การติดตามงานและการบริหารโครงการ (Task Tracking & Jira)
โครงสร้างการติดตามความคืบหน้าของงาน พัฒนาการของระบบ และการบริหารโครงการ ScamGuard ผ่านกระดาน Jira และรายงานสถานะตาม Work Packages
การติดตามงานและการบริหารโครงการ (Task Tracking & Jira)
โครงสร้างการติดตามความคืบหน้าของงาน พัฒนาการของระบบ และการบริหารโครงการ ScamGuard ผ่านกระดาน Jira และรายงานสถานะตาม Work Packages
1. ข้อมูลโครงการและบอร์ดติดตามงาน (Jira Board)
ทีมพัฒนาใช้ซอฟต์แวร์ Jira ในการบริหารจัดการและติดตามงานตามแนวทาง Agile/Scrum:
- รหัสโครงการ (Project Key): SCM
- กระดานติดตามงาน (Board): ScamGuard Board
- สถานะการดำเนินงาน (Workflow Statuses):
- To Do: งานที่ผ่านการวิเคราะห์และรอเริ่มดำเนินการ
- In Progress: งานที่อยู่ระหว่างการพัฒนาหรือทดสอบในเครื่องผู้พัฒนา
- In Review: งานที่เสร็จสิ้นแล้วและอยู่ระหว่างการตรวจสอบโค้ด (Code Review) หรือการทดสอบเทียบกับเกณฑ์ยอมรับ (Acceptance Criteria)
- Done: งานที่ผ่านการทดสอบ ผ่านการ Review และรวมเข้าสู่กิ่งหลัก (Main Branch) เรียบร้อยแล้ว
2. สถานะความคืบหน้าภาพรวมรายเฟส (Phase Progress)
| เฟสการทำงาน | รายละเอียดงาน | สถานะ | ความคืบหน้า |
|---|---|---|---|
| เฟส 1: ข้อกำหนดและการวางแผน | รวบรวม Requirement Candidates (RC), วิเคราะห์ SRS, กำหนด KPI และขอบเขตงาน | เสร็จสิ้น | 100% |
| เฟส 2: การออกแบบระบบและสถาปัตยกรรม | ออกแบบ C1-C4 Diagrams, ER Diagram, UI/UX บน Figma และ Design System | เสร็จสิ้น | 100% |
| เฟส 3: การพัฒนาส่วนประกอบหลัก | พัฒนา Mobile App, FastAPI Backend, AI SegFormer Model, Surya OCR และ Admin Portal | กำลังดำเนินการ | ~90%* |
| เฟส 4: การทดสอบและการผสานระบบ | Automated Test Suites (Unit/Integration/E2E), Performance Load Test และ NFR Validation (รายงานใน tests_all/tests_report/, เคส manual ใน tests_all/manual_tests/, สำเนา CSV ใน spreadsheets/, ต้นทางผลประเมินโมเดลใน model/segformer/Test-Case/output/) |
กำลังดำเนินการ | ~85%* |
| เฟส 5: การส่งมอบและเอกสารสมบูรณ์ | รวบรวมเอกสารคู่มือ บันทึกการดำเนินงาน และรายงานผลการตรวจรับโครงงานวิศวกรรม | กำลังดำเนินการ | ~80%* |
* ตัวเลขเป็นค่าประมาณจากสัดส่วนงาน Done/ทั้งหมดบนบอร์ด Jira SCM ณ 2026-09-06 — อัปเดตพร้อมวันที่ทุกครั้ง ไม่ใช้เป็นเกณฑ์ตัดสิน
แผนไทม์ไลน์ (พ.ย. 2568 – มิ.ย. 2569)
ดู Mermaid source
gantt
title แผนการดำเนินโครงงานวิศวกรรมซอฟต์แวร์ (พ.ย. 2568 - มิ.ย. 2569)
dateFormat YYYY-MM-DD
section วางแผน & วิเคราะห์ความต้องการ
การวางแผนและวิเคราะห์ความต้องการ (Planning & Requirements) :active, p1, 2025-11-01, 2025-12-31
section การออกแบบระบบ
การออกแบบสถาปัตยกรรม & ระบบ (System Architecture Design) : p2, 2025-12-01, 2026-01-31
section การพัฒนาซอฟต์แวร์
พัฒนา Mobile App (Flutter) : p3_1, 2026-02-01, 2026-04-30
