สาขาวิชา Blockchain, Artificial Intelligence and Cybersecurity วิทยาลัยพหุวิทยาการและสหวิทยาการ (Multidisciplinary and Interdisciplinary School)

หัวข้อและโครงร่างเพื่อทำวิทยานิพนธ์ระดับปริญญาโท

ระบบจัดการองค์ความรู้อัจฉริยะด้วยการสร้างคำตอบแบบเสริมด้วยการสืบค้นและแบบจำลองภาษาขนาดใหญ่ สำหรับการสืบค้นข้อมูลภายในองค์กร : กรณีศึกษา มหาวิทยาลัยฟาร์อีสเทอร์น จังหวัดเชียงใหม่

An Intelligent Knowledge Management System Using Retrieval-Augmented Generation and Large Language Models for Internal Information Retrieval: A case study of Far Eastern University, Chiang Mai

ผู้นำเสนอนาย ธวัชชัย เอ้ยวันMr. Thawatchai Eywan · รหัสนักศึกษา 692832021

อาจารย์ที่ปรึกษารศ. ดร. เอกรัฐ บุญเชียงAssoc. Prof. Dr. Ekkarat Boonchieng

สวัสดีครับท่านคณะกรรมการ และอาจารย์ทุกท่าน ผมนายธวัชชัย เอ้ยวัน รหัสนักศึกษา 692832021 สาขาวิชา Blockchain, Artificial Intelligence and Cybersecurity วิทยาลัยพหุวิทยาการและสหวิทยาการ วันนี้ผมขอนำเสนอหัวข้อและโครงร่างวิทยานิพนธ์เรื่อง "ระบบจัดการองค์ความรู้อัจฉริยะด้วยการสร้างคำตอบแบบเสริมด้วยการสืบค้นและแบบจำลองภาษาขนาดใหญ่ สำหรับการสืบค้นข้อมูลภายในองค์กร" โดยใช้มหาวิทยาลัยฟาร์อีสเทอร์น จังหวัดเชียงใหม่ เป็นกรณีศึกษา ภายใต้การดูแลของรองศาสตราจารย์ ดร.เอกรัฐ บุญเชียง ครับ

หลักการและเหตุผล

องค์ความรู้มีอยู่จริง แต่เข้าถึงยาก

ข้อมูลกระจายหลายระบบ

เอกสารประชุม · หลักสูตร · งานวิจัย · ระบบสารสนเทศ

ค้นหาช้า ขั้นตอนซับซ้อน

ต้องใช้เวลาและหลายขั้นตอนกว่าจะพบข้อมูล

ไม่ครบถ้วน / ไม่เป็นปัจจุบัน

ข้อมูลที่ได้อาจล้าสมัยหรือขาดบางส่วน

บริหารองค์ความรู้เชิงรับ

ขาดเครื่องมือวิเคราะห์ภาพรวมและแนวโน้มเชิงรุก

ปัญหาที่พบในมหาวิทยาลัยฟาร์อีสเทอร์นมีอยู่ 4 ประเด็นหลักครับ ข้อแรก องค์ความรู้กระจัดกระจายอยู่หลายระบบ ทั้งเอกสารการประชุม หลักสูตร งานวิจัย และข้อมูลในระบบสารสนเทศ ข้อสอง การสืบค้นต้องใช้เวลาและมีขั้นตอนซับซ้อน ข้อสาม ข้อมูลที่ได้มาอาจไม่ครบถ้วนหรือไม่เป็นปัจจุบัน และข้อสุดท้ายซึ่งสำคัญมาก คือการบริหารองค์ความรู้ส่วนใหญ่ยังเป็นเชิงรับ องค์กรยังขาดเครื่องมือที่รวบรวม วิเคราะห์ และนำเสนอภาพรวมรวมถึงแนวโน้มการใช้งานองค์ความรู้ เพื่อสนับสนุนการวางแผนในเชิงรุกครับ

