feat(ai): unify AI architecture, implement RAG and legacy migration

specs/300-others/302-ai-model-revision/checklists/requirements.md

@@ -0,0 +1,35 @@
+# Specification Quality Checklist: AI Model Revision (ADR-023A)
+
+**Purpose**: Validate specification completeness and quality before proceeding to planning
+**Created**: 2026-05-15
+**Feature**: [spec.md](../spec.md)
+
+## Content Quality
+
+- [x] No implementation details (languages, frameworks, APIs) — spec describes WHAT not HOW
+- [x] Focused on user value and business needs
+- [x] Written for both technical and non-technical stakeholders
+- [x] All mandatory sections completed
+
+## Requirement Completeness
+
+- [x] No [NEEDS CLARIFICATION] markers remain — all resolved in Clarifications session
+- [x] Requirements are testable and unambiguous
+- [x] Success criteria are measurable (SC-001 through SC-008 with specific metrics)
+- [x] Success criteria are technology-agnostic (no framework specifics)
+- [x] All acceptance scenarios are defined (4 User Stories with scenarios)
+- [x] Edge cases are identified (6 edge cases documented)
+- [x] Scope is clearly bounded (AI pipeline only — DMS core workflow not in scope)
+- [x] Dependencies and assumptions identified
+
+## Feature Readiness
+
+- [x] All functional requirements have clear acceptance criteria
+- [x] User stories cover primary flows (Upload, RAG, Migration, Monitoring)
+- [x] Feature meets measurable outcomes defined in Success Criteria
+- [x] No implementation details leak into specification
+
+## Notes
+
+- Spec derived from ADR-023A grilling session (2026-05-15) — all decisions validated
+- Quality: PASS — ready for `/speckit-plan`

