Archives: คลังความรู้

Google Flood Hub เป็นแพลตฟอร์มที่พัฒนาโดย Google เพื่อคาดการณ์และแจ้งเตือนเหตุการณ์น้ำท่วมล่วงหน้า โดยใช้ข้อมูลเชิงลึกจากการวิเคราะห์และประมวลผลข้อมูลหลายประเภท เช่น สภาพอากาศ ภูมิประเทศ และข้อมูลประวัติการเกิดน้ำท่วม เพื่อทำนายระดับน้ำท่วมในพื้นที่เสี่ยง ช่วยในการเตรียมตัวรับมือกับน้ำท่วมล่วงหน้าได้ดีขึ้น

เทคนิคที่ใช้ใน Google Flood Hub:

1. Machine Learning (ML): Google Flood Hub ใช้เทคนิคการเรียนรู้ของเครื่องเพื่อสร้างโมเดลการทำนายน้ำท่วม โดยโมเดลนี้จะเรียนรู้จากข้อมูลในอดีต เช่น ปริมาณฝน ระดับน้ำในแม่น้ำ และลักษณะภูมิประเทศ เพื่อคาดการณ์ความเป็นไปได้ของน้ำท่วมในอนาคต
2. Hydrological Modeling: โมเดลที่ใช้ในการจำลองการไหลของน้ำในแม่น้ำและภูมิประเทศ เพื่อทำนายระดับน้ำท่วมในสถานการณ์ต่าง ๆ
3. Satellite Imagery & Remote Sensing: ใช้ข้อมูลจากภาพถ่ายดาวเทียมและเทคโนโลยีตรวจจับระยะไกลเพื่อวิเคราะห์การเปลี่ยนแปลงของน้ำและพื้นที่ รวมถึงการตรวจจับน้ำท่วมที่เกิดขึ้นแล้วในพื้นที่บางส่วน
4. AI for Social Good: Flood Hub เป็นส่วนหนึ่งของโครงการ AI for Social Good ของ Google ซึ่งใช้ปัญญาประดิษฐ์เพื่อแก้ปัญหาทางสังคม โดย Flood Hub เน้นไปที่การช่วยชีวิตและลดความเสียหายจากภัยพิบัติน้ำท่วม

Google Flood Hub อัปเดตข้อมูลการคาดการณ์น้ำท่วมเป็นรายวัน โดยข้อมูลคาดการณ์นี้สามารถทำนายได้ล่วงหน้าถึง 7 วัน จากเดิมที่เคยให้ข้อมูลล่วงหน้าได้เพียง 48 ชั่วโมง  โดยใช้ข้อมูลจากแหล่งต่าง ๆ เช่น การพยากรณ์อากาศและภาพถ่ายดาวเทียม  การผสมผสานเทคโนโลยี ช่วยให้ Google Flood Hub สามารถให้การพยากรณ์ที่แม่นยำและเป็นประโยชน์ในการเตรียมการรับมือน้ำท่วม

ตัวอย่างการใช้งาน Google Flood Hub  แสดงระดับน้ำท่วมในประเทศไทย

เทคโนโลยีป้องกันการปลอมแปลงข้อมูลชีวมิติในระบบยืนยันตัวตน (Biometric Anti-Spoofing) คือเทคโนโลยีและกระบวนการที่พัฒนาขึ้นเพื่อป้องกันการโจมตีหรือการปลอมแปลงข้อมูลชีวมิติ เช่น ลายนิ้วมือ ใบหน้า หรือม่านตา ซึ่งเป็นข้อมูลที่ใช้ในระบบยืนยันตัวตนทางชีวมิติ (Biometric Authentication) เพื่อไม่ให้ผู้ไม่หวังดีสามารถเข้าถึงระบบได้โดยการใช้วิธีการเลียนแบบข้อมูลเหล่านี้

เทคโนโลยีที่ใช้ในการป้องกันการปลอมแปลงข้อมูลชีวมิติ มีหลายรูปแบบ เช่น

• Liveness Detection (การตรวจสอบความมีชีวิต): เป็นวิธีที่ใช้เพื่อตรวจสอบว่าข้อมูลชีวมิติที่ถูกนำมาใช้นั้นมาจากสิ่งที่มีชีวิตอยู่จริง ไม่ใช่จากรูปภาพ วิดีโอ หรือวัตถุเลียนแบบ เช่น การตรวจสอบการเคลื่อนไหวของดวงตา หรือตรวจจับการไหลเวียนของเลือดในนิ้วมือในขณะสแกนลายนิ้วมือ

ตัวอย่าง: ระบบสแกนใบหน้าจะขอให้ผู้ใช้กระพริบตาหรือขยับศีรษะเพื่อตรวจสอบว่าเป็นบุคคลจริง ไม่ใช่ภาพถ่าย

• Multi-modal Biometrics (ชีวมิติแบบหลายรูปแบบ): เป็นการใช้ข้อมูลชีวมิติหลายประเภทในการยืนยันตัวตนพร้อมกัน เช่น การใช้ทั้งลายนิ้วมือและการสแกนใบหน้าในเวลาเดียวกัน ซึ่งช่วยเพิ่มความปลอดภัยเนื่องจากผู้โจมตีจะต้องปลอมแปลงหลายส่วนของข้อมูลชีวมิติ

ตัวอย่าง: ระบบประตูอิเล็กทรอนิกส์ที่ต้องใช้ทั้งลายนิ้วมือและการสแกนม่านตาในการเข้าถึง

• Challenge-Response Systems (ระบบท้าทาย-ตอบสนอง): ระบบนี้จะสร้างคำท้าหรือคำสั่งที่ต้องการการตอบสนองในทันทีจากผู้ใช้ เพื่อให้แน่ใจว่าข้อมูลที่ถูกยืนยันนั้นมาจากบุคคลจริง เช่น การขอให้ผู้ใช้ยิ้ม ขยับนิ้ว หรือมองไปในทิศทางที่กำหนด

