การประยุกต์ใช้ปัญญาประดิษฐ์ในการค้นหาผลงานศิลปะบนแพลตฟอร์มร้านค้า

Intelligent Computer Technology is Used to Create Artwork on the Marketplace Platform

ผู้จัดทำ: นายนนทชา หวลจิตต์ รหัสนิสิต 65109010208
อาจารย์ที่ปรึกษา: ผู้ช่วยศาสตราจารย์ ดร. ศรีศุภางค์ ทิ้วสุวรรณ

ที่มาและความสำคัญ

Problem: ปัญหาของระบบค้นหาแบบ Keywords Matching

ปัจจุบันการค้นหาผลงานศิลปะบนแพลตฟอร์มออนไลน์ส่วนใหญ่ยังคงใช้วิธีการจับคู่คำหลักแบบดั้งเดิม (Keyword Matching) ซึ่งมีข้อจำกัดในหลายด้าน:

• ไม่เข้าใจความหมาย: ผู้ใช้ค้นหาด้วยคำว่า "Anime girls with blue hair" แต่ไม่พบผลลัพธ์ที่ตรงใจ แม้ว่าจะมีงานศิลปะที่ตรงกับความต้องการในระบบ
• ไม่เข้าใจบริบท: ไม่สามารถเข้าใจความตั้งใจที่แฝงอยู่เบื้องหลังคำค้นหา เช่น โอกาสในการใช้งาน สถานที่ หรือราคา
• จำกัดในการค้นหาแบบซับซ้อน: ไม่สามารถจัดการกับเงื่อนไขหลายประการพร้อมกัน เช่น สี + สไตล์ + องค์ประกอบ

Solution: AI Chatbot with Semantic Art Search

พัฒนาระบบแชทบอทที่ใช้เทคโนโลยี Semantic Search ร่วมกับ Large Language Model (LLM) เพื่อ:

• เข้าใจความหมายและบริบทของคำถาม
• วิเคราะห์ความตั้งใจที่แฝงอยู่
• ค้นหาผลงานศิลปะที่ตรงกับความต้องการอย่างแท้จริง

วัตถุประสงค์

1. พัฒนาระบบแชทบอท ในการค้นหาผลงานศิลปะที่เข้าใจความต้องการของผู้ใช้
2. วิเคราะห์และเปรียบเทียบ การใช้โมเดลภาษาขนาดใหญ่ในบริบทของผลงานศิลปะ
3. ประเมินประสิทธิภาพ ของโมเดลปัญญาประดิษฐ์ในการค้นหา

วิธีการดำเนินงาน (Methodology)

AI Artwork Semantic Search Workflow

ระบบทำงานผ่าน 4 Node หลักบนแพลตฟอร์ม n8n:

1. Webhook Node

• รับคำถามจากผู้ใช้งานผ่าน API

2. AI Agent Node

• ประมวลผลคำถามด้วย Large Language Model
• ใช้โมเดล: Google Gemini (รุ่น Gemma 2 2b, Gemma 2 9b, Gemini-1.5-pro)
• แปลงคำถามให้เป็น Vector แทนความหมาย (Vector Store Tool)
• เลือกโมเดล Embedding: Qwen2.5-coder

3. Model Selection Node

• เปรียบเทียบประสิทธิภาพของโมเดลต่างๆ
• เลือกโมเดลที่เหมาะสมตามประเภทคำถาม

4. Respond to Webhook Node

• ส่งผลลัพธ์กลับไปยังผู้ใช้พร้อมภาพศิลปะที่เกี่ยวข้อง

เทคโนโลยีที่ใช้

• Vector Database: Elasticsearch (k-NN Search)
• Embedding Model: Sentence Transformers (Multilingual)
• LLM Framework: Alibaba Cloud Qwen
• Workflow Automation: n8n.io
• Frontend: Next.js (Routing & SSR)

ชุดข้อมูล

ข้อมูลที่ใช้ทดสอบ:

• ผลงานศิลปะจำลองของศิลปิน 6 คน
• รวมทั้งหมด 30 รูปภาพ
• มีคุณลักษณะพื้นฐาน/ประเภทของรูปภาพที่หลากหลาย
• คุณสมบัติที่ครอบคลุม: สี, สไตล์, องค์ประกอบ, บรรยากาศ

