📚 ตอนที่ 9/12 ของซีรีส์ เลือก LLM ให้ถูกคณะ โดย CYN Communication — คู่มือเลือกโมเดล AI open-source สำหรับติดตั้งบน NVIDIA GB10 (DGX Spark) ในสถาบันการศึกษา
🌾 คณะเกษตรศาสตร์ — จากแปลงทดลองของคณะ สู่โมเดล AI ที่คณะเทรนเอง
ทำไมคณะเกษตรศาสตร์ต้องมี LLM ของตัวเอง
เกษตรกรรมไทยกำลังเข้าสู่ยุคที่ข้อมูลมีค่าเท่าปุ๋ย — ภาพถ่ายโดรนเหนือแปลงนา ข้อมูล sensor ความชื้นดิน สถิติผลผลิตย้อนหลังสิบปี และภาพใบพืชที่เป็นโรคนับหมื่นภาพ ทั้งหมดนี้คือขุมทรัพย์ที่คณะเกษตรศาสตร์ทุกแห่งมีอยู่แล้วในมือ แต่แทบไม่มีคณะไหนมีเครื่องมือแปลงมันเป็นความรู้ได้เอง ต้องส่งข้อมูลไปประมวลผลบน cloud ซึ่งชนกำแพงสามด้าน: ค่าใช้จ่ายประมวลผลภาพที่คิดตามการใช้ ข้อจำกัดอินเทอร์เน็ตของสถานีวิจัยนอกเมือง และความเป็นเจ้าของข้อมูล — ชุดข้อมูลโรคพืชที่เก็บมาหลายปีไม่ควรกลายเป็นข้อมูลเทรนของบริษัทต่างชาติ
ที่สำคัญกว่านั้น โจทย์เกษตรไทยเป็นโจทย์เฉพาะถิ่นที่โมเดลสำเร็จรูปจากต่างประเทศตอบไม่ตรง — โรคใบข้าวสายพันธุ์ที่ระบาดในภาคกลาง ศัตรูพืชของทุเรียนภาคตะวันออก หรือคำถามของเกษตรกรที่ถามเป็นภาษาถิ่น สิ่งเหล่านี้ต้องการโมเดลที่ “เรียนจากข้อมูลของเราเอง”
GB10 (DGX Spark) คือคำตอบที่ลงตัวเป็นพิเศษกับคณะเกษตร: desktop AI supercomputer หน่วยความจำ unified 128GB กำลังประมวลผลราว 1 petaFLOP (FP4) multi-user ผ่าน JupyterHub ตั้งได้ทั้งในคณะหรือยกไปสถานีวิจัย ประมวลผลภาพโดรนได้ในพื้นที่โดยไม่พึ่งอินเทอร์เน็ตเร็ว และข้อมูลวิจัยทุกไฟล์อยู่ในเครื่องของคณะตามหลัก PDPA — และอย่างที่จะเห็นในหัวข้อถัดไป คณะเกษตรคือคณะที่ใช้ “พื้นที่ว่าง” ของเครื่องนี้ได้คุ้มที่สุดใน 12 คณะ
ชุดโมเดลแนะนำสำหรับคณะเกษตรศาสตร์
หลักคิดของ CYN Communication สำหรับคณะนี้กลับทางกับคณะอื่น: จงใจเลือก stack ที่เบาที่สุดใน 12 คณะ เพราะหัวใจของ AI เกษตรไม่ใช่การใช้โมเดลใหญ่ แต่คือการเทรนโมเดลเฉพาะทางจากข้อมูลแปลงจริงของคณะเอง — ยิ่งชุดโมเดลประจำเบา ยิ่งเหลือหน่วยความจำให้งานเทรนมาก
| โมเดล | ขนาด VRAM | บทบาทหลัก |
|---|---|---|
| Qwen2.5-VL 7B | ~9GB | ตัวเอก — ตรวจโรคพืชจากภาพ อ่านภาพใบ/ผล/แมลง เบาแต่แม่น |
| Qwen3.5 27B | ~30GB | ตัวหลักสนทนา วิเคราะห์ข้อมูล ช่วยเขียนโค้ดและรายงานวิจัย |
| รวมโหมดประจำวัน | ~39GB | เหลือ ~89GB สำหรับเทรน YOLO/ViT จากข้อมูลของคณะเอง |