ความท้าทายด้านความปลอดภัย

นำ AI มาใช้ได้ ต้องปลอดภัยก่อน

ข้อมูลอ่อนไหวข้อมูลส่วนบุคคล · ข้อมูลการเงิน

ความเป็นส่วนตัวPrivacy ของข้อมูลภายใน

Secure AIภายในองค์กร

ควบคุมสิทธิ์การเข้าถึงAccess Control ตามบทบาท

Prompt Injectionการแทรกคำสั่งอันตราย

เมื่อจะนำปัญญาประดิษฐ์มาใช้กับข้อมูลภายในองค์กร ความปลอดภัยคือเงื่อนไขแรกครับ ข้อมูลของมหาวิทยาลัยมีส่วนที่อ่อนไหว เช่น ข้อมูลส่วนบุคคลและข้อมูลการเงิน ระบบจึงต้องคำนึงถึงความเป็นส่วนตัว และต้องมีการควบคุมสิทธิ์การเข้าถึง เพื่อให้ผู้ใช้แต่ละคนเห็นเฉพาะข้อมูลที่ตนมีสิทธิ์ นอกจากนี้ยังมีความเสี่ยงเฉพาะของระบบ LLM คือการโจมตีแบบ Prompt Injection หรือการแทรกคำสั่งอันตรายเพื่อหลอกให้ระบบเปิดเผยข้อมูล ประเด็นเหล่านี้จะถูกนำไปเป็นข้อกำหนดในขั้นออกแบบระบบครับ

แนวทางแก้ปัญหา

Enterprise Knowledge Intelligence

RAG Machine Learning Open WebUI Workflow Automation

User

บุคลากรผู้มีสิทธิ์

→

Open WebUI

RAG Orchestration
Query Handling
Context Augmentation

⇄

Enterprise Knowledge Bank

Documents · Reports · Policies→Extract→Chunks→Matching Similarity

LLM Inference Layer

Local LLMOn-Premise

External LLM APICloud

แนวทางแก้ปัญหาที่เสนอ คือการพัฒนาระบบ Enterprise Knowledge Intelligence ซึ่งบูรณาการ 4 เทคโนโลยี ได้แก่ RAG, Machine Learning, Open WebUI และ Workflow Automation ดูจากแผนภาพครับ ผู้ใช้ส่งคำถามผ่าน Open WebUI ซึ่งทำหน้าที่จัดการกระบวนการ RAG รับคำถาม และเสริมบริบท จากนั้นระบบจะค้นหาในคลังความรู้ขององค์กร ซึ่งเอกสาร รายงาน และนโยบาย ถูกสกัดและแบ่งเป็น chunks เพื่อจับคู่ความคล้ายเชิงความหมาย แล้วส่งบริบทที่เกี่ยวข้องไปยังชั้น LLM Inference ที่เลือกได้ทั้ง Local LLM แบบ On-Premise หรือ External LLM API บน Cloud เพื่อสร้างคำตอบที่อ้างอิงจากเอกสารจริงครับ

วัตถุประสงค์การวิจัย

2 เป้าหมาย: ศึกษา และ พัฒนา

ศึกษาแนวทางการประยุกต์ใช้

AI ร่วมกับ RAG และ Machine Learning เพื่อจัดหมวดหมู่และวิเคราะห์องค์ความรู้

พัฒนาระบบต้นแบบ

Enterprise Knowledge Intelligence บูรณาการ AI Engine + โมดูลวิเคราะห์ + ช่องทาง Open WebUI

งานวิจัยนี้มีวัตถุประสงค์ 2 ข้อครับ ข้อที่หนึ่ง เพื่อศึกษาแนวทางการประยุกต์ใช้ปัญญาประดิษฐ์ร่วมกับเทคนิค RAG และการเรียนรู้ของเครื่อง ในการจัดหมวดหมู่และวิเคราะห์องค์ความรู้ภายในองค์กร ข้อที่สอง เพื่อพัฒนาระบบต้นแบบ Enterprise Knowledge Intelligence ที่บูรณาการ AI Engine เข้ากับโมดูลวิเคราะห์องค์ความรู้ และเปิดช่องทางเข้าถึงผ่าน Open WebUI กล่าวคือ ข้อแรกเป็นด้านองค์ความรู้เชิงแนวทาง ส่วนข้อที่สองเป็นผลผลิตที่จับต้องได้คือระบบต้นแบบครับ

