ข้ามไปยังเนื้อหาหลัก

Ask LCA ทำงานอย่างไร

Ask LCA คือผู้ช่วย AI แบบ RAG ที่ตอบคำถามเรื่องการประเมินวัฏจักรชีวิต (LCA) คาร์บอนฟุตพริ้นท์ และข้อมูลในเครือข่าย ทุกคำถามจะ retrieve เนื้อหาจากเว็บ LCA Hub ก่อน แล้วให้ LLM ตอบจากเนื้อหานั้น พร้อม citation ทุกข้อเท็จจริง

  • ใครใช้ได้สมาชิกที่ได้รับอนุมัติแล้ว ส่วนผู้ที่ไม่ได้เข้าสู่ระบบดู FAQ ได้
  • ตอบจากอะไรเนื้อหาที่เผยแพร่บนเว็บนี้ และข้อมูลผู้เชี่ยวชาญที่ opt-in
  • ตรวจสอบได้มี citation เช่น [1] ที่ลิงก์ไปหน้าต้นฉบับ

ขั้นตอน

จากคำถามถึงคำตอบ

ทุกคำถามผ่าน 8 ขั้นนี้ตามลำดับ ใช้เวลาไม่กี่วินาที กล่องเส้นประคือจุดที่ข้อมูลออกไปหา AI provider

  1. 1คุณพิมพ์คำถาม

    ถามเป็นภาษาไทยหรืออังกฤษก็ได้ ยาวได้ไม่เกิน 1,000 ตัวอักษร

  2. 2Sanitizer

    พยายามลบข้อมูลติดต่อออกจากคำถาม เช่น เบอร์โทร อีเมล และลิงก์ เป็นแบบ best effort ตรวจไม่ได้ครบทุกแบบ จึงขอให้คุณไม่พิมพ์ข้อมูลส่วนตัวลงในคำถาม

  3. 3Contact guard

    ตรวจว่าเป็นคำขอข้อมูลติดต่อของบุคคลหรือไม่ เช่น ขอเบอร์โทรหรืออีเมลของผู้บรรยาย ไม่ใช่ ⇒ ทำขั้นต่อไป

    ใช่ ⇒ หยุดตรงนี้ตอบ decline sentence ทันที ไม่ทำ retrieval และไม่ส่งคำถามให้ AI provider
  4. 4Retrieval แบบ hybrid search

    ค้น index สองแบบพร้อมกัน: lexical search หา chunk ที่มีคำตรงกัน (ใช้ glossary จับคู่คำไทยกับคำอังกฤษ) และ vector search หา chunk ที่ embedding ใกล้กับคำถาม แม้ใช้คำต่างกัน แล้วรวมอันดับด้วย fusion (RRF)

    OpenAIสร้าง embedding ของคำถาม เพื่อใช้ทำ vector search
  5. 5Access check ทุก source ณ ตอนตอบ

    ใช้เฉพาะ source ที่ยังเผยแพร่อยู่และคุณมีสิทธิ์เห็น เช่น คลังความรู้ที่เปิดเฉพาะสมาชิก ส่วนข้อมูลผู้เชี่ยวชาญใช้เฉพาะคนที่ยัง opt-in อยู่

  6. 6Context selection

    คัด chunk ที่ตรงที่สุดราว 8 ชิ้นจากผล retrieval มาเป็น context LLM อ่านเฉพาะ context นี้ ไม่ได้อ่านทั้งเว็บไซต์

  7. 7LLM generate คำตอบ

    LLM ทำตาม system prompt: ตอบจาก context เท่านั้น และใส่ citation กำกับทุกข้อเท็จจริง ถ้าข้อมูลไม่พอต้องตอบ decline sentence “ไม่มีข้อมูลที่เพียงพอสำหรับตอบคำถามนี้” แทนการเดา (hallucination)

    Anthropic (Claude)LLM ประมวลผลที่สหรัฐอเมริกา ได้รับคำถาม chat history ล่าสุดในห้องเดียวกัน และ context
  8. 8คำตอบพร้อม citation

    ท้ายคำตอบมีรายการ source กด citation หรือชื่อ source เพื่อเปิดหน้าต้นฉบับ แล้วกด 👍 หรือ 👎 ให้ feedback ว่าคำตอบมีประโยชน์หรือไม่

