gemma4-thai-marketing

Gemma 4 Thai Performance Marketing (Fine-tuned via Unsloth)

นี่คือโมเดลภาษาขนาดใหญ่ (LLM) สถาปัตยกรรม Gemma 4 E2b ที่ผ่านการทำ Fine-tuning (QLoRA) เพื่อปรับจูนความเชี่ยวชาญเฉพาะทางด้าน Performance Marketing (การตลาดออนไลน์ที่เน้นผลลัพธ์) โดยเฉพาะการวิเคราะห์คоขวดของการยิงโฆษณา (Meta Ads, TikTok Ads) และการวิเคราะห์ข้อมูลทางธุรกิจในรูปแบบโครงสร้างคำแนะนำแบบมีเหตุมีผล (IF-THEN Actionable Insights) เป็นภาษาไทย

🚀 จุดเด่นของโมเดล (Model Highlights)

• Expert in Performance Marketing: ถูกจูนด้วยชุดข้อมูลการวิเคราะห์โฆษณาขั้นลึก พร้อมการให้คำแนะนำแบบเจาะลึก Root Cause และแผนปฏิบัติการ (Actionable Steps)
• Optimized Framework: พัฒนาและแปลงระบบการคำนวณผ่าน Unsloth Core ทำให้อินเฟอเรนซ์และประมวลผลคำตอบภาษาไทยได้รวดเร็ว
• Multiple Formats: รองรับการใช้งานทั้งแบบ LoRA Adapter (อยู่ในโฟลเดอร์ /lora) และโมเดลรวมร่างตัวเต็ม (Merged 16-bit) ในหน้าแรก

📊 ข้อมูลการเทรน (Training Data)

โมเดลนี้ได้รับการฝึกฝนผ่านชุดข้อมูล: yothinS/Thai_performance_marketing ซึ่งผ่านการคลีนและจัดโครงสร้างในรูปแบบ OpenAI Chat Format บันทึกบทสนทนาแนวคิดและตัวเลขสถิติทางการตลาดออนไลน์ (CPM, CTR, CPC, CVR, ROAS)

🛠️ ไฮเปอร์พารามิเตอร์ (Hyperparameters)

กระบวนการจูนใช้การตั้งค่าพารามิเตอร์ที่มีความเสถียรสูงสุดสำหรับการ์ดจอ T4 GPU ดังนี้:

• Framework: Unsloth + SFTTrainer (trl)
• Method: QLoRA (4-bit quantization base)
• LoRA Rank (r): 16
• LoRA Alpha: 32
• LoRA Target Modules: ครบถ้วนทุกเลเยอร์ (q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj)
• Total Training Steps: 150 Steps (~2 Epochs)
• Effective Batch Size: 8 (Batch Size 2 x Gradient Accumulation 4)
• Learning Rate: 2e-4 (Linear Scheduler)
• Optimizer: adamw_8bit

---

💻 วิธีการเรียกใช้งาน (Usage Guide)

1. เรียกใช้งานในรูปแบบโมเดลตัวเต็ม (Merged 16-bit) ผ่าน Transformers

เนื่องจากโมเดลในหน้าแรกถูกรวมร่าง (model.safetensors) เรียบร้อยแล้ว คุณสามารถดึงไปใช้ผ่านไลบรารีดั้งเดิมได้ทันที:

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "yothinS/gemma4-thai-marketing"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    device_map="auto"
)

# จัดฟอร์แมตข้อความแบบ Chat Template ของ Gemma 4 (Multimodal Input Format)
messages = [
    {
        "role": "user", 
        "content": [
            {
                "type": "text", 
                "text": "แคมเปญ E-commerce งบ 5,000 บาท/วัน CTR 2.4% แต่ CVR ต่ำมากเพียง 0.2% ควรวิเคราะห์คอขวดอย่างไร"
            }
        ]
    }
]

inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=1024, temperature=0.7, top_p=0.95)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

2. เรียกใช้งานตัว LoRA Adapter ผ่าน Unsloth (แนะนำสำหรับสเปกประหยัด VRAM)

หากต้องการดึงเฉพาะไฟล์น้ำหนักตัวเสริมไปประกบกับ Gemma 4 ตัวดั้งเดิม:

from unsloth import FastLanguageModel
import torch

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = "unsloth/gemma-4-E2b-it",
    lora_model = "yothinS/gemma4-thai-marketing",
    subfolder = "lora", # ดึงจากโฟลเดอร์ย่อย lora
    max_seq_length = 2048,
    load_in_4bit = True
)

---

⚠️ ข้อจำกัดและคำแนะนำ (Limitations & Disclaimer)

• Domain Specific: โมเดลนี้ถูกจูนให้น้ำหนักความสำคัญและรูปแบบการตอบเอนเอียงไปทางกลุ่ม Performance Marketing สูง ข้อความวิเคราะห์ทั่วไปที่ไม่ใช่เรื่องธุรกิจอาจมีสไตล์การพิมพ์แบบเป็นทางการหรือติดโครงสร้าง IF-THEN มาด้วย
• Verification: คำแนะนำและตัวเลขทางสถิติเป็นเพียงการประมวลผลจากข้อมูลที่เรียนรู้มา ผู้ใช้งานควรนำคำวินิจฉัยไปตรวจสอบร่วมกับหน้า Dashboard โฆษณาจริง (Meta/TikTok Event Manager) อีกครั้งก่อนตัดสินใจปรับเปลี่ยนงบประมาณทางธุรกิจ