หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2569
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2569
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
XRLab: แพลตฟอร์มทดลองและอธิบายการเรียนรู้แบบเสริมกำลัง
ชื่อโครงงานภาษาอังกฤษ
XRLab: Reinforcement Learning Experimentation and Explainability
Platform
ผู้พัฒนา
6510503646 ภวัต เลิศตระกูลชัย
อาจารย์ที่ปรึกษาหลัก
ชวณัฐ นาคะสันต์
อาจารย์ที่ปรึกษาร่วม
-
บทคัดย่อ
ปัจจุบันเทคโนโลยีปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่องได้รับความนิยมและถูกนำมาประยุกต์ใช้อย่างแพร่หลาย อย่างไรก็ตาม เทคนิคการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) กลับยังมีข้อจำกัดและอุปสรรคในการเข้าถึงสูง เนื่องจากมีความซับซ้อนในการตั้งค่าสภาพแวดล้อม การเลือกใช้อัลกอริทึม และการออกแบบฟังก์ชันรางวัล ยิ่งไปกว่านั้น อุปสรรคสำคัญในการนำ AI ไปใช้งานในสถานการณ์จริงคือ ความน่าเชื่อถือ เนื่องจากกระบวนการตัดสินใจของแบบจำลองมีลักษณะเป็นกล่องดำ (Black-box) ทำให้ผู้ใช้งานเกิดความไม่ไว้วางใจและยากต่อการทำความเข้าใจเหตุผลเบื้องหลังการกระทำของ agent
เพื่อแก้ไขปัญหาดังกล่าว โครงงานนี้จึงนำเสนอแพลตฟอร์มบนเว็บเบราว์เซอร์ที่ช่วยลดความซับซ้อนในการทดลองใช้งานการเรียนรู้แบบเสริมกำลัง แพลตฟอร์มนี้เปิดโอกาสให้ผู้ใช้สามารถฝึกแบบจำลอง ปรับเปลี่ยนอัลกอริทึม ปรับแต่งฟังก์ชันรางวัล และสร้างหรือทดลองสภาพแวดล้อมได้อย่างสะดวกรวดเร็ว นอกจากนี้ ระบบยังได้บูรณาการคุณสมบัติการเรียนรู้แบบเสริมกำลังที่สามารถอธิบายได้ (Explainable RL) เพื่อใช้อธิบายเหตุผลและกระบวนการตัดสินใจของแบบจำลองให้เป็นรูปธรรม
ผลลัพธ์จากแพลตฟอร์มนี้ไม่เพียงช่วยให้การศึกษาและทดลอง RL เป็นเรื่องที่เข้าถึงง่ายขึ้น แต่ยังช่วยแก้ปัญหาความไม่ไว้วางใจของผู้ใช้งาน โดยการสร้างความโปร่งใสและเพิ่มความมั่นใจในการนำแบบจำลองไปประยุกต์ใช้แก้ปัญหาในโลกจริงได้อย่างมีประสิทธิภาพ
Abstract
Currently, Artificial Intelligence and Machine Learning technologies have gained immense popularity and are widely applied across various domains. However, Reinforcement Learning techniques still face significant limitations and high barriers to entry due to the complexity of configuring environments, selecting appropriate algorithms, and designing reward functions. Furthermore, a major obstacle to deploying AI in real-world scenarios is reliability; the black-box nature of these models' decision-making processes often leads to user distrust and makes it difficult to comprehend the underlying reasoning behind an agent's actions.
To address these challenges, this project presents a web-based platform designed to reduce the complexity of experimenting with reinforcement learning. The platform enables users to conveniently and rapidly train models, modify algorithms, adjust reward functions, and create or experiment with different environments. Additionally, the system integrates Explainable Reinforcement Learning features to concretely elucidate the model's reasoning and decision-making processes.
The outcomes of this platform not only make studying and experimenting with RL more accessible but also address the issue of user distrust. By establishing transparency, the system significantly increases user confidence in applying these models to solve real-world problems effectively.
คำสำคัญ (Keywords)
การเรียนรู้แบบเสริมกำลัง, ปัญญาประดิษฐ์, การเรียนรู้แบบเสริมกำลังที่สามารถอธิบายได้
Reinforcement Learning, Artificial Intelligence, Explainable Reinforcement Learning
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
-
ที่เก็บเวอร์ชันซอร์สโค้ด
-
ผู้นำเข้าข้อมูลครั้งแรก
ภวัต
เลิศตระกูลชัย
(b6510503646)
แก้ไขครั้งสุดท้าย
เมื่อ March 18, 2026, 8:44 p.m. โดย
ภวัต
เลิศตระกูลชัย
(b6510503646)
สถานะการอนุมัติ
รออนุมัติ