ระบบผู้ช่วยอัตโนมัติสำหรับวิเคราะห์ปัญหาและตรวจสอบข้อมูลโรงแรมผ่านการประมวลผลภาษาธรรมชาติ
Automated Conversational Assistant for Hotel ARI Data Troubleshooting via Natural Language Processing
ผู้จัดทำ: นายพงศกร วีรบุรุษพงศธร (รหัสนิสิต 65109010135)
อาจารย์ที่ปรึกษา: ผู้ช่วยศาสตราจารย์วัชรชัย วิริยะสุทธิวงศ์
ที่มาและความสำคัญ
ระบบ ARI (Availability, Rates, and Inventory) ในแพลตฟอร์มจองโรงแรมมีความซับซ้อนสูงและประมวลผลข้อมูลมหาศาลแบบ Real-time เมื่อเกิดความคลาดเคลื่อนของข้อมูล เช่น ราคาไม่ตรง วิศวกรต้องเสียเวลาตรวจสอบข้อมูลย้อนกลับ (Trace Debugging) ด้วยตนเอง ซึ่งมักพบว่าสาเหตุเกิดจากเงื่อนไขทางธุรกิจของโรงแรม ไม่ใช่ข้อผิดพลาดทางเทคนิค จึงพัฒนา Trace Agent บน Slack เพื่อรับคำสั่งภาษาธรรมชาติและวิเคราะห์สาเหตุของปัญหา (Root Cause) โดยอัตโนมัติ เพื่อลดภาระงานของวิศวกร
วัตถุประสงค์
- พัฒนาระบบผู้ช่วยอัตโนมัติ (Trace Agent) บน Slack สำหรับตรวจสอบและ Debug ข้อมูล ARI
- สร้างระบบสกัดพารามิเตอร์ (Parameter Extraction) จากประโยคภาษาธรรมชาติโดยอัตโนมัติ
- พัฒนาระบบวิเคราะห์และสรุปผลอัจฉริยะ (Question-Adaptive Analysis) ที่ระบุสาเหตุและให้คำแนะนำได้อย่างตรงจุด
วิธีการดำเนินงาน
ใช้สถาปัตยกรรม Multi-Agent 3-Phase Pipeline ควบคุมโดย OpenAI Agents SDK ดังนี้
- Phase 1: Parser Agent — สกัดพารามิเตอร์ (Supplier/Hotel ID, Dates) พร้อมตรรกะ Smart Date Handling (เช่น "10 Jan next year" → 2026-01-10)
- Phase 2: API Call — เชื่อมต่อและดึงข้อมูล Trace จากระบบ ARI Calculator ผ่าน RESTful API
- Phase 3: Summary Agent — วิเคราะห์ข้อมูล JSON ขนาดใหญ่และสรุปผลตามคำถามของผู้ใช้ (เช่น การวิเคราะห์ค่าธรรมเนียม หรือนโยบายการยกเลิก)
Tech Stack: Python 3.13+, FastAPI, Slack Bolt, Gemini 3 Flash และ PostgreSQL
ผลการดำเนินงาน
- ระบบทำงานจริงได้แม่นยำ: สามารถสกัดตัวแปรและประมวลผลข้อมูลโครงสร้างที่ซับซ้อน เช่น นโยบายการยกเลิก (Cancellation Policy) และโครงสร้างภาษี/ค่าธรรมเนียม
- Interface: แสดงผลผ่าน Slack Block Kit ที่อ่านง่าย ประกอบด้วยพารามิเตอร์ที่ยืนยันแล้ว รหัส Trace ID และบทสรุปการวิเคราะห์
- ประสิทธิภาพ: ช่วยลดขั้นตอนที่ซ้ำซ้อนและยกระดับความรวดเร็วในการค้นหาต้นตอของปัญหา (Root Cause Identification) ได้อย่างเป็นรูปธรรม
สรุปผล
ระบบ Trace Agent สามารถปฏิบัติงานได้บรรลุตามวัตถุประสงค์ มีเสถียรภาพในการวิเคราะห์ข้อมูลเชิงลึกแบบปรับเปลี่ยนตามคำถาม
ข้อเสนอแนะในอนาคต: Integrate เครื่องมือเพิ่มเติมผ่านโปรโตคอล Model Context Protocol (MCP) เพื่อเชื่อมต่อกับ Sourcegraph (ค้นหา Code), Grafana (ดู Metrics) และ Glean (ฐานความรู้องค์กร)