ทำไม Ctrl+F อ่านงบทั้งตลาดไม่ได้: semantic search กับคำชี้แจงผู้บริหาร (MD&A) — ค้นด้วยความหมาย ไม่ใช่คำ

ลองนึกภาพคุณอยากรู้ว่า “ปีที่แล้วบริษัทไหนในตลาดเริ่มส่งสัญญาณกังวลเรื่องสภาพคล่อง” วิธีที่คนส่วนใหญ่ทำคือเปิดรายงานประจำปีทีละเล่ม กด Ctrl+F พิมพ์คำว่า “สภาพคล่อง” แล้วไล่อ่าน ปัญหาคือวิธีนี้พังตั้งแต่ก้าวแรก เพราะผู้บริหารที่กังวลเรื่องสภาพคล่องจริง ๆ มักไม่เขียนคำว่า “สภาพคล่อง” ตรง ๆ เขาเขียนว่า “การบริหารกระแสเงินสดอย่างระมัดระวัง”, “การเจรจาปรับโครงสร้างเงินกู้”, หรือ “การรักษาวงเงินสำรอง” — คำที่ Ctrl+F จับไม่ได้เลยสักคำ นี่คือเหตุผลที่การอ่าน MD&A ทั้งตลาดต้องใช้เครื่องมือคนละแบบ และบทความนี้จะอธิบายว่าแบบนั้นคืออะไร — เนื้อหาเพื่อการศึกษา ไม่ใช่คำแนะนำการลงทุน

keyword search พลาดตรงไหน

การค้นด้วยคีย์เวิร์ด (รวมถึง Ctrl+F และการค้นแบบ full-text ส่วนใหญ่) ทำงานบนหลักง่าย ๆ คือ “จับคู่ตัวอักษร” เอกสารไหนมีสตริงที่ตรงกับที่คุณพิมพ์ก็ขึ้นมา เอกสารไหนไม่มีก็ไม่ขึ้น มันเร็วและแม่นยำในสิ่งที่มันทำ แต่ในโลกของ MD&A มันพลาดสองแบบพร้อมกัน

• พลาดเพราะคำต่างแต่ความหมายเดียวกัน (synonyms). “ต้นทุนพลังงานสูงขึ้น” กับ “แรงกดดันด้านค่าไฟและราคาน้ำมัน” สื่อเรื่องเดียวกัน แต่ไม่มีตัวอักษรร่วมกันเลย keyword จับได้แค่อันที่คุณบังเอิญพิมพ์ตรง
• ได้ขยะเพราะคำเดียวกันแต่คนละความหมาย (polysemy). ค้นคำว่า “ความเสี่ยง” ในเอกสารการเงิน แล้วคุณจะจมกับผลลัพธ์เป็นพัน เพราะทุกเล่มมีหัวข้อ “ปัจจัยความเสี่ยง” ที่เป็น boilerplate — คุณต้องการ “ความกังวลจริง” ไม่ใช่หัวข้อมาตรฐานที่ใครก็เขียน

ทำไมมันสำคัญกับเรา: ภาษาที่ผู้บริหารใช้ใน MD&A ถูกออกแบบมาให้ “เลี่ยงเก่ง” โดยธรรมชาติ — เขาไม่โกหกตรง ๆ แต่เลือกใช้คำ เลือกเน้น เลือกเงียบ เครื่องมือที่ค้นได้แค่ตัวอักษรจึงเสียเปรียบตั้งแต่ต้น เพราะสิ่งที่คุณตามหาคือ “ความหมาย” ที่ซ่อนอยู่ใต้คำที่หลากหลาย

semantic search ทำงานอย่างไร (ฉบับไม่ต้องมีพื้นคณิตศาสตร์)

semantic search หรือการค้นด้วยความหมาย เปลี่ยนวิธีคิดจาก “จับคู่ตัวอักษร” เป็น “จับคู่ความหมาย” หัวใจของมันคือสิ่งที่เรียกว่า embedding — การแปลงข้อความแต่ละท่อนให้กลายเป็นชุดตัวเลข (เวกเตอร์) ที่แทน “ความหมาย” ของข้อความนั้น โดยข้อความที่ความหมายใกล้กันจะได้ตัวเลขที่อยู่ใกล้กันด้วย แม้จะใช้คำคนละคำ