ตัวอย่าง: การยืนยันตัวตนด้วยใบหน้าที่ขอให้ผู้ใช้ยิ้มเพื่อยืนยันความมีชีวิต

• Thermal Imaging (การใช้ภาพความร้อน): เป็นการตรวจจับความร้อนจากร่างกายมนุษย์เพื่อยืนยันว่าผู้ที่ถูกสแกนเป็นบุคคลจริง เช่น การใช้กล้องตรวจจับความร้อนเพื่อให้แน่ใจว่าใบหน้าที่ถูกสแกนนั้นเป็นของคนจริง ๆ

ตัวอย่าง: การสแกนใบหน้าด้วยกล้องอินฟราเรดเพื่อยืนยันว่ามีอุณหภูมิของร่างกายอยู่จริง

• 3D Recognition (การรับรู้สามมิติ): การใช้เทคโนโลยีตรวจจับภาพสามมิติ เช่น การสแกนใบหน้าแบบ 3D เพื่อยืนยันตัวตน โดยเทคโนโลยีนี้จะยากต่อการปลอมแปลงด้วยภาพถ่ายสองมิติหรือวิดีโอ

ตัวอย่าง: การสแกนใบหน้าด้วยเทคโนโลยี 3D ที่สามารถตรวจจับโครงสร้างของใบหน้าจากหลายมุมได้

ปัจจุบันเทคโนโลยีการยืนยันตัวตนด้วยข้อมูลทางชีวมิติ เช่น ภาพใบหน้า เป็นที่นิยมอย่างแพร่หลายในการยืนยันทำธุรกรรมการเงิน, ใช้จ่ายผ่านแอปคนละครึ่ง เป็นต้น เพื่อป้องกันไม่ให้ใช้ภาพถ่ายใบหน้าในการยืนยันตัวตน ซึ่งอาจมีการปลอมแปลง หรือนำมาแอบอ้างใช้แทนกัน หลาย ๆ แอปพลิเคชันจึงหันไปใช้การตรวจสอบในลักษณะการตอบสนองของผู้ใช้ เช่น กระพริบตา ขยับใบหน้าเข้า-ออก ซึ่งอาจไม่สะดวกสำหรับกลุ่มผู้สูงอายุ หรือผู้ที่มีปัญหาการขยับใบหน้า

สำหรับงานวิจัยที่เกี่ยวข้องกับเทคโนโลยีนี้ ทางทีมวิจัยความมั่นคงปลอดภัยสารสนเทศ ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (NECTEC)  สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ (สวทช.) ได้นำเทคโนโลยีป้องกันการปลอมแปลงข้อมูลชีวมิติในระบบยืนยันตัวตน (Biometric Anti-Spoofing and Deepfake Technology) โดยใช้เทคโนโลยีปัญญาประดิษฐ์ประเภทโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ที่จะจำลองการมองเห็นของมนุษย์ที่มองพื้นที่เป็นที่ย่อย ๆ มีความแม่นยำสูง มาพัฒนาปรับแต่งโครงสร้างก่อนนำมาใช้เทรนกับชุดข้อมูลภาพ ซึ่งสามารถประยุกต์ใช้กับระบบโมบายแอปพลิเคชันที่ใช้ในการยืนยันตัวตน เพื่อใช้ตรวจจับการปลอมแปลงภาพถ่ายใบหน้าได้ว่าเป็นภาพของผู้ใช้จริง ไม่ใช่ภาพใบหน้าที่มาจากภาพถ่าย (2D) และได้มีการพัฒนา ระบบลงเวลาด้วยการยืนยันตัวตนแบบครบวรจร (AtTime) แอปพลิเคชันที่ช่วยให้การลงเวลางาน เข้า-ออกงาน เป็นเรื่องง่ายด้วยการสแกนใบหน้า แก้ปัญหาการลืมพกบัตรพนักงาน เสียเวลารอคิวต่อแถวลงเวลา ลายนิ้วมือไม่ชัดเจน และยังสามารถลงเวลาได้ทุกที่ ทุกเวลา ตอบโจทย์การทำงานในรูปแบบ Work@Anywhere ด้วยระบบการยืนยันตัวตนอย่างปลอดภัย 4FA (Four-Factors Authentication)ประกอบด้วย ใบหน้า, สถานที่ที่กำหนด, รหัสผ่าน และโทรศัพท์มือถือ สนใจใช้งานระบบ AtTime ติดตามรายละเอียดเพิ่มเติมได้ที่ http://attime.secteam.in.th/

OpenThaiGPT  เทคโนโลยีทางภาษาแบบ ChatGPT (Large Language Model) พัฒนาเพื่อคนไทยทุกคน  เป็นโอเพ่นซอร์ส โมเดลแชทภาษาไทยขนาดใหญ่ขนาด 7, 13 และ 70 พันล้านพารามิเตอร์ ซึ่งพัฒนาต่อยอดจาก Facebook LLaMA v2 ให้มีความสามารถในการเข้าใจและเขียนภาษาไทยได้ เปิดโค้ดและโมเดลอย่างเสรี (Opensource) ให้ทุกคนสามารถนำไปพัฒนาต่อยอดหรือแม้กระทั่งการทำการค้าได้ (Apache 2.0 License) เพื่อเป็น Infrastructure พื้นฐานด้านปัญญาประดิษฐ์สำหรับคนไทยทุกคน  พัฒนาโดยทีมนักวิจัยจาก สมาคมผู้ประกอบการปัญญาประดิษฐ์ประเทศไทย (AIEAT), สมาคมปัญญาประดิษฐ์ประเทศไทย (AIAT) ,  ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (NECTEC), ศูนย์ทรัพยากรคอมพิวเตอร์เพื่อการคำนวณขั้นสูง (ThaiSC)  สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ (สวทช.) และ Pantip.com โดยรวบรวมจากฐานข้อมูลและกระทู้ต่าง ๆ บนพันทิป.คอม ตั้งแต่อดีตจนถึงปัจจุบันรวม 20 ปี และประมวลผลโดยเครื่องซูเปอร์คอมพิวเตอร์ลันตา (LANTA) ของ สวทช.