specs/300-others/302-ai-model-revision/contracts/ai-jobs.yaml

@@ -0,0 +1,184 @@
+openapi: "3.1.0"
+info:
+  title: AI Jobs API
+  version: "1.0.0"
+  description: BullMQ-based AI job submission endpoints (ADR-023A)
+
+paths:
+  /api/ai/suggest:
+    post:
+      summary: Queue AI Suggestion job (ai-realtime)
+      description: |
+        Triggered internally after document commit.
+        Queues ai-suggest job to extract metadata from PDF (max 3 pages).
+        Returns jobId for polling.
+      security:
+        - BearerAuth: []
+      requestBody:
+        required: true
+        content:
+          application/json:
+            schema:
+              $ref: '#/components/schemas/AiSuggestRequest'
+      responses:
+        "202":
+          description: Job queued
+          content:
+            application/json:
+              schema:
+                $ref: '#/components/schemas/JobQueuedResponse'
+        "400":
+          $ref: '#/components/responses/ValidationError'
+        "503":
+          description: AI Service unavailable (Desk-5439 offline) — document saved, AI skipped
+
+  /api/ai/jobs/{jobId}/status:
+    get:
+      summary: Poll job status
+      parameters:
+        - name: jobId
+          in: path
+          required: true
+          schema:
+            type: string
+      responses:
+        "200":
+          description: Job status
+          content:
+            application/json:
+              schema:
+                $ref: '#/components/schemas/JobStatusResponse'
+
+  /api/ai/rag/query:
+    post:
+      summary: RAG Q&A query (ai-realtime)
+      description: |
+        Queues rag-query job. Results returned via polling or WebSocket event.
+        projectPublicId REQUIRED — enforces multi-tenant isolation.
+      security:
+        - BearerAuth: []
+      requestBody:
+        required: true
+        content:
+          application/json:
+            schema:
+              $ref: '#/components/schemas/RagQueryRequest'
+      responses:
+        "202":
+          description: Job queued
+          content:
+            application/json:
+              schema:
+                $ref: '#/components/schemas/JobQueuedResponse'
+
+  /api/ai/embed:
+    post:
+      summary: Queue embed-document job (ai-batch)
+      description: |
+        Triggered internally after document commit (parallel with ai-suggest).
+        Full-document chunked embedding — NOT limited to 3 pages.
+      security:
+        - BearerAuth: []
+      requestBody:
+        required: true
+        content:
+          application/json:
+            schema:
+              $ref: '#/components/schemas/EmbedDocumentRequest'
+      responses:
+        "202":
+          $ref: '#/components/schemas/JobQueuedResponse'
+
+components:
+  schemas:
+    AiSuggestRequest:
+      type: object
+      required: [documentPublicId, projectPublicId, idempotencyKey]
+      properties:
+        documentPublicId:
+          type: string
+          format: uuid
+          description: UUIDv7 of the committed document
+        projectPublicId:
+          type: string
+          format: uuid
+          description: UUIDv7 of the project — REQUIRED for multi-tenancy
+        idempotencyKey:
+          type: string
+          description: Prevents duplicate AI job on retry
+
+    RagQueryRequest:
+      type: object
+      required: [projectPublicId, question]
+      properties:
+        projectPublicId:
+          type: string
+          format: uuid
+          description: UUIDv7 — limits search to this project only
+        question:
+          type: string
+          maxLength: 500
+          description: Natural language question (Thai or English)
+        topK:
+          type: integer
+          default: 5
+          minimum: 1
+          maximum: 20
+
+    EmbedDocumentRequest:
+      type: object
+      required: [documentPublicId, projectPublicId, idempotencyKey]
+      properties:
+        documentPublicId:
+          type: string
+          format: uuid
+        projectPublicId:
+          type: string
+          format: uuid
+        idempotencyKey:
+          type: string
+
+    JobQueuedResponse:
+      type: object
+      properties:
+        jobId:
+          type: string
+        queue:
+          type: string
+          enum: [ai-realtime, ai-batch]
+        estimatedWaitSecs:
+          type: integer
+
+    JobStatusResponse:
+      type: object
+      properties:
+        jobId:
+          type: string
+        status:
+          type: string
+          enum: [waiting, active, completed, failed]
+        result:
+          type: object
+          nullable: true
+          description: AI suggestion payload when completed
+
+  responses:
+    ValidationError:
+      description: Validation failed (class-validator)
+      content:
+        application/json:
+          schema:
+            type: object
+            properties:
+              statusCode:
+                type: integer
+              message:
+                type: array
+                items:
+                  type: string
+
+  securitySchemes:
+    BearerAuth:
+      type: http
+      scheme: bearer
+      bearerFormat: JWT

