจาก 420ms เหลือ 180ms (ลดลง 57%) - ค่าใช้จ่ายรายเดือนลดลงจาก $4,200 เหลือ $680 (ลดลง 84%) - Conversion Rate เพิ่มขึ้น 35%

Hybrid Search คืออะไร

Hybrid Search คือการผสมผสานระหว่าง Semantic Search และ Keyword Search เพื่อให้ได้ผลลัพธ์ที่ดีที่สุดจากทั้งสองโลก **Semantic Search** ทำงานโดยการแปลงข้อความเป็น vector แล้วค้นหาจากความหมาย เหมาะสำหรับคำค้นหาที่เป็นธรรมชาติ แต่อาจไม่แม่นยำสำหรับชื่อสินค้าเฉพาะหรือรหัสสินค้า **Keyword Search (BM25)** ทำงานโดยการจับคู่คำในเอกสารกับคำใน query ให้ผลลัพธ์ที่แม่นยำสำหรับคำค้นหาตรงตัว แต่ไม่เข้าใจความหมาย การรวมทั้งสองวิธีจะทำให้ได้ผลลัพธ์ที่ครอบคลุมทั้งความหมายและความแม่นยำ

การตั้งค่า Hybrid Search ด้วย HolySheep

import requests

ตั้งค่า API configuration
BASE_URL = "https://api.holysheep.ai/v1"
API_KEY = "YOUR_HOLYSHEEP_API_KEY"

headers = {
    "Authorization": f"Bearer {API_KEY}",
    "Content-Type": "application/json"
}

def hybrid_search(query: str, top_k: int = 20, alpha: float = 0.7):
    """
    Hybrid Search: ผสมผสาน Semantic + Keyword Search
    
    Args:
        query: คำค้นหา
        top_k: จำนวนผลลัพธ์ที่ต้องการ
        alpha: น้ำหนักของ semantic search (1.0 = semantic เท่านั้น, 0.0 = keyword เท่านั้น)
    
    Returns:
        ผลลัพธ์การค้นหาแบบ hybrid
    """
    payload = {
        "model": "hybrid-search-v2",
        "query": query,
        "top_k": top_k,
        "alpha": alpha,
        "collection": "products_v2"
    }
    
    response = requests.post(
        f"{BASE_URL}/search/hybrid",
        headers=headers,
        json=payload
    )
    
    if response.status_code == 200:
        return response.json()
    else:
        raise Exception(f"Search failed: {response.status_code} - {response.text}")

ตัวอย่างการใช้งาน
results = hybrid_search(
    query="กระเป๋าผ้าสำหรับสตรี สีเขียว",
    top_k=10,
    alpha=0.7
)
print(f"พบ {len(results['matches'])} ผลลัพธ์")
for item in results['matches'][:3]:
    print(f"  - {item['product_name']}: {item['score']:.4f}")

Introduction to Rerank Model

Rerank Model เป็นขั้นตอนที่สองหลังจากการค้นหาเบื้องต้น โดยจะนำผลลัพธ์ที่ได้มาจัดลำดับใหม่ตามความเกี่ยวข้องที่แม่นยำยิ่งขึ้น ใช้ cross-encoder ที่ทำงานได้ดีกว่า bi-encoder สำหรับงาน reranking โดยเฉพาะ

def rerank_documents(query: str, documents: list, top_n: int = 5):
    """
    Rerank documents โดยใช้ HolySheep Rerank Model
    
    Args:
        query: คำค้นหาของผู้ใช้
        documents: รายการเอกสารที่ได้จากการค้นหาเบื้องต้น
        top_n: จำนวนผลลัพธ์สุดท้ายที่ต้องการ
    
    Returns:
        ผลลัพธ์ที่จัดลำดับใหม่แล้ว
    """
    payload = {
        "model": "rerank-v3",
        "query": query,
        "documents": documents,
        "top_n": top_n,
        "return_documents": True
    }
    
    response = requests.post(
        f"{BASE_URL}/rerank",
        headers=headers,
        json=payload
    )
    
    if response.status_code == 200:
        return response.json()
    else:
        raise Exception(f"Rerank failed: {response.status_code}")

เตรียมเอกสารจากผลการค้นหาเบื้องต้น
documents_from_search = [
    {"id": item["id"], "text": item["description"]} 
    for item in results["matches"]
]

Rerank เพื่อจัดลำดับใหม่
reranked = rerank_documents(
    query="กระเป๋าผ้าสำหรับสตรี สีเขียว",
    documents=[d["text"] for d in documents_from_search],
    top_n=5
)

print("ผลลัพธ์หลัง Rerank:")
for idx, result in enumerate(reranked["results"], 1):
    print(f"  {idx}. {result['document'][:50]}... (score: {result['relevance_score']:.4f})")

