Matching Agent (MA)

รายละเอียดหลักสูตรการอบรมเชิงปฏิบัติการพัฒนา 

"Matching Agent (MA): ระบบสมองกลจับคู่อัจฉริยะ"

(Matching Agent: Intelligent Matching System Workshop)

1. หลักการและเหตุผล (Principles and Rationale)

ในปัจจุบัน การดำเนินงานภายใต้โครงการ Agentic Living Lab มีหัวใจสำคัญคือการเชื่อมโยงนักศึกษาที่มีศักยภาพให้เข้ากับโจทย์ปัญหาจริงจากภาคอุตสาหกรรม (Real-world Projects) อย่างไรก็ตาม กระบวนการจับคู่แบบดั้งเดิมที่อาศัยเพียงคำสำคัญ (Keyword Matching) นั้นไม่เพียงพอต่อความซับซ้อนของทักษะและเนื้องาน ส่งผลให้เกิดความคลาดเคลื่อนในการจัดทีมและการใช้ทรัพยากรบุคคลที่ไม่เต็มประสิทธิภาพ ปัญหานี้เป็นคอขวดสำคัญที่ชะลอความสำเร็จของโครงการนวัตกรรม

เพื่อแก้ไขปัญหาดังกล่าว โครงการย่อยที่ 3 "Matching Agent (MA)" จึงถูกริเริ่มขึ้นเพื่อสร้าง "สมอง" ของระบบนิเวศ โดยนำเทคโนโลยีขั้นสูงอย่าง Knowledge Graph (กราฟความรู้) และ Vector Similarity (การวัดความเหมือนของเวกเตอร์) มาใช้ เทคโนโลยีเหล่านี้จะช่วยค้นหาความสัมพันธ์ที่ซับซ้อนระหว่างทักษะและเนื้องาน และทำการจัดลำดับความเหมาะสม (Ranking) ได้อย่างแม่นยำและเป็นอัตนัย ซึ่งเป็นการยกระดับกระบวนการ Matching ให้เป็นระบบอัจฉริยะ

โครงการนี้สอดคล้องกับยุทธศาสตร์ขององค์กรในการพัฒนานวัตกรรมปัญญาประดิษฐ์เชิงตัวแทน (Agentic AI) โดยมุ่งเน้นการบูรณาการข้อมูลจากส่วนงานต่าง ๆ เช่น ข้อมูลนักศึกษาจากระบบ OA (Onboarding Agent) และข้อมูลทักษะจากระบบ CA (Curriculum Agent) เพื่อสร้างรากฐานที่แข็งแกร่งสำหรับการทำงานร่วมกันระหว่างมหาวิทยาลัยและภาคอุตสาหกรรมอย่างยั่งยืน

2. วัตถุประสงค์ (Objectives)

• เพื่อให้นักศึกษาและผู้เข้าร่วมโครงการมีทักษะพื้นฐานที่จำเป็นในการใช้งานฐานข้อมูลกราฟ (Graph Database) และการค้นหาแบบเวกเตอร์
  (Vector Search) ภายในระยะเวลาสั้น

• เพื่อพัฒนาระบบต้นแบบ (Prototype) ของ Matching System ที่สามารถทดสอบการจับคู่และให้คะแนน (Scoring) เบื้องต้นได้

• เพื่อสร้างความเข้าใจในโมเดลความสัมพันธ์เชื่อมโยงข้อมูล Students, Skills และ Projects สำหรับนำไปต่อยอด

3. วิธีการดำเนินงาน (Methodology)

• ระยะที่ 1: การเตรียมความพร้อม (Pre-Workshop Preparation)

• ผู้รับผิดชอบ: ทีมงานและผู้เข้าอบรม

• การดำเนินการ: แจ้งให้ผู้เข้าอบรมติดตั้งเครื่องมือที่จำเป็น และศึกษาเอกสารพื้นฐานล่วงหน้า

• ระยะที่ 2: การอบรมเชิงปฏิบัติการเข้มข้น (Intensive Workshop)

