หัวหน้าโครงการ: นงนุช จินดารัตนาภรณ์
ระยะเวลา: กันยายน 2567 – สิงหาคม 2568
Objectives
- To develop a user-friendly accountability tool, whereby online social media platforms are systematically and automatically monitored and analysed food advertisements to identify and report on violations of the Notification of the Ministry of Public Health (No. 367) B.E. 2557 (2014), at regular intervals.
- To assess compliance with existing Thai FDA law related to the food advertising.
โครงการการเฝ้าระวังและตรวจจับการโฆษณาอาหารที่ผิดกฎหมายทางสื่ออินเทอร์เน็ต
หลักการและเหตุผล (Introduction)
ปัจจุบัน การโฆษณาอาหารที่ผิดกฎหมายผ่านสื่ออินเทอร์เน็ต เช่น เฟซบุ๊ก อินสตาแกรม และอีมาร์เก็ตเพลส เป็นปัญหาที่น่าเป็นห่วง จากสถิติของศูนย์จัดการเรื่องร้องเรียนและปราบปรามการกระทำผิดกฎหมายเกี่ยวกับผลิตภัณฑ์สุขภาพ (ศรป.) อย. กระทรวงสาธารณสุข ในช่วงพ.ศ. 2564–2565 พบว่า จากโฆษณาทั้งหมด 14,462 รายการ มีมากถึง 14,110 รายการที่เข้าข่ายโฆษณาอาหารที่ผิดกฎหมาย ซึ่งส่วนใหญ่เป็นการโฆษณาโดยไม่ได้รับอนุญาตหรือเป็นผลิตภัณฑ์อาหารที่ลักลอบผลิตและนำเข้า ทั้งนี้โฆษณาส่วนใหญ่ใช้ชื่อการค้าเป็นภาษาอังกฤษ ซึ่งขัดต่อประกาศกระทรวงสาธารณสุข (ฉบับที่ 367) พ.ศ. 2557 ที่กำหนดให้อาหารและฉลากต้องแสดงเป็นภาษาไทย การโฆษณาลักษณะดังกล่าวไม่เพียงแต่ละเมิดกฎหมาย แต่ยังเสี่ยงก่อให้เกิดอันตรายต่อผู้บริโภค ดังนั้น เพื่อแก้ไขปัญหานี้องค์การอนามัยโลกประจำประเทศไทยจึงสนับสนุนทุนวิจัยให้แก่สถาบันวิจัยประชากรและสังคม มหาวิทยาลัยมหิดล พัฒนาโครงการระบบปัญญาประดิษฐ์ (AI) เพื่อติดตามเฝ้าระวังและตรวจจับโฆษณาอาหารผิดกฎหมายบนอินเทอร์เน็ต โดยมุ่งเน้นการตรวจสอบอาหารเสริมสำหรับผู้สูงอายุที่ไม่มีภาษาไทยบนฉลาก
วัตถุประสงค์ (Objectives)
เพื่อพัฒนาระบบปัญญาประดิษฐ์ (Artificial Intelligence: AI) ในการติดตามเฝ้าระวังและตรวจจับโฆษณาอาหารเสริมในกลุ่มผู้สูงอายุที่ผิดกฎหมายโดยไม่แสดงภาษาไทยบนฉลาก
ส่วนงานที่ร่วมดำเนินการ
สถาบันวิทยาการหุ่นยนต์ภาคสนาม มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี และศูนย์จัดการเรื่องร้องเรียนและปราบปรามการกระทำผิดกฎหมายเกี่ยวกับผลิตภัณฑ์สุขภาพ (ศรป.) สำนักงานคณะกรรมการอาหารและยา (อย.) กระทรวงสาธารณสุข
กลุ่มเป้าหมาย (Target group)
โฆษณาอาหารผิดกฎหมายบนอินเทอร์เน็ต
วิธีการดำเนินการ (Methods)
