LLM ตัวไหนเหมาะกับคณะวิศวกรรมศาสตร์? คู่มือเลือกโมเดล AI + Lab สอนจริง

📚 ตอนที่ 1/12 ของซีรีส์ เลือก LLM ให้ถูกคณะ โดย CYN Communication — คู่มือเลือกโมเดล AI open-source สำหรับติดตั้งบน NVIDIA GB10 (DGX Spark) ในสถาบันการศึกษา

⚙️ คณะวิศวกรรมศาสตร์ — จาก Coding Copilot ถึง Predictive Maintenance บนเครื่องเดียว

ทำไมคณะวิศวกรรมศาสตร์ต้องมี LLM ของตัวเอง

คณะวิศวกรรมศาสตร์คือคณะที่ “ชนกำแพง” ของ AI สาธารณะเร็วที่สุดในมหาวิทยาลัย เพราะโจทย์ของวิศวกรรมไม่ใช่แค่ถาม-ตอบทั่วไป แต่เป็นงานที่ต้องผูกกับข้อมูลจริงของคณะ — โค้ดโปรเจกต์นักศึกษา ข้อมูล sensor จากห้องปฏิบัติการ แบบชิ้นงานจากสายการผลิตจำลอง และคู่มือเครื่องจักรที่บางเล่มไม่มีอยู่บนอินเทอร์เน็ตด้วยซ้ำ

pain ที่อาจารย์วิศวะเจอจริงมีอย่างน้อยสามข้อ ข้อแรก นักศึกษาใช้ AI cloud ทำการบ้านเขียนโปรแกรมกันอยู่แล้ว แต่คณะควบคุมอะไรไม่ได้เลย — ไม่รู้ว่าใครใช้ ใช้อย่างไร และไม่สามารถออกแบบการสอนที่ “รวม AI เข้าไปในหลักสูตร” ได้อย่างเป็นระบบ ข้อสอง งานวิจัยและโปรเจกต์ร่วมกับภาคอุตสาหกรรมมักติดสัญญา NDA ข้อมูลแบบชิ้นงาน สูตรการผลิต หรือ log ของเครื่องจักรจากบริษัทคู่ความร่วมมือ ส่งขึ้น cloud ต่างประเทศไม่ได้ ข้อสาม ค่าใช้จ่าย API แบบ pay-per-token คำนวณงบไม่ได้เมื่อผู้ใช้คือนักศึกษาหลายร้อยคนที่เรียกใช้โมเดลตลอดภาคเรียน

NVIDIA GB10 (DGX Spark) ตอบโจทย์นี้ตรงตัว: desktop AI supercomputer ที่มี unified memory 128GB กำลังประมวลผลราว 1 petaFLOP (FP4) รัน LLM ได้ถึงระดับ ~200B parameters ตั้งไว้ในห้องเซิร์ฟเวอร์ของคณะ เปิด multi-user ผ่าน JupyterHub ให้นักศึกษาทั้งชั้นปีใช้พร้อมกัน ข้อมูลทุก byte อยู่ในรั้วมหาวิทยาลัย จ่ายครั้งเดียว ใช้ได้ทุกวิชา ทุกเทอม

ชุดโมเดลแนะนำสำหรับคณะวิศวกรรมศาสตร์

หลักคิดของ CYN Communication ในการจัดชุดโมเดลให้คณะวิศวะคือ “ครอบคลุมทั้ง 4 โหมดงานวิศวกรรม” — สนทนา/วิเคราะห์ เขียนโค้ด มองเห็นภาพ และฟังเสียง — โดยให้ทั้งหมดอยู่บนหน่วยความจำ 128GB พร้อมกันแบบไม่ต้องสลับโหลด

เหตุผลรายตัว:

