ESP32-S3 กับ AI/LLM: สร้างอุปกรณ์ IoT อัจฉริยะด้วยปัญญาประดิษฐ์

// ESP32-S3 + OpenAI API Example
// ตัวอย่างการส่งข้อความไปให้ GPT ประมวลผล

#include <WiFi.h>
#include <HTTPClient.h>
#include <ArduinoJson.h>

// ตั้งค่า WiFi
const char* ssid = "YOUR_WIFI_SSID";
const char* password = "YOUR_WIFI_PASSWORD";

// ตั้งค่า OpenAI API
const char* apiKey = "YOUR_OPENAI_API_KEY";
const char* apiUrl = "https://api.openai.com/v1/chat/completions";

void setup() {
  Serial.begin(115200);
  
  // เชื่อมต่อ WiFi
  WiFi.begin(ssid, password);
  while (WiFi.status() != WL_CONNECTED) {
    delay(500);
    Serial.print(".");
  }
  Serial.println("\nWiFi connected!");
}

void loop() {
  // ตัวอย่าง: ส่งข้อความถาม LLM
  String userMessage = "อธิบายเกี่ยวกับ IoT แบบสั้นๆ";
  String response = askLLM(userMessage);
  
  Serial.println("LLM Response: " + response);
  
  delay(30000); // รอ 30 วินาที
}

String askLLM(String message) {
  if (WiFi.status() != WL_CONNECTED) {
    return "WiFi disconnected";
  }
  
  HTTPClient http;
  http.begin(apiUrl);
  http.addHeader("Content-Type", "application/json");
  http.addHeader("Authorization", "Bearer " + String(apiKey));
  
  // สร้าง JSON request
  StaticJsonDocument<512> doc;
  doc["model"] = "gpt-3.5-turbo";
  JsonArray messages = doc.createNestedArray("messages");
  JsonObject msg = messages.createNestedObject();
  msg["role"] = "user";
  msg["content"] = message;
  
  String requestBody;
  serializeJson(doc, requestBody);
  
  // ส่ง request
  int httpCode = http.POST(requestBody);
  String response = "";
  
  if (httpCode == 200) {
    response = http.getString();
  }
  
  http.end();
  return response;
}

// ESP32-S3 + TensorFlow Lite Micro
// ตัวอย่างการรันโมเดล ML บน ESP32-S3

#include <TensorFlowLite.h>
#include <tensorflow/lite/micro/all_ops_resolver.h>
#include <tensorflow/lite/micro/micro_error_reporter.h>
#include <tensorflow/lite/micro/micro_interpreter.h>
#include <tensorflow/lite/schema/schema_generated.h>
#include "model_data.h"  // ไฟล์โมเดลที่ convert แล้ว

// กำหนดขนาด tensors
const int kTensorArenaSize = 200000;
uint8_t tensor_arena[kTensorArenaSize];

void setup() {
  Serial.begin(115200);
  
  // สร้าง error reporter
  static tflite::ErrorReporter* error_reporter = new tflite::MicroErrorReporter();
  
  // โหลดโมเดล
  const tflite::Model* model = tflite::GetModel(g_model);
  
  // สร้าง interpreter
  static tflite::MicroInterpreter interpreter(
    model,
    resolver,
    tensor_arena,
    kTensorArenaSize,
    error_reporter
  );
  
  // จอง memory ให้ tensors
  interpreter.AllocateTensors();
  
  Serial.println("Model loaded!");
}

void loop() {
  // อ่านค่าจากเซ็นเซอร์
  float sensorValue = readSensor();
  
  // ใส่ข้อมูลเข้า input tensor
  TfLiteTensor* input = interpreter.input(0);
  input->data.f[0] = sensorValue;
  
  // รันโมเดล
  interpreter.Invoke();
  
  // อ่านผลลัพธ์จาก output tensor
  TfLiteTensor* output = interpreter.output(0);
  float prediction = output->data.f[0];
  
  Serial.printf("Prediction: %.2f\n", prediction);
  
  delay(1000);
}

float readSensor() {
  // อ่านค่าเซ็นเซอร์จริงๆ ตามที่ใช้
  return random(0, 100) / 100.0;
}