specs/300-others/302-ai-model-revision/contracts/migration-queue.yaml

@@ -0,0 +1,206 @@
+openapi: "3.1.0"
+info:
+  title: Migration Queue API
+  version: "1.0.0"
+  description: Legacy Document Migration pipeline endpoints (ADR-023A)
+
+paths:
+  /api/ai/migration/queue:
+    post:
+      summary: Submit legacy document for AI processing (n8n → DMS API)
+      description: |
+        Called by n8n during Legacy Migration Phase.
+        Queues OCR + extract-metadata jobs (ai-batch).
+        Result stored in migration_review_queue (status=PENDING).
+        Requires Idempotency-Key header to prevent duplicates.
+      security:
+        - BearerAuth: []
+      parameters:
+        - name: Idempotency-Key
+          in: header
+          required: true
+          schema:
+            type: string
+            example: "SD-001-2026:batch-001"
+          description: Format — <doc_number>:<batch_id>
+      requestBody:
+        required: true
+        content:
+          application/json:
+            schema:
+              $ref: '#/components/schemas/MigrationQueueRequest'
+      responses:
+        "202":
+          description: Job queued for AI processing
+          content:
+            application/json:
+              schema:
+                $ref: '#/components/schemas/MigrationQueuedResponse'
+        "409":
+          description: Duplicate — idempotency_key already exists
+
+    get:
+      summary: List migration_review_queue (Admin only)
+      security:
+        - BearerAuth: []
+      parameters:
+        - name: status
+          in: query
+          schema:
+            type: string
+            enum: [PENDING, IMPORTED, REJECTED]
+        - name: batchId
+          in: query
+          schema:
+            type: string
+        - name: page
+          in: query
+          schema:
+            type: integer
+            default: 1
+        - name: limit
+          in: query
+          schema:
+            type: integer
+            default: 20
+      responses:
+        "200":
+          description: Paginated queue list
+          content:
+            application/json:
+              schema:
+                $ref: '#/components/schemas/MigrationQueueListResponse'
+
+  /api/ai/migration/queue/{publicId}/approve:
+    post:
+      summary: Admin approves migration item → imports document
+      description: |
+        Imports document from temp path to DMS.
+        Automatically queues embed-document job after import.
+      security:
+        - BearerAuth: []
+      parameters:
+        - name: publicId
+          in: path
+          required: true
+          schema:
+            type: string
+            format: uuid
+      responses:
+        "200":
+          description: Document imported, embed job queued
+        "400":
+          description: Item not in PENDING status
+        "404":
+          description: Queue item not found
+
+  /api/ai/migration/queue/{publicId}/reject:
+    post:
+      summary: Admin rejects migration item
+      security:
+        - BearerAuth: []
+      parameters:
+        - name: publicId
+          in: path
+          required: true
+          schema:
+            type: string
+            format: uuid
+      requestBody:
+        required: true
+        content:
+          application/json:
+            schema:
+              type: object
+              required: [reason]
+              properties:
+                reason:
+                  type: string
+                  maxLength: 500
+      responses:
+        "200":
+          description: Item rejected
+        "400":
+          description: Item not in PENDING status
+
+components:
+  schemas:
+    MigrationQueueRequest:
+      type: object
+      required: [batchId, filename, tempPath]
+      properties:
+        batchId:
+          type: string
+          description: n8n batch identifier
+        filename:
+          type: string
+        tempPath:
+          type: string
+          description: Absolute path in temp storage on server
+
+    MigrationQueuedResponse:
+      type: object
+      properties:
+        publicId:
+          type: string
+          format: uuid
+        status:
+          type: string
+          enum: [PENDING]
+        jobId:
+          type: string
+          description: BullMQ job ID for tracking
+
+    MigrationQueueListResponse:
+      type: object
+      properties:
+        data:
+          type: array
+          items:
+            $ref: '#/components/schemas/MigrationQueueItem'
+        total:
+          type: integer
+        page:
+          type: integer
+        limit:
+          type: integer
+
+    MigrationQueueItem:
+      type: object
+      properties:
+        publicId:
+          type: string
+          format: uuid
+        batchId:
+          type: string
+        originalFilename:
+          type: string
+        aiMetadata:
+          type: object
+          description: AI-extracted metadata suggestion
+        confidenceScore:
+          type: number
+          format: float
+          minimum: 0
+          maximum: 1
+        ocrUsed:
+          type: boolean
+        status:
+          type: string
+          enum: [PENDING, IMPORTED, REJECTED]
+        reviewedAt:
+          type: string
+          format: date-time
+          nullable: true
+        rejectionReason:
+          type: string
+          nullable: true
+        createdAt:
+          type: string
+          format: date-time
+
+  securitySchemes:
+    BearerAuth:
+      type: http
+      scheme: bearer
+      bearerFormat: JWT

