การประยุกต์ใช้ปัญญาประดิษฐ์เชิงสร้างสรรค์ในการทำความสะอาดและเตรียมข้อมูล: กรณีศึกษาวัสดุคอมโพสิตพอลิโพรพิลีนรีไซเคิลผสมกากชา
Article Sidebar
Main Article Content
บทคัดย่อ
วัตถุประสงค์: การศึกษานี้มีจุดประสงค์เพื่อสำรวจความสามารถของปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative Artificial Intelligence) ทั้งสิ้น 3 ระบบ Claude.ai ChatGPT 3.5 และ Gemini บนแพลตฟอร์มออนไลน์ในการดำเนินการทำความสะอาดข้อมูล (Data cleaning) และการเตรียมข้อมูล (Data preparation) โดยใช้ข้อมูลของการทดสอบสมบัติทางกลของวัสดุคอมโพสิตพอลิโพรพิลีนรีไซเคิลผสมกากชาเป็นชุดข้อมูล (Data set)
วิธีการวิจัย: สำหรับทำการศึกษาในครั้งนี้ เริ่มต้นจากการสร้างคำถามหรือโจทย์ (Prompt) โต้ตอบ (Conversational prompting) ที่มีลักษณะการพูดคุยแบบสนทนาเพื่อใช้สอบถามปัญญาประดิษฐ์เชิงสร้างสรรค์ในการได้มาซึ่งหลักการ และวิธีการสำหรับการทำความสะอาดข้อมูล และการเตรียมข้อมูล หลังจากนั้นดำเนินการตามขั้นตอน และนำข้อมูลที่ผ่านการทำความสะอาดมาจัดเตรียมเป็นชุดข้อมูล ตลอดจนทำการอภิปรายผลเปรียบเทียบผลลัพธ์ที่ได้จากการใช้งานแต่ละแพลตฟอร์มปัญญาประดิษฐ์เชิงสร้างสรรค์
ผลการวิจัย: ผลการศึกษาพบว่าปัญญาประดิษฐ์เชิงสร้างสรรค์ทั้ง 3 ระบบมีความสามารถในการให้ข้อมูลที่เป็นประโยชน์ในกระบวนการทำความสะอาดข้อมูล และการเตรียมข้อมูลโดยพบว่าข้อมูลที่ได้รับมีความถูกต้องสอดคล้องกับเนื้อหาจากวรรณกรรมที่เกี่ยวข้องกับศาสตร์วิทยาการข้อมูล ทั้งนี้ไม่สามารถใช้แพลตฟอร์มของปัญญาประดิษฐ์เชิงสร้างสรรค์ทั้ง 3 ระบบในการทำความสะอาดข้อมูลได้เนื่องจากข้อจำจัดด้านความสามารถของระบบ จึงใช้ไพธอนไลบรารี่ในการดำเนินการโดยใช้ปัญญาประดิษฐ์เชิงสร้างสรรค์ในแบบกำหนดบุคลิกลักษณะ (Persona-based) สำหรับการสร้างไพธอนสคริปเพื่อการทำความสะอาดข้อมูล และจัดเตรียมข้อมูล ชุดข้อมูลหลังการทำความสะอาด และผ่านการเตรียมแล้วพบว่าสามารถนำไปใช้ได้ทั้งโปรแกรมสำหรับการวิเคราะห์ข้อมูล การวิเคราะห์ทางสถิติ ตลอดจนสามารถใช้บนแพลตฟอร์มออนไลน์ได้โดยที่ไม่พบปัญหาหรือข้อผิดพลาดที่เกิดจากความไม่สมบูรณ์หรือความไม่สะอาดของข้อมูล
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
อนุชิต คงฤทธิ์, สงวน วงษ์ชวลิตกุล และมารุต โคตรพันธ์. (2565). การศึกษาสมบัติเบื้องต้นของวัสดุเชิงประกอบจากพอลิโพรพิลีนเกรดรีไซเคิลผสมผงกากชา.
วารสารวิศวกรรมและเทคโนโลยี มหาวิทยาลัยรังสิต, 25(2), หน้า 43-56.
Chaki, R., Chaki, N., Cortesi, A., & Saeed, K. (2024). Applied computing for software and smart systems. Proceedings of ACSS 2023 (p. 71).
Springer Nature.
Dasari, D., & Varma, P. (2022). Employing various data cleaning techniques to achieve better data quality using Python. 2022 6th International Conference on Electronics, Communication and Aerospace Technology. IEEE. htpst://doi.org/10.1109/iceca55336.2022.10009079
Du, S., Shi, W., Li, S., & Zhao, G. (2022). Research on data cleaning technology based on RD-CFD method. 7th International Symposium on Advances in Electrical, Electronics, and Computer Engineering. IEEE. https://doi.org/10.1117/12.2639864Finding outliers in a scatter plot /
pandas dataframe? (n.d.). Stack Overflow. https://stackoverflow.com/questions/75993462/finding-outliers-in-a-scatter-plot-pandas-dataframe
Frazer, G. (2024). Data Cleaning with Power BI: The definitive guide to transforming dirty data into actionable insights.
