แยกตามช่องทางนำเข้า

สัญญาณตามแหล่งข้อมูล

จำนวนที่เชื่อมหลักฐาน (evidence)

จาก relevance score ก่อนส่งคิวตรวจทาน

• น่าเชื่อถือสูง (≥70%)662(67.1%)
• ปานกลาง (40–69%)260(26.3%)
• ต่ำ (<40%)65(6.6%)
• ยังไม่ประเมิน0(0.0%)

ระบบประมวลผล evidence อัตโนมัติด้วย LLM+กฎ ระหว่างรอเจ้าหน้าที่ approve · ML จะ train เมื่อมี feedback เพียงพอ

สถานะปัจจุบัน: LLM+กฎ (auto pipeline)

• นำเข้าข้อมูลหลายแหล่งใช้งาน

  Crawl RSS/HTML, Google Search, SerpAPI · auto pipeline

• ตรวจหลักฐาน (Evidence)ใช้งาน

  เก็บ URL/ไฟล์และเชื่อมกับสัญญาณ

• กฎ keyword + NLP ไทยใช้งาน

  จัดหมวดและจังหวัดเบื้องต้น

• Deepseek LLM scoringใช้งาน

  วิเคราะห์ SERP และ relevance เมื่อมี API key

• Supervised ML (train จาก review)บางส่วน

  ต้องการ approve/reject เพิ่มเติม

• Auto pipeline ระหว่างรอ approveใช้งาน

  process evidence + optional ML retrain ทุก job

• RAG / Knowledge Q&Aใช้งาน

  pgvector chunks + grounded ask + heuristic evaluate

แผนพัฒนา

1. 1.
   รวบรวมข้อมูล + หลักฐานเสร็จแล้ว

   Crawl pipeline, evidence storage, human review queue

2. 2.
   LLM + กฎ ประเมินความน่าเชื่อถือเสร็จแล้ว

   Deepseek + rule-based · ส่งเข้าคิว pending_review อัตโนมัติ

3. 3.
   Train ML จาก feedbackวางแผน

   approve/reject → TF-IDF logistic · retrain อัตโนมัติ

4. 4.
   Deploy ensemble ใน pipelineวางแผน

   รวมคะแนน LLM+กฎ+ML ก่อนแสดงในคิวตรวจ

5. 5.
   RAG grounded Q&Aเสร็จแล้ว

   embed on approve · retrieve · cite · heuristic evaluate