specs/300-others/302-ai-model-revision/data-model.md

@@ -0,0 +1,167 @@
+# Data Model: AI Model Revision (ADR-023A)
+
+**Feature**: `302-ai-model-revision`
+**Date**: 2026-05-15
+
+---
+
+## Entities & Schema Changes
+
+### 1. `ai_audit_logs` (existing table — verify against schema)
+
+ไม่มีการเพิ่ม column ใหม่ — ใช้ `model_name` column ที่มีอยู่แล้วบันทึก `gemma4:e4b` แทน `gemma4:9b`
+
+**Key fields (existing)**:
+```
+id               INT AUTO_INCREMENT
+public_id        BINARY(16) → UUIDv7
+document_id      INT FK documents.id
+project_id       INT FK projects.id
+job_type         VARCHAR(50)     -- 'classification', 'tagging', 'rag', 'embed'
+model_name       VARCHAR(100)    -- 'gemma4:e4b', 'nomic-embed-text'
+confidence_score DECIMAL(5,4)    -- 0.0000 – 1.0000
+ai_suggestion_json   JSON
+human_override_json  JSON NULL
+status           ENUM('PENDING','PROCESSING','DONE','REJECTED')
+created_at       DATETIME
+updated_at       DATETIME
+```
+
+**Index needed**: `(project_id, status, created_at)` สำหรับ Admin Dashboard query
+
+---
+
+### 2. `migration_review_queue` (new table — ADR-009: SQL delta)
+
+staging table สำหรับ Legacy Migration — เก็บ AI output รอ Admin review
+
+```sql
+-- Delta file: specs/03-Data-and-Storage/deltas/14-add-migration-review-queue.sql
+
+CREATE TABLE migration_review_queue (
+  id             INT           NOT NULL AUTO_INCREMENT,
+  public_id      BINARY(16)    NOT NULL DEFAULT (UUID_TO_BIN(UUID(), TRUE)),
+  batch_id       VARCHAR(100)  NOT NULL,                    -- n8n batch identifier
+  idempotency_key VARCHAR(200) NOT NULL UNIQUE,             -- '<doc_number>:<batch_id>'
+  original_filename VARCHAR(500) NOT NULL,
+  storage_temp_path VARCHAR(1000) NOT NULL,                 -- path ใน temp storage ก่อน import
+  ai_metadata_json  JSON       NOT NULL,                    -- AI suggestion (full)
+  confidence_score  DECIMAL(5,4) NOT NULL,
+  ocr_used          TINYINT(1)  NOT NULL DEFAULT 0,
+  status         ENUM('PENDING','IMPORTED','REJECTED') NOT NULL DEFAULT 'PENDING',
+  reviewed_by    INT           NULL,                        -- FK users.id (Admin who reviewed)
+  reviewed_at    DATETIME      NULL,
+  rejection_reason VARCHAR(500) NULL,
+  created_at     DATETIME      NOT NULL DEFAULT CURRENT_TIMESTAMP,
+  updated_at     DATETIME      NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
+  PRIMARY KEY (id),
+  UNIQUE KEY uq_idempotency (idempotency_key),
+  INDEX idx_status_created (status, created_at),
+  INDEX idx_batch (batch_id)
+) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;
+```
+
+---
+
+### 3. Qdrant Vector Structure (no DB change — external store)
+
+Collection name: `lcbp3_documents` (shared collection, separated by payload filter)
+
+**Point structure**:
+```json
+{
+  "id": "<uuid-v7>",
+  "vector": [/* 768-dim from nomic-embed-text */],
+  "payload": {
+    "document_public_id": "019505a1-...",
+    "project_public_id":  "019505a2-...",
+    "chunk_index":        3,
+    "page_number":        2,
+    "chunk_text":         "...",
+    "document_type":      "SHOP_DRAWING",
+    "embedded_at":        "2026-05-15T10:00:00Z"
+  }
+}
+```
+
+**Multi-tenancy filter (REQUIRED)**:
+```typescript
+filter: {
+  must: [
+    { key: 'project_public_id', match: { value: projectPublicId } }
+  ]
+}
+```
+
+---
+
+### 4. BullMQ Job Payload Interfaces
+
+**ai-realtime queue** (RAG Q&A, AI Suggest):
+```typescript
+interface AiRealtimeJobData {
+  jobType: 'rag-query' | 'ai-suggest';
+  documentPublicId: string;   // UUIDv7
+  projectPublicId: string;    // UUIDv7 — required
+  userId: number;             // INT internal ID (for audit only)
+  payload: {
+    // ai-suggest: { pdfPath: string; pages: 1-3 }
+    // rag-query:  { question: string; topK: number }
+  };
+  idempotencyKey: string;
+}
+```
+
+**ai-batch queue** (OCR, Extract, Embed):
+```typescript
+interface AiBatchJobData {
+  jobType: 'ocr' | 'extract-metadata' | 'embed-document';
+  documentPublicId: string;   // UUIDv7
+  projectPublicId: string;    // UUIDv7 — required
+  payload: {
+    // ocr:              { pdfPath: string }
+    // extract-metadata: { textContent: string; maxPages: 3 }
+    // embed-document:   { pdfPath: string; chunkSize: 512; overlap: 64 }
+  };
+  batchId?: string;           // สำหรับ Legacy Migration เท่านั้น
+  idempotencyKey: string;
+}
+```
+
+---
+
+### 5. State Transitions
+
+**Document Upload Flow** (new documents):
+```
+upload → temp → [ClamAV] → commit → [
+  parallel:
+    → ai-realtime: ai-suggest → (USER: confirm/edit) → ai_audit_logs
+    → ai-batch: embed-document → Qdrant
+]
+```
+
+**Legacy Migration Flow**:
+```
+n8n trigger → POST /api/ai/migration/queue → [
+  ai-batch: ocr (if needed) + extract-metadata
+] → migration_review_queue (PENDING)
+                ↓
+        Admin review (DMS UI)
+                ↓
+    IMPORTED → document insert → ai-batch: embed-document → Qdrant
+    REJECTED → rejection_reason saved
+```
+
+**ai-realtime ↔ ai-batch Coordination**:
+```
+ai-realtime.active  → ai-batch.pause()
+ai-realtime.completed/failed → ai-batch.resume()
+ai-batch concurrency=1 (no parallel GPU jobs)
+```
+
+---
+
+## Schema Delta File
+
+จะสร้างใน `specs/03-Data-and-Storage/deltas/14-add-migration-review-queue.sql` ตาม ADR-009