• Qwen3.5 27B เป็น “อาจารย์ผู้ช่วยประจำคณะ” — ขนาด 27B ที่ FP8 กิน ~30GB ให้คุณภาพการวิเคราะห์เชิงเหตุผลสูงพอสำหรับโจทย์วิศวกรรมระดับปริญญาตรีถึงบัณฑิตศึกษา ตอบไทย-อังกฤษสลับกันได้ ใช้เป็น backbone ของทุกวิชา
• Qwen3-Coder 30B เป็นโมเดลสาย code โดยเฉพาะ เข้าใจทั้ง Python สำหรับ data engineering และ logic แบบ ladder/structured text ฝั่ง PLC ทำให้ใช้ได้ทั้งวิชา programming พื้นฐานและวิชา industrial automation
• Qwen2.5-VL 7B เล็กแต่ตรงงาน — งานตรวจ defect จากภาพไม่ต้องการโมเดลยักษ์ ต้องการโมเดล vision ที่ตอบเร็วพอจะวนตรวจภาพจากกล้องสายการผลิตจำลองได้ต่อเนื่อง
• Whisper large-v3-turbo ปิด loop เรื่องเสียง: ถอดเทปบรรยายเป็นเอกสารทบทวน และรับคำสั่งเสียงในห้อง lab ที่มือนักศึกษาไม่ว่าง

จุดสำคัญของการแบ่ง 128GB คือ เหลือ ~50GB ว่างโดยตั้งใจ พื้นที่นี้ไม่ใช่ของเหลือทิ้ง แต่เป็นพื้นที่ยุทธศาสตร์สำหรับ (1) fine-tune LoRA — ให้นักศึกษาปีสูงเทรน adapter บนข้อมูลของคณะเองได้โดยไม่ต้องหยุดบริการ inference (2) รองรับ context window ยาว ๆ เวลาป้อนคู่มือเครื่องจักรทั้งเล่ม และ (3) เผื่อรันโมเดลชั่วคราวเพิ่มในวิชาเลือก เช่นปีการศึกษาที่สองสามารถเพิ่ม DeepSeek-R1-32B เข้ามาสอนหัวข้อ optimization และ reasoning เชิงลึกได้ทันทีโดยไม่ต้องซื้อเครื่องใหม่

Lab และการสอนจริง 4 ตัวอย่าง — เปิดสอนได้เทอมหน้า

Lab 1: ตรวจ defect ชิ้นงานจากภาพสายการผลิต (Qwen2.5-VL 7B)
1. ติดกล้อง USB/IP เหนือสายพานจำลองในห้องปฏิบัติการการผลิต ถ่ายภาพชิ้นงานทุกชิ้นที่ผ่าน
2. เขียน script Python ใน JupyterHub ส่งภาพเข้า Qwen2.5-VL พร้อม prompt เกณฑ์ตรวจ เช่น “รอยแตก ครีบเกิน รูเยื้องศูนย์ สีเพี้ยน”
3. โมเดลตอบเป็น JSON: ผ่าน/ไม่ผ่าน + ตำแหน่ง defect + คำอธิบาย
4. นักศึกษาเก็บสถิติ false positive/negative แล้วปรับ prompt และมุมกล้อง — ได้เรียนทั้ง vision AI และ quality control ในโจทย์เดียว

Lab 2: Coding Copilot ในวิชาเขียนโปรแกรม (Qwen3-Coder 30B)
1. เชื่อม Qwen3-Coder เข้ากับ JupyterHub ผ่าน OpenAI-compatible endpoint บน GB10
2. อาจารย์กำหนดโหมดการใช้ต่อวิชา: โหมด “อธิบายอย่างเดียว” สำหรับวิชาพื้นฐาน (ห้ามเขียนโค้ดให้ ให้ชี้แนวคิด) และโหมดเต็มสำหรับวิชาโปรเจกต์
3. นักศึกษาส่งโค้ดให้โมเดล review ก่อนส่งงาน — โมเดลชี้ bug, style, complexity
4. เพราะทุก query วิ่งผ่านเครื่องคณะ อาจารย์เห็น log การใช้ นำมาวิเคราะห์ได้ว่านักศึกษาติดตรงไหนบ่อยที่สุด แล้วปรับการสอนตามข้อมูลจริง

