การจำแนกวัสดุและครุภัณฑ์โดยการเรียนรู้ของเครื่อง: กรณีศึกษา หน่วยพัสดุ คณะพาณิชยศาสตร์และการบัญชี มหาวิทยาลัยธรรมศาสตร์
Keywords:
การเรียนรู้ของเครื่อง, การจำแนกประเภทพัสดุ, วัสดุและครุภัณฑ์, ออเรนจ์ดาต้าไมนิง, วิจัยจากงานประจำ (R2R)Abstract
การวิจัยจากงานประจำนี้มีวัตถุประสงค์เพื่อสร้างต้นแบบปัญญาประดิษฐ์ด้วยวิธีการเรียนรู้ของเครื่อง เพื่อจำแนกวัสดุและครุภัณฑ์ตามหลักมาตรฐานของสำนักงบประมาณ โดยใช้ซอฟต์แวร์ออเรนจ์ดาต้าไมนิงเป็นเครื่องมือ โดยกำหนดข้อมูลสำหรับการเรียนรู้ของเครื่องซึ่งฝึกฝนจากข้อมูลตัวอย่างด้วยวิธี Logistic Regression และวิธี Neural Network และนำต้นแบบที่ฝึกฝนได้มาใช้จำแนกประเภทของวัสดุและครุภัณฑ์สำหรับงานจัดซื้อของคณะฯ ที่เกิดขึ้นในปีประเมินผลการปฏิบัติงาน 2567 จำนวน 204 รายการ ต้นแบบที่ 1 ฝึกฝนจากข้อมูลตัวอย่าง 171 รายการ ผลทดสอบกับข้อมูลจริงพบว่า Logistic Regression ได้ค่า F-1 Score 0.818 และ Neural Network ได้ค่า 0.814 ต้นแบบที่ 2 ฝึกฝนจากข้อมูลตัวอย่างเพิ่มเติมอีก 652 รายการ รวมเป็น 823 รายการ ผลทดสอบกับข้อมูลจริงพบว่า Logistic Regression ได้ค่า F-1 Score 0.886 และ Neural Network ได้ค่า 0.881 ซึ่งแสดงให้เห็นว่า การเพิ่มจำนวนข้อมูลตัวอย่างส่งผลให้ประสิทธิภาพของต้นแบบเพิ่มขึ้น โดย Logistic Regression มีค่า F-1 Score เพิ่มขึ้น 6.80% และ Neural Network เพิ่มขึ้น 7.30% จากการทดลองสรุปได้ว่า สามารถสร้างต้นแบบสำหรับจำแนกวัสดุและครุภัณฑ์โดยใช้วิธีการเรียนรู้ของเครื่องในการจัดซื้อของคณะฯ ได้จริง และต้นแบบการจำแนกที่เหมาะสมและมีประสิทธิภาพสูงสุด คือ วิธี Logistic Regression ซึ่งมีค่า F-1 Score ใกล้เคียงกับวิธี Neural Network และในอนาคตมีแนวทางการพัฒนาประสิทธิภาพของต้นแบบต่อไปได้ โดยการนำข้อมูลการจัดซื้อจัดจ้างที่เกิดขึ้นมาใช้ในการฝึกฝนต้นแบบเพื่อเพิ่มประสิทธิภาพของต้นแบบ
Downloads
References
สำนักงบประมาณ. (2559, 6 มกราคม). หนังสือเวียนสำนักงบประมาณ ที่ นร 0704/ว 37 เรื่อง แนวทางการพิจารณาสิ่งของ
ที่จัดเป็นวัสดุและครุภัณฑ์ตามหลักการจำแนกประเภทรายจ่ายตามงบประมาณ. กรุงเทพฯ: สำนักงบประมาณ
Abecassis, A., Bengio, Y., Miailhe, N., et al. (2025). A blueprint for multinational advanced AI development.
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. England: 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. USA: MIT Press.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference,
and prediction (2nd ed.). New York: 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.). USA: 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. China: PMLR.
Mitchell, T. M. (1997). Machine learning. UK: McGraw-Hill.
Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). UK: Pearson.
