แผนการดำเนินงาน ระยะที่ 3: TaijiFlow AI (Core AI & XAI)
เป้าหมาย: พัฒนาระบบปัญญาประดิษฐ์เชิงลึกฝั่งไคลเอนต์แบบโลคอลสมบูรณ์ (Client-Side Edge-Native AI Architecture) ที่สามารถจำแนกประเภทการเคลื่อนไหว และประเมินคุณภาพเชิงจลนศาสตร์ท่าม้วนไหม (Silk Reeling) 12 ท่า ของมวยไทเก๊กสกุลเฉิน (Chen-style Taijiquan) ในระดับดุษฎีนิพนธ์ โดยประยุกต์ใช้โมเดลโครงข่ายประสาทกราฟ (ST-GCN) ร่วมกับ Transformer ที่ผ่านการบีบอัด (Pruning & Quantization) รันบนเบราว์เซอร์ผ่าน WebGPU ร่วมกับตรรกะประเมินเชิงสัญลักษณ์ (Neuro-Symbolic XAI) และการให้ผลป้อนกลับเชิงการสอน (Pedagogical Feedback) แก่ผู้ฝึกซ้อมได้อย่างเป็นรูปธรรม
Tech Stack หลักฝั่ง AI:
- Edge Layer (Client-side 100%): HTML5/JS + ONNX Runtime Web (WebGPU / Wasm Fallback) + MediaPipe Pose (33 Landmarks) สำหรับรันทั้ง Real-time Heuristics 12 ข้อ และ Sequence AQA Model ภายในบราวเซอร์แบบ Zero-Server
- AI Model Architecture: Optimized Spatial-Temporal Graph Convolutional Networks (ST-GCN) + Temporal Transformer (Self-Attention)
- Explainable AI (XAI) & Feedback: Neuro-Symbolic Interpreter (ดึง Attention weights ร่วมกับ Heuristic Rules 12 ข้อ) + Offline Template-based NLP Feedback
- Cloud Storage Layer: Supabase Database & Auth (เก็บบันทึกเฉพาะพิกัดตัวเลขนิรนาม ไม่มีการส่งภาพวิดีโอหรือรัน GPU บนคลาวด์)
Sprint 1: Data Preprocessing & Annotation Pipeline (สัปดาห์ที่ 1 - 4)
เป้าหมาย: จัดเตรียม ทำความสะอาด และสเกลข้อมูลดิบจากเซสชันของผู้เข้าร่วมวิจัย ให้สม่ำเสมอและพร้อมสำหรับสอนโมเดลเชิงลึก
รายการงาน (Tasks):
1.1 Statistical Validation of Ground Truth:
- รวบรวมคะแนนประเมินคุณภาพ (Biomechanical Quality Score) จากผู้เชี่ยวชาญ 3 ท่านในฐานข้อมูล Supabase
- คำนวณค่า Intraclass Correlation Coefficient (ICC) สำหรับคะแนนตัวเลข และ Fleiss' Kappa สำหรับการติดฉลากจุดผิดพลาดเชิงสัญลักษณ์
- คัดกรองข้อมูลเซสชันที่มีระดับความสอดคล้องของผู้ประเมินต่ำกว่า 0.80 ออกจาก Dataset หลัก
1.2 Data Normalization & Resampling Pipeline:
- เขียนสคริปต์ Python ในการแปลงไฟล์พิกัด JSON 33 จุดของ MediaPipe:
- T-Pose Scaling (Scale Invariance): คำนวณความยาวกระดูกช่วงไหล่และกระดูกสันหลังในเฟรมสอบเทียบเพื่อสเกลพิกัดร่างกายให้เป็นขนาดอ้างอิงสากล ป้องกันอคติจากขนาดสรีระส่วนบุคคล
- Temporal Resampling (Frame Rate Invariance): ทำระบบกรอง Interpolation (Linear/Cubic Spline) เพื่อเกลี่ยและจัดระเบียบข้อมูลที่มีเฟรมเรตไม่สม่ำเสมอให้อยู่ที่มาตรฐานเดียวกัน (เช่น 15 FPS คงที่)
1.3 Auto-Segmentation & Windowing:
- พัฒนาสคริปต์ Python สำหรับทำ Auto-Segmentation: หั่นข้อมูลบันทึกเดี่ยว (Per-pose) ขนาด 1-3 นาทีออกเป็นหน้าต่างย่อย (Temporal Windows) ขนาด 1.5 - 2.0 วินาที เพื่อสร้าง Dataset สำหรับโมเดลจำแนกท่ารำ
✅ สิ่งที่ส่งมอบ (Deliverables): ชุดข้อมูลมาตรฐานที่ผ่านการจัดสเกลและสแกนความเที่ยงตรงทางสถิติเรียบร้อย (Standardized NumPy Train/Val datasets)
