ขอนแก่น — นักวิจัยมหาวิทยาลัยขอนแก่นพัฒนากรอบระบบแนะนำอาหารไทยแบบอธิบายเหตุผลได้ (Explainable AI) โดยวิเคราะห์ข้อมูลรายการอาหารที่ลูกค้าสั่งร่วมกันจากร้านอาหารไทยแห่งหนึ่งในจังหวัดขอนแก่น ผสานการจำแนกรสชาติ เนื้อสัมผัส และกลิ่นอาหารจากผู้เชี่ยวชาญ พบกฎความสัมพันธ์สำหรับการแนะนำอาหาร 78 กฎ ซึ่งอาจต่อยอดช่วยผู้ประกอบการออกแบบเมนูชุด แนะนำรายการอาหารที่เข้ากัน และจัดการวัตถุดิบได้ โดยผลวิจัยยังไม่ได้พิสูจน์ว่าการใช้ระบบทำให้ยอดขายเพิ่มขึ้นจริง
บทความเรื่อง A cuisine-adaptive explainable AI framework for restaurant-specific meal recommendation: a Thai restaurant case study เผยแพร่ในวารสาร Discover Artificial Intelligence วันที่ 29 ตุลาคม 2569 โดย Silada Intarasothonchun, Pongphan Sathatip, Patcharaporn Mahasuweerachai และ Kullapapruk Piewthongngam จากมหาวิทยาลัยขอนแก่น
แทนที่จะถามว่าเมนูไหนขายดี นักวิจัยถามว่าเมนูไหนคนมักสั่งคู่กัน
ความท้าทายของร้านอาหารไทยอยู่ที่ลูกค้ามักสั่งหลายจานมารับประทานร่วมกัน ไม่ได้เลือกอาหารเพียงจานเดียว นักวิจัยจึงนำข้อมูลรายการอาหารบนบิลของร้านอาหารไทยประเภทไฟน์ไดนิงในขอนแก่น ซึ่งมีพื้นที่บริการประมาณ 340 ที่นั่ง เก็บจากการสั่งอาหารระหว่างวันที่ 1 มกราคม 2565 ถึง 30 มิถุนายน 2566 มาวิเคราะห์รูปแบบการสั่งอาหารที่เกิดขึ้นจริง
ระบบแบ่งองค์ประกอบเป็นสองส่วน ส่วนแรกใช้เทคนิคการค้นหากฎความสัมพันธ์หรือ Apriori association rule mining เพื่อดูว่าอาหารประเภทใดปรากฏร่วมกันบนบิล ส่วนที่สองให้ผู้เชี่ยวชาญอาหารไทย 3 คนช่วยกำหนดข้อมูลที่มนุษย์เข้าใจได้ ทั้งลักษณะการปรุง รสชาติ ความเผ็ด เนื้อสัมผัส และกลิ่นเด่น เพื่ออธิบายเหตุผลเชิงลักษณะอาหารประกอบคำแนะนำ
ผลวิจัย: ยำกับของทอดเป็นหนึ่งในคู่เมนูที่พบในข้อมูล
จากเงื่อนไขการวิเคราะห์ที่ผู้วิจัยกำหนด ได้กฎความสัมพันธ์แบบมีทิศทาง 78 กฎ ครอบคลุมคู่หมวดอาหาร 39 คู่ ตัวอย่างคู่ที่พบร่วมกันบ่อยที่สุดคือ ยำ–อาหารทอด โดยพบร่วมกันบนบิล 53.60% ในฐานข้อมูลที่วิเคราะห์ และเมื่อมีรายการประเภท ‘ยำ’ บนบิล มีรายการประเภท ‘ทอด’ ร่วมด้วย 77.54% ตามกฎทิศทางนั้น
ตัวเลขดังกล่าวสะท้อนพฤติกรรมการสั่งอาหารของลูกค้าใน ร้านที่ศึกษาเพียงแห่งเดียว ไม่ใช่ผลสำรวจว่าคนขอนแก่นหรือคนไทยส่วนใหญ่ชอบรับประทานยำกับของทอด และไม่สามารถระบุว่าแต่ละคนในโต๊ะสั่งหรือกินจานใด เพราะหน่วยข้อมูลคือบิลของโต๊ะอาหาร
ร้านอาหารนำไปใช้จริงอย่างไรได้บ้าง
- จัดเมนูชุด: ทดลองทำชุดอาหารตามหมวดที่ปรากฏร่วมกันบ่อยในประวัติบิลของร้านตัวเอง โดยให้พนักงานหรือเชฟคัดกรองความเหมาะสมก่อนเสนอขาย
- แนะนำเมนูบนแท็บเล็ตหรือ QR ordering: เมื่อลูกค้าเลือกจานหลัก ให้ระบบเสนอจานที่มีข้อมูลการสั่งคู่กัน พร้อมคำอธิบายรสชาติและเนื้อสัมผัสที่เข้าใจได้
- วางแผนวัตถุดิบ: ใช้ข้อมูลเมนูที่มักถูกสั่งร่วมกันประกอบการประเมินปริมาณวัตถุดิบในช่วงที่มีความต้องการสูง โดยต้องตรวจยอดขายจริงประกอบ
- ปรับให้เข้ากับอาหารอีสาน: ร้านสามารถพัฒนาหมวดรสชาติและรูปแบบอาหารของตนเอง เช่น ตำ ลาบ ต้ม ย่าง แทนการใช้กฎจากร้านอาหารที่ศึกษาโดยตรง
ทั้งสี่ข้อเป็น แนวทางประยุกต์ที่ผู้ประกอบการสามารถทดลองต่อยอด ไม่ใช่รายงานว่าระบบดังกล่าวถูกติดตั้งและเพิ่มยอดขายให้ร้านค้าในขอนแก่นแล้ว โดยหัวใจของแนวทางคือใช้ข้อมูลบิลของร้านตนเองและให้ผู้เชี่ยวชาญอาหารท้องถิ่นช่วยตีความ
ความหมายของ Explainable AI คืออธิบายได้ว่าทำไมระบบแนะนำ ไม่ใช่อ่านใจลูกค้า
ความต่างจากระบบแนะนำแบบกล่องดำคือเจ้าของร้านตรวจสอบย้อนกลับได้ว่าคำแนะนำมาจากความถี่ที่เมนูปรากฏร่วมกันในบิลและคุณลักษณะอาหารใด อย่างไรก็ดี นักวิจัยระบุว่าการมีข้อมูลคู่เมนูไม่ได้พิสูจน์แรงจูงใจที่แท้จริงของลูกค้า หรือความนิยมของอาหารไทยทั้งประเทศ และการย้ายโมเดลไปใช้ต่างร้านยังต้องทดสอบ
แหล่งข้อมูลและหมายเหตุภาพ
อ่านงานวิจัยฉบับเต็ม: Discover Artificial Intelligence — A cuisine-adaptive explainable AI framework (DOI: 10.1007/s44163-026-02660-8) และ ระเบียนงานวิจัย AI แนะนำเมนูอาหารไทยใน Thai University Rankings
ภาพปกสร้างด้วย AI เป็นภาพประกอบร้านอาหารสมมติ ไม่ใช่ภาพร้านอาหารหรือเมนูที่ใช้เก็บข้อมูลในงานวิจัยจริง
ทีมข่าวขอนแก่นลิงก์ รายงาน