Lab 3: RAG คู่มือเครื่องจักรประจำคณะ (Qwen3.5 27B + bge-m3 + Qdrant)
1. สแกน/รวบรวมคู่มือเครื่อง CNC, ชุด PLC, เครื่องมือวัด ทั้ง PDF ไทยและอังกฤษ
2. ตัดเป็น chunk ทำ embedding ด้วย bge-m3 เก็บใน Qdrant (รันบนเครื่องเดียวกัน)
3. ผูกเข้ากับ Qwen3.5 27B เป็นระบบถาม-ตอบ: นักศึกษาถาม “เครื่องขึ้น error E-341 ต้องทำอย่างไร” ระบบดึงหน้าคู่มือที่เกี่ยวข้องมาให้โมเดลสรุปพร้อมอ้างอิงหน้า
4. ทุกเทอมมอบหมายให้นักศึกษาเพิ่มคู่มือเครื่องใหม่เข้าคลัง — ระบบยิ่งใช้ยิ่งฉลาดขึ้นเป็นสมบัติของคณะ

Lab 4: Predictive Maintenance จากข้อมูล sensor (Qwen3-Coder + Qwen3.5)
1. เก็บข้อมูล vibration/อุณหภูมิ/กระแสไฟจากมอเตอร์ทดลองลง time-series file
2. นักศึกษาใช้ Qwen3-Coder ช่วยเขียน pipeline ทำ feature extraction และเทรนโมเดลพยากรณ์อย่างง่ายบน GPU ของ GB10 โดยตรง
3. ใช้ Qwen3.5 27B ช่วยตีความผล: อธิบายว่า pattern แบบไหนบ่งชี้ bearing เริ่มสึก
4. ปิดท้ายด้วยรายงานเชิงวิศวกรรมที่โมเดลช่วย proofread — จำลอง workflow ของวิศวกร maintenance ในโรงงานจริงครบวงจร

นักศึกษาและอาจารย์ได้อะไร — และเริ่มต้นเทอมแรกอย่างไร

สำหรับนักศึกษา สิ่งที่ได้ไม่ใช่แค่ “มี AI ใช้ฟรี” แต่คือทักษะที่ตลาดแรงงานต้องการจริง: เคยต่อ API ของ LLM เอง เคยทำ RAG เคย fine-tune LoRA บนเครื่องระดับ petaFLOP — ใส่ในเรซูเม่ได้ทันที สำหรับอาจารย์ ได้เครื่องมือวิจัยที่ไม่มีบิลรายเดือน รับงานร่วมกับภาคอุตสาหกรรมที่ติด NDA ได้ เพราะข้อมูลไม่ออกนอกมหาวิทยาลัย และเห็นพฤติกรรมการเรียนรู้ของนักศึกษาจาก log จริง สำหรับคณะ นี่คือโครงสร้างพื้นฐานที่ตอบทั้ง PDPA และเกณฑ์ประกันคุณภาพหลักสูตรด้าน digital literacy

แผนเริ่มเทอมแรกที่ CYN แนะนำ: เดือนแรก ติดตั้ง GB10 + JupyterHub + โหลดชุดโมเดล 4 ตัว แล้วเปิดให้อาจารย์กลุ่มนำร่อง 5-10 ท่านทดลองใช้ เดือนที่สอง เปิด Lab 2 (coding copilot) กับวิชา programming หนึ่ง section เพราะติดตั้งง่ายที่สุดและเห็นผลเร็วที่สุด เดือนที่สามเป็นต้นไป ทยอยเปิด Lab 1, 3, 4 ตามความพร้อมของแต่ละภาควิชา ทีมวิศวกรของ CYN Communication ดูแลตั้งแต่ออกแบบระบบ ติดตั้ง อบรมอาจารย์ จนถึง support ตลอดปีการศึกษา — สนใจวางระบบให้คณะวิศวกรรมศาสตร์ของท่าน 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