เว็บไซต์หลัก OpenThaiGPT  https://openthaigpt.aieat.or.th/

จุดเด่น

• โมเดลภาษาไทย LLM แบบเปิดที่ทันสมัยที่สุด, ทำคะแนนสอบภาษาไทยได้เฉลี่ยสูงสุดเมื่อเทียบกับโมเดลภาษาไทยแบบเปิดอื่นๆ
• เป็นโมเดลเปิดภาษาไทยที่มีขนาดใหญ่ถึง 70 พันล้านพารามิเตอร์โมเดลแรกของโลก
• รองรับการสนทนาโต้ตอบหลายครั้งแบบต่อเนื่อง (Multi-turn Conversation)
• โมเดลมีความสามารถในการค้นหาข้อมูลและสกัดคำตอบบน Prompt ที่มีความยาวได้อย่างมีประสิทธิภาพ 
• ความเร็วในการตอบคำถามรวดเร็ว ด้วยการเพิ่มคำภาษาไทยที่พบบ่อยมากถึง 10,000 คำลงในพจนานุกรมของโมเดล
• เรียนรู้บนข้อมูลภาษาไทย (Pretraining) กว่า 65 พันล้านคำ มีการกำจัดข้อมูลภาษาไทยซ้ำซ้อนที่ใช้ในเรียนรู้ (Deduplicated Dataset) และปรับจูนให้ตอบคำถามทั่วไปภาษาไทย (Finetuning) บนมากกว่า 1 ล้านตัวอย่าง
• สามารถเข้าใจและประมวลผล บริบทของข้อมูลภาษาไทยได้ถึง 4096 คำ, ช่วยให้สามารถให้คำแนะนำที่ละเอียดและซับซ้อนได้

OpenThaiGPT มี 3 เวอร์ชันหลัก 

• OpenthaiGPT 0.0.4 พูดคุย Chat ได้อยู่บ้าง แต่ยังไม่สามารถตอบคำถามได้ตรงและยังไม่สามารถทำ Few Shot Learning ได้
• OpenthaiGPT 0.1.0 แปลภาษา ไทย-อังกฤษ  ได้และทำ Few Shot Learning ได้บางส่วน สามารถพูดคุย Chat ได้เต็มรูปแบบ
• OpenthaiGPT 1.0.0 สามารถทำ Few shot learningได้ แปลภาษา ไทย-อังกฤษ พูดคุย Chat ได้เต็มรูปแบบและเปิดใช้งานในปัจจุบัน

ผู้สนใจสามารถดาวน์โหลดโมเดล

• 7b – https://huggingface.co/openthaigpt/openthaigpt-0.0-7b-chat
• 7b (GGUF) – https://huggingface.co/openthaigpt/openthaigpt-0.0-7b-chat-gguf
• 13b – https://huggingface.co/openthaigpt/openthaigpt-0.0-13b-chat
• 70b – https://huggingface.co/openthaigpt/openthaigpt-0.0-70b-chat

สำหรับนักพัฒนาการทดลองใช้งานแบบ Colab Demo สามารถใช้ได้แบบในการ Load model, Finetune, Inference  โดย Model Pipeline สามารถโหลดโมเดล และใช้งานโมเดลได้ผ่าน google colab

https://colab.research.google.com/drive/1w1giDWhmq3WIUCK4AISFJtGIqiPDtRSC?usp=sharing

และ สำหรับการทดลองใช้งานแบบ Web Demo สามารถทดลองได้ที่ https://openthaigpt.openservice.in.th/

Low Code Development Platforms คือแพลตฟอร์มการพัฒนาซอฟต์แวร์ที่ช่วยให้สามารถสร้างแอปพลิเคชันได้โดยใช้การเขียนโค้ดน้อยที่สุด  มีอินเทอร์เฟซแบบกราฟิก (GUI) ที่ผู้ใช้สามารถลากและวางเครื่องมือหรือคอมโพเนนต์ต่าง ๆ เพื่อสร้างแอปพลิเคชันได้อย่างรวดเร็ว โดยไม่ต้องพึ่งพาการเขียนโค้ดแบบดั้งเดิม

คุณสมบัติหลักของ Low Code Development Platforms:

•  Visual Development : นักพัฒนาสามารถออกแบบอินเทอร์เฟซและกระบวนการทำงานของแอปพลิเคชันได้ด้วยการลากและวางคอมโพเนนต์
•  Pre-Built Modules : มีคอมโพเนนต์และโมดูลที่สร้างไว้ล่วงหน้า เช่น ส่วนของอินเทอร์เฟซผู้ใช้ ตัวเชื่อมต่อฐานข้อมูล และเครื่องมือสำหรับการทำงานเชิงตรรกะ ซึ่งสามารถปรับแต่งได้ง่าย
•  Automation : แพลตฟอร์มจะช่วยลดขั้นตอนการทำงานที่ซ้ำซ้อน เช่น การเชื่อมต่อข้อมูลและการนำแอปพลิเคชันไปใช้งาน
•  Integration Capabilities : มักมีระบบการเชื่อมต่อกับฐานข้อมูล, API และบริการอื่น ๆ ที่ง่ายต่อการรวมเข้าด้วยกัน
•  Rapid Prototyping : สามารถสร้างและทดสอบต้นแบบแอปพลิเคชันได้อย่างรวดเร็วผ่านการใช้เครื่องมือที่มีอยู่

Low Code Development Platforms สามารถแบ่งตามลักษณะการใช้งาน ดังนี้:

1.General-Purpose Low Code Platforms

• ลักษณะ: แพลตฟอร์มที่ออกแบบมาเพื่อการพัฒนาแอปพลิเคชันที่หลากหลาย ทั้งเว็บและมือถือ โดยไม่ได้เจาะจงสำหรับอุตสาหกรรมใดอุตสาหกรรมหนึ่ง
• ตัวอย่าง: OutSystems, Mendix, Microsoft Power Apps

2.Business Process Management (BPM) Platforms

• ลักษณะ: เน้นการจัดการและปรับปรุงกระบวนการทางธุรกิจ (Business Processes) โดยให้ความสำคัญกับการทำงานร่วมกันและการปรับปรุงการไหลของข้อมูล
• ตัวอย่าง: Appian, Pega, ProcessMaker

3.Database-Centric Platforms

• ลักษณะ: แพลตฟอร์มที่เน้นการสร้างแอปพลิเคชันที่เชื่อมต่อกับฐานข้อมูลอย่างง่ายดาย ช่วยให้ผู้ใช้สามารถสร้างแอปพลิเคชันที่จัดการและประมวลผลข้อมูลได้อย่างรวดเร็ว
• ตัวอย่าง: Knack, Caspio, Airtable

4.Request Handling and Form-Based Platforms

• ลักษณะ: แพลตฟอร์มที่ออกแบบมาสำหรับการสร้างแอปพลิเคชันที่เกี่ยวข้องกับการจัดการคำร้องขอ (Request Handling) หรือฟอร์มต่างๆ ที่สามารถรวบรวมและจัดการข้อมูลได้
• ตัวอย่าง: Zoho Creator, Nintex, Quick Base

5.Integration-Focused Platforms

• ลักษณะ: แพลตฟอร์มที่เน้นการเชื่อมต่อและผสานรวมระบบต่างๆ ภายในองค์กร เพื่อสร้างแอปพลิเคชันที่สามารถเข้าถึงข้อมูลจากหลายแหล่งและประสานงานระหว่างระบบได้
• ตัวอย่าง: Boomi, MuleSoft, Retool

6.Customer Relationship Management (CRM) Platforms

• ลักษณะ: แพลตฟอร์ม Low Code ที่เน้นการพัฒนาแอปพลิเคชันเพื่อจัดการและพัฒนาความสัมพันธ์กับลูกค้าโดยเฉพาะ ซึ่งสามารถเชื่อมต่อกับข้อมูลลูกค้าและกระบวนการขายได้
• ตัวอย่าง: Salesforce Lightning, Zoho CRM, Creatio

7.Open Source Low Code Platforms

• ลักษณะ: แพลตฟอร์ม Low Code ที่เป็นโอเพนซอร์ส ซึ่งสามารถปรับแต่งและพัฒนาต่อยอดได้อย่างอิสระ โดยชุมชนผู้ใช้งานหรือองค์กร
• ตัวอย่าง: Budibase, Joget, Appsmith

8.Industry-Specific Low Code Platforms

• ลักษณะ: แพลตฟอร์มที่ถูกออกแบบมาสำหรับการพัฒนาแอปพลิเคชันในอุตสาหกรรมเฉพาะ เช่น การเงิน การแพทย์ หรือการผลิต
• ตัวอย่าง: Vantiq (สำหรับ IoT และ AI), Unqork (สำหรับภาคการเงินและประกันภัย)

ปัญญาประดิษฐ์ (AI) หมายถึง ศาสตร์ที่รวบรวมองค์ความรู้ในหลายสาขาวิชา โดยเฉพาะอย่างยิ่งด้านวิทยาศาสตร์และวิศวกรรมศาสตร์ มาพัฒนาให้เครื่องจักรหรือระบบคอมพิวเตอร์มีความชาญฉลาด สามารถคิด คำนวณ วิเคราะห์ เรียนรู้ และตัดสินใจโดยใช้เหตุผลได้เสมือนสมองของมนุษย์ และสามารถเรียนรู้ พัฒนา และปรับปรุงกระบวนการทำงานเพื่อเพิ่มศักยภาพของปัญญาประดิษฐ์เองได้

ประเภทของ AI

1. ANI (Narrow AI):
   • AI ที่ถูกออกแบบมาเพื่อทำงานเฉพาะทาง เช่น การจดจำเสียง (Voice Recognition) การวิเคราะห์ข้อมูล หรือการเล่นเกมโกะ AI ประเภทนี้พบได้ในชีวิตประจำวัน เช่น ผู้ช่วยส่วนตัวดิจิทัล (Siri, Alexa) และระบบแนะนำสินค้าของเว็บไซต์ช้อปปิ้งออนไลน์
2. AGI (General AI):
   • AI ที่สามารถทำงานได้หลากหลายคล้ายมนุษย์  โดยสามารถนำมาใช้งานหลากหลาย เช่น การสร้างภาพ การประมวลผล การสร้างเสียงดนตรี
3. ASI (Superintelligent AI):
   • แนวคิดที่ AI จะมีความฉลาดที่เหนือกว่ามนุษย์ในทุกด้าน แต่ยังคงเป็นเพียงทฤษฎีและอยู๋ระหว่างการพัฒนาอย่างเป็นรูปธรรม

ขั้นตอนหลักในการทำงานของ AI มีดังนี้:

1. การเก็บรวบรวมข้อมูล (Data Collection):
   • AI ต้องการข้อมูลจำนวนมากในการฝึกฝน เช่น ข้อมูลภาพ เสียง ข้อความ หรือข้อมูลดิบอื่น ๆ ข้อมูลเหล่านี้จะถูกใช้เป็นตัวอย่างเพื่อให้ระบบเรียนรู้และพัฒนาตนเอง
2. การประมวลผลข้อมูล (Data Processing):
   • ข้อมูลที่ได้รับจะถูกประมวลผลและแปลงให้อยู่ในรูปแบบที่เหมาะสมสำหรับการวิเคราะห์ AI จะทำการค้นหาแบบแผนและความสัมพันธ์ในข้อมูลเหล่านี้
3. การเรียนรู้ (Learning):
   • AI จะใช้ อัลกอริทึมการเรียนรู้ เพื่อทำการวิเคราะห์ข้อมูลและปรับปรุงตนเอง ตัวอย่างเช่น การเรียนรู้แบบจำแนกประเภท (Classification) หรือการเรียนรู้แบบจับกลุ่ม (Clustering)
4. การทำนายหรือการตัดสินใจ (Prediction/Decision Making):
   •  AI สามารถทำการทำนายหรือการตัดสินใจได้ เมื่อระบบได้เรียนรู้แล้ว เช่น การทำนายแนวโน้มของตลาดหุ้นหรือการแนะนำสินค้าตามพฤติกรรมการซื้อของผู้ใช้
5. การปรับปรุงตนเอง (Self-Improvement):
   • AI  ที่ทำการปรับปรุงตนเองอย่างต่อเนื่องโดยการเรียนรู้จากข้อมูลใหม่ๆ ที่ได้รับเข้ามา ซึ่งทำให้มันมีความแม่นยำและสามารถตอบสนองต่อสถานการณ์ใหม่ ๆ ได้ดีขึ้น

ตัวอย่างของการประยุกต์ใช้ AI เช่น:

• ผู้ช่วยส่วนตัวดิจิทัล: เช่น Siri, Google Assistant ที่สามารถช่วยตอบคำถาม จัดการปฏิทิน หรือควบคุมอุปกรณ์อัจฉริยะในบ้าน
• การวิเคราะห์ข้อมูล: AI ถูกใช้ในการวิเคราะห์ข้อมูลขนาดใหญ่ในธุรกิจเพื่อช่วยในการตัดสินใจและสร้างกลยุทธ์
• การรักษาทางการแพทย์: AI ช่วยในการวินิจฉัยโรคและการพัฒนายาใหม่ ๆ ที่มีความแม่นยำสูง
• การพัฒนารถยนต์ไร้คนขับ: ที่ใช้ AI ในการนำทางและตัดสินใจในสภาพแวดล้อมจริง

ดังนั้นการเข้าใจพื้นฐานและการทำงานของ AI จึงเป็นสิ่งสำคัญที่จะช่วยให้เราปรับตัวและใช้ประโยชน์จากเทคโนโลยีนี้ได้อย่างเต็มที่ อย่างไรก็ตาม การพัฒนา AI ยังมาพร้อมกับความท้าทายทั้งด้านเทคโนโลยีและจริยธรรมที่ต้องพิจารณาอย่างรอบคอบ

โครงการขับเคลื่อนผลงานวิจัยสู่เชิงพาณิชย์ (https://www.thailandtechshow.com/) จัดทำขึ้นเพื่อเป็นตลาดเทคโนโลยีที่เข้าถึงได้ง่าย ผู้ซื้อพบผู้ขาย ส่งเสริมการใช้ประโยชน์ผลงานวิจัยและพัฒนาในเชิงพาณิชย์ เป็นโครงการที่เชื่อมโยงภาคเอกชนให้สามารถเข้าถึงและนำผลงานวิจัย เทคโนโลยีและนวัตกรรมที่พัฒนาจากสถาบันวิจัยและมหาวิทยาลัยออกสู่การใช้ประโยชน์ในเชิงพาณิชย์ได้อย่างเป็นรูปธรรม หน่วยงานของรัฐที่ทำหน้าที่สร้างคุณค่าให้แก่เศรษฐกิจและสังคมของประเทศโดยอาศัยวิทยาศาสตร์และเทคโนโลยีเป็นฐาน ได้ตระหนักถึงความสำคัญในการใช้ประโยชน์ผลงานวิจัยออกสู่เชิงพาณิชย์เสริมศักยภาพและยกระดับผู้ประกอบการ เพื่อก่อให้เกิดผลประโยชน์ต่อเศรษฐกิจและสังคมไทย โดยมีวัตถุประสงค์ ดังนี้

• เพื่อกระตุ้นให้เกิดการใช้ประโยชน์จากผลงานวิจัยในภาคเอกชน
• เพื่อส่งเสริมให้เกิดการวิจัยและพัฒนาต่อยอดในภาคเอกชน
• เพื่อยกระดับผู้ประกอบการให้เข้าถึงแหล่งรวมงานวิจัยและพัฒนา เพื่อให้เกิดการขับเคลื่อนผลงานวิจัยสู่เชิงพาณิชย์
• เพื่อรับทราบข้อมูล ปัญหา อุปสรรค และข้อจำกัดของเทคโนโลยี เพื่อนำไปสู่การพัฒนาผลงานวิจัยให้ตอบโจทย์อุตสาหกรรม

สำหรับรายชื่อเผลงานวิจัย เทคโนโลยีและนวัตกรรมที่พัฒนาจากสถาบันวิจัยและมหาวิทยาลัย มีรายละเอียดแบ่งตาม แบ่งเป็นหมวดหมู่  8 หมวดด้วยกันประกอบไปด้วย

• เกษตร/ประมง
• เครื่องมือ /เครื่องจักร
• เวชสำอาง /เวชภัณฑ์
• การแพทย์
• อาหาร/เครื่องดื่ม
• อิเล็กทรอนิกส์
• สื่อการเรียน
• เครื่องประดับ

ผู้ใช้งานสามารถดูแต่ละสถานภาพการคุ้มครองทรัพย์สินทางปัญญาทั้งหมด ประกอบไปด้วย

• องค์ความรู้
• ลิขสิทธิ์
• สิทธิบัตร (granted)
• อนุสิทธิบัตร (granted)
• คำขอสิทธิบัตร (filed)
• คำขออนุสิทธิบัตร (filed)
• อยู่ระหว่างดำเนินการขอรับความคุ้มครอง
• ความลับทางการค้า

