สถาปัตยกรรมและกระบวนการฝึกสอนโมเดลปัญญาประดิษฐ์ (AI Model Training & Pipeline Guide)

โครงการ TaijiFlow AI - ดุษฎีนิพนธ์และระบบ DeepTech (Phase 3)

---

1. บทนำและภาพรวมเชิงสถาปัตยกรรม (Architectural Overview)

การพัฒนาโมเดล AI ในโครงการ TaijiFlow AI แบ่งออกเป็น 2 สภาพแวดล้อมหลัก (Two-Tier Ecosystem) ที่ทำงานสอดประสานกันอย่างเป็นระบบ:

┌─────────────────────────────────────────────────────────────────────────┐
│              1. ฝั่งการวิจัยและฝึกสอนโมเดล (Offline Training & R&D)        │
│                 [Python + PyTorch + ST-GCN + FastAPI]                   │
├─────────────────────────────────────────────────────────────────────────┤
│ • สกัดและทำความสะอาดชุดข้อมูลพิกัด 33 Landmarks จาก Supabase             │
│ • สร้าง Spatial-Temporal Graph และทำ Data Augmentation                  │
│ • ฝึกสอนโมเดล ST-GCN + Transformer ด้วย PyTorch (Loss & Attention)      │
│ • ตรวจสอบความถูกต้องเปรียบเทียบกับเกณฑ์อาจารย์ผู้เชี่ยวชาญ (Expert Benchmark)│
│ • แปลงและบีบอัดโมเดล: PyTorch (.pt) ➡️ ONNX (.onnx) ➡️ INT8/FP16 Quantize│
└────────────────────────────────────┬────────────────────────────────────┘
                                     │ Export .onnx (8-12 MB)
                                     ▼
┌─────────────────────────────────────────────────────────────────────────┐
│              2. ฝั่งการให้บริการจริง (Production Client-Side Edge AI)      │
│                 [Vanilla JS + WebGPU + ONNX Runtime Web]                │
├─────────────────────────────────────────────────────────────────────────┤
│ • เบราว์เซอร์ดาวน์โหลดไฟล์โมเดล .onnx ครั้งเดียว (เก็บใน Cache/IndexedDB)  │
│ • ประมวลผลและอนุมานผลลัพธ์ (Inference) 100% บนเครื่องผู้ใช้ (Local GPU)    │
│ • 0 บาท ค่าเซิร์ฟเวอร์คลาวด์ GPU (Zero-Server Cost)                     │
│ • ปกป้องข้อมูลชีวมิติส่วนบุคคลสูงสุด 100% ตามมาตรฐานจริยธรรมวิจัย (IRB)   │
└─────────────────────────────────────────────────────────────────────────┘

---

2. เครื่องมือและเทคโนโลยีที่จำเป็นต้องใช้ (Technology Stack)

2.1 สภาพแวดล้อมฝั่งวิจัยและฝึกสอน (Model Training Environment)

หมวดหมู่	เทคโนโลยี / ไลบรารี	บทบาทและหน้าที่ในโครงการ
ภาษาหลัก	Python 3.10+	ภาษามาตรฐานสำหรับการวิจัย Data Science และ Deep Learning
Deep Learning Framework	PyTorch / PyTorch Lightning	พัฒนาโครงสร้างโครงข่ายประสาทเทียมและกระบวนการ Optimization
Graph Neural Network	PyTorch Geometric (PyG)	สร้างและคำนวณกราฟชีวกลศาสตร์ (Spatial-Temporal Graph) ของข้อต่อ 33 จุด
Model Optimization	ONNX & ONNX Runtime Tools	แปลงโมเดล PyTorch เป็น ONNX และทำ Graph Optimization / Quantization
Data Processing	NumPy, Pandas, SciPy	จัดการพิกัดทางคณิตศาสตร์, Normalization, คำนวณมุมจลนศาสตร์ และ DTW
API & Workbench	FastAPI + Uvicorn	สร้าง Backend API สำหรับ Dashboard วิเคราะห์ผลการทดลอง, ตรวจสอบ Dataset และรัน Batch Benchmark
Tracking & Logging	Weights & Biases (W&B) / TensorBoard	บันทึกกราฟ Loss, Accuracy, F1-Score และ Attention Heatmaps

---

3. ขั้นตอนการทำงานของการเทรนโมเดล (End-to-End Training Pipeline)

