GISTDA ยกระดับทักษะ GeoAI และ GI Vibe Coding เสริมศักยภาพบุคลากรประยุกต์ AI กับข้อมูลภูมิสารสนเทศ

สำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (องค์การมหาชน) หรือ GISTDA จัดการอบรมเชิงปฏิบัติการหลักสูตร “GeoAI & GI Vibe Coding: ภูมิสารสนเทศปัญญาประดิษฐ์ และการเขียนโค้ดตามเจตนารมณ์ด้วยปัญญาประดิษฐ์ด้านภูมิสารสนเทศ” ระยะเวลา 5 วัน ในวันที่ 13–14 และ 20–22 กรกฎาคม 2569 ณ ห้องฝึกอบรมคอมพิวเตอร์ ชั้น 3 GISTDA บางเขน เพื่อพัฒนาศักยภาพบุคลากรในการประยุกต์ใช้ปัญญาประดิษฐ์ร่วมกับข้อมูลเชิงพื้นที่ ตั้งแต่การจัดการและประมวลผลข้อมูล การสร้างแบบจำลอง Machine Learning และ Deep Learning ไปจนถึงการพัฒนาแอปพลิเคชันภูมิสารสนเทศ การอบรมครั้งนี้มี ดร.พิสุทธิ์ นาคหมื่นไวย จากคณะสิ่งแวดล้อมและทรัพยากรศาสตร์ มหาวิทยาลัยมหิดล เป็นวิทยากร ถ่ายทอดองค์ความรู้และฝึกปฏิบัติในรูปแบบที่เชื่อมโยงพื้นฐานเทคโนโลยีภูมิสารสนเทศเข้ากับเครื่องมือปัญญาประดิษฐ์สมัยใหม่ โดยมุ่งให้ผู้เรียนสามารถใช้ AI เป็นผู้ช่วยในการเขียนโค้ด วิเคราะห์ข้อมูล และพัฒนาเครื่องมือที่ตอบโจทย์การใช้งานด้านภูมิสารสนเทศได้อย่างเป็นระบบ

หลักสูตรได้รับความสนใจจากผู้เข้าร่วมตามรายชื่อที่ลงทะเบียนรวม 64 คน จาก 4 หน่วยงาน โดยแบ่งเป็นผู้เข้าร่วม ณ สถานที่จัดอบรม 46 คน และผู้เข้าร่วมผ่านระบบออนไลน์ 18 คน สะท้อนการมีส่วนร่วมทั้งจากบุคลากรหลายภารกิจภายใน GISTDA หน่วยงานเครือข่ายด้านการบริหารจัดการน้ำ และภาคอุตสาหกรรมเกษตร

จากพื้นฐานภูมิสารสนเทศ สู่การทำงานในยุค GeoAI

กิจกรรมวันแรก วันที่ 13 กรกฎาคม 2569 มุ่งปูพื้นฐานความเข้าใจด้านเทคโนโลยีภูมิสารสนเทศ หรือ Geo-Informatics โดยครอบคลุมการสำรวจข้อมูลระยะไกล (Remote Sensing: RS) ภาพถ่ายดาวเทียมและโดรน ระบบดาวเทียมนำทางโลก (GNSS) และระบบสารสนเทศภูมิศาสตร์ (GIS) ก่อนเชื่อมโยงไปสู่แนวคิด GeoAI หรือ Geospatial Artificial Intelligence ซึ่งเป็นการนำปัญญาประดิษฐ์เข้ามาช่วยวิเคราะห์และแก้ไขปัญหาที่เกี่ยวข้องกับข้อมูลเชิงพื้นที่ ผู้เข้าร่วมยังได้เรียนรู้แนวคิด Vibe Coding หรือการใช้ AI และ Large Language Models (LLMs) เป็นผู้ช่วยในการสร้างและปรับปรุงโค้ดผ่านคำสั่งภาษาธรรมชาติ พร้อมฝึกทักษะด้าน GI Prompt Engineering และทำความรู้จักเครื่องมือ AI-powered IDEs ตลอดจนการจัดการแพ็กเกจ สภาพแวดล้อมเสมือน ระบบจัดการเวอร์ชัน และกระบวนการตรวจสอบและปรับแก้ผลลัพธ์จาก AI แบบเป็นลำดับ