รวมถึงแสดงสถานภาพของผลงานวิจัยทั้งหมด ประกอบไปด้วย

• ผลการทดลองระดับห้องปฏิบัติการได้รับการพิสูจน์ว่าเป็นไปได้
• ได้ต้นแบบในระดับห้องปฏิบัติการ
• ต้นแบบระดับห้องปฏิบัติการได้ถูกทดสอบในสภาวะจำลอง
• ได้ต้นแบบระดับ pilot scale
• ต้นแบบระดับ pilot scale ได้ถูกทดสอบในสภาวะทำงานจริง

ตัวอย่างข้อมูลผลงานวิจัย เทคโนโลยีและนวัตกรรม ที่ปรากกฎ

ทั้งนี้หากผู้ที่สนใจต้องการขอรับการถ่ายทอดเทคโนโลยี เหมาะสำหรับผู้สนใจ, นักลงทุน, ผู้ประกอบการเพื่อการผลิตและจำหน่ายท่านสามารถดูรายละเอียด ผ่าน www.thailandtechshow.com  จะมีข้อมูลคุณสมบัติของผู้รับอนุญาตให้ใช้สิทธิ รูปแบบการถ่ายทอดเทคโนโลยี และการยื่นความจำนงเพื่อขอถ่ายทอดเทคโนโลยี

การวิเคราะห์ข้อมูล Data Analysis เป็นกระบวนการตรวจสอบ, แปลง, และจัดระเบียบข้อมูลดิบเพื่อค้นหาข้อมูลเชิงลึก, รูปแบบ, แนวโน้ม, หรือข้อสรุปที่สามารถนำไปใช้ในการตัดสินใจได้ กระบวนการนี้ประกอบด้วยการเก็บรวบรวมข้อมูล, การทำความสะอาด, การสำรวจ, การแปลง, และการวิเคราะห์ข้อมูลเพื่อนำไปสู่การสรุปที่เป็นประโยชน์

ประเภทของเครื่องมือพื้นฐานที่ใช้ในการทำ Data Analysis   

1. เครื่องมือสเปรดชีต (Spreadsheet Tools)

• Microsoft Excel: นิยมใช้มากที่สุดในธุรกิจ มีฟังก์ชันที่หลากหลายในการจัดการและวิเคราะห์ข้อมูล รวมถึง Pivot Tables, การทำกราฟ, และการใช้สูตรทางสถิติ
• Google Sheets: คล้าย Excel แต่เป็นเครื่องมือออนไลน์ที่สามารถทำงานร่วมกันแบบเรียลไทม์และมีการเชื่อมต่อกับ Google Data Studio สำหรับการรายงาน

2. เครื่องมือ BI (Business Intelligence Tools)

• Power BI: เป็นเครื่องมือจาก Microsoft ที่ช่วยในการสร้างรายงานและแผนภูมิแบบอินเตอร์แอคทีฟจากข้อมูลขนาดใหญ่
• Tableau: เครื่องมือ BI ที่มีความสามารถในการสร้าง Dashboard และการทำ Data Visualization ได้อย่างมีประสิทธิภาพ
• Qlik Sense: เป็นเครื่องมือ BI ที่ช่วยในการวิเคราะห์ข้อมูลแบบ Visual และทำ Data Discovery

3. เครื่องมือทางสถิติ (Statistical Tools)

• R: ภาษาการเขียนโปรแกรมที่ออกแบบมาสำหรับการวิเคราะห์ทางสถิติ มีแพ็คเกจหลากหลายสำหรับการทำ Data Analysis
• Python (Libraries เช่น Pandas, NumPy, SciPy, Matplotlib, Seaborn): ภาษาโปรแกรมที่ได้รับความนิยมมากใน Data Analysis และ Data Science โดยมีไลบรารีต่างๆ สำหรับการทำงานกับข้อมูล
• SAS: ซอฟต์แวร์ที่ใช้ในการวิเคราะห์ข้อมูลทางสถิติและการสร้างแบบจำลองทางสถิติ มีความนิยมในองค์กรขนาดใหญ่

4. เครื่องมือด้านการทำเหมืองข้อมูล (Data Mining Tools)

• RapidMiner: เครื่องมือโอเพนซอร์สสำหรับการทำเหมืองข้อมูล (Data Mining) และการสร้างโมเดลการวิเคราะห์
• KNIME: แพลตฟอร์มการวิเคราะห์ข้อมูลโอเพนซอร์สที่มีเครื่องมือสำหรับการทำ Data Mining และการวิเคราะห์ทางสถิติ

5. เครื่องมือการจัดการฐานข้อมูล (Database Management Tools)

• SQL: ภาษาในการจัดการฐานข้อมูลที่นิยมใช้ในการดึงข้อมูลและการจัดการข้อมูลขนาดใหญ่
• Microsoft SQL Server: ระบบการจัดการฐานข้อมูลที่มีความสามารถในการทำ Data Analysis โดยใช้ SQL
• MySQL/PostgreSQL: ระบบการจัดการฐานข้อมูลโอเพนซอร์สที่นิยมใช้สำหรับการวิเคราะห์ข้อมูลในระดับองค์กรและเว็บแอปพลิเคชัน

6. เครื่องมือการประมวลผลข้อมูลขนาดใหญ่ (Big Data Tools)

• Apache Hadoop: แพลตฟอร์มโอเพนซอร์สสำหรับการประมวลผลและจัดการข้อมูลขนาดใหญ่ (Big Data)
• Apache Spark: เครื่องมือสำหรับการประมวลผลข้อมูลขนาดใหญ่ที่รวดเร็วกว่า Hadoop และมีไลบรารีสำหรับการทำงานกับข้อมูล เช่น MLlib สำหรับการทำ Machine Learning
• Google BigQuery: บริการคลาวด์จาก Google สำหรับการวิเคราะห์ข้อมูลขนาดใหญ่แบบเรียลไทม์