| Typhoon 2.5 30B | ~32GB | (โหลดเมื่อเปิดบริการ) chatbot ตอบเกษตรกรภาษาไทยธรรมชาติ |
เหตุผลรายตัว:
- Qwen2.5-VL 7B พิสูจน์หลักการสำคัญ: งานตรวจโรคพืชจากภาพไม่ต้องการโมเดลยักษ์ ต้องการโมเดล vision ที่ตอบเร็วพอจะไล่ดูภาพเป็นร้อยเป็นพันภาพต่อชั่วโมง ใช้เป็นด่านแรกคัดกรองภาพใบพืชผิดปกติก่อนส่งต่อผู้เชี่ยวชาญ
- Qwen3.5 27B เป็นสมองกลางของคณะ — วิเคราะห์ตารางข้อมูลผลผลิต ช่วยนักศึกษาเขียนโค้ด Python จัดการข้อมูล sensor อธิบายสถิติในงานวิจัย และร่างรายงานสองภาษา
- พื้นที่ว่าง ~89GB คือพระเอกตัวจริง — นี่คือพื้นที่สำหรับ fine-tune โมเดลตรวจจับวัตถุตระกูล YOLO และ ViT จากภาพโดรนและภาพแปลงของคณะเอง งานเทรนแบบนี้กินหน่วยความจำมากเป็นพัก ๆ และไม่มีคณะไหนใน 12 คณะที่เหลือพื้นที่ให้มันมากเท่านี้ ผลลัพธ์คือโมเดลที่รู้จักโรคข้าวไทยและสภาพแปลงไทย — สิ่งที่ซื้อสำเร็จรูปไม่ได้
- Typhoon 2.5 30B โหลดขึ้นเมื่อคณะเปิดบริการวิชาการ: chatbot ตอบคำถามเกษตรกรด้วยภาษาไทยที่เป็นธรรมชาติ เข้าใจสำนวนถามแบบชาวบ้าน — โหลดร่วมกับสองตัวแรกก็ยังเหลือพื้นที่กว่า 50GB
Lab และการสอนจริง 4 ตัวอย่าง — เปิดสอนได้เทอมหน้า
Lab 1: เทรนโมเดลตรวจโรคใบข้าวจากแปลงทดลองของคณะเอง (จุดขายของทั้งบทความ)
1. นักศึกษาลงแปลงทดลองของคณะ เก็บภาพใบข้าวทั้งปกติและเป็นโรค ติดป้ายกำกับชนิดโรคร่วมกับอาจารย์โรคพืช
2. ใช้ Qwen2.5-VL ช่วย pre-label รอบแรกเพื่อประหยัดเวลา แล้วให้มนุษย์ตรวจทาน
3. เทรนโมเดล YOLO/ViT บนพื้นที่ว่าง ~89GB ของ GB10 ผ่าน notebook ใน JupyterHub วัดผล precision/recall ต่อชนิดโรค
4. นำโมเดลไปทดสอบกับภาพชุดใหม่จากแปลงจริง สรุปเป็นรายงานวิจัย — จบเทอมคณะได้ทั้งบัณฑิตที่เทรนโมเดลเป็น และโมเดลตรวจโรคที่เป็นทรัพย์สินของคณะใช้ต่อได้ทุกปี
Lab 2: แผนที่สุขภาพแปลงจากภาพโดรน (Remote Sensing)
1. บินโดรนถ่ายภาพแปลงทดลองเป็นตารางพิกัด นำภาพเข้า GB10 โดยตรง ไม่ต้องอัปโหลดขึ้น cloud — สถานีวิจัยที่เน็ตช้าก็ทำได้
2. ใช้โมเดล vision ตัดแบ่งโซนพืชสมบูรณ์/เครียดน้ำ/สงสัยโรค จากสีและ texture ของภาพ
3. ประกอบผลเป็นแผนที่สุขภาพแปลง (health map) ซ้อนพิกัดจริง แล้วให้ Qwen3.5 27B ช่วยเขียนคำอธิบายผลเชิงพืชไร่
4. เปรียบเทียบกับการเดินสำรวจภาคพื้นของนักศึกษาอีกกลุ่ม — คาบสรุปคือการถกว่าโดรน+AI เห็นอะไรก่อนตาคน และตาคนเห็นอะไรที่ AI พลาด