Packt Publishing Ltd.
Gill, J. K. (2023, November 24). Generative AI for data analytics And management. XENONSTACK. https://www.xenonstack.com/blog/ generative-ai-data-analytics
Goyle, K., Xie, Q., & Goyle, V. (2023). DataAssist: A machine learning approach to data cleaning and preparation. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2307.07119
Jafarov, E. J. E. (2022). Technologies of data processing and cleaning, noise identification and removal at time series. Proceedings of
Azerbaijan High Technical Educational Institution, 23(12), 73–82. https://doi.org/10.36962/pahtei23122022-73
Jin, Z. (2022). Principle, methodology and application for data cleaning techniques, BCP Business & Management, 26, 724–732. https://doi.org/10.54691/bcpbm.v26i.2032
Krishnan, S., & Wu, E. (2019). AlphaClean: Automatic generation of data cleaning pipelines. arXiv Preprint arXiv:1904.11827.
https://arxiv.org/abs/1904.11827
Lee, J., Kim, D., Hong, H., & Kuk, J. (2020). Apparatus and method of generating map data of cleaning space. (Patent).
https://patents.google.com/patent/ US20200218274A1/en
Loureiro, A., Torgo, L., & Soares, C. (2004). Outlier detection using clustering methods: A data cleaning application. In Proceedings
of KDNet Symposium on Knowledge-based Systems for the Public Sector. Bonn, Germany.
Martinez-Luengo, M., Shafiee, M., & Kolios, A. (2019). Data management for structural integrity assessment of offshore wind turbine support structures: Data Cleaning and missing data imputation, Ocean Engineering, 173, 867–883. https://doi.org/10.1016/j.oceaneng.
01.003
Mertz, D. (2021). Cleaning data for effective data science: Doing the other 80% of the work with Python. R, and command-line tools. Packt Publishing Ltd.
Nandi, G., & Sharma, R. K. (2020). Data Science Fundamentals and Practical Approaches: Understand Why Data Science Is the Next.
BPB Publications. pandas DataFrame: replace nan values with average of columns. (n.d.). Stack Overflow. https://stackoverflow.com/questions/18689823/pandas-dataframe-replace-nan-values-with-average-of-columns
Parulian, N. N., & Ludäscher, B. (2022). DCM explorer: A tool to support transparent data cleaning through provenance exploration.
In Proceedings of the 14th International Workshop on the Theory and Practice of Provenance (TaPP '22) (Article 10, pp. 1–6). Association for Computing Machinery. https://doi.org/10.1145/ 3530800.3534539
Rangapur, A., & Rangapur, A. (2024). The Battle of LLMs: A Comparative Study in Conversational QA Tasks. arXiv (Cornell University).
https://doi.org/10.48550/arxiv. 2405.18344
Sergiienko, B. (2024, April 16). How to Use Generative AI in Data Analytics for Enhanced Decision-Making and Strategic Growth. Master of Code Global. https://masterofcode.com/ blog/generative-ai-for-data-analytics
Setiyanto, S., & Setiawan, I. (2022). Data science with Excel. International Journal of Computer and Information System, 3(3), 104–110. https://doi.org/10.29040/ijcis.v3i3.79
Shigarov, A. O., & Mikhailov, A. A. (2017). Rule-based spreadsheet data transformation from arbitrary to relational tables.
Information Systems, 71, 123–136. https://doi.org/10.1016/j.is.2017. 08.004
Sunne, S. (2022). Cleaning data. In Routledge eBooks (pp. 71–85). https://doi.org/10.4324/9781003273301-5
Torkey, H., Ibrahim, E., Hemdan, E. E., El-Sayed, A., & Shouman, M. A. (2021). Diabetes classification application with efficient missing
and outliers data handling algorithms. Complex & Intelligent Systems, 8(1), 237–253. https://doi.org/10.1007/s40747- 021-00349-2
Von Zernichow, B. M., & Roman, D. (2017). Usability of visual data profiling in data cleaning and transformation. In Lecture Notes in Computer Science (pp. 480–496). https://doi.org/10.1007/978-3-319-69459-7_32
Walker, M. (2020). Python Data Cleaning Cookbook: Modern Techniques and Python Tools to Detect and Remove Dirty Data and
Extract Key Insights. Packt Publishing Ltd.
Ye, A., & Wang, Z. (2022). Data preparation and engineering. In Apress eBooks (pp. 95–179). https://doi.org/10.1007/978-1-4842-8692-0_2
Zaamout, K. (2024, April 30). AI-Driven Operational Efficiency and Data Management. Caylent. https://caylent.com/blog/ai-driven-
operational-efficiency-and-data- management
Zou, F. (2022). Research on data cleaning in big data environment. 2022 International Conference on Cloud Computing, Big Data and
Internet of Things (3CBIT), 145–148. https://doi.org/10.1109/3CBIT57391.2022.00037