นิยามศัพท์เฉพาะ

7 คำสำคัญที่ใช้ตลอดงานวิจัย

Enterprise Knowledge Intelligence

RAG + ML เพื่อสรุปภาพรวมและแนวโน้มองค์ความรู้

RAG

ค้นคืนข้อมูลก่อน แล้วให้ LLM สร้างคำตอบที่ถูกต้อง

Vector Database

เก็บข้อมูลเป็นเวกเตอร์ รองรับ Semantic Similarity Search

Text Classification / Clustering

Naïve Bayes · K-NN · K-Means จัดหมวดหมู่เอกสาร

Open WebUI

Self-hosted web interface สำหรับใช้งาน LLM

Prompt Injection

การโจมตีด้วยการแทรกคำสั่งอันตราย

LLM Inference Layer

ชั้นประมวลผลสร้างคำตอบจากโมเดลที่ฝึกแล้ว

ทั้งหมดประกอบกันเป็น
ระบบต้นแบบเดียว

ก่อนลงรายละเอียด ขอนิยามศัพท์สำคัญ 7 คำครับ Enterprise Knowledge Intelligence คือแนวคิดที่บูรณาการ RAG กับ Machine Learning เพื่อสรุปภาพรวมและแนวโน้มองค์ความรู้ RAG คือการค้นคืนข้อมูลจากแหล่งภายนอกก่อนให้ LLM สร้างคำตอบ เพื่อความถูกต้อง Vector Database คือฐานข้อมูลที่เก็บข้อมูลแบบเวกเตอร์เพื่อค้นหาด้วยความหมาย Text Classification และ Clustering คือเทคนิค ML เช่น Naïve Bayes, K-NN และ K-Means สำหรับจัดหมวดหมู่เอกสาร Open WebUI เป็นเว็บอินเทอร์เฟซแบบติดตั้งเองสำหรับใช้งาน LLM Prompt Injection คือการโจมตีด้วยการแทรกคำสั่งอันตราย และ LLM Inference Layer คือชั้นที่ประมวลผลสร้างคำตอบจากโมเดลครับ

ทบทวนวรรณกรรม

งานก่อนหน้า: LLM + LangChain ใช้ได้จริง

ประทีป หมื่นทิศ และสุขุมาล กิติสิน (2568)

แชทบอทบริการลูกค้าที่เข้าใจบริบทและเลือกใช้เครื่องมืออัตโนมัติ

• LLM + LangChain
• Hybrid Retrieval Tool + API Retrieval Tool
• มหาวิทยาลัยเกษตรศาสตร์

0.88

Tool Call Accuracy

0.80

Answer Correctness

7,782ms

Average Latency

85.87 / 86.16%

พึงพอใจ: ผู้ใช้บริการ / พนักงาน

ช่องว่างที่งานนี้เติมเต็ม: จากแชทบอทบริการลูกค้า → ระบบจัดการองค์ความรู้ภายในองค์กร ที่มี ML จัดหมวดหมู่ วิเคราะห์เชิงรุก และควบคุมสิทธิ์การเข้าถึง [ควรตรวจสอบ]

งานวิจัยที่ใกล้เคียงที่สุดคืองานของ ประทีป หมื่นทิศ และสุขุมาล กิติสิน ปี 2568 ซึ่งพัฒนาแชทบอทบริการลูกค้าด้วย LLM และ LangChain โดยใช้ Hybrid Retrieval Tool และ API Retrieval Tool ผลการประเมินพบว่า Tool Call Accuracy เฉลี่ย 0.88 Answer Correctness 0.80 เวลาตอบสนองเฉลี่ย 7,782 มิลลิวินาที และความพึงพอใจของผู้ใช้บริการและพนักงานอยู่ที่ 85.87 และ 86.16 เปอร์เซ็นต์ตามลำดับ ซึ่งยืนยันว่าแนวทางนี้ใช้ได้จริง สิ่งที่งานของผมต่อยอดคือ การเปลี่ยนจากบริบทบริการลูกค้ามาเป็นการจัดการองค์ความรู้ภายในองค์กร ที่เพิ่มการจัดหมวดหมู่ด้วย ML การวิเคราะห์เชิงรุก และการควบคุมสิทธิ์การเข้าถึงข้อมูลครับ