Source

LLM อ่านอะไร

Ask LCA ไม่ได้ค้นอินเทอร์เน็ต และไม่ได้ตอบจากความรู้ที่ LLM ได้มาตอน training เป็นหลัก LLM อ่านเฉพาะ chunk จาก index ของเราเอง ซึ่งมาจาก 2 กลุ่ม

  • เนื้อหาที่เผยแพร่บนเว็บ: FAQ คลังความรู้ ข่าว กิจกรรม โครงการ และไทม์ไลน์โครงการ
  • ข้อมูลผู้เชี่ยวชาญที่ opt-in: โปรไฟล์ (ชื่อ หน่วยงาน ตำแหน่ง ประวัติย่อ ความเชี่ยวชาญ) ผลงานตีพิมพ์ และทรัพยากร ผู้เชี่ยวชาญเลือกเองว่าจะ opt-in หรือไม่ และถอนได้ทุกเมื่อ ระบบไม่ส่งข้อมูลติดต่อ เว็บไซต์ส่วนตัว หรือรูปโปรไฟล์ให้ AI provider
Ingest: เนื้อหาเข้า index อย่างไรเนื้อหาที่เผยแพร่และข้อมูลผู้เชี่ยวชาญที่ opt-in ผ่าน chunking แล้ว OpenAI สร้าง embedding ของแต่ละ chunk จากนั้นเก็บใน index ของ Ask LCA ซึ่ง ingest ราวทุก 5 นาทีSourceเนื้อหาที่เผยแพร่และผู้เชี่ยวชาญที่ opt-inChunkingแล้วสร้างembedding(OpenAI)Indexของ Ask LCAingest ราวทุก 5 นาที
เนื้อหาใหม่หรือที่แก้ไข ถูก ingest เข้า index ภายในราว 5 นาที
ถอนการเผยแพร่ ⇒ หยุดใช้ทันที

เมื่อผู้ดูแลถอนเนื้อหาออก หรือผู้เชี่ยวชาญถอน opt-in คำตอบถัดไปจะไม่ใช้ข้อมูลนั้นอีก เพราะมี access check ทุกครั้งที่ตอบ (ขั้นที่ 5)

เนื้อหาเฉพาะสมาชิก

คลังความรู้ที่เปิดให้เฉพาะสมาชิก ถูกใช้ตอบเฉพาะสมาชิกที่มีสิทธิ์เห็นเนื้อหานั้นบนเว็บ

คำตอบ

อ่านคำตอบอย่างไร

ตัวอย่างหน้าตาเท่านั้น ไม่ใช่คำตอบจริงจากระบบ

คาร์บอนฟุตพริ้นท์ขององค์กรคืออะไร

คาร์บอนฟุตพริ้นท์ขององค์กร คือปริมาณก๊าซเรือนกระจกที่องค์กรปล่อยจากกิจกรรมทั้งหมด คิดเป็นตันคาร์บอนไดออกไซด์เทียบเท่า [1] โดยนับทั้งการปล่อยโดยตรงและการปล่อยจากพลังงานที่ซื้อมาใช้ [2]

แหล่งข้อมูล
  1. บทความในคลังความรู้
  2. คำถามที่พบบ่อย
Citation

เลข [1] [2] บอกว่าประโยคนั้นมาจาก source ไหน กดเพื่อเปิดหน้าต้นฉบับ ถ้า source นั้นถูกถอนไปแล้ว รายการจะแสดงว่าไม่พร้อมใช้งาน

Decline sentence

“ไม่มีข้อมูลที่เพียงพอสำหรับตอบคำถามนี้” แปลว่า index ยังไม่มีข้อมูลที่ตอบคำถามนี้ได้ ระบบตั้งใจตอบแบบนี้แทนการเดา ลองถามให้เจาะจงขึ้น หรือดูรายชื่อผู้เชี่ยวชาญ

LLM ผิดได้

คำตอบอาจไม่ถูกต้องหรือไม่ครบถ้วน และไม่ใช่คำแนะนำทางวิชาชีพ ตรวจกับ source หรือผู้เชี่ยวชาญก่อนนำไปใช้

Chat history

LLM เห็นข้อความล่าสุดก่อนหน้าในห้องเดียวกัน จึงถามต่อเนื่องได้ ถ้าเปลี่ยนเรื่อง เริ่มแชทใหม่จะได้ผลดีกว่า