ขั้นที่ 1: การเตรียมข้อมูลและการทำให้เป็นบรรทัดฐาน (Preprocessing & Normalization)

1. Coordinate Centering: ปรับจุดกึ่งกลางสะโพก (Mid-Hip) ให้เป็นจุดกำเนิด $(0,0,0)$
2. Body Scale Normalization: ปรับสเกลระยะแขน-ขาด้วย Body Scale Factor เฉพาะบุคคล เพื่อลดผลกระทบจากความแตกต่างของสรีระ (Anthropometry)
3. Temporal Resampling: ใช้ Linear Interpolation (Lerp) เพื่อปรับอัตราเฟรมเรตให้เป็นมาตรฐานสม่ำเสมอ (Standard Frame Length $T=150$ เฟรมต่อกระบวนท่า)

ขั้นที่ 2: โครงสร้างโมเดล Spatial-Temporal Graph Convolutional Network (ST-GCN)

• โครงสร้างของร่างกายมนุษย์ 33 Landmarks ถูกแทนด้วยกราฟ $G=(V,E)$ โดยที่:
  • $V$: จุดข้อต่อ (Joints) 33 จุด
  • $E$: เส้นเชื่อมกระดูกตามกายวิภาค (Skeletal Bones) และเส้นเชื่อมข้ามเวลา (Temporal Edges) ระหว่างเฟรม $t$ และ $t+1$
• Layer Composition:
  1. Spatial GCN Layers: สกัดความสัมพันธ์ของข้อต่อในมิติพื้นที่ (เช่น การเคลื่อนไหวของเอวสัมพันธ์กับข้อมือ)
  2. Temporal Convolution Layers: สกัดความเร็วและความเร่งในมิติเวลา (Dynamics & Rhythm)
  3. Multi-Head Self-Attention: สกัดน้ำหนักความสำคัญ (Attention Weights) เพื่อชี้ชัดว่าเฟรมใดและข้อต่อใดที่ผู้ฝึกทำผิดพลาด (Explainable AI)

ขั้นที่ 3: การแปลงเป็น ONNX และการบีบอัด (Export & Quantization)

1. ส่งออกโมเดลด้วย torch.onnx.export() ในรูปแบบ Dynamic Batch Size
2. ทำการ Quantize โมเดลจาก FP32 เป็น FP16 หรือ INT8
3. ผลลัพธ์: ขนาดไฟล์โมเดลลดลงเหลือ 8–12 MB ซึ่งโหลดผ่านเบราว์เซอร์ได้ภายในเวลาไม่เกิน 1-2 วินาที

---

4. บทบาทของ FastAPI ในระบบงานวิจัย

ในการวิจัยระดับดุษฎีนิพนธ์ FastAPI จะถูกนำมาใช้ในบทบาท "Research & Evaluation Workbench" ดังนี้:

1. Dataset Quality Inspection API: ให้บริการ API สำหรับตรวจสอบความสมบูรณ์ของข้อมูลที่อาสาสมัครอัปโหลดขึ้นมา (Data Integrity Validator)
2. Automated Batch Benchmark: คำนวณค่าสถิติความแม่นยำ, ค่าความสอดคล้อง Cohen's Kappa ($\kappa$), และสร้างตารางเปรียบเทียบผลการวิจัยสำหรับตีพิมพ์ในวารสารวิชาการ Scopus Q1/Q2
3. Ablation Study Controller: ควบคุมการทดสอบประสิทธิภาพเปรียบเทียบระหว่างสถาปัตยกรรมต่างๆ (เช่น ST-GCN เดี่ยวๆ เทียบกับ ST-GCN + Transformer)

---

5. สรุปเหตุผลเชิงยุทธศาสตร์ (Strategic Summary)

หัวข้อ	การตัดสินใจทางวิศวกรรม	เหตุผลประกอบ
การเทรน AI	ใช้ Python + PyTorch + PyG	เป็นมาตรฐานสูงสุดของวงการวิจัยด้าน Computer Vision และ GNN
การทดสอบ/วิเคราะห์	ใช้ FastAPI	รวดเร็ว เป็น Asynchronous และเชื่อมต่อกับ Python Data Science ได้อย่างไร้รอยต่อ
การใช้งานจริง (App)	ใช้ Vanilla JS + WebGPU (ONNX Runtime)	ได้ความเร็ว 60 FPS ไร้ต้นทุนคลาวด์ GPU และถูกต้องตามหลักจริยธรรมข้อมูลส่วนบุคคล (IRB)