ผลการทดสอบ

ตารางที่ 1: Basic Search

ทดสอบความสามารถพื้นฐานในการค้นหาจาก Keyword ตรงๆ

ตารางที่ 2: Intent ซับซ้อน

ทดสอบ "ความตั้งใจแฝง" ในการเลือกงานศิลปะให้เหมาะกับโอกาส สถานที่ หรือราคา

ตารางที่ 3: Multi-condition

ทดสอบความสามารถในการจัดการค้นหาหลายเงื่อนไขพร้อมกัน (สี + สไตล์ + องค์ประกอบ)

ตารางที่ 4: สรุปข้อมูลผลลัพธ์โดยเฉลี่ย

เกณฑ์การประเมิน Relevance Score

การประเมินคะแนนความตรงกับคำถาม ความถูกต้องของข้อมูล และความครบถ้วนของผลลัพธ์:

1. ความสอดคล้องกับบริบท (Context Matching) — 4 คะแนน
2. ความถูกต้องของข้อมูล (No Hallucination) — 4 คะแนน
3. ความครบถ้วนของข้อมูล (Completeness) — 2 คะแนน

รวม: 10 คะแนน

ผลการประเมินประสิทธิภาพของระบบ

1. Response Time (เวลาตอบสนอง)

• ค่าเฉลี่ย: 19.90 วินาที
• แสดงเวลาเฉลี่ยที่ระบบใช้ในการตอบคำถามของผู้ใช้
• สะท้อนประสิทธิภาพด้านความเร็วในการประมวลผลของระบบ
• ผลลัพธ์: อยู่ในเกณฑ์ยอมรับได้ แต่มีโอกาสพัฒนาให้รวดเร็วขึ้น

2. Relevance Score (คะแนนความเกี่ยวข้อง)

• ค่าเฉลี่ย: 6.59 จาก 10 คะแนน
• แสดงระดับความเกี่ยวข้องของคำตอบกับคำถามของผู้ใช้
• ประเมินจากเกณฑ์ด้านความตรงบริบท ความถูกต้อง และความครบถ้วนของข้อมูล
• ผลลัพธ์: คำตอบส่วนใหญ่ให้ความเกี่ยวข้องกับคำถามในระดับหนึ่ง แต่ยังไม่ครอบคลุมหรือแม่นยำทั้งหมด

3. Accuracy (ความแม่นยำ)

• ค่าเฉลี่ย: 65.52%
• แสดงสัดส่วนคำตอบที่ถูกต้องเทียบกับคำถามทั้งหมด
• สะท้อนความสามารถของระบบในการให้คำตอบที่ตรงและเชื่อถือได้
• ผลลัพธ์: ระบบสามารถให้คำตอบถูกต้องมากกว่าครึ่งหนึ่งของการทดสอบ แต่ยังมีบางส่วนที่ข้อมูลไม่ครบถ้วนหรือไม่ตรงกับความต้องการของผู้ใช้

สรุปผลการทดสอบ

จากการทดสอบระบบแชทบอทสำหรับค้นหางานศิลปะ สามารถสรุปได้ดังนี้:

จุดแข็ง

• ระบบสามารถทำความเข้าใจบริบทและความตั้งใจของผู้ใช้ได้ดีกว่าการค้นหาแบบ Keyword ทั่วไป
• รองรับการค้นหาแบบซับซ้อนที่มีหลายเงื่อนไขพร้อมกัน
• เวลาตอบสนองเฉลี่ย 19.90 วินาที อยู่ในเกณฑ์ยอมรับได้

จุดที่ต้องปรับปรุง

• ความแม่นยำ 65.52% ยังมีโอกาสพัฒนาต่อ
• Relevance Score 6.59/10 แสดงว่าบางครั้งคำตอบยังไม่ตรงกับความต้องการ
• ควรเพิ่มข้อมูลฝึกสอนและปรับแต่งโมเดลให้เข้าใจบริบทศิลปะได้ดีขึ้น

ข้อเสนอแนะ

• ขยายชุดข้อมูลให้มากขึ้นเพื่อเพิ่มความหลากหลาย
• Fine-tune โมเดลให้เชี่ยวชาญเฉพาะด้านศิลปะ
• เพิ่มระบบ Feedback เพื่อปรับปรุงความแม่นยำอย่างต่อเนื่อง