เบื้องหลัง

ทำไมใช้ RAG แทน fine-tuning

ทางหนึ่งคือ training หรือ fine-tuning ให้ LLM จำเนื้อหาไว้ใน model weights อีกทางคือ RAG ให้ LLM อ่านเนื้อหาที่ retrieve มาก่อนตอบทุกครั้ง Ask LCA ใช้ RAG ตัว model ไม่ถูกเปลี่ยน สิ่งที่เราปรับคือ retrieval, context selection และ system prompt

Training / fine-tuningAsk LCA (RAG)
เนื้อหาใหม่ต้อง fine-tune ใหม่ ใช้เวลาหลายวันถึงหลายเดือนingest เข้า index ภายในราว 5 นาที
ลบหรือซ่อนข้อมูลทำได้ยาก เพราะข้อมูลฝังอยู่ใน model weights แล้วหยุดใช้ทันทีเมื่อถอนการเผยแพร่หรือถอน opt-in
บอก sourceบอกไม่ได้ว่าจำมาจากไหนมี citation กำกับทุกข้อเท็จจริง
ค่าใช้จ่ายหลักร้อยถึงหลักล้านดอลลาร์ต่อรอบไม่กี่สตางค์ต่อคำถาม
เมื่อไม่มีข้อมูลเสี่ยง hallucinationsystem prompt กำหนดให้ตอบ decline sentence

Privacy

ข้อมูลของคุณไปที่ไหน

สรุปจากประกาศความเป็นส่วนตัว Ask LCA ถ้าข้อความในหน้านี้ต่างจากประกาศ ให้ยึดประกาศ

เส้นทางข้อมูลเมื่อคุณถาม Ask LCAคุณส่งคำถามถึงเว็บ LCA Hub ซึ่งไม่แนบชื่อ อีเมล หรือเบอร์โทรของคุณ แล้วส่งต่อไปยังสามราย: Anthropic ในสหรัฐอเมริกาได้รับคำถาม chat history ในห้องเดียวกัน และ context จากเว็บ เพื่อให้ LLM generate คำตอบ; OpenAI ซึ่งประมวลผลในหลายประเทศได้รับคำถามและเนื้อหาจากเว็บไซต์ เพื่อสร้าง embedding สำหรับ vector search; Supabase ในสิงคโปร์เป็น database ที่เก็บห้องสนทนา ข้อความ usage data และบันทึก consent โดยข้อความลบอัตโนมัติเมื่อครบ 180 วันคุณ (สมาชิก)พิมพ์คำถามเว็บ LCA Hubไม่แนบชื่อ อีเมล หรือเบอร์โทรของคุณAnthropic, PBCสหรัฐอเมริกาได้รับ: คำถาม chat history ในห้องเดียวกันและ context จากเว็บเพื่อ: LLM generate คำตอบOpenAI OpCo, LLCหลายประเทศได้รับ: คำถาม และเนื้อหาจากเว็บไซต์เพื่อ: สร้าง embeddingสำหรับ vector searchSupabase, Inc.สิงคโปร์เก็บ: ห้องสนทนา ข้อความ usage dataและบันทึก consent ของคุณข้อความลบอัตโนมัติเมื่อครบ 180 วัน
Anthropic และ OpenAI คือ AI provider ส่วน Supabase คือ database ของเว็บไซต์
  • Consent ระบบขอ consent ก่อนใช้ครั้งแรก ถอนได้ทุกเมื่อที่หน้าตั้งค่า เมื่อถอน ระบบหยุดส่งข้อมูลของคุณให้ AI provider และลบประวัติการสนทนาทั้งหมดของคุณออกจากระบบหลักทันที ส่วน backup (ราว 14 วัน) และข้อมูลที่ส่งให้ AI provider ไปแล้ว (ไม่เกิน 30 วัน) ถูกลบตามรอบของมัน
  • ใครเห็นการสนทนาและการใช้งาน ในระบบ มีเพียงคุณที่เห็นห้องสนทนาของคุณ ผู้ดูแลเว็บไซต์ไม่มีหน้าจอสำหรับอ่านเนื้อหาการสนทนา เห็นสถิติรวม และสรุปการใช้งานรายเดือนของสมาชิกแต่ละคน เช่น จำนวนคำถามและค่าใช้จ่ายโดยประมาณ โดยไม่มีเนื้อหาการสนทนา มีข้อยกเว้นเมื่อต้องแก้เหตุขัดข้อง ตรวจเหตุละเมิดความปลอดภัย หรือทำตามกฎหมาย และ WAF อาจบันทึกคำขอที่ถูกปฏิเสธหรือเกิดข้อผิดพลาดไว้ราว 1 วัน ดูประกาศข้อ 8
  • AI provider ตามข้อกำหนด API ปัจจุบัน Anthropic และ OpenAI ไม่นำข้อมูลที่ส่งผ่าน API ไป training model โดยค่าเริ่มต้น และเก็บไว้ไม่เกิน 30 วันก่อนลบ ยกเว้นกรณีที่ผู้ให้บริการกำหนดหรือกฎหมายกำหนด
  • เราไม่นำการสนทนาของคุณไป training model การปรับปรุงคุณภาพใช้สถิติรวมและ feedback 👍 👎 ที่คุณกด
  • โปรดอย่าพิมพ์ข้อมูลอ่อนไหว เช่น สุขภาพ ศาสนา เลขประจำตัวประชาชน รหัสผ่าน หรือข้อมูลส่วนบุคคลของผู้อื่น ถ้าคุณพิมพ์ลงในคำถามเอง ข้อมูลนั้นอาจถูกส่งไปด้วย