พอ MD&A ทุกท่อนถูกแปลงเป็นเวกเตอร์เก็บไว้แล้ว เวลาคุณถามคำถาม ระบบก็แปลงคำถามของคุณเป็นเวกเตอร์แบบเดียวกัน แล้วไปหาข้อความที่เวกเตอร์อยู่ใกล้ที่สุด — นั่นคือข้อความที่ “ความหมายตรง” กับสิ่งที่คุณถาม ไม่ใช่แค่ตัวอักษรตรง ผลก็คือคุณถามว่า “ใครกังวลเรื่องต้นทุนพลังงาน” แล้วมันดึงบริษัทที่เขียนว่า “ค่าไฟที่ปรับสูงขึ้น” มาให้ด้วย ทั้งที่ไม่มีคำว่า “ต้นทุนพลังงาน” อยู่เลย

ทำไมมันสำคัญกับเรา: คุณไม่ต้องรู้ล่วงหน้าว่าผู้บริหารแต่ละคนจะเลือกใช้คำไหน — ซึ่งเป็นไปไม่ได้อยู่แล้วถ้าอ่านทั้งตลาด คุณแค่ต้องรู้ว่าคุณ “สนใจประเด็นอะไร” แล้วถามด้วยภาษาของคุณเอง นี่คือการย้ายภาระจาก “เดาคำให้ตรง” มาเป็น “ถามให้ชัด”

หลักการเดียวกันนี้คือสิ่งที่อยู่เบื้องหลังการค้นเอกสารการเงินด้วย AI สมัยใหม่ทั้งหมด ผมเขียนถึงวิธีวางระบบค้นเอกสารการเงินแบบตรวจสอบได้ไว้ในบทความเรื่อง RAG กับเอกสารการเงิน สำหรับคนที่อยากลงลึกฝั่งวิศวกรรม

ทำไม MD&A คือโจทย์ที่เหมาะกับ semantic search พอดี

ไม่ใช่ทุกเอกสารที่ได้ประโยชน์จาก semantic search เท่ากัน ตารางงบดุลที่เป็นตัวเลขล้วน ๆ ค้นด้วยคีย์เวิร์ดหรือ query ปกติก็พอ แต่ MD&A มีคุณสมบัติสามอย่างที่ทำให้มันเป็นคู่ที่เหมาะกับการค้นด้วยความหมายเป็นพิเศษ

• มันเป็นข้อความบรรยาย ไม่ใช่ตาราง — คุณค่าอยู่ในน้ำเสียง การเลือกคำ และบริบท ซึ่งเป็นสิ่งที่ embedding จับได้ดีกว่าการนับคำ
• คำศัพท์ไม่มีมาตรฐานข้ามบริษัท — แต่ละบริษัทเรียกความเสี่ยงเดียวกันด้วยคำต่างกัน semantic search เชื่อมคำเหล่านั้นเข้าด้วยกันโดยอัตโนมัติ
• คุณค่าที่แท้จริงอยู่ที่การเทียบข้ามบริษัทและข้ามปี — ไม่ใช่การหาคำในเล่มเดียว แต่คือการถามว่า “ทั้ง sector นี้ ใครพูดเรื่องเดียวกัน ใครพูดก่อน ใครเปลี่ยนท่าที” ซึ่งเป็นคำถามที่ตอบด้วยมือไม่ไหว

ทำไมมันสำคัญกับเรา: MD&A เป็นเอกสารสาธารณะที่ทุกคนเข้าถึงได้เท่ากัน แต่ “ความสามารถในการอ่านมันทั้งตลาด” ต่างหากที่เป็นของหายาก semantic search ไม่ได้ให้ข้อมูลที่คุณเข้าถึงไม่ได้ — มันให้ความสามารถในการ “ถาม” ข้อมูลที่มีอยู่แล้ว ในสเกลที่มือทำไม่ได้

กับดักที่ต้องระวัง: ค้นเก่งแต่ยกที่มาไม่ได้

semantic search มีจุดอ่อนของมันเอง และมันร้ายแรงพอที่ต้องพูดถึงชัด ๆ เพราะ embedding วัด “ความใกล้เคียงของความหมาย” มันจึงคืนผลที่ “ดูเกี่ยวข้อง” เสมอ แม้บางครั้งจะเกี่ยวแบบผิวเผินหรือคนละบริบท และถ้าคุณเอาผลนั้นไปให้ LLM สรุปต่อโดยไม่มีการอ้างอิง คุณจะได้คำตอบที่ฟังดูมั่นใจแต่ตรวจไม่ได้ — ซึ่งในงานการเงินคือหายนะ