Sprint 2: Real-time Edge Action Classifier (สัปดาห์ที่ 5 - 8)
เป้าหมาย: ฝึกสอนและติดตั้งโมเดลจดจำท่ารำระดับวินาทีบนเบราว์เซอร์ เพื่อระบุท่าแบบอัตโนมัติ (Zero-configuration Practice)
รายการงาน (Tasks):
2.1 Lightweight Model Training (PyTorch):
- พัฒนาและฝึกอบรมแบบจำลองจดจำประเภทการเคลื่อนไหวขนาดเล็ก (เช่น Lightweight ST-GCN หรือ MLP ที่รับสัญญาณพิกัดมือและแกนหลัก) เพื่อจดจำท่าม้วนไหม 12 ท่ารำ
- ทำการคัดกรองสัญญาณและทำ Sliding Window Inference ในการป้อนข้อมูล
2.2 Model Quantization & Export:
- ใช้เทคนิค Post-training Quantization บีบอัดขนาดของโมเดล AI ให้มีขนาดต่ำกว่า 1 MB
- แปลงและส่งออกโมเดลไปอยู่ในฟอร์แมต ONNX Web/TensorFlow.js เพื่อให้สามารถประมวลผลบนเบราว์เซอร์ฝั่งไคลเอนต์ได้อย่างไร้ความหน่วง
2.3 Frontend Client Integration:
- ปรับปรุงหน้าจอฝึกซ้อมของเว็บแอปพลิเคชันให้รันโมเดลจำแนกประเภทท่าทางแบบ Asynchronous ทุก ๆ 0.5 วินาที
- ออกแบบตรรกะให้ระบบดึงผลทำนายและสลับไปดึงกฎ Heuristics (12 กฎ) ที่ตรงกับท่านั้นมาเปิดใช้งานโดยอัตโนมัติ
✅ สิ่งที่ส่งมอบ (Deliverables): โมเดล ONNX ประจำตัวแอปพลิเคชันที่สามารถสแกนและเปลี่ยนท่าประเมินผลได้ทันทีโดยไม่ต้องคลิกเลือกทางหน้าจอ
Sprint 3: Client-Side WebGPU Sequence Evaluator (สัปดาห์ที่ 9 - 12)
เป้าหมาย: พัฒนาระบบประเมินคุณภาพลำดับท่ารำเชิงจลนศาสตร์ตลอดเซสชัน (Sequence-based AQA) รันภายในเบราว์เซอร์ผ่าน WebGPU แบบ 100% Local AI (Zero-Server)
รายการงาน (Tasks):
3.1 Deep Biomechanical Model Training (ST-GCN + Transformer):
- พัฒนาโมเดลในระดับ PyTorch ประกอบด้วย:
- ST-GCN Encoder: เรียนรู้ความสัมพันธ์เชิงชีวกลศาสตร์ตามข้อต่อ (Nodes) และกระดูก (Edges) ของผู้รำ
- Transformer Decoder: เรียนรู้การไหลเวียนของแรงในมิติเวลา (Kinematic Chain) และความสมบูรณ์ของท่วงท่าตลอดเซสชัน
- ฝึกสอนโมเดลโดยให้ทำนายผลคะแนนที่ใกล้เคียงกับเกณฑ์ให้คะแนนของผู้เชี่ยวชาญ (Regression Model)
3.2 Model Graph Pruning & Quantization for WebGPU:
- นำโมเดล ST-GCN + Transformer มาทำ Structural Graph Pruning และ INT8/FP16 Quantization เพื่อลดขนาดโมเดลให้เหลือไม่เกิน 5-10 MB
- ส่งออกโมเดลเป็น ONNX และโหลดประมวลผลผ่าน ONNX Runtime Web (ORT-Web) โดยใช้ WebGPU API Execution Provider (พร้อม Wasm CPU Fallback)
3.3 Kinematic Chain / Phase Shift Algorithm:
- พัฒนาอัลกอริทึมวัดความหน่วงของแรงหน่วงมุมข้อต่อ (Angular Phase Delay) ตรวจจับความหน่วงช่วงเสี้ยววินาทีระหว่างการเคลื่อนไหวแกนล่าง (เอว/สะโพก) และแกนบน (มือ/ไหล่) เพื่อประเมินกฎการส่งแรงจากศูนย์กลางร่างกาย (Waist leads the movement) บนเบราว์เซอร์
✅ สิ่งที่ส่งมอบ (Deliverables): โมเดล ONNX Deep Learning ประจำแอปพลิเคชันที่รันประเมินผลจลนศาสตร์ได้สะดวกรวดเร็วบนเครื่องผู้ใช้ โดยไม่ต้องพึ่งพาเซิร์ฟเวอร์คลาวด์และไม่มีความเสี่ยงด้านความเป็นส่วนตัว
Sprint 4: Neuro-Symbolic XAI & Feedback Report (สัปดาห์ที่ 13 - 16)