กรอบแนวคิดการวิจัย

จากข้อมูลกระจาย สู่การตัดสินใจ

INPUT

เอกสารประชุม
หลักสูตร
งานวิจัย
ข้อมูลระบบสารสนเทศ

›

PROCESS

1Knowledge Preparation
2Document Processing
3Classification / Chunking
4Embedding Generation
5Storage / Vector DB
6Knowledge Retrieval
7Analysis / Answer

›

TECHNOLOGY

Machine Learning
Knowledge Classification
Embedding
RAG
AI Engine
Workflow Automation
Open WebUI

›

OUTPUT

องค์ความรู้ถูกจัดหมวดหมู่
สืบค้นได้
วิเคราะห์โดยระบบ
สอบถามผ่าน Open WebUI

›

OUTCOME

เข้าถึงองค์ความรู้สะดวก
สนับสนุนการตัดสินใจและการปฏิบัติงาน

กรอบแนวคิดของงานวิจัยแบ่งเป็น 5 ส่วนครับ INPUT คือข้อมูลภายในองค์กร ได้แก่ เอกสารประชุม หลักสูตร งานวิจัย และข้อมูลจากระบบสารสนเทศ ส่วน PROCESS มี 7 ขั้นตอน เริ่มจากเตรียมข้อมูล ประมวลผลเอกสาร จัดหมวดหมู่และแบ่ง chunk สร้าง embedding จัดเก็บใน Vector Database ค้นคืน และวิเคราะห์เพื่อตอบคำถาม โดยมีเทคโนโลยีรองรับคือ ML, Embedding, RAG, AI Engine, Workflow Automation และ Open WebUI OUTPUT ที่ได้คือองค์ความรู้ที่จัดหมวดหมู่แล้ว สืบค้นและวิเคราะห์ได้ ผ่านช่องทาง Open WebUI และ OUTCOME สุดท้ายคือบุคลากรเข้าถึงองค์ความรู้ได้สะดวก และนำไปสนับสนุนการตัดสินใจครับ

ขอบเขตการวิจัย

ขอบเขตชัด 5 มิติ

เนื้อหา

จัดการ จัดหมวดหมู่ สืบค้น วิเคราะห์องค์ความรู้

ข้อมูล

เอกสารภายในที่ได้รับอนุญาต

เทคโนโลยี

AI · ML · RAG และเครื่องมือสนับสนุน

ผู้ใช้

บุคลากรมหาวิทยาลัยที่มีสิทธิ์เข้าถึง

ระยะเวลา

เดือน

ขอบเขตของงานวิจัยกำหนดไว้ 5 มิติครับ ด้านเนื้อหา ครอบคลุมการจัดการ การจัดหมวดหมู่ การสืบค้น และการวิเคราะห์องค์ความรู้ ด้านข้อมูล ใช้เฉพาะเอกสารภายในที่ได้รับอนุญาตเท่านั้น ด้านเทคโนโลยี ใช้กลุ่ม AI, Machine Learning, RAG และเครื่องมือสนับสนุนระบบ ด้านผู้ใช้ คือบุคลากรของมหาวิทยาลัยที่มีสิทธิ์เข้าถึง และด้านระยะเวลา ดำเนินการภายใน 4 เดือน การจำกัดเฉพาะข้อมูลที่ได้รับอนุญาตและผู้ใช้ที่มีสิทธิ์ ยังสอดคล้องกับประเด็นความปลอดภัยที่กล่าวไว้ก่อนหน้าด้วยครับ