ยกระดับสู่ Big Data และ Cloud Geospatial Processing

วันที่ 14 กรกฎาคม 2569 เนื้อหาขยับสู่รากฐานด้านเทคโนโลยีและวิศวกรรมข้อมูลเชิงพื้นที่ โดยผู้เข้าร่วมเรียนรู้การใช้ภาษา Python สำหรับงาน Data และ AI รวมถึง JavaScript สำหรับการพัฒนา WebGIS และ Frontend พร้อมทำความเข้าใจโครงสร้างข้อมูลภูมิสารสนเทศทั้งแบบ Vector และ Raster ตลอดจนรูปแบบไฟล์ที่ใช้ในงานเชิงพื้นที่ ในด้านข้อมูลขนาดใหญ่ ผู้เรียนได้รู้จักฐานข้อมูล เช่น PostGIS และ NoSQL รวมถึงแพลตฟอร์มประมวลผลข้อมูลเชิงพื้นที่บนระบบคลาวด์ ได้แก่ Google Earth Engine (GEE) และ Microsoft Planetary Computer พร้อมแนวคิด Analysis Ready Data, Data Cube และ API ภาคปฏิบัติเน้นการใช้ AI ช่วยสร้างคำสั่งสำหรับดึงและประมวลผลข้อมูลดาวเทียมและข้อมูล Vector ผ่านระบบคลาวด์ รวมถึงการใช้แนวคิด Map Algebra เพื่อคำนวณตัวแปรสำคัญทางภูมิสารสนเทศ เช่น NDVI, Evapotranspiration (ET), Gross Primary Productivity (GPP) และ Water Use Efficiency (WUE) ซึ่งเป็นข้อมูลสำคัญที่สามารถนำไปประยุกต์ใช้ในการติดตามสภาพพืช การใช้น้ำ และสถานการณ์ด้านการเกษตร

ใช้ AI วิเคราะห์พื้นที่เสี่ยงขาดแคลนน้ำและสร้างแบบจำลองเชิงพื้นที่

วันที่ 20 กรกฎาคม 2569 การอบรมมุ่งเข้าสู่ Geospatial Data Engineering และ Spatial Machine Learning ผู้เข้าร่วมได้ฝึกใช้ AI ช่วยในการอ่านและทำความสะอาดข้อมูล การแปลงระบบพิกัด รวมถึงการวิเคราะห์ข้อมูลด้วย Spatial Join, Buffer, Overlay และ Zonal Statistics เพื่อบูรณาการข้อมูล Vector และ Raster เข้าด้วยกัน อีกหนึ่งหัวข้อสำคัญคือการใช้ AI สร้างตัวแปรเชิงพื้นที่ รวมถึงการประยุกต์ใช้ Clustering และ Regression สำหรับวิเคราะห์โจทย์ด้านสิ่งแวดล้อมและการเกษตร โดยเฉพาะการวิเคราะห์ พื้นที่เสี่ยงขาดแคลนน้ำของพืช (Crop Water Stress Hotspots) จากข้อมูล ET อุณหภูมิพื้นผิว (Land Surface Temperature: LST) และค่าความดันไอขาดหายของบรรยากาศ (Vapor Pressure Deficit: VPD)

นอกจากนี้ ผู้เข้าอบรมยังได้เรียนรู้การตรวจสอบความสัมพันธ์เชิงพื้นที่ รวมถึงแนวทางใช้ AI ช่วยสร้างโครงสร้างเบื้องต้นของแบบจำลอง Deep Learning สำหรับการวิเคราะห์และพยากรณ์สถานการณ์ภัยแล้งทางการเกษตร

