Onboarding Agent (OA)

รายละเอียดหลักสูตรการอบรมเชิงปฏิบัติการพัฒนา "Curriculum Agent (CA)"

1. หลักการและเหตุผล (Principles and Rationale)

ในปัจจุบัน ความต้องการบุคลากรที่มีทักษะด้านวิทยาการข้อมูล (Data Science) มีอัตราการเติบโตอย่างรวดเร็ว ส่งผลให้เกิดช่องว่างทางทักษะ (Skill Gap) ที่ขยายกว้างขึ้น ปัญหาสำคัญที่พบคือผู้เรียนมักขาดความเข้าใจในความสัมพันธ์เชิงโครงสร้างของทักษะต่าง ๆ (Skill Relationships) เช่น ความเชื่อมโยงระหว่างการเขียนโปรแกรม Python กับการทำ Data Visualization ซึ่งส่งผลให้การวางแผนการเรียนรู้ไม่มีประสิทธิภาพและไม่ต่อเนื่อง การขาดระบบแนะนำที่มีความชาญฉลาดในการวิเคราะห์พื้นฐานของผู้เรียนแต่ละคนทำให้เกิดความล่าช้าในการพัฒนาศักยภาพบุคลากรให้ตรงกับความต้องการของตลาดงาน

เพื่อแก้ไขปัญหาดังกล่าว โครงการนี้จึงมุ่งเน้นการจัดอบรมเชิงปฏิบัติการเพื่อพัฒนา "Curriculum Agent (CA)" โดยนำเทคโนโลยีปัญญาประดิษฐ์และ Machine Learning มาประยุกต์ใช้ ผ่านเครื่องมืออย่าง Scikit-learn และ Pandas ผู้เข้าร่วมโครงการจะได้เรียนรู้วิธีการสร้าง Agent ที่มีความสามารถในการสร้าง "อนุกรมวิธานทักษะ" (Skill Taxonomy) จากข้อมูลดิบ และจัดหมวดหมู่หลักสูตรแบบอัตโนมัติด้วยอัลกอริทึม Hierarchical Clustering และ K-Means เพื่อสร้างระบบแนะนำหลักสูตรที่แม่นยำและตอบโจทย์ผู้เรียนรายบุคคล

โครงการนี้มีความสอดคล้องกับยุทธศาสตร์การจัดตั้ง "ห้องปฏิบัติการเสมือนสำหรับปัญญาประดิษฐ์เชิงตัวแทน (Agentic Living Lab)" ขององค์กร โดยทำหน้าที่เป็นโมดูลสำคัญในการขับเคลื่อนความฉลาดของระบบนิเวศการเรียนรู้ การผนวกความรู้ภาคทฤษฎีเข้ากับการปฏิบัติจริงในรูปแบบ Hackathon จะช่วยให้นักศึกษาสามารถผลิตนวัตกรรมที่ใช้งานได้จริง ซึ่งจะนำไปสู่การยกระดับคุณภาพการศึกษาและการบริหารจัดการหลักสูตรที่มีประสิทธิภาพสูงขึ้นในอนาคต

2. วัตถุประสงค์ (Objectives)

• เพื่อให้นักศึกษามีความรู้ความเข้าใจในหลักการจัดกลุ่มข้อมูล (Clustering) และการจัดการโครงสร้างข้อมูลแบบลำดับชั้น (Hierarchical Data Structure) อย่างลึกซึ้ง

• เพื่อพัฒนานักศึกษาให้มีทักษะปฏิบัติในการสร้าง AI Agent ที่สามารถสร้าง "อนุกรมวิธานทักษะ" (Skill Taxonomy) และจัดหมวดหมู่ทักษะจากข้อมูลดิบได้จริง

• เพื่อสร้างต้นแบบระบบแนะนำหลักสูตรเบื้องต้น (Basic Recommendation System) ที่สามารถตรวจสอบวิชาบังคับก่อนและแนะนำเส้นทางการเรียนรู้ได้

3. วิธีการดำเนินงาน (Methodology)

• ระยะที่ 1: การเตรียมความพร้อม (Preparation Phase)

• การวางแผนและออกแบบหลักสูตร (Curriculum Design):

• ผู้รับผิดชอบ: หัวหน้าโครงการและทีมวิชาการ

• การดำเนินการ: กำหนดขอบเขตเนื้อหาด้าน Hierarchical Clustering, Taxonomy Design และเตรียม Dataset สำหรับการฝึกอบรม

• การเตรียมสภาพแวดล้อม (Environment Setup):

• ผู้รับผิดชอบ: ทีมฝ่ายเทคนิค/IT Support

• การดำเนินการ: จัดเตรียม Server, ติดตั้ง Library (Scikit-learn, Pandas) และเตรียม API Endpoint สำหรับการทดสอบ

• ระยะที่ 2: การดำเนินกิจกรรมอบรม (Execution Phase)

• การอบรมภาคทฤษฎี (Theoretical Training):

• ผู้รับผิดชอบ: วิทยากรผู้เชี่ยวชาญด้าน Machine Learning

• การดำเนินการ: บรรยายหัวข้อพื้นฐาน AI และทฤษฎีการจัดกลุ่มข้อมูล ควบคู่กับการทำ Workshop การใช้เครื่องมือพื้นฐาน

• การอบรมภาคปฏิบัติและ Hackathon (Practical Workshop):

• ผู้รับผิดชอบ: ทีมวิทยากรและพี่เลี้ยง (Mentors)

• การดำเนินการ: กิจกรรมระดมสมองและพัฒนา Agent ภายในระยะเวลาที่กำหนด เน้นการสร้าง Prototype ที่ใช้งานได้จริง 