รายละเอียดทั้งหมด รวมถึงสิทธิของคุณตามกฎหมายคุ้มครองข้อมูลส่วนบุคคล อยู่ใน ประกาศความเป็นส่วนตัว Ask LCA

การใช้งาน

Credit รายวัน

สมาชิกแต่ละคนมี credit รายวัน แถบ credit ด้านบนของหน้าแชทบอกว่าวันนี้เหลือเท่าไร credit เริ่มใหม่ทุกเที่ยงคืนตามเวลาประเทศไทย

  • สมาชิก ส่วนใหญ่ถามได้ราว 15–30 ข้อต่อวัน คำถามหรือคำตอบที่ยาวใช้ credit มากกว่า (อย่างน้อยราว 7 ข้อ)
  • ผู้เชี่ยวชาญและผู้ดูแล มี credit มากกว่า
  • ทุกคน ถามได้ไม่เกิน 30 ข้อต่อวัน
  • Fallback เมื่อ credit วันนี้หมด ระบบยังแสดง FAQ และลิงก์ไปหน้าที่เกี่ยวข้องให้ แต่ LLM จะไม่ generate คำตอบจนถึงวันถัดไป

คุณภาพ

Evaluation ก่อนเปิดให้ใช้

ก่อนเปิดให้สมาชิกใช้ เราสร้าง golden set ปัจจุบัน 78 ข้อที่รู้คำตอบที่ถูกล่วงหน้า มีทั้งคำถามที่เว็บเรามีคำตอบ และคำถามที่ไม่มีคำตอบ (เพื่อดูว่า LLM ตอบ decline sentence หรือไม่) แล้วรัน evaluation กับระบบจริงและตรวจทุกคำตอบ เราปรับระบบและรัน evaluation ซ้ำหลายรอบ จนผ่านทุก gate

  • ≥ 9 ใน 10คำตอบมีข้อเท็จจริงที่ถูกต้อง
  • ≥ 95%citation ชี้ไป source ที่มีข้อความนั้นจริง
  • ทุกข้อคำถามที่ไม่มีข้อมูล ได้ decline sentence
  • 0 ครั้งprivacy leak (เปิดเผยข้อมูลส่วนบุคคลที่ไม่ควรเปิดเผย)

หลังเปิดใช้ เราดูสถิติรวมและ feedback 👍 👎 ต่อเนื่องเพื่อปรับปรุง โดยไม่อ่านเนื้อหาการสนทนาของสมาชิก ผ่าน gate แล้วก็ยังผิดได้ จึงควรตรวจกับ source เสมอ

เคล็ดลับ

ถามอย่างไรให้ได้คำตอบดี

  • ถามเรื่องที่น่าจะมีบนเว็บนี้ เช่น ความรู้ LCA กิจกรรม ข่าว โครงการ หรือผู้เชี่ยวชาญในเครือข่าย
  • ระบุให้เจาะจง เช่น ชื่องาน ปี หรือหัวข้อ ดีกว่าถามกว้าง ๆ เพราะ retrieval หา chunk ได้ตรงกว่า
  • ถามทีละเรื่อง ถ้าเปลี่ยนเรื่องให้เริ่มแชทใหม่
  • ส่งคำถามด้วยปุ่มส่ง หรือกด Ctrl + Enter (Mac ใช้ ⌘ + Enter) ส่วน Enter อย่างเดียวคือขึ้นบรรทัดใหม่
  • อยากติดต่อผู้เชี่ยวชาญ ให้ไปที่หน้าผู้เชี่ยวชาญ contact guard ของ Ask LCA ไม่ให้ข้อมูลติดต่อของบุคคล