พัฒนาและ Fine-tune โมเดล AI : p3_2, 2026-02-01, 2026-04-30
พัฒนา Backend API & Caching (FastAPI & Redis) : p3_3, 2026-02-01, 2026-04-30
section การบูรณาการ & ทดสอบ
รวมระบบและทดสอบการทำงาน (SIT & Performance Testing) : p4, 2026-05-01, 2026-05-31
section การติดตั้ง & ประเมินผล
ติดตั้งขึ้นระบบจริง & UAT (Deployment & UAT) : p5, 2026-05-01, 2026-05-31
section สรุปผลโครงงาน
สรุปผลการวิจัยและจัดทำเล่มรายงานฉบับสมบูรณ์ : p6, 2026-06-01, 2026-06-30
3. รายการงานสำคัญแยกตามคอมโพเนนต์ (Key Component Work Packages)
3.1 Mobile Application (Flutter)
- พัฒนาโครงสร้าง Clean Architecture (Presentation, Domain, Data) พร้อม BLoC State Management
- ปรับปรุง UI รองรับ Dark Mode First และ Light Mode ตามมาตรฐาน WCAG AA
- เชื่อมต่อ RESTful API เต็มรูปแบบกับระบบหลังบ้าน (นำ Mock Repositories ออก)
- เพิ่มระบบแคชและประวัติการสแกนย้อนหลัง (Recent History, Thumbnails, Tap Navigation)
3.2 Backend API & Database (FastAPI & PostgreSQL)
- ออกแบบ RESTful API Endpoints สำหรับ Authentication, Scan Processing และ Admin Operations
- วางระบบ Caching บน Redis ด้วย SHA-256 Hash ตอบกลับ Cache Hit ภายใน P95 ≤ 3 วินาที (ภาพ 1080p, 4G/Wi-Fi)
- แยกสคีมาตาราง
adminsออกจากusersเพื่อความปลอดภัยขั้นสูงสุด - ติดตั้งระบบ Database Migration ด้วย Alembic เพื่อควบคุมการเปลี่ยนแปลงของสคีมา
3.3 AI Inference Engine & Pipelines
- พัฒนาและส่งออกโมเดล SegFormer (MiT-B0 ถึง MiT-B2) ในรูปแบบ ONNX Runtime — ฝึกและประเมินถึง v1.0.5 แล้ว (MiT-B2, 197.5k iters, checkpoint 20260915_084109; ดีที่สุดบน common test และ export ONNX แล้ว แต่ local set ได้ mDice 84.87% ยังไม่ผ่านเกณฑ์ 85.00%; คะแนนรายเวอร์ชัน v1.0.0–v1.0.5 ใน
spreadsheets/qualitative/และspreadsheets/quantitative/) - ใช้อัลกอริทึม Overlapping Tiling Inference ป้องกันรอยต่อของภาพขนาดใหญ่
- ติดตั้ง Surya OCR v0.5.0 (Native PyTorch) สำหรับการสกัดข้อความภาษาไทยและอังกฤษ
- ปรับแต่ง XAI Pipeline ร่วมกับ Qwen2.5 สำหรับสร้างคำอธิบายความผิดปกติ
3.4 Admin Portal (React / Vite)
- พัฒนา Web Console สำหรับผู้ดูแลระบบ เชื่อมต่อ API จริงและฐานข้อมูล PostgreSQL
- แสดงสถิติและสถานะระบบแบบ Real-time ด้วย WebSocket Telemetry
- ระบบ AI Model Registry ควบคุมการ Deploy/Rollback เวอร์ชันโมเดลพร้อม Row Locking
- ระบบจัดการและตรวจสอบข้อร้องเรียน (Moderation Queue) เพื่อคัดเลือกภาพเข้า Dataset
4. ประเด็นสำคัญ
- งานทั้งหมดถูกแบ่งย่อยและมี Traceability เชื่อมโยงกลับไปยังข้อกำหนดใน Traceability Matrix เสมอ
- การเปลี่ยนแปลงในแต่ละคอมโพเนนต์จะถูกบันทึกลงใน Git และบันทึกประวัติการพัฒนาใน
.agents/log.md - ความคืบหน้าทางเทคนิคในปัจจุบันมุ่งเน้นการเสริมความแข็งแกร่ง (Hardening) การทดสอบระบบอัตโนมัติ และความปลอดภัย