• ระยะที่ 3: การประเมินและติดตามผล (Evaluation Phase)

• การทดสอบระบบ (System Testing):

• ผู้รับผิดชอบ: คณะกรรมการตรวจสอบ

• การดำเนินการ: ทดสอบการทำงานของ Agent และนำเสนอแนวคิดการออกแบบ Skill Taxonomy ต่อคณะกรรมการ

4. สถานที่และระยะเวลาดำเนินการ (Location and Duration)

• ระยะเวลา: 2 วัน (เดือนมีนาคม 2569)

• สถานที่: สาขาวิชา อาคาร SC3

5. ผลที่คาดว่าจะได้รับ (Expected Results)

• ได้ต้นแบบ "Skill Taxonomy Engine" ที่สามารถจัดหมวดหมู่ทักษะและรายวิชาได้อัตโนมัติ เพื่อนำไปใช้ใน Agentic Living Lab

• ได้ "Course Cluster Map" หรือแผนผังความสัมพันธ์ของรายวิชา ที่ช่วยให้เห็นภาพรวมเส้นทางการเรียนรู้ที่เชื่อมโยงกันชัดเจน

• นักศึกษาผู้เข้าร่วมโครงการมีทักษะขั้นสูงในการใช้เครื่องมือ Data Science (Scikit-learn, Pandas) และสามารถพัฒนา AI Agent ได้จริง

6. ผลลัพธ์การเรียนรู้ (Course Learning Outcomes: CLO)

1. CLO 1: ผู้เรียนสามารถอธิบายและประยุกต์ใช้หลักการ Hierarchical Clustering และ K-Means ในการแก้ปัญหาการจัดกลุ่มข้อมูลได้

2. CLO 2: ผู้เรียนสามารถพัฒนา AI Agent โดยใช้ Python Libraries (Scikit-learn, Pandas) เพื่อสร้าง Skill Taxonomy จากข้อมูลที่กำหนดให้ได้

3. CLO 3: ผู้เรียนสามารถออกแบบและสร้างตรรกะ (Logic) สำหรับระบบแนะนำหลักสูตรที่รองรับเงื่อนไขวิชาบังคับก่อน (Prerequisite) ได้อย่างถูกต้อง

7. หัวข้อการอบรมและบรรยาย (Workshop and Lecture Topics)

วันที่ 1: ปูพื้นฐานและการเริ่มพัฒนา (Foundations & Initial Development)

• • Introduction to Agentic AI & Recommender Systems, Data Structures (Taxonomy vs. Ontology)

  • Algorithm Deep Dive: Hierarchical Clustering & K-Means (Theory)

  • Workshop: Data Preprocessing with Pandas for Skill Data

  • Workshop: Implementing Clustering with Scikit-learn (Hands-on)

วันที่ 2: กิจกรรม Hackathon และนำเสนอ (Hackathon & Pitching)

• • Hackathon Challenge: Building the Skill Taxonomy Engine (Coding)

  • Hackathon Challenge: Developing Prerequisite Logic & API Integration

  • System Integration Testing (Connecting with Student Profiles)

  • Final Pitching, Code Review & Project Closure

8. กำหนดการ (Schedule)

วันที่ 1: Foundations & Workshop | สถานที่: สาขาวิชา อาคาร SC3

• 08:30 - 09:00 น. | Registration

  • รายละเอียด: ลงทะเบียนและรับเอกสารประกอบการอบรม

• 09:00 - 10:30 น. | Lecture: AI & Data Structures

  • รายละเอียด: บรรยายพื้นฐาน Agentic AI และโครงสร้างข้อมูล (Taxonomy/Ontology)

• 10:30 - 10:45 น. | Coffee Break

  • รายละเอียด: พักรับประทานอาหารว่าง

• 10:45 - 12:00 น. | Lecture: Clustering Algo

  • รายละเอียด: เจาะลึกอัลกอริทึม Hierarchical Clustering และ K-Means

• 12:00 - 13:00 น. | Lunch Break

  • รายละเอียด: พักรับประทานอาหารกลางวัน

• 13:00 - 14:30 น. | Workshop: Data Prep

  • รายละเอียด: ฝึกปฏิบัติการเตรียมข้อมูลทักษะด้วย Pandas

• 14:30 - 14:45 น. | Coffee Break

  • รายละเอียด: พักรับประทานอาหารว่าง

• 14:45 - 16:30 น. | Workshop: Scikit-learn

  • รายละเอียด: ฝึกปฏิบัติการสร้างโมเดลจัดกลุ่มข้อมูลด้วย Scikit-learn

วันที่ 2: Hackathon & Pitching | สถานที่: สาขาวิชา อาคาร SC3

• 09:00 - 10:30 น. | Hackathon Start: Taxonomy Engine

  • รายละเอียด: เริ่มต้นเขียนโค้ดส่วนจัดกลุ่มทักษะ (Skill Clustering)

• 10:30 - 10:45 น. | Coffee Break

  • รายละเอียด: พักรับประทานอาหารว่าง

• 10:45 - 12:00 น. | Hackathon Continue: Logic Dev

  • รายละเอียด: พัฒนา Logic ตรวจสอบ Prerequisite และเชื่อมต่อ API

• 12:00 - 13:00 น. | Lunch Break

  • รายละเอียด: พักรับประทานอาหารกลางวัน

• 13:00 - 15:00 น. | Integration & Testing

  • รายละเอียด: เชื่อมต่อระบบกับฐานข้อมูลจำลองและทดสอบความถูกต้อง

• 15:00 - 16:30 น. | Final Pitching & Closing

  • รายละเอียด: นำเสนอผลงานกลุ่ม (Pitching) รับฟัง Feedback และปิดโครงการ