การสร้าง Production Pipeline แบบ Complete

from dataclasses import dataclass
from typing import List, Dict, Optional
import time

@dataclass
class SearchConfig:
    base_url: str = "https://api.holysheep.ai/v1"
    api_key: str = "YOUR_HOLYSHEEP_API_KEY"
    initial_top_k: int = 50
    final_top_k: int = 10
    hybrid_alpha: float = 0.7
    rerank_model: str = "rerank-v3"

class HybridSearchPipeline:
    """
    Production-ready Hybrid Search Pipeline with Reranking
    """
    
    def __init__(self, config: SearchConfig):
        self.config = config
        self.session = requests.Session()
        self.session.headers.update({
            "Authorization": f"Bearer {config.api_key}",
            "Content-Type": "application/json"
        })
    
    def search(self, query: str) -> Dict:
        """Execute complete hybrid search + rerank pipeline"""
        start_time = time.time()
        
        # Step 1: Hybrid Search (semantic + keyword)
        hybrid_results = self._hybrid_search(query)
        
        # Step 2: Rerank top results
        reranked_results = self._rerank(query, hybrid_results)
        
        # Step 3: Format and return
        processing_time = time.time() - start_time
        
        return {
            "query": query,
            "results": reranked_results,
            "total_found": len(hybrid_results),
            "processing_time_ms": round(processing_time * 1000, 2),
            "pipeline": {
                "hybrid_search_ms": hybrid_results.get("processing_time", 0),
                "rerank_ms": reranked_results.get("processing_time", 0)
            }
        }
    
    def _hybrid_search(self, query: str) -> Dict:
        """Step 1: Hybrid search to get initial candidates"""
        payload = {
            "model": "hybrid-search-v2",
            "query": query,
            "top_k": self.config.initial_top_k,
            "alpha": self.config.hybrid_alpha,
            "collection": "products_v2",
            "include_metadata": True
        }
        
        response = self.session.post(
            f"{self.config.base_url}/search/hybrid",
            json=payload
        )
        
        if response.status_code != 200:
            raise ConnectionError(f"Hybrid search failed: {response.text}")
        
        return response.json()
    
    def _rerank(self, query: str, hybrid_results: Dict) -> Dict:
        """Step 2: Rerank using cross-encoder model"""
        # Prepare documents for reranking
        documents = [
            {
                "id": item["id"],
                "text": f"{item.get('title', '')} {item.get('description', '')}",
                "metadata": item.get("metadata", {})
            }
            for item in hybrid_results.get("matches", [])[:self.config.initial_top_k]
        ]
        
        if not documents:
            return {"results": [], "processing_time": 0}
        
        payload = {
            "model": self.config.rerank_model,
            "query": query,
            "documents": [d["text"] for d in documents],
            "top_n": self.config.final_top_k,
            "return_documents": True
        }
        
        response = self.session.post(
            f"{self.config.base_url}/rerank",
            json=payload
        )
        
        if response.status_code != 200:
            raise ConnectionError(f"Rerank failed: {response.text}")
        
        return response.json()

ราคาของ Rerank Model ปี 2026
print("ราคา Rerank Models (ต่อล้าน tokens):")
print("  - GPT-4.1: $8.00")
print("  - Claude Sonnet 4.5: $15.00")
print("  - Gemini 2.5 Flash: $2.50")
print("  - DeepSeek V3.2: $0.42")

สร้าง pipeline instance
config = SearchConfig(
    api_key="YOUR_HOLYSHEEP_API_KEY",
    initial_top_k=50,
    final_top_k=10
)
pipeline = HybridSearchPipeline(config)

ทดสอบการค้นหา
result = pipeline.search("กระเป๋าผ้าสำหรับสตรี สีเขียว")
print(f"\nผลการค้นหา:")
print(f"  - เวลา process: {result['processing_time_ms']}ms")
print(f"  - พบทั้งหมด: {result['total_found']} รายการ")
print(f"  - แสดง: {len(result['results'])} รายการแรก")

Best Practices สำหรับ Rerank Pipeline

**1. การเลือกค่า Alpha สำหรับ Hybrid Search** - Alpha 0.7-0.8 เหมาะสำหรับ e-commerce ทั่วไป - Alpha 0.9+ เหมาะสำหรับค้นหาเอกสารทางกฎหมายหรือการแพทย์ - Alpha 0.3-0.5 เหมาะสำหรับระบบ product search ที่ต้องการ exact match **2. การ Tuning Initial Top-K** - ค่าสูงเกินไป (100+) จะทำให้ Rerank chậm และแพง - ค่าต่ำเกินไป (<20) อาจตัดผลลัพธ์ที่ดีออกไป - แนะนำ: 50 สำหรับ general search, 30 สำหรับ narrow domain **3. Caching Strategy** - Cache ผลลัพ