ทางแก้ไม่ใช่การเลิกใช้ semantic search แต่คือการบังคับให้ทุกคำตอบ ยกต้นฉบับเสมอ — ข้อความจริง + บริษัท + ปี + ที่มา — เพื่อให้คุณกดกลับไปอ่านบริบทเต็มและตัดสินเองว่ามันแปลว่าอะไรจริงไหม นี่คือมาตรฐานเดียวกับที่คนทำ model validation ใช้ และเป็นหลักการเดียวกับระบบตรวจจับตัวเลขที่ AI สร้างขึ้นมาเอง ที่ผมเคยเขียนถึง — ผลลัพธ์ที่ตรวจย้อนกลับไม่ได้ ถือว่าใช้ไม่ได้

ทำไมมันสำคัญกับเรา: เป้าหมายของเครื่องมือที่ดีคือทำให้คุณ “ตรวจได้เร็วขึ้น” ไม่ใช่ “เชื่อโดยไม่ต้องตรวจ” semantic search ที่ไม่มีการอ้างอิงต้นฉบับ คือการเปลี่ยนงานอ่านช้า ๆ ที่เชื่อถือได้ ให้กลายเป็นงานอ่านเร็ว ๆ ที่เชื่อไม่ได้ — ซึ่งแย่กว่าเดิม

เอาไปใช้จริงอย่างไร

วิธีที่ผมใช้เครื่องมือค้น MD&A ในทางปฏิบัติเป็นสามจังหวะ และมันสะท้อนความเชื่อว่า AI ควรทำงาน “อ่านของกองใหญ่” ส่วนคนเอาเวลาไปคิดต่อ

1. ถามเป็นภาษาคน จากประเด็นที่สนใจ — ไม่ต้องเดาคำ เช่น “บริษัทไหนเริ่มพูดถึงการชะลอการลงทุนขยายกำลังการผลิต” แล้วให้ระบบดึงผู้เข้าข่ายจากทั้งตลาดมาให้
2. คัดกรองด้วยสายตาเชิง risk — ผลที่ได้คือ “จุดที่ควรอ่าน” ไม่ใช่ข้อสรุป คุณอ่านต้นฉบับที่มันยกมา แล้วตัดสินว่าอันไหนคือสัญญาณจริง อันไหน boilerplate
3. ตรวจต้นฉบับก่อนใช้ตัดสินใจเสมอ — กดกลับไปดูบริบทเต็มในเอกสารต้นทาง โดยเฉพาะก่อนเอาไปอ้างในงานวิจัยหรือรายงาน

ถ้าอยากได้ “ชุดคำถาม” ที่ใช้ขุดสัญญาณจาก MD&A ได้จริงตั้งแต่วันแรก ผมรวบรวมไว้ใน5 คำถามที่คนทำ risk ใช้อ่าน MD&A — เอาไปวางคู่กับเครื่องมือค้นได้เลย

ภาพรวม

Ctrl+F อ่านงบทั้งตลาดไม่ได้ ไม่ใช่เพราะข้อมูลไม่มี แต่เพราะมันค้นได้แค่ตัวอักษร ในขณะที่คุณค่าของ MD&A อยู่ที่ “ความหมาย” ที่ผู้บริหารแต่ละบริษัทห่อไว้ด้วยคำที่ต่างกัน semantic search ปิดช่องว่างนี้ด้วยการค้นด้วยความหมาย — แต่จะเชื่อถือได้ก็ต่อเมื่อมันยกต้นฉบับให้ตรวจทุกครั้ง

ถ้าอยากลองถาม MD&A ของบริษัทจดทะเบียนเกือบทั้งตลาด ย้อนหลัง 5 ปี เป็นภาษาคน พร้อมต้นฉบับอ้างอิง ดูเครื่องมือเสิร์ช MD&A ทั้งตลาด — ผมเล่าที่มาและสถานะการเปิดตัวไว้ในข่าวเปิดให้ลงชื่อจองสิทธิ์

เนื้อหานี้เพื่อการศึกษาและวิเคราะห์พร้อมอ้างอิง ไม่ใช่คำแนะนำการลงทุน