ระบบเเชทบอทอัจฉริยะสำหรับการจำแนกประเภทวัสดุเพื่อทำนายกระบวนการผลิตฮาร์ดดิสก์

AN INTELLIGENT CHATBOT SYSTEM FOR MATERIAL TYPE CLASSIFICATION TO HARD DISK DRIVE MANUFACTURING PROCESS PREDICTION

ผู้จัดทำ: นางสาวชาลิสา ผิวไผ่

อาจารย์ที่ปรึกษา: ผู้ช่วยศาสตราจารย์วัชรชัย วิริยะสุทธิวงศ์

ที่มาและความสำคัญ

อุตสาหกรรมฮาร์ดดิสก์จำเป็นต้องมีความแม่นยำสูงในการจำแนกประเภทวัสดุเพื่อกำหนดเส้นทางการผลิตที่ถูกต้อง ทว่าในปัจจุบัน กระบวนการจำแนกประเภทวัสดุดังกล่าวยังต้องพึ่งพาวิศวกรผู้เชี่ยวชาญเป็นหลัก ซึ่งกระบวนการนี้ใช้เวลานาน มีความเสี่ยงต่อความผิดพลาด และอาจก่อให้เกิดปัญหาการสูญเสียองค์ความรู้ขององค์กรเมื่อมีการเปลี่ยนแปลงบุคลากร จากปัญหาดังกล่าว โครงงานนี้จึงได้พัฒนาต้นแบบระบบแชทบอทอัจฉริยะขึ้น โดยการบูรณาการเทคโนโลยี Generative AI, Retrieval-Augmented Generation (RAG) และ Vision Transformer เข้าด้วยกัน เพื่อทำหน้าที่จำแนกลักษณะของวัสดุจากภาพถ่ายพร้อมทั้งทำนายกระบวนการผลิตได้โดยอัตโนมัติ

วัตถุประสงค์

• เพื่อพัฒนาระบบแชทบอทอัจฉริยะที่สามารถจำแนกประเภทวัสดุจากภาพถ่ายและทำนายกระบวนการผลิตได้โดยอัตโนมัติ

• เพื่อประยุกต์ใช้เทคนิค RAG และ Vision Transformer ในการประมวลผลภาพถ่ายวัสดุ พร้อมทั้งเปรียบเทียบกับข้อมูลประวัติในอดีตเพื่อสนับสนุนการทำนายกระบวนการผลิต

• เพื่อออกแบบสถาปัตยกรรม Multi-Agent Orchestration สำหรับจัดการกระบวนการจำแนกประเภทวัสดุที่มีความซับซ้อนได้อย่างเป็นระบบ

วิธีการดำเนินงาน (Methodology)

กระบวนการพัฒนาระบบในโครงงานนี้แบ่งออกเป็น 6 ขั้นตอนหลัก เพื่อให้สามารถดำเนินงานได้อย่างมีประสิทธิภาพ:

1. Requirement Analysis: ดำเนินการวิเคราะห์ความต้องการใช้งานร่วมกับวิศวกรสายการผลิต เพื่อกำหนด Functional และ Non-Functional Requirements ของระบบให้สอดคล้องกับการทำงานจริง

2. System Design: ออกแบบสถาปัตยกรรมระบบแบ่งออกเป็น 3 ชั้นหลัก ได้แก่ หน้าต่างติดต่อผู้ใช้ (Query Interface) ผ่าน Chainlit, ชั้นประมวลผลเอเจนต์ (Multi-Agent Processing Layer) ผ่าน LangGraph และฐานความรู้ (Knowledge Base) ผ่าน PostgreSQL และ pgvector

3. Implementation: ดำเนินการพัฒนาโมดูล Vision Transformer, ท่อส่งข้อมูล RAG Pipeline, ระบบจัดการ Multi-Agent Orchestration และหน้าต่างสนทนาแชทบอท พร้อมติดตั้งระบบติดตามตรวจสอบ (Monitoring) ผ่าน Langfuse

4. Testing: ทดสอบประสิทธิภาพของระบบในระดับ Unit Test, Integration Test และ End-to-End Test โดยใช้ภาพถ่ายของวัสดุจริงมาทดสอบเปรียบเทียบกับข้อมูลจริงที่เป็น Ground Truth

5. Source Code Management: บริหารจัดการและควบคุมเวอร์ชันของซอร์สโค้ดผ่าน GitLab โดยทำการแบ่ง Branch ตามส่วนประกอบหลักต่าง ๆ ของระบบอย่างเป็นสัดส่วน

6. Performance Optimization: ปรับปรุงประสิทธิภาพของระบบอย่างต่อเนื่องใน 3 มิติหลัก ได้แก่ โมดูล Vision Transformer, ท่อส่งข้อมูล RAG Pipeline และระบบ Multi-Agent Orchestration เพื่อยกระดับค่าความถูกต้อง (Accuracy) ให้สูงขึ้น