7. เครื่องมือในการทำ Data Visualization

• Matplotlib/Seaborn (Python): ไลบรารีใน Python สำหรับการทำ Data Visualization และการสร้างกราฟที่ซับซ้อน
• D3.js: ไลบรารี JavaScript สำหรับการสร้างการแสดงผลข้อมูลที่มีความซับซ้อนและอินเตอร์แอคทีฟบนเว็บ
• Power BI: เป็นเครื่องมือจาก Microsoft ที่ช่วยในการสร้างรายงานและ Data Visualization แบบอินเตอร์แอคทีฟ 

8. เครื่องมือในการทำ Data Wrangling

• OpenRefine: โอเพนซอร์สสำหรับการทำ Data Cleaning และการจัดการข้อมูล 
• Trifacta Wrangler: เครื่องมือที่ช่วยในการแปลงและจัดระเบียบข้อมูล 

ระบบ ERP (Enterprise Resource Planning) คือระบบซอฟต์แวร์ที่ช่วยในการจัดการและบูรณาการกระบวนการทางทรัพยากรของภายในองค์กร ระบบนี้ช่วยให้องค์กรสามารถรวบรวมข้อมูลจากแผนกต่าง ๆ เข้าด้วยกันในระบบเดียว ทำให้สามารถวิเคราะห์และบริหารจัดการข้อมูลได้อย่างมีประสิทธิภาพมากขึ้น

สำนักงานพัฒนาวิทยาศาสตร์ และเทคโนโลยีแห่งชาติ (สวทช.) ได้ริเริ่มโครงการพัฒนาต้นแบบ ระบบ Open source ERP สำหรับหน่วยภาครัฐ เพื่อระบบสารสนเทศ เพื่อการบริหารทรัพยากรขององค์กร (ERP) ที่พัฒนาด้วยซอฟแวร์ Open source Odoo โดยชื่อเรียกว่า NSTDA ERP-Government (NSTDA eGov)เหมาะสำหรับภาครัฐ/หน่วยงานที่มีความต้องการใช้ระบบ ERP ในการวางแผนบริหารจัดการทรัพยากรให้มีประสิทธิภาพ

เป้าหมายของโครงการ

Social Media Analytics Tools เป็นเครื่องมือการวิเคราะห์ข้อมูลจากโซเชียลมีเดียเครื่องมือที่ใช้ในการรวบรวม, วิเคราะห์, และแสดงผลข้อมูลที่ได้จากแพลตฟอร์มโซเชียลมีเดีย เช่น Facebook, Twitter, Instagram, และ YouTube เพื่อให้ผู้ใช้งานเข้าใจแนวโน้ม, ความคิดเห็น, และการตอบสนองของผู้บริโภคหรือสาธารณชนต่อแบรนด์, สินค้า, บริการ, หรือเหตุการณ์ต่าง ๆ

ความสามารถของเครื่องมือการวิเคราะห์ข้อมูลจากโซเชียลมีเดีย

• การติดตามการสนทนา (Social Listening) : เครื่องมือสามารถติดตามและดึงข้อมูลจากโพสต์, คอมเมนต์, และข้อความบนโซเชียลมีเดีย เพื่อค้นหาว่าผู้คนพูดถึงแบรนด์, คำหลัก (keywords), หรือหัวข้อใดบ้าง
• การวิเคราะห์ความรู้สึก (Sentiment Analysis) : วิเคราะห์ความรู้สึก (เชิงบวก, เชิงลบ, หรือเป็นกลาง) ของผู้ใช้งานโซเชียลมีเดียที่มีต่อแบรนด์หรือหัวข้อที่สนใจ
• การวิเคราะห์แนวโน้มและหัวข้อยอดนิยม (Trend and Topic Analysis) : วิเคราะห์แนวโน้มที่กำลังเป็นที่นิยมในช่วงเวลาหนึ่ง ๆ และหัวข้อที่มีการพูดถึงบ่อยบนโซเชียลมีเดีย
• การวิเคราะห์ผู้มีอิทธิพล (Influencer Analysis) : ระบุและวิเคราะห์ผู้มีอิทธิพลบนโซเชียลมีเดียที่มีบทบาทในการกระจายข้อมูลหรือมีอิทธิพลต่อความคิดเห็นของผู้อื่น
• การวิเคราะห์ประชากร (Demographic Analysis) : วิเคราะห์ข้อมูลประชากร เช่น อายุ, เพศ, ที่อยู่, และความสนใจ ของกลุ่มผู้ใช้งานที่พูดถึงหรือมีปฏิสัมพันธ์กับแบรนด์หรือหัวข้อที่สนใจ
• การวิเคราะห์คู่แข่ง (Competitive Analysis) : วิเคราะห์กิจกรรม, การสนทนา, และแคมเปญของคู่แข่ง เพื่อให้สามารถปรับกลยุทธ์ของตนเองให้เหมาะสมและแข่งขันได้

ประโยชน์ของการใช้เครื่องมือการวิเคราะห์ข้อมูลจากโซเชียลมีเดีย

• การปรับปรุงกลยุทธ์การตลาด: เข้าใจแนวโน้มและความต้องการของผู้บริโภค ทำให้สามารถปรับแผนการตลาดให้ตรงเป้าหมายมากขึ้น
• การตรวจสอบแบรนด์: ช่วยติดตามและประเมินสถานการณ์ของแบรนด์บนโลกออนไลน์ และรับรู้ปัญหาหรือความต้องการของลูกค้าได้อย่างรวดเร็ว
• การวางแผนและประเมินผลแคมเปญ: ใช้ข้อมูลในการวางแผนแคมเปญและประเมินผลลัพธ์ของแคมเปญอย่างเป็นระบบ