วิธีดำเนินการวิจัย

4 ขั้นตอน จากทฤษฎีสู่ผู้ใช้จริง

9.4.1

ศึกษาทฤษฎี

LLM Inference Layer · RAG · ML จัดหมวดหมู่

9.4.2

ออกแบบระบบ

ประเภทข้อมูล · ความปลอดภัย · สิทธิ์เข้าถึง · โมดูล

9.4.3

ทดสอบประสิทธิภาพ

ความเร็ว · Factuality · ความครบถ้วน

9.4.4

ทดสอบกับผู้ใช้

ใช้งานกับกลุ่มเป้าหมายและวัดผล

วิธีดำเนินการวิจัยมี 4 ขั้นตอนครับ ขั้นที่ 1 ศึกษาทฤษฎีและงานวิจัยที่เกี่ยวข้อง ทั้งสถาปัตยกรรม LLM Inference Layer เทคนิค RAG การเรียนรู้ของเครื่องสำหรับจัดหมวดหมู่ และการเชื่อมต่อช่องทางเข้าถึง ขั้นที่ 2 ออกแบบระบบ โดยระบุประเภทข้อมูล รูปแบบการใช้งาน ข้อกำหนดด้านความปลอดภัยและสิทธิ์การเข้าถึง แล้วออกแบบ LLM Inference Layer โมดูลจัดหมวดหมู่และวิเคราะห์ และโมดูลเชื่อมต่อ ขั้นที่ 3 ทดสอบประสิทธิภาพ วัดความเร็ว ความถูกต้องของคำตอบ และความครบถ้วน และขั้นที่ 4 นำไปทดสอบใช้งานกับกลุ่มเป้าหมายและวัดผลครับ

การวัดผลและการประเมิน

วัดผลทั้งระบบ และผู้ใช้

ความเร็ว

เวลาในการตอบคำถาม

Response Time

ความถูกต้อง

คำตอบตรงกับข้อเท็จจริง

Factuality

ความครบถ้วน

ข้อมูลที่ได้ครบตามคำถาม

Completeness

กลุ่มเป้าหมาย

ทดสอบใช้งานจริงและวัดผล

User Testing

[ควรตรวจสอบ] เกณฑ์ตัวเลขและเครื่องมือวัด (เช่น แบบสอบถาม ขนาดกลุ่มตัวอย่าง) ยังไม่ระบุในโครงร่าง

การวัดผลแบ่งเป็นสองระดับครับ ระดับระบบ วัด 3 ด้าน คือ ความเร็วในการตอบคำถาม ความถูกต้องของคำตอบเทียบกับข้อเท็จจริงหรือ Factuality และความครบถ้วนของข้อมูล ส่วนระดับผู้ใช้ จะนำระบบไปทดสอบใช้งานกับกลุ่มเป้าหมายจริงแล้ววัดผล ทั้งนี้ เกณฑ์เชิงตัวเลขและเครื่องมือวัดในรายละเอียด เช่น รูปแบบแบบสอบถามและขนาดกลุ่มตัวอย่าง จะกำหนดเพิ่มเติมในขั้นต่อไป โดยอาจใช้ตัวชี้วัดจากงานก่อนหน้า เช่น Answer Correctness และ Latency เป็นแนวทางเปรียบเทียบครับ

แผนระยะเวลาดำเนินงาน

8 กิจกรรม ภายใน 4 เดือน

กิจกรรม

เดือน 1

เดือน 2

เดือน 3

เดือน 4

ศึกษาทฤษฎี

วิเคราะห์ปัญหา

ออกแบบกรอบแนวคิด

พัฒนาระบบ

เชื่อมต่อระบบ

ทดสอบและประเมิน

วิเคราะห์สรุปผล

จัดทำรายงานและปรับปรุง

แผนการดำเนินงานแบ่งเป็น 8 กิจกรรมภายใน 4 เดือนครับ เดือนแรกเป็นการศึกษาทฤษฎีและวิเคราะห์ปัญหา และเริ่มออกแบบกรอบแนวคิดต่อเนื่องไปถึงเดือนที่สอง เดือนที่สองเน้นการพัฒนาระบบ และเริ่มเชื่อมต่อระบบต่อเนื่องไปเดือนที่สาม เดือนที่สามเป็นช่วงทดสอบและประเมินผล และเดือนที่สี่วิเคราะห์สรุปผล จัดทำรายงาน และปรับปรุงระบบ แถบสีเขียวคือช่วงศึกษาและพัฒนา แถบสีส้มคือช่วงทดสอบและสรุปผลครับ

