ระบบการเรียนรู้ความต้องการเพื่อสั่งซื้อสินค้าที่มีความเกี่ยวข้องกัน เพื่อรองรับระบบลูกค้าสัมพันธ์
คำสำคัญ:
แชทบอท, แบบจำลองภาษาขนาดใหญ่, การปรับแต่งแบบจำลอง, ระบบลูกค้าสัมพันธ์, การเพิ่มประสิทธิภาพด้วยการเรียกข้อมูลบทคัดย่อ
ธุรกิจกระจก และวัสดุก่อสร้างในปัจจุบันประสบปัญหาสำคัญในการเข้าใจความต้องการของลูกค้า ส่งผลให้การเพิ่มยอดขายขาดประสิทธิภาพ งานวิจัยนี้จึงพัฒนาระบบแชทบอทอัจฉริยะผ่านเว็บแอปพลิเคชันที่เชื่อมต่อกับแพลตฟอร์มไลน์ เพื่อเป็นสื่อกลางในการสื่อสาร บันทึกข้อมูลความต้องการ และแนะนำสินค้าให้ตรงกับความต้องการของลูกค้า โดยกลุ่มเป้าหมายหลักคือลูกค้ากลุ่มช่างที่ต้องการซื้อวัสดุอุปกรณ์ก่อสร้างสำหรับงานเฉพาะทาง ระบบแชทบอทนี้ใช้เทคโนโลยีแบบจำลองภาษาขนาดใหญ่ แอลแอลเอ็ม (Large Language Model) ที่ผ่านการปรับแต่ง (Fine-Tuning) ร่วมกับเทคนิคการเพิ่มประสิทธิภาพด้วยการเรียกข้อมูล (Retrieval Augmented Generation: RAG) เพื่อให้เหมาะสมกับข้อมูลความรู้และความสัมพันธ์ระหว่างสินค้า การวิจัยใช้ชุดข้อมูลทดสอบจำนวน 2,732 ชุด และประเมินประสิทธิภาพของแบบจำลองด้วยการเปรียบเทียบความแม่นยำระหว่าง Llama-3.1-8B ที่ผ่านการปรับแต่ง กับแบบจำลองแบบปิดอย่าง GPT-4o และ Claude 3.5 Sonnet
ผลการศึกษาพบว่า Llama-3.1-8B ที่ปรับแต่งแล้วให้ความแม่นยำสูงในการตรวจสอบสินค้า (79%) และการเชื่อมโยงสินค้ากับการใช้งาน (87%) ในขณะที่ GPT-4o มีประสิทธิภาพดีกว่าในด้านการแนะนำสินค้า (86%) นอกจากนี้ ผลการประเมินความพึงพอใจจากผู้ใช้งานยังพบว่า Llama-3.1-8B มีคะแนนความพึงพอใจโดยรวมสูงสุด (4.6 จาก 5.0) จึงได้รับการคัดเลือกเป็นแบบจำลองหลักในการพัฒนาระบบแชทบอทสำหรับการใช้งานจริง
References
Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., & Wang, H. (2023). Retrieval-augmented
generation for large language models: A survey. arXiv preprint arXiv:2312.10997.
https://doi.org/10.48550/arXiv.2312.10997
Gupta, A., Shirgaonkar, A., Balaguer, A. D. L., Silva, B., Holstein, D., Li, D., & Benara, V. (2024).
RAG vs Fine-tuning: Pipelines, Tradeoffs, and a Case Study on Agriculture.
arXiv preprint arXiv:2401.08406. https://doi.org/10.48550/arXiv.2401.08406
Li, Y., Chen, H., Wei, J., Huang, R., Gu, S., Zha, D., & Williams, A. (2023). Enhancing Enterprise
Customer Service with Large Language Models: A Case Study. In Proceedings of the
Conference on Empirical Methods in Natural Language Processing (pp. 952-964). Association for Computational Linguistics.
Minaee, S., Mikolov, T., Nikzad, N., Chenaghlu, M., Socher, R., Amatriain, X., & Gao, J. (2024).
Large language models: A survey. arXiv preprint. arXiv:2402.06196. https://doi.org/10.48550/arXiv.2402.06196
Neupane, S., Hossain, E., Keith, J., Tripathi, H., Ghiasi, F., Golilarz, N. A., Kaiser, J., Jiang, Y.,
Zhu, M., & Rahimi, S. (2024). From Questions to Insightful Answers: Building an
Informed Chatbot for University Resources. arXiv preprint arXiv:2405.08120. https://arxiv.org/abs/2405.08120
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., &
Polosukhin, I. (2017). Attention is all you need. arXiv preprint arXiv:1706.03762. https://doi.org/10.48550/arXiv.1706.03762
VM, K., Warrier, H., & Gupta, Y. (2024). Fine Tuning LLM for Enterprise: Practical Guidelines
and Recommendations. arXiv preprint arXiv:2404.10779. https://doi.org/10.48550/arXiv.2404.10779
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2025 คณะวิทยาการจัดการ มหาวิทยาลัยราชภัฏเทพสตรี
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