• ผู้รับผิดชอบ: วิทยากรผู้เชี่ยวชาญ

• การดำเนินการ: จัดอบรมแบบ On-site เน้นการลงมือทำ (Hands-on) ตั้งแต่การออกแบบ Data Schema ไปจนถึงการเขียนโค้ดเพื่อสร้าง Matching Logic

• ระยะที่ 3: การทดสอบและประเมินผล (Testing & Evaluation)

• ผู้รับผิดชอบ: คณะกรรมการโครงการ

• การดำเนินการ: นำเสนอผลลัพธ์จากการทดลองจับคู่ข้อมูลจริง (Use Case) และสรุปแนวทางการนำไปใช้งานจริง

4. สถานที่และระยะเวลาดำเนินการ (Location and Duration)

• ระยะเวลา: 2 วัน (เดือนมีนาคม 2569)

• สถานที่: สาขาวิชา อาคาร SC3

5. ผลที่คาดว่าจะได้รับ (Expected Results)

• ผู้เข้าอบรมสามารถสร้าง Knowledge Graph เบื้องต้นเพื่อแสดงความสัมพันธ์ของข้อมูลได้

• ได้ Prototype ของ Code ชุดคำสั่งสำหรับการทำ Vector Matching และการให้คะแนนความเหมาะสม

• นักศึกษามีความเข้าใจที่ถูกต้องเกี่ยวกับการนำ AI มาใช้แก้ปัญหาการจับคู่งาน (Job Matching)

6. ผลลัพธ์การเรียนรู้ (Course Learning Outcomes: CLO)

1. ผู้เรียนสามารถอธิบายหลักการทำงานของ Graph Database และ Vector Search ได้อย่างถูกต้อง

2. ผู้เรียนสามารถใช้งานเครื่องมือ Neo4j และ Library ที่เกี่ยวข้องเพื่อสร้างระบบ Matching อย่างง่ายได้

3. ผู้เรียนสามารถวิเคราะห์ผลลัพธ์จากการจับคู่ (Matching Results) และปรับปรุงค่าพารามิเตอร์เบื้องต้นได้

7. หัวข้อการอบรมและบรรยาย (Workshop and Lecture Topics)

• วันที่ 1: Graph Database Foundation & Knowledge Graph Construction

  • 1. • Introduction to Graph Theory & Neo4j

       • Cypher Query Language (CRUD Operations)

       • Designing Schema for Matching System (Students-Skills-Projects)

       • Hands-on: Building the "Agentic Living Lab" Graph

• วันที่ 2: Vector Search & Matching Logic Implementation

  • 1. • Concept of Vector Embeddings & Similarity Search

       • Implementing Cosine Similarity with Python

       • Hybrid Matching: Combining Graph Relations with Vector Scores

       • Mini-Project Presentation: Testing the Matching System

8. กำหนดการ (Schedule)

วันที่ 1 สถานที่: สาขาวิชา อาคาร SC3

• 09:00 - 12:00 น. | Lecture & Lab 

  • รายละเอียด: พื้นฐาน Graph Database และภาษา Cypher

• 13:00 - 16:00 น. | Workshop

  • รายละเอียด: การออกแบบและสร้าง Knowledge Graph (Nodes/Relationships)

• 16:00 - 17:00 น. | Assignment

  • รายละเอียด: โจทย์การบ้าน: นำเข้าข้อมูลจำลอง (Mock Data)

วันที่ 2 สถานที่: สาขาวิชา อาคาร SC3

• 09:00 - 12:00 น. | Lecture & Lab 

  • รายละเอียด: เทคนิค Vector Search และการใช้ Python เชื่อมต่อ Database

• 13:00 - 15:30 น. | Mini-Project

  • รายละเอียด: พัฒนาอัลกอริทึมจับคู่ (Matching Logic Implementation)

• 15:30 - 17:00 น. | Presentation

  • รายละเอียด: นำเสนอผลลัพธ์การจับคู่และสรุปปิดโครงการ