การจำแนกกรณีการจัดซื้อและการจัดจ้างโดยใช้การเรียนรู้ของเครื่อง: กรณีศึกษา หน่วยพัสดุ คณะพาณิชยศาสตร์และการบัญชี มหาวิทยาลัยธรรมศาสตร์
Keywords:
การเรียนรู้ของเครื่อง, การจำแนกการจัดซื้อจัดจ้าง, ออเรนจ์ดาต้าไมนิง, วิจัยจากงานประจำAbstract
งานวิจัยจากงานประจำนี้มีวัตถุประสงค์เพื่อ 1) สร้างต้นแบบปัญญาประดิษฐ์สำหรับจำแนกประเภทการดำเนินการตามระเบียบพัสดุระหว่าง “การจัดซื้อ” และ “การจัดจ้าง” โดยใช้เทคนิคการเรียนรู้ของเครื่องและ 2) ทดลองและทดสอบหาต้นแบบที่มีประสิทธิภาพและความเหมาะสมสูงสุดในการใช้งานจริงสำหรับคณะพาณิชยศาสตร์และการบัญชี มหาวิทยาลัยธรรมศาสตร์ ภายใต้หลักอธิปไตยทางด้านปัญญาประดิษฐ์ ระเบียบวิธีวิจัยทำการเปรียบเทียบวิธีการเตรียมข้อมูลข้อความภาษาไทย 2 รูปแบบ ได้แก่ Document Embedding (ต้นแบบที่ 1) และ Bag of Words (ต้นแบบที่ 2) ร่วมกับการฝึกฝนสถาปัตยกรรมตัวแบบจำแนก 2 ประเภท คือ Logistic Regression และ Neural Network โดยทำการฝึกฝนบนชุดข้อมูลรายการจัดซื้อจัดจ้างจำนวน 577 รายการ และนำไปทดสอบประสิทธิภาพการใช้งานจริงกับชุดข้อมูลการจัดซื้อจัดจ้างเดือนสิงหาคม พ.ศ. 2567 จำนวน 37 รายการ จากการวิจัยได้สร้างต้นแบบทางด้านปัญญาประดิษฐ์ สำหรับการจำแนกการจัดซื้อและการจัดจ้าง โดยต้นแบบที่มีประสิทธิภาพสูงสุดและเหมาะสมกับการนำไปใช้งานจริง คือต้นแบบที่ 1 (เตรียมข้อมูลด้วยวิธี Document Embedding และฝึกฝนด้วยวิธี Neural Network) และต้นแบบที่ 2 (เตรียมข้อมูลด้วยวิธี Bag of Words และฝึกฝนด้วยวิธี Neural Network) ซึ่งต้นแบบทั้งคู่ ได้ค่า F-1 Score สูงสุดที่ 0.973
Downloads
References
Abecassis, A., Bengio, Y., Miailhe, N., et al. (2025). A blueprint for multinational advanced AI development. UK: Oxford Martin AI Governance Initiative.
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
Demšar, J., Curk, T., Erjavec, A., Gorup, Č., Hočevar, T., Milutinovič, M., Možina, M., Polajnar, M., Toplak, M., Starič, A., Štajdohar, M., Umek, L., Žagar, L., Žbontar, J., Žitnik, M., & Zupan, B. (2013). Orange: Data mining toolbox in Python. Journal of Machine Learning Research, 14(71), 2349-2353.
Feldman, R., & Sanger, J. (2007). The text mining handbook: Advanced approaches in analyzing unstructured data. New York: Cambridge University Press.
Floridi, L. (2020). The fight for digital sovereignty: What it is, and why it matters, especially for the EU. Philosophy & Technology, 33, 369-378. https://doi.org/10.1007/s13347-020-00423-6
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. London: MIT Press.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.
Haykin, S. (2009). Neural networks and learning machines (3rd ed.). Pearson.
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). Hoboken: John Wiley & Sons.
Le, Q. V., & Mikolov, T. (2014). Distributed representations of sentences and documents (pp. 1188-1196). In Proceedings of the 31st International Conference on Machine Learning. PMLR.
Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. New York: Cambridge University Press.
Mitchell, T. M. (1997). Machine learning. Boston: McGraw-Hill.
Russell, S., & Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Pearson.