ประโยชน์ที่คาดว่าจะได้รับ

ได้ทั้งแนวทาง ระบบ และผลต่อคน

10.1

แนวทางการประยุกต์ใช้

AI + RAG + ML สำหรับจัดการ จัดหมวดหมู่ และสืบค้นองค์ความรู้ของมหาวิทยาลัย

10.2

ระบบต้นแบบ

Enterprise Knowledge Intelligence รวบรวม วิเคราะห์ และสืบค้นอย่างเป็นระบบ

10.3

บุคลากรเข้าถึงง่ายขึ้น

สืบค้นผ่าน Open WebUI ลดขั้นตอนค้นหาจากหลายระบบ

ประโยชน์ที่คาดว่าจะได้รับมี 3 ข้อครับ ข้อแรก ได้แนวทางการประยุกต์ใช้ AI ร่วมกับ RAG และการเรียนรู้ของเครื่อง สำหรับการจัดการ จัดหมวดหมู่ และสืบค้นองค์ความรู้ของมหาวิทยาลัยฟาร์อีสเทอร์น ข้อสอง ได้ระบบต้นแบบ Enterprise Knowledge Intelligence ที่รวบรวม จัดหมวดหมู่ วิเคราะห์ และสืบค้นองค์ความรู้จากแหล่งข้อมูลภายในอย่างเป็นระบบ และข้อสาม บุคลากรภายในสามารถเข้าถึงและสืบค้นองค์ความรู้ผ่าน Open WebUI ได้สะดวกขึ้น ลดขั้นตอนการค้นหาจากระบบที่กระจัดกระจายครับ

เอกสารอ้างอิงหลัก

รากฐานจากงานวิจัยด้าน RAG

ประทีป หมื่นทิศ และสุขุมาล กิติสิน. (2568). การพัฒนาแชทบอทบริการลูกค้าที่เข้าใจบริบทและเลือกใช้เครื่องมือโดยอัตโนมัติด้วยแบบจำลองภาษาขนาดใหญ่และ LangChain. มหาวิทยาลัยเกษตรศาสตร์.
Danupat K. (2024). Improving question answering retrieval system through multi-result ranking model. Chulalongkorn University.
Huang, X., Chen, Y., Feng, X., Zhu, H., & Tang, C. (2025). Multi-agent cooperative RAG for efficient electric power knowledge retrieval quiz. ICPEA 2025, IEEE.
Stuhlmann, L., Saxer, M. A., & Fürst, J. (2025). Efficient and reproducible biomedical question answering using RAG. IEEE SDS 2025.
Jaroenruen, Y., Kaewboonma, N., Ruangrajitpakorn, T., & Panawong, J. (2026). Development of generative chatbot towards Thai rice knowledge using RAG. Engineering Access, 12(2), 309–317.

สำหรับเอกสารอ้างอิงหลักมี 5 รายการครับ ได้แก่ งานของประทีปและสุขุมาลซึ่งเป็นงานต้นแบบด้านแชทบอทด้วย LLM และ LangChain งานของ Danupat ด้านการปรับปรุงการจัดอันดับผลการค้นคืน งานของ Huang และคณะ ที่ใช้ RAG แบบหลายเอเจนต์ในโดเมนพลังงานไฟฟ้า งานของ Stuhlmann และคณะ ด้านการตอบคำถามทางชีวการแพทย์ด้วย RAG และงานของ Jaroenruen และคณะ ที่พัฒนาแชทบอทองค์ความรู้ข้าวไทยด้วย RAG ซึ่งแสดงให้เห็นว่า RAG ถูกนำไปใช้ได้หลากหลายโดเมน และสนับสนุนการนำมาใช้กับองค์ความรู้ภายในมหาวิทยาลัยครับ

ขอบคุณครับ

Q & A

นาย ธวัชชัย เอ้ยวัน · 692832021
Blockchain, Artificial Intelligence and Cybersecurity

ทั้งหมดนี้คือหัวข้อและโครงร่างวิทยานิพนธ์ของผมครับ สรุปสั้นๆ คือ งานวิจัยนี้มุ่งพัฒนาระบบจัดการองค์ความรู้อัจฉริยะด้วย RAG และ LLM เพื่อให้บุคลากรของมหาวิทยาลัยฟาร์อีสเทอร์นเข้าถึงองค์ความรู้ภายในได้รวดเร็ว ถูกต้อง และปลอดภัย ภายในระยะเวลา 4 เดือน ขอบพระคุณท่านคณะกรรมการและอาจารย์ที่ปรึกษาครับ ผมยินดีรับคำถามและข้อเสนอแนะเพื่อนำไปปรับปรุงงานวิจัยครับ