ศัพท์เทคนิค

ศัพท์เทคนิคในหน้านี้

ดูศัพท์ทั้งหมด 44 คำ (เรียงตามลำดับที่พบในหน้า)
AI
ปัญญาประดิษฐ์ ในหน้านี้หมายถึงโปรแกรมที่อ่านและเขียนภาษาได้
LLM (large language model)
model AI ที่ฝึกจากข้อความจำนวนมหาศาล จนอ่านและเขียนภาษาได้ Ask LCA ใช้ Claude ของ Anthropic
RAG (retrieval-augmented generation)
วิธีให้ LLM ค้นและอ่านเนื้อหาที่เกี่ยวข้องก่อนตอบ แทนการตอบจากความจำ
Retrieve / retrieval
ขั้นตอนค้นหา chunk ที่เกี่ยวข้องกับคำถามจาก index
Citation
เลข [1] [2] ในคำตอบ บอกว่าข้อเท็จจริงนั้นมาจาก source ไหน และลิงก์ไปหน้าต้นฉบับ
FAQ
คำถามที่พบบ่อย ที่ผู้ดูแลเขียนคำตอบไว้แล้ว
Opt-in
เจ้าของข้อมูลเลือกอนุญาตเอง ค่าเริ่มต้นคือไม่อนุญาต ผู้เชี่ยวชาญ opt-in ได้ที่หน้าตั้งค่าของตัวเอง และถอนได้ทุกเมื่อ
AI provider
บริษัทที่รัน model AI ให้เรา ได้แก่ Anthropic (LLM) และ OpenAI (embedding)
Sanitizer
ตัวกรองที่ลบรูปแบบของข้อมูลติดต่อ เช่น เบอร์โทร อีเมล ลิงก์ ออกจากข้อความก่อนส่งต่อ
Best effort
ทำให้ดีที่สุดแต่ไม่รับประกันว่าครบ 100%
Contact guard
ตัวตรวจที่จับคำขอข้อมูลติดต่อของบุคคล แล้วตอบ decline sentence ทันทีโดยไม่ส่งคำถามออกไป
Decline sentence
ประโยคตายตัว “ไม่มีข้อมูลที่เพียงพอสำหรับตอบคำถามนี้” ที่ใช้เมื่อตอบไม่ได้ ไม่มีข้อความอื่นปน
Index
ที่เก็บ chunk ทั้งหมดพร้อม embedding ของแต่ละ chunk เพื่อให้ค้นได้เร็ว
Chunk / chunking
chunking คือการตัดเนื้อหายาวเป็นท่อนสั้น ๆ แต่ละท่อนเรียกว่า chunk เป็นหน่วยที่ระบบค้นและส่งให้ LLM อ่าน
Embedding
ชุดตัวเลขที่แทนความหมายของข้อความ ข้อความที่ความหมายใกล้กันจะได้ตัวเลขใกล้กัน แม้ใช้คำต่างกันหรือคนละภาษา
Hybrid search
การค้นที่ใช้ lexical search และ vector search ร่วมกัน แล้วรวมผล
Lexical search
การค้นหา chunk ที่มีคำตรงกับคำถาม
Glossary (ในระบบค้นหา)
รายการคู่คำไทยกับคำอังกฤษที่หมายถึงสิ่งเดียวกัน เช่น คาร์บอนฟุตพริ้นท์ กับ carbon footprint เพื่อให้ lexical search เจอทั้งสองภาษา
Vector search
การค้นหา chunk ที่ embedding ใกล้กับ embedding ของคำถามที่สุด คือค้นจากความหมาย
Fusion (RRF)
การรวมอันดับจากการค้นสองแบบเป็นรายการเดียว chunk ที่ติดอันดับดีทั้งสองแบบขึ้นก่อน RRF ย่อจาก reciprocal rank fusion
Access check
การตรวจสิทธิ์ ณ ตอนตอบ ว่า source ยังเผยแพร่อยู่ ผู้ถามมีสิทธิ์เห็น และผู้เชี่ยวชาญยัง opt-in อยู่
Source