เป้าหมาย: บูรณาการระบบคำอธิบายปัญญาประดิษฐ์ และจัดทำหน้าจอแสดงผลรายงานเชิงการสอนแก่นแท้มวย
รายการงาน (Tasks):
4.1 Attention Weight Extraction:
- เขียนกลไกการสกัดค่าน้ำหนักความใส่ใจ (Self-Attention Weights) จากโมเดล Transformer เพื่อบอกว่าระบบกำลังเพ่งเล็งที่เวลาช่วงใด หรือข้อต่อจุดใดเป็นหลักในการตัดสินว่ารำผิดพลาด
4.2 Neuro-Symbolic Interpreter Implementation:
- พัฒนาตัวเชื่อมโยงทางตรรกะ: นำค่าน้ำหนักความสนใจที่สูงในเชิงคณิตศาสตร์ (Attention Peak) ไปกรองผ่าน Heuristic Rules เชิงสัญลักษณ์ เพื่อยืนยันว่าตรงกับจุดข้อบกพร่องตามนิยามมวยหรือไม่ (เช่น ตรวจจับพิกัดความต่างระดับไหล่-สะโพก หรือความสูงศอก) เพื่อแก้ปัญหาช่องว่างการตีความ (Semantic Gap)
4.3 Pedagogical Natural Language Feedback (Offline Template-based):
- ออกแบบระบบสร้างคำอธิบายคำเตือนเป็นคำพูดธรรมชาติ (Natural Language Template generator) แบบออฟไลน์ เพื่อบอกเหตุผล เช่น "คุณทำคะแนนท่านี้ได้น้อยเนื่องจากข้อศอกของคุณลอยสูงเกินไปในวินาทีที่ 12-15 ส่งผลให้เสียแรงจากกระดูกสันหลัง"
4.4 XAI Visual Heatmap & Report UI:
- พัฒนาหน้าจอรายงานสรุปผลการรำเชิงลึกหลังจบการรำ (Post-Session Dashboard):
- แสดงกราฟเส้นจลนศาสตร์การเคลื่อนไหว
- วาดเส้นโครงกระดูกแสดงจุดสีแดง-เขียวบนตัวผู้ฝึก (Heatmap) ตามค่าน้ำหนัก Attention เพื่อชี้ตำแหน่งบกพร่องเชิงกายวิภาค
✅ สิ่งที่ส่งมอบ (Deliverables): หน้าต่างรายงานผลสรุปพร้อมคำอธิบายแบบ XAI ที่เข้าใจง่ายและสอดคล้องกับตำรามวยโบราณ
Sprint 5: System Optimization, User Evaluation & Academic Writing (สัปดาห์ที่ 17 - 20)
เป้าหมาย: ตรวจวัดประสิทธิภาพระบบ จัดการทดลอง RCT 8 สัปดาห์ ยื่นทรัพย์สินทางปัญญา และตีพิมพ์ผลงานวิจัย
รายการงาน (Tasks):
5.1 Performance Optimization & Latency Testing:
- ตรวจสอบ Latency ของระบบจำแนกบน Edge Browser ให้ได้ความหน่วงต่ำกว่า 100ms
- จัดการทำ Ablation Studies เพื่อพิสูจน์บทบาทของแต่ละองค์ประกอบในระบบ (Heuristics-only vs Hybrid AI)
5.2 User Evaluation Study (8-Week RCT Trial):
- ดำเนินการทดลอง RCT 8 สัปดาห์ร่วมกับอาสาสมัครผู้สูงอายุและผู้ฝึกซ้อมจริง (32+ คน)
- วัดผลคะแนนความพึงพอใจการใช้ระบบผ่านแบบสอบถามมาตรฐาน System Usability Scale (SUS) และวัดประสิทธิผลการทรงตัวด้วย One-leg Balance Test
5.3 IP Filing & 6-Output Portfolio Execution:
- ยื่นจดสิทธิบัตร/อนุสิทธิบัตร 2 เรื่องผ่าน TLO มหาวิทยาลัยเชียงใหม่เพื่อรับ Filing Number (ตาม Patent-First Rule)
- ขอรับหนังสือรับรองผลงานนวัตกรรม (TRL 7) จากหน่วยงานผู้ใช้งานจริง
- ส่งบทความวิชาการลงวารสารนานาชาติ Scopus/WoS (2 เรื่อง) และงานประชุมวิชาการนานาชาติ (1 เรื่อง)
5.4 PhD Dissertation Compilation:
- รวบรวมสถิติและผลการประเมินเพื่อประกอบร่างเป็นเล่มดุษฎีนิพนธ์ 5 บทฉบับสมบูรณ์
✅ สิ่งที่ส่งมอบ (Deliverables): เล่มดุษฎีนิพนธ์ฉบับสมบูรณ์, เลขที่คำขอสิทธิบัตร 2 เรื่อง, หนังสือรับรองนวัตกรรม TRL 7, บทความวิจัย 3 ชิ้น และพร้อมสอบปกป้องดุษฎีนิพนธ์อย่างสมบูรณ์แบบ 🎓