ประเภทข้อมูลที่ใช้ในการวิเคราะห์

• โพสต์และคอมเมนต์: ข้อมูลที่มาจากโพสต์, คอมเมนต์, และการแชร์เนื้อหาบนแพลตฟอร์มโซเชียลมีเดีย
• การกดถูกใจ, การแชร์, และการแสดงผล: ข้อมูลที่แสดงถึงการตอบสนองของผู้ใช้งานต่อเนื้อหา
• คีย์เวิร์ดและแฮชแท็ก: คำหรือวลีที่ใช้บ่อยหรือได้รับความสนใจในช่วงเวลาหนึ่ง ๆ
• ข้อมูลโปรไฟล์ผู้ใช้งาน: ข้อมูลเกี่ยวกับผู้ใช้งาน เช่น อายุ, เพศ, ที่อยู่, ความสนใจ เพื่อการวิเคราะห์เชิงลึก
• เวลาที่โพสต์และมีการโต้ตอบ: ข้อมูลเกี่ยวกับเวลาและความถี่ในการโพสต์หรือมีการโต้ตอบ ซึ่งมีประโยชน์ในการวางแผนการเผยแพร่เนื้อหาให้เหมาะสม

สำหรับงานวิจัยของ สวทช. ที่พัฒนาโดย ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ  ได้พัฒนา  S-Sense  เป็นระบบวิเคราะห์ความคิดเห็นของบุคคลทั่วไปหรือกลุ่มลูกค้าบนโซเชียลมีเดีย ว่ารู้สึกอย่างไรต่อผลิตภัณฑ์ บริการ และยี่ห้อสินค้า โดยระบบจะรวบรวมข้อความจากโซเชียลมีเดีย เช่น Webboard, Twitter, Facebook, Youtube ฯลฯ แล้วนำมาประมวลผลทางภาษาเพื่อแยกแยะ และวิเคราะห์เชิงลึก มีจุดเด่นของเทคโนโลยี (Innovation Statement) ประมวลผลและวิเคราะห์ภาษาไทยที่ไม่เป็นทางการเช่น ภาษาสนทนา หรือ ภาษาที่ใช้บนโซเชียลมีเดีย ด้วยเทคนิคการประมวลผลภาษาธรรมชาติ และการเรียนรู้ด้วยเครื่อง

S-Sense   ระบบวิเคราะห์ข้อความแสดงความคิดเห็นอัตโนมัติ

• รายละเอียดทดลองใช้งาน เพิ่มเติมได้ที่นี่  https://www.aiforthai.in.th/service_sa.php
• คุณสมบัติ
  • วิเคราะห์คำสำคัญที่เกี่ยวข้อง คำบ่งบอกคุณลักษณะของสินค้าหรือบริการ หรือคำที่มีการกล่าวถึงบ่อยครั้ง
  • วิเคราะห์จุดประสงค์ของข้อความว่าเป็น การสอบถามปัญหา ร้องขอ ประกาศโฆษณา หรือ แสดงความคิดเห็น
  • วิเคราะห์ความคิดเห็นของข้อความว่าเป็นเชิงบวก หรือลบ
  • วิเคราะห์ประโยคเชิงเปรียบเทียบ
  • สามารถตรวจจับชื่อบริษัท แคมเปญ สินค้าและบริการที่ผู้ใช้ระบุ และวิเคราะห์การเชื่อมโยงกับความคิดเห็นในเชิงบวกและลบ
  • รองรับโดเมนธุรกิจและอุตสาหกรรมที่หลากหลาย เช่น รถยนต์ อุตสาหกรรมบริการ ท่องเที่ยว เป็นต้น

นอกจากนี้ยังเครื่องมือการวิเคราะห์ข้อมูลจากโซเชียลมีเดียที่ได้รับความนิยมและน่าสนใจดังนี้:

• Google Trends
  • เป็นเครื่องมือนี้ช่วยให้ผู้ใช้งานตรวจสอบแนวโน้มการค้นหาบน Google ซึ่งสามารถบ่งชี้ถึงความสนใจของผู้คนในหัวข้อต่าง ๆ ได้ดี ใช้ Google Trends เพื่อดูว่าเทรนด์หรือคีย์เวิร์ดใดกำลังมาแรง และสามารถใช้ข้อมูลนี้ในการวางแผนการตลาดและเนื้อหาที่จะนำเสนอ
• Hootsuite
  • เป็นแพลตฟอร์มการจัดการโซเชียลมีเดียที่ครอบคลุม ซึ่งช่วยให้ผู้ใช้งานสามารถวิเคราะห์และติดตามแนวโน้มและการสนทนาบนโซเชียลมีเดียหลายช่องทาง เช่น Facebook, Twitter, Instagram ผู้ใช้งานสามารถสร้างแดชบอร์ดที่คอยอัปเดตข้อมูลตามคีย์เวิร์ดที่ผู้ใช้งานสนใจ หรือสามารถตรวจสอบโพสต์ที่มีการกล่าวถึงแบรนด์ของผู้ใช้งาน
• Wisesight
  • เป็นเครื่องมือที่มีความเชี่ยวชาญในการวิเคราะห์ข้อมูลโซเชียลมีเดียในประเทศไทย ใช้สำหรับการติดตามและวิเคราะห์แนวโน้มทางสังคม, การพูดถึงแบรนด์, และการประเมินความรู้สึกของผู้บริโภค
• Zanroo
  • เป็นเครื่องมือวิเคราะห์ข้อมูลและการจัดการโซเชียลมีเดียที่สามารถติดตามการสนทนาและแนวโน้มต่าง ๆ ในไทยและภูมิภาคเอเชีย ใช้ในการวิเคราะห์ข้อมูลเพื่อติดตามผลกระทบของแคมเปญการตลาด
• Mandala Analytics
  • เป็นเครื่องมือวิเคราะห์โซเชียลมีเดียที่มีฟีเจอร์หลากหลาย เช่น การวิเคราะห์คีย์เวิร์ด, การติดตามแบรนด์, และการประเมินความรู้สึกของผู้บริโภคในตลาดไทย