จาก Deep Learning สู่ Web Application ด้านภูมิสารสนเทศ

วันที่ 21 กรกฎาคม 2569 เนื้อหาการอบรมยกระดับสู่ Advanced Deep Learning for Earth Observation โดยฝึกประยุกต์ใช้ AI กับข้อมูลจากการสำรวจโลก ตั้งแต่การจำแนกประเภทการใช้ประโยชน์ที่ดิน (Image Classification) การตรวจจับวัตถุบนภาพดาวเทียม (Object Detection) ไปจนถึงการแบ่งส่วนภาพ (Semantic Segmentation) ผู้เข้าร่วมได้เรียนรู้แนวทางใช้ AI ช่วยสร้างโครงสร้างโมเดล เช่น YOLO และ U-Net สำหรับการวิเคราะห์ภาพ รวมถึงการพัฒนาแผนที่เชิงโต้ตอบ (Interactive Mapping) ด้วยคำสั่งภาษาธรรมชาติ และการนำโค้ดที่พัฒนาขึ้นมาประกอบเป็น Web Application หรือ Dashboard ผ่าน Framework ที่เหมาะสม เพื่อเปลี่ยนผลการวิเคราะห์จากชุดคำสั่งให้กลายเป็นเครื่องมือที่ผู้ใช้งานสามารถเข้าถึงได้ง่ายขึ้น

ปิดท้ายด้วย GI Vibe Hackathon เปลี่ยนองค์ความรู้สู่ผลงานจริง

วันที่ 22 กรกฎาคม 2569 ซึ่งเป็นวันสุดท้ายของหลักสูตร จัดกิจกรรม Capstone Project หรือ GI Vibe Hackathon เพื่อเปิดโอกาสให้ผู้เรียนเลือกโจทย์ปัญหาเชิงพื้นที่ที่สนใจ และนำองค์ความรู้จากการอบรมทั้ง 4 วันที่ผ่านมาไปพัฒนาเป็นโครงการของตนเอง ผู้เข้าอบรมได้ลงมือออกแบบกระบวนการทำงาน ตั้งแต่การนำเข้าและจัดการข้อมูลผ่านแพลตฟอร์มต่าง ๆ การสร้างแบบจำลองวิเคราะห์ ไปจนถึงการพัฒนา Dashboard หรือ Web Application สำหรับแสดงผล ก่อนนำเสนอผลงาน พร้อมอธิบายแนวคิดการออกแบบ Prompt วิธีการแก้ไขปัญหา และถอดบทเรียนจากกระบวนการพัฒนา

กิจกรรมดังกล่าวช่วยให้ผู้เรียนเห็นภาพการนำ GI Vibe Coding ไปประยุกต์ใช้แบบครบวงจร ตั้งแต่การตั้งโจทย์ การเลือกข้อมูล การสั่ง AI ให้ช่วยพัฒนาโค้ด การตรวจสอบความถูกต้องของผลลัพธ์ ไปจนถึงการสร้างเครื่องมือสำหรับนำข้อมูลไปใช้ประโยชน์

เสริมขีดความสามารถบุคลากรสู่การทำงานด้วย GeoAI

การอบรมเชิงปฏิบัติการครั้งนี้สะท้อนแนวทางการพัฒนาบุคลากรด้านภูมิสารสนเทศให้พร้อมรับการเปลี่ยนแปลงของเทคโนโลยี โดยไม่ได้มุ่งเพียงการใช้ AI เพื่อช่วยเขียนโค้ดเท่านั้น แต่ให้ความสำคัญกับความเข้าใจตรรกะเชิงพื้นที่ การเลือกใช้ข้อมูลและเครื่องมือที่เหมาะสม ตลอดจนกระบวนการตรวจสอบความถูกต้องของผลลัพธ์ที่ AI สร้างขึ้น องค์ความรู้จากหลักสูตรสามารถนำไปต่อยอดกับภารกิจที่หลากหลาย ทั้งการประมวลผลข้อมูลดาวเทียม การวิเคราะห์ข้อมูลขนาดใหญ่ การติดตามการใช้น้ำและความเครียดของพืช การวิเคราะห์พื้นที่เสี่ยงภัยแล้ง การสร้างแบบจำลองเชิงพื้นที่ และการพัฒนาแพลตฟอร์มหรือแอปพลิเคชันสำหรับสนับสนุนการตัดสินใจ การเชื่อมโยงบุคลากรจาก GISTDA สำนักงานทรัพยากรน้ำแห่งชาติ กรมชลประทาน และภาคอุตสาหกรรมเกษตรเข้ามาเรียนรู้ร่วมกัน ยังเป็นพื้นฐานสำคัญสำหรับการแลกเปลี่ยนองค์ความรู้และการประยุกต์ใช้ GeoAI กับโจทย์การบริหารจัดการทรัพยากรและภาคการเกษตรของประเทศไทยในระยะต่อไป