การพัฒนาระบบแชทบอทสำหรับเว็บไซต์มหาวิทยาลัยโดยใช้โมเดลภาษาขนาดใหญ่และการสร้างคำตอบด้วยการค้นคืนผ่านแพลตฟอร์ม Flowise
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบแชทบอทสำหรับเว็บไซต์มหาวิทยาลัย โดยใช้โมเดลภาษาขนาดใหญ่ (Large Language Models: LLMs) และเทคนิคการสร้างคำตอบด้วยการค้นคืน (Retrieval-Augmented Generation: RAG) ผ่านแพลตฟอร์ม Flowise ที่ช่วยลดความซับซ้อนในการพัฒนาแชทบอท
ด้วยแนวคิด low-code/no-code ข้อมูลที่ใช้พัฒนามาจากเว็บไซต์มหาวิทยาลัยและหลักสูตรต่าง ๆ โดยจัดเก็บในรูปแบบไฟล์ข้อความและเวกเตอร์ในฐานข้อมูล Postgres (pgvector) พร้อมบันทึกประวัติการสนทนาใน ฐานข้อมูล MongoDB กระบวนการพัฒนาประกอบด้วยการเตรียมข้อมูล การตั้งค่าโมเดลเอมเบดดิง (Embedding) และคลังเอกสาร (Document Store) แล้วทำการออกแบบ Chatflows เพื่อสร้างแชทบอทที่ตอบคำถามเกี่ยวกับมหาวิทยาลัยและหลักสูตรได้ ระบบได้รับการทดสอบและประเมินผลเชิงคุณภาพ พบว่า คำตอบส่วนใหญ่ถูกต้องและเหมาะสม แต่บางคำตอบที่ไม่ครบถ้วนหรือผิดพลาดอาจเกิดจากการจัดการข้อมูลและการตั้งค่าที่ไม่เหมาะสม
ผลการประเมินผลการทำงานของแชทบอทในภาพรวม พบว่า แชทบอทสามารถตอบคำถามส่วนใหญ่ได้ถูกต้อง เช่น คำถามเกี่ยวกับประวัติมหาวิทยาลัย การบริหารงาน และสถานที่ติดต่อ แต่สำหรับบางคำถามที่แชทบอทไม่สามารถให้ข้อมูลได้ถูกต้องและครบถ้วน เช่น การขอทราบรายการหลักสูตรต่าง ๆ ในคณะ การวิจัยนี้แสดงให้เห็นถึงศักยภาพของแพลตฟอร์ม Flowise ในการพัฒนาแชทบอทที่ลดระยะเวลาและความซับซ้อน พร้อมทั้งเป็นแนวทางสำหรับการนำเทคโนโลยี AI ไปประยุกต์ใช้ในสถาบันการศึกษาในอนาคต
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution 4.0 International License.
##default.contextSettings.thaijo.licenseTerms##เอกสารอ้างอิง
Aloqayli, A., & Abdelhafez, H. 2023). Intelligent chatbot for admission in higher education. International Journal of Information and Education Technology, 13(9), 1348-1357.
Arslan, M., Ghanem, H., Munawar, S., & Cruz, C. (2024). A Survey on RAG with LLMs. Procedia computer science, 246, 3781-3790.
Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D., Wu, J., Winter, C., Hesse, C., Chen, M., Sigler, E., Litwin, M., Gray, S., Chess, B., Clark, J., Berner, C., McCandlish, S., Radford, A., Sutskever, I., & Amodei, D. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems, 2020-December.
Ismail, M., Kachadoorian, D., Mirani, S., Boyer, D. M., Ransom, T., & Sabuncu, A. C. (2025). BOARD# 63: AI Chatbot for Enhancing Troubleshooting in Engineering Labs. 2025 ASEE Annual Conference & Exposition.
Izacard, G., & Grave, E. (2021). Leveraging Passage Retrieval with Generative Models for Open Domain Question Answering. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, (pp. 874–880).
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W. T., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems, 33, 9459-9474.
Radziwill, N. M., & Benton, M. C. (2017). Evaluating the quality of chatbots and intelligent conversational agents. arXiv preprint arXiv:1704.04579. Retrieved from https://arxiv.org/abs/1704.
Reis, J. A., Almeida, J. R., Almeida, T. M., & Oliveira, J. L. (2024). Using Flowise to Streamline Biomedical Data Discovery and Analysis. 2024 IEEE 22nd Mediterranean Electrotechnical Conference (MELECON). (pp. 695-700).
Tunstall, L., Von Werra, L., & Wolf, T. (2022). Natural language processing with transformers. O'Reilly Media, Inc.
Yu, J., Zhang, Y., Zhang, Z., Yang, Z., Zhao, G., Sun, F., Zhang, F., Liu Q., Sun, J., Liang, J., & Zhang, Y. (2024, October). Rag-guided large language models for visual spatial description with adaptive hallucination corrector. Proceedings of the 32nd ACM International Conference on Multimedia (pp. 11407-11413).
