Generative AI Chatbot Use Case

---

Generative AI Chatbot Use Case

แนวคิดการใช้ Python + Generative AI เชื่อมต่อกับ Tabular Data เพื่อสร้างระบบแชทบอทอัจฉริยะ

📌 Connect with me and follow our journey: Linkedin, Facebook

ในยุคที่ AI ถูกนำมาใช้หลากหลาย ผมเกิดไอเดียว่า ถ้าเราสามารถสร้าง Generative AI ที่พูดคุยกับลูกค้าเหมือนเซลส์จริง ๆ และยังสามารถเชื่อมต่อกับข้อมูลแบบตาราง เช่น รายการสินค้า หรือ stock inventory ได้ด้วย ก็น่าจะตอบโจทย์ธุรกิจหลายประเภท

ในบทความนี้ ผมขอแบ่งปันแนวคิด และตัวอย่างงาน Proof of Concept (POC) ที่ได้ทดลองพัฒนาด้วยตนเอง โดยใช้ Python และ GPT-4o จาก OpenAI เป็นแกนหลัก

1. เตรียมข้อมูลสำหรับ Chatbot

เนื่องจากเป็นการพัฒนา POC จึงเริ่มต้นด้วยการสร้างชุดข้อมูลจำลอง (mock data) โดยทีมได้ร่วมกันออกแบบโครงสร้างข้อมูลหลักที่จำเป็น ประกอบด้วย:

1. ข้อมูลสินค้า (Product Data)

• item_id: รหัสอ้างอิงสินค้า
• sku_id: รหัส Stock Keeping Unit
• name: ชื่อสินค้า
• description: คำอธิบายรายละเอียดสินค้า
• category: หมวดหมู่หลัก
• sub_category: หมวดหมู่ย่อย
• unit_price: ราคาต่อหน่วย
• lead_time_days: ระยะเวลาในการจัดส่ง (วัน)

2. ข้อมูลคลังสินค้า (Inventory Data)

• sku_id: รหัส Stock Keeping Unit
• at_store_id: รหัสคลังสินค้า
• quantity: จำนวนสินค้าทั้งหมด
• reserved: จำนวนที่ถูกจองไว้แล้ว
• available: จำนวนที่พร้อมจำหน่าย

2. ออกแบบ Flow การสนทนา (Conversation Flow)

การออกแบบ flow diagram เป็นองค์ประกอบสำคัญในการพัฒนา chatbot เนื่องจากเป็นตัวกำหนดโครงสร้างและแนวทางการพัฒนาระบบ โดยต้องพิจารณาประเด็นสำคัญต่างๆ เช่น:

• จะมี reception node เพื่อต้อนรับลูกค้าหรือไม่
• กรณีลูกค้าถามคำถามนอกขอบเขต จะให้ chatbot ตอบสนองอย่างไร
• จะแยกการจัดการระหว่างคำถามทั่วไปกับคำสั่งซื้อสินค้าอย่างไร

Figure: ตัวอย่าง Diagram แบบง่าย ๆ

3. การเขียน Code

การพัฒนา Generative AI Chatbot สามารถทำได้หลายแนวทางขึ้นอยู่กับความต้องการและทรัพยากรที่มี:

• แบบ Full Custom Flow: เขียน flow ทั้งหมดเอง แล้วเชื่อมต่อกับ Generative AI API
• แบบ Agent and Tool: ใช้แนวคิด agent-based approach โดย AI เป็น agent หลักและมี tools ต่างๆ ที่สามารถเรียกใช้ได้
• LangGraph Approach: ใช้ LangGraph หรือ framework อื่นๆ ที่ออกแบบมาเฉพาะสำหรับการสร้าง AI workflows
• Low-code Solutions: ใช้แพลตฟอร์ม low-code เช่น Make.com หรือ n8n เพื่อสร้าง workflow โดยไม่ต้องเขียนโค้ดมาก

ในตัวอย่างของเรา เลือกใช้วิธี Full Custom Flow ด้วย Python เพื่อให้มีความยืดหยุ่นสูงสุด เดียวจะลองแบบอื่นๆในภายหลัง

4. การทดสอบระบบ

หลังจากพัฒนา Chatbot เสร็จสิ้น ขั้นตอนสำคัญต่อไปคือการทดสอบประสิทธิภาพและความสามารถในการตอบสนองต่อสถานการณ์ต่างๆ โดยได้ออกแบบ test cases ที่ครอบคลุมสถานการณ์หลักๆ ดังนี้:

Test Case 1: ลูกค้าเริ่มจากการเกริ่น → Bot ต้องเข้าใจว่าเป็นการสอบถามทั่วไป

Test Case 2: ถามสินค้าทันที → ต้องให้รายละเอียดสินค้าได้ถูกต้อง

Test Case 3: สั่งซื้อพร้อมระบุจำนวน → ระบบต้องตรวจ stock และออกใบเสนอราคาได้เลย

Test Case 4: สั่งสินค้าแบบไม่บอกจำนวน → AI ต้องถามต่อเพื่อขอจำนวน

POC นี้พิสูจน์ให้เห็นว่า Generative AI + Tabular Data คือ combination ที่มีศักยภาพสูง หากวาง Flow ดีและใช้ LLM อย่างมีเป้าหมาย ก็สามารถพัฒนา chatbot ที่ตอบลูกค้าได้ “ทั้งเข้าใจคำพูด” และ “เข้าใจข้อมูลจริง” ไปพร้อมกัน

การนำ Generative AI มาใช้ในด้าน Customer Service, Sales และ E-commerce ไม่ใช่แค่ไอเดียล้ำยุค แต่เป็นสิ่งที่ลงมือทำได้จริง — แม้ด้วยทีมขนาดเล็กและไม่มีข้อมูลจริงในช่วงเริ่มต้น

หากคุณสนใจแนวทางการนำ Generative AI ไปประยุกต์ใช้กับระบบจริง ฝากติดตามบทความถัดไปด้วยนะครับ 😊

---

Data Science Explore the world of data science with Donato_Story

Dashboard Discover the power of data visualization with Donato_Story

Donato_Journey Join me on my journey (Thai version)

Course_Review Discover the training courses with Donato_Story (Thai version)

Let’s Connect!

Your thoughts and feedback are invaluable. Feel free to share them in the comments or connect with me on

• 🌐 Medium: medium.com/donato-story
• 📘Facebook: web.facebook.com/DonatoStory
• 💼 Linkedin: linkedin.com/in/nattapong-thanngam