Lab 3: พยากรณ์ผลผลิตจากข้อมูลอากาศ-ดิน
1. รวบรวมข้อมูลย้อนหลังของแปลงทดลอง: ปริมาณฝน อุณหภูมิ ความชื้นดิน วันปลูก และผลผลิตจริงต่อฤดู
2. นักศึกษาใช้ Qwen3.5 27B เป็นผู้ช่วยเขียนโค้ด: ทำความสะอาดข้อมูล เลือก feature เทรนโมเดลพยากรณ์บน GPU ของ GB10
3. ทดสอบพยากรณ์ฤดูปัจจุบันแล้วรอเทียบผลเก็บเกี่ยวจริงปลายเทอม
4. ให้โมเดลภาษาช่วยตีความ: ปัจจัยไหนมีน้ำหนักสุด แปลผลเป็นคำแนะนำการจัดการแปลงที่เกษตรกรอ่านเข้าใจ
Lab 4: Chatbot เกษตรชุมชน — บริการวิชาการที่จับต้องได้ (Typhoon + Qwen2.5-VL)
1. รวบรวมองค์ความรู้ของคณะ: เอกสารคำแนะนำพืชแต่ละชนิด ปฏิทินเพาะปลูก คำถามพบบ่อยจากงานบริการวิชาการที่ผ่านมา
2. สร้าง chatbot ด้วย Typhoon 2.5 30B ให้ตอบภาษาไทยแบบเป็นกันเอง และต่อ Qwen2.5-VL ให้รับภาพ — เกษตรกรถ่ายรูปใบพืชส่งมาถามได้เลย
3. นักศึกษาผลัดเวรเป็น “ผู้ตรวจคำตอบ” ทุกคำตอบของบอทช่วงทดลองต้องผ่านตามนุษย์ก่อนส่ง
4. เปิดใช้จริงกับกลุ่มเกษตรกรเครือข่ายของคณะ เก็บสถิติคำถามมาปรับปรุงทุกเดือน — ตอบทั้งพันธกิจบริการวิชาการและเป็นสนามฝึกจริงของนักศึกษา
นักศึกษาและอาจารย์ได้อะไร — และเริ่มต้นเทอมแรกอย่างไร
นักศึกษาเกษตรที่จบไปพร้อมทักษะ “เทรนโมเดล AI จากข้อมูลแปลงจริง” คือโปรไฟล์ที่ธุรกิจเกษตรสมัยใหม่ ฟาร์มขนาดใหญ่ และหน่วยงานส่งเสริมการเกษตรกำลังตามหา อาจารย์ได้เครื่องมือวิจัยที่ประมวลภาพหลักหมื่นได้โดยไม่มีค่าใช้จ่ายแปรผัน และชุดข้อมูล+โมเดลที่สะสมเป็นทรัพย์สินทางวิชาการของคณะปีต่อปี ส่วนคณะได้โครงการบริการวิชาการที่เห็นผลจริงถึงมือเกษตรกร
แผนเทอมแรกที่ CYN แนะนำ: เดือนแรก ติดตั้ง GB10 + JupyterHub + โหลดชุดโมเดลประจำวัน แล้วเริ่มเก็บภาพแปลงทดลองทันทีเพราะข้อมูลคือคอขวดจริงของ Lab 1 เดือนที่สอง เปิด Lab 2 (ภาพโดรน) ซึ่งเห็นผลเร็วที่สุด เดือนที่สามเริ่มเทรนโมเดลโรคพืชรอบแรก และวางแผน chatbot ชุมชนเป็นเป้าหมายปลายปี ทีมงาน CYN Communication ดูแลตั้งแต่ออกแบบระบบ ติดตั้ง จนถึงอบรม pipeline การเทรนโมเดล vision ให้อาจารย์และนักศึกษา — สนใจวางระบบให้คณะเกษตรศาสตร์ของท่าน ติดต่อทีม CYN ได้โดยตรง
อ่านต่อ: คู่มือฉบับเต็มครบ 12 คณะ · GB10 เข้าห้องเรียนคณะนี้ (ฉบับเจาะลึก)
CYN Communication — Your AI Education Infrastructure Partner · 🌐 www.cyn.co.th · 📞 02-437-1210 · LINE @cyngroup