วิธีการศึกษาใช้ระบบ AI ซึ่งออกแบบให้มีสถาปัตยกรรมแบบโมดูลาร์ ประกอบด้วย 3 ขั้นตอน ดังนี้ ขั้นตอนที่ 1 การเก็บข้อมูลโฆษณาอาหารฯ จาก Google Marketplace ด้วยการใส่คำค้นหาที่เกี่ยวข้องกับปัญหาสุขภาพของผู้สูงอายุ 10 คำ ขั้นตอนที่ 2 การวิเคราะห์ด้วย AI ผ่านโมเดลระบุตำแหน่งและชนิดของวัตถุในภาพได้พร้อมกันหลายรายการ (You Only Look Once: YOLOv12n) โดยตรวจจับภาพโฆษณาอาหารฯ แบบเรียลไทม์ และระบุฉลากผลิตภัณฑ์ภายในภาพโฆษณาอาหารฯ จากนั้นระบบการรู้จำอักขระ (Optical Character Recognition: OCR) เชื่อมกับโมเดลภาษา Gemini ทำการดึงข้อความจากฉลากที่ถูกระบุ เพื่อตรวจสอบภาษา และขั้นตอนที่ 3 การประมวลผลการตรวจจับ ระบบ AI ทำการจัดรายงานผลการตรวจจับโฆษณาอาหารฯ ออกเป็นเป็น 2 หมวด ได้แก่ หมดวที่ 1 ผิดกฎหมาย (หากไม่พบการใช้ภาษาไทย) หรือ หมวดที่ 2 ต้องตรวจสอบเพิ่มเติม (หากพบว่าภาพโฆษณาอาหารฯ มีฉลากภาษาไทย) จากนั้น ระบบ AI รวบรวมผลการตรวจจับโฆษณาอาหารฯ และจัดทำเป็นรายงานในไฟล์ Excel เพื่อส่งให้เจ้าหน้าที่ตรวจสอบผลการตรวจจับต่อไป
ผลผลิตและผลลัพธ์ที่คาดหวัง (Output and expected result)
ผลลัพธ์ที่ได้จากโครงการนี้คือ ระบบเฝ้าระวังและตรวจจับการโฆษณาอาหารที่ผิดกฎหมายทางสื่ออินเทอร์เน็ต ซึ่งประกอบด้วยโมดูลการทำงานต่าง ๆ ที่พัฒนาขึ้นจนสำเร็จเป็นรูปธรรม ดังนี้
- ระบบต้นแบบที่ทำงานได้จริง คือ
1.1 ระบบการรวบรวมข้อมูล (Search Module) ที่สามารถรวบรวมข้อมูลโฆษณาอาหารเสริมสำหรับผู้สูงอายุจาก Google Marketplace ตามคำค้นหา (Keyword) ที่ผู้ใช้กำหนดเมื่อระบบทำงานเสร็จสิ้น จะแสดงผลลัพธ์ในรูปแบบตาราง ซึ่งประกอบด้วย รูปภาพสินค้า คำอธิบายสินค้า และลิงก์ไปยังเว็บไซต์ของสินค้า ระบบปัญญาประดิษฐ์ในการตรวจสอบ (AI Module) ที่สามารถวิเคราะห์ภาพโฆษณาเพื่อจำแนกความเสี่ยงเบื้องต้นได้สำเร็จ
1.2 ระบบค้นหาตำแหน่งฉลาก ระบบแปลอักษรบนฉลาก และจำแนกภาษา
1.3 ระบบจัดการหลังสามารถประมวลผลและสรุปผลการตรวจสอบทั้งหมดในรูปแบบตารางที่เข้าใจง่าย เพื่อให้เจ้าหน้าที่สามารถนำข้อมูลไปใช้ประกอบการทำงานในขั้นตอนต่อไปได้ - ชุดข้อมูลและผลการทดสอบเชิงประจักษ์ คือ ชุดข้อมูลสำหรับการฝึกและทดสอบที่มีการรวบรวมและสร้างชุดข้อมูลภาพผลิตภัณฑ์อาหารเสริมจำนวน 425 ภาพสำหรับฝึก (Training set) และ 103 ภาพสำหรับตรวจสอบ (Validation set) เพื่อใช้ในการพัฒนาระบบ AIตรวจจับฉลากฯ ตารางผลการประเมินประสิทธิภาพที่ได้ผลลัพธ์เป็นข้อมูลเชิงสถิติที่วัดประสิทธิภาพของระบบ AI ในด้านต่าง ๆ อย่างละเอียด เช่น ค่า Accuracy, Precision, Recall, และ F1-score โดยจำแนกตามกลุ่มโรคต่าง ๆ 10 กลุ่ม ข้อมูลนี้สามารถใช้เป็นเกณฑ์อ้างอิงและเป็นพื้นฐานในการพัฒนาปรับปรุงระบบต่อไปในอนาคตได้
