นักศึกษาภาควิชาวิศวกรรมคอมพิวเตอร์ วิศวลาดกระบัง คว้าแชมป์ GreenMind AI Hackathon 2026 พัฒนา AI ทำงานผ่าน SLO ได้มากขึ้น 4.78 เท่าต่อพลังงาน GPU
คณะวิศวกรรมศาสตร์ สจล. ขอแสดงความยินดีกับทีม TokenWork นักศึกษาภาควิชาวิศวกรรมคอมพิวเตอร์ ในโอกาสคว้ารางวัลชนะเลิศ พร้อมเงินรางวัล 10,000 บาท จากการแข่งขัน GreenMind AI Hackathon 2026 ด้วยผลงาน “MANGO1.5: ประหยัดพลังงานต่องานที่ผ่าน SLO” ซึ่งมุ่งพัฒนาระบบปัญญาประดิษฐ์ให้ประมวลผลได้อย่างมีประสิทธิภาพ ใช้พลังงานอย่างคุ้มค่า และยังคงคุณภาพการให้บริการตามเกณฑ์ที่กำหนด 
ทำ AI ให้เร็วขึ้น ใช้พลังงานคุ้มค่าขึ้น
สมาชิกทีม TokenWork ประกอบด้วย 1. นายณัฐพล บุญแดง 2. นายธนศักดิ์ สองศรี 3. นายณัฐพล ศุภผล 4. นายปวิช รุ่งฐานอุดม นักศึกษาภาควิชาวิศวกรรมคอมพิวเตอร์ คณะวิศวกรรมศาสตร์ สจล.
การแข่งขันจัดขึ้นระหว่างวันที่ 24–25 ตุลาคม 2569 ณ ชั้น 3 โรงพยาบาลพระจอมเกล้าเจ้าคุณทหาร โดยมหาวิทยาลัยซีเอ็มเคแอล (CMKL University) ร่วมกับ ExxonMobil Thailand และเครือข่าย AIEI ภายใต้โจทย์ “Can you make AI faster while using less energy?” เปิดโอกาสให้ผู้เข้าแข่งขันพัฒนาและปรับปรุงระบบ AI เพื่อเพิ่มความเร็วในการทำงาน พร้อมลดการใช้พลังงานในการประมวลผล
เบื้องหลังผลงาน: ปรับทั้งโมเดลและระบบให้บริการ
ทีม TokenWork พัฒนาระบบโดยปรับปรุงทั้งตัวโมเดล AI และระบบให้บริการโมเดลให้ทำงานร่วมกันอย่างเหมาะสม ผ่านเทคนิคทางวิศวกรรมคอมพิวเตอร์หลายด้าน ได้แก่
- Model Quantization: ใช้เทคนิค SmoothQuant ร่วมกับ GPTQ แบบ W8A8 เพื่อลดภาระด้านหน่วยความจำและการประมวลผลในส่วนที่เหมาะสม พร้อมคงความละเอียด BF16 ไว้ในบางส่วนเพื่อช่วยรักษาคุณภาพของโมเดล
- Inference Optimization: ปรับการทำงานของ vLLM ทั้งการจัดกลุ่มคำขอ การประมวลผลบริบทยาว และการกำหนดงบประมาณโทเคนสำหรับการให้เหตุผล
- Quality Evaluation: ทดลองเปรียบเทียบการตั้งค่าหลายรูปแบบ โดยประเมินทั้งคุณภาพคำตอบ ความเร็ว และจำนวนคำขอที่ผ่านเกณฑ์การให้บริการ
ระบบได้รับการประเมินผ่านงาน 6 ประเภท ได้แก่ การสนทนา การตอบคำถามโดยใช้ข้อมูลประกอบ (RAG) การเรียกใช้เครื่องมือ การให้เหตุผล ภาษาไทย และการประมวลผลบริบทยาว เพื่อค้นหาสมดุลระหว่างประสิทธิภาพการทำงานกับการใช้ทรัพยากร
ผลทดสอบรอบ Final: ผ่าน SLO ครบ 300 คำขอ
ผลการทดสอบรอบ Final ที่ทีมรายงาน แสดงให้เห็นถึงประสิทธิภาพของระบบที่พัฒนาขึ้น
คะแนนทดสอบระบบ 100.0
คะแนนตามผลการแข่งขัน
คำขอที่ผ่าน SLO 300/300
ผ่านครบทุกคำขอ
ประสิทธิภาพต่อพลังงาน GPU 4.78×
เทียบกับระบบอ้างอิง
ความแม่นยำของคำตอบ 90.0%
ตามการประเมินของการแข่งขัน
พลังงานที่ใช้ 129 จูลต่อคำขอ
ตามผลที่ระบบประเมินรายงาน
SLO (Service Level Objective) คือเป้าหมายด้านคุณภาพการให้บริการ ซึ่งในการแข่งขันนี้ครอบคลุมความรวดเร็วในการเริ่มตอบ ความเร็วในการสร้างคำตอบ และการตอบกลับอย่างสมบูรณ์โดยไม่เกิดข้อผิดพลาดหรือถูกตัดก่อนจบ
ส่วนประสิทธิภาพ 4.78 เท่า หมายถึงระบบสามารถส่งมอบคำขอที่ผ่าน SLO ต่อพลังงาน GPU ได้มากกว่าระบบอ้างอิง 4.78 เท่า ภายใต้เงื่อนไขการทดสอบของการแข่งขัน หรือคิดเป็นการใช้พลังงาน GPU ประมาณ 20.9% ของระบบอ้างอิงสำหรับงานที่ผ่าน SLO ในปริมาณเท่ากัน
ผลดังกล่าวสะท้อนแนวทางการพัฒนา AI ที่ไม่ได้มุ่งเพิ่มความสามารถในการประมวลผลเพียงอย่างเดียว แต่ให้ความสำคัญกับการใช้ทรัพยากรอย่างมีประสิทธิภาพด้วย ทั้งนี้ ตัวเลขการประหยัดพลังงานดังกล่าวเป็นการเปรียบเทียบในขอบเขตพลังงาน GPU ตามการทดสอบ ไม่ใช่การลดการใช้พลังงานรวมของศูนย์ข้อมูลโดยตรง
วิศวกรรมคอมพิวเตอร์ กับ AI ที่ใช้ทรัพยากรอย่างคุ้มค่า
ความสำเร็จของทีม TokenWork แสดงให้เห็นถึงการประยุกต์องค์ความรู้ด้านปัญญาประดิษฐ์ การเพิ่มประสิทธิภาพการคำนวณ และการออกแบบระบบให้บริการ เพื่อพัฒนา AI ที่ทำงานได้ตามเป้าหมายโดยใช้ทรัพยากรอย่างเหมาะสม ซึ่งเป็นอีกหนึ่งแนวทางสำคัญในการพัฒนาเทคโนโลยี AI ให้รองรับการใช้งานจริงได้อย่างมีประสิทธิภาพและยั่งยืน