รายละเอียดสถาปัตยกรรมการประมวลผลหลัก (System Architecture):

• ข้อมูลดิบของวัสดุ (Dataset Raw Data) จะถูกนำเข้าสู่ระบบจัดการข้อมูล Data Chunking Pipeline ผ่าน LangChain ซึ่งประกอบด้วยกระบวนการ Load, Split, Embed (via ViT) และ Store เพื่อนำข้อมูลไปบันทึกไว้ในฐานความรู้ Knowledge Base (ประกอบด้วย Vector Data ผ่าน pgvector และ Table Data ผ่าน PostgreSQL)

• เมื่อผู้ใช้งานส่งคำสั่งหรือรูปภาพผ่าน Query Interface ระบบจะแปลงเป็น Query Vector ส่งต่อไปยังเอเจนต์หลัก (Manufacturing Process Assistance หรือ Main Agent)

• เอเจนต์หลักจะทำหน้าที่ควบคุมกระจายงานและแลกเปลี่ยนข้อมูลร่วมกับเอเจนต์ย่อย 3 ส่วน ได้แก่ Subagent 1: Historical (ทำหน้าที่ดึงและจัดลำดับข้อมูลประวัติอดีต), Subagent 2: Predictor (ทำหน้าที่พยากรณ์กระบวนการผลิต) และ Subagent 3: Evaluator (ทำหน้าที่ประเมินผลลัพธ์การพยากรณ์) เพื่อประมวลผลเป็นผลลัพธ์สุดท้าย (Final Result) ส่งคืนกลับไปให้ผู้ใช้

ผลการดำเนินงาน (Results)

คณะผู้จัดทำได้ทำการทดสอบประสิทธิภาพของระบบด้วยภาพถ่ายวัสดุจริงจำนวน 20 ตัวอย่าง โดยเปรียบเทียบกับข้อมูลอ้างอิงในฐานความรู้ (Knowledge Base) จำนวน 300 ตัวอย่าง ซึ่งมีผลลัพธ์แยกตามกลุ่มการทดสอบดังนี้:

ตารางสรุปผลการประเมินประสิทธิภาพการจำแนกประเภทวัสดุ:

นอกจากนี้ ระบบที่พัฒนาขึ้นยังช่วยสนับสนุนการทำงานของวิศวกรได้อย่างเป็นรูปธรรม โดยวิศวกรสามารถอัปโหลดภาพถ่ายวัสดุและติดตามดูสถานะการประมวลผลในแต่ละขั้นตอนของ Subagent แต่ละตัวได้ พร้อมทั้งจะได้รับผลลัพธ์สุดท้าย (Final Result) ควบคู่กับคะแนนความคล้ายคลึง (Similarity Score) ซึ่งช่วยให้วิศวกรสามารถตรวจสอบเหตุผลหรือแนวคิดเบื้องหลังคำทำนายของระบบได้อย่างแม่นยำ

สรุปผล (Conclusion)

โครงงานนี้ประสบความสำเร็จในการพัฒนาต้นแบบระบบแชทบอทอัจฉริยะ (Proof of Concept) สำหรับจำแนกประเภทวัสดุและทำนายกระบวนการผลิตในอุตสาหกรรมฮาร์ดดิสก์ได้สำเร็จ ผลการดำเนินงานเชิงประจักษ์ชี้ให้เห็นว่า การบูรณาการโมดูล Vision Transformer, ท่อส่งข้อมูล RAG Pipeline และระบบจัดระเบียบ Multi-Agent Orchestration เข้าด้วยกัน ช่วยให้ระบบมีความแม่นยำในการทำงานโดยรวมสูงถึง 85%

ทั้งนี้ โครงงานได้ระบุข้อเสนอแนะสำหรับการนำระบบไปพัฒนาต่อยอดในสายการผลิตจริงไว้ 3 ประเด็นสำคัญ ได้แก่:

• การทำ Fine-tuning เพิ่มเติมกับโมดูล Vision Transformer เพื่อช่วยยกระดับค่า Recall ของกลุ่มเป้าหมายให้มีความถูกต้องยิ่งขึ้น

• การปรับปรุงและอัปเดตข้อมูลในฐานความรู้ (Knowledge Base) อย่างสม่ำเสมอและต่อเนื่อง เพื่อให้ระบบมีข้อมูลที่ทันสมัย

• การจัดทำระบบเพื่อนำไปติดตั้งใช้งาน (Deploy) บนระบบ Kubernetes ผ่านเครื่องมือ Rancher เพื่อรองรับปริมาณการใช้งานจริงและเพิ่มเสถียรภาพในสายการผลิตอุตสาหกรรม