หน้าต้นฉบับที่ chunk มาจาก เช่น บทความในคลังความรู้ ข่าว หรือกิจกรรมหนึ่งรายการ
Context / context selection
context คือชุด chunk ราว 8 ชิ้นที่ส่งให้ LLM อ่านในหนึ่งคำตอบ context selection คือขั้นตอนคัดเลือกชุดนี้
Generate
การที่ LLM เขียนข้อความคำตอบออกมา
System prompt
กติกาตายตัวที่ LLM ต้องทำตามทุกคำตอบ เช่น ตอบจาก context เท่านั้น และใส่ citation
Hallucination
อาการที่ LLM แต่งข้อมูลที่ไม่มีจริงขึ้นมาให้ฟังดูน่าเชื่อ
Chat history
ข้อความล่าสุดก่อนหน้าในห้องสนทนาเดียวกัน ที่ส่งไปพร้อมคำถามเพื่อให้ถามต่อเนื่องได้
Feedback
การกด 👍 หรือ 👎 ใต้คำตอบ ไม่มีช่องพิมพ์ข้อความ
Training
การสร้าง model AI จากข้อความจำนวนมหาศาล ใช้เวลาหลายเดือนและเงินหลายล้านดอลลาร์
Fine-tuning
การฝึก model ที่มีอยู่แล้วต่อด้วยข้อมูลเฉพาะทาง เพื่อให้จำเนื้อหานั้นไว้ในตัว
Model weights
ตัวเลขภายใน model ที่เก็บสิ่งที่ model เรียนรู้มา training และ fine-tuning คือการเปลี่ยนตัวเลขเหล่านี้
Ingest
งานอัตโนมัติที่นำเนื้อหาใหม่หรือที่แก้ไขเข้า index ทำงานราวทุก 5 นาที
Database
ระบบเก็บข้อมูลของเว็บไซต์ LCA Hub ใช้ Supabase
Usage data
ข้อมูลการใช้งาน เช่น วันเวลา credit ที่ใช้ ปริมาณการประมวลผล และสถานะข้อผิดพลาด ไม่มีเนื้อหาคำถามหรือคำตอบ
Consent
ความยินยอมตามกฎหมายคุ้มครองข้อมูลส่วนบุคคล คุณกดยอมรับประกาศก่อนใช้ Ask LCA ครั้งแรก และถอนได้ทุกเมื่อ
Backup
สำเนาสำรองของ database ที่เข้ารหัสไว้ เก็บราว 14 วัน
WAF (web application firewall)
ระบบป้องกันเว็บที่กรองคำขอที่น่าสงสัยก่อนถึงเว็บไซต์ ดูแลโดยทีมของมหาวิทยาลัยเชียงใหม่ผู้ดูแลเครื่อง
API
ช่องทางที่โปรแกรมของเราใช้ส่งข้อมูลไปให้ AI provider ประมวลผล
Credit
โควตาการใช้งานต่อวันของแต่ละคน คิดจากปริมาณการประมวลผลจริง เพื่อควบคุมค่าใช้จ่ายของบริการ
Fallback
ทางสำรองเมื่อ LLM ตอบไม่ได้ เช่น credit หมด ระบบแสดง FAQ และลิงก์ที่เกี่ยวข้องแทน
Golden set
ชุดคำถามมาตรฐานที่เตรียมคำตอบที่ถูกไว้ล่วงหน้า ใช้วัดคุณภาพแบบเดิมซ้ำได้ทุกรอบ
Evaluation (eval)
การรัน golden set กับระบบจริง แล้วตรวจคะแนนทุกคำตอบ
Gate
เกณฑ์ขั้นต่ำที่ evaluation ต้องผ่านก่อนเปิดให้สมาชิกใช้
Privacy leak
คำตอบที่เปิดเผยข้อมูลส่วนบุคคลที่ไม่ควรเปิดเผย

การใช้คุกกี้วิเคราะห์

เว็บไซต์นี้ใช้ Google Analytics เพื่อดูภาพรวมการใช้งาน เช่น จำนวนผู้เข้าชมและหน้าที่ได้รับความสนใจ โดยจะเปิดใช้เมื่อคุณยอมรับเท่านั้น

ยังไม่ได้เลือก