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
เพื่อให้นักศึกษาและผู้เข้าร่วมโครงการมีทักษะพื้นฐานที่จำเป็นในการใช้งานฐานข้อมูลกราฟ (Graph Database) และการค้นหาแบบเวกเตอร์
(Vector Search) ภายในระยะเวลาสั้น
เพื่อพัฒนาระบบต้นแบบ (Prototype) ของ Matching System ที่สามารถทดสอบการจับคู่และให้คะแนน (Scoring) เบื้องต้นได้
เพื่อสร้างความเข้าใจในโมเดลความสัมพันธ์เชื่อมโยงข้อมูล Students, Skills และ Projects สำหรับนำไปต่อยอด
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
ระยะเวลา: 2 วัน (เดือนมีนาคม 2569)
สถานที่: สาขาวิชา อาคาร SC3
ผู้เข้าอบรมสามารถสร้าง Knowledge Graph เบื้องต้นเพื่อแสดงความสัมพันธ์ของข้อมูลได้
ได้ Prototype ของ Code ชุดคำสั่งสำหรับการทำ Vector Matching และการให้คะแนนความเหมาะสม
นักศึกษามีความเข้าใจที่ถูกต้องเกี่ยวกับการนำ AI มาใช้แก้ปัญหาการจับคู่งาน (Job Matching)
ผู้เรียนสามารถอธิบายหลักการทำงานของ Graph Database และ Vector Search ได้อย่างถูกต้อง
ผู้เรียนสามารถใช้งานเครื่องมือ Neo4j และ Library ที่เกี่ยวข้องเพื่อสร้างระบบ Matching อย่างง่ายได้
ผู้เรียนสามารถวิเคราะห์ผลลัพธ์จากการจับคู่ (Matching Results) และปรับปรุงค่าพารามิเตอร์เบื้องต้นได้
วันที่ 1: Graph Database Foundation & Knowledge Graph Construction
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
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
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)
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