specs/300-others/302-ai-model-revision/plan.md

@@ -0,0 +1,156 @@
+# Implementation Plan: AI Model Revision (ADR-023A)
+
+**Branch**: `main` | **Date**: 2026-05-15 | **Spec**: [spec.md](./spec.md)
+**Feature Dir**: `specs/300-others/302-ai-model-revision/`
+
+---
+
+## Summary
+
+Implement ADR-023A AI Architecture Revision: เปลี่ยน model stack จาก 3-model (gemma4:9b + Typhoon + nomic-embed-text) เป็น 2-model (gemma4:e4b Q8_0 + nomic-embed-text), แยก BullMQ เป็น 2 queues (`ai-realtime`/`ai-batch`), เพิ่ม OCR auto-detection, enforce multi-tenant QdrantService, implement Legacy Migration pipeline และ migration_review_queue, และลบ Typhoon Cloud API ออกจาก codebase ทั้งหมด
+
+---
+
+## Technical Context
+
+**Language/Version**: TypeScript 5.x (strict mode)
+**Primary Dependencies**:
+- Backend: NestJS 10, BullMQ 5, TypeORM 0.3, ioredis (Redis 7), @qdrant/js-client-rest
+- AI Infrastructure: Ollama (Desk-5439), PaddleOCR, PyMuPDF (Python sidecar)
+- Queue: Redis 7 (same instance as existing BullMQ)
+**Storage**: MariaDB (existing) + Qdrant (external vector DB) + Local Storage (existing)
+**Testing**: Jest (NestJS unit/integration)
+**Target Platform**: QNAP NAS (NestJS container) + Admin Desktop Desk-5439 (Ollama)
+**Performance Goals**: ai-suggest < 30s; rag-query < 10s (p95 dequeue-to-response)
+**Constraints**: VRAM ≤ 5GB peak, concurrency=1 per queue (prevent GPU overflow)
+**Scale/Scope**: ~20,000 legacy docs (migration), ~50 new docs/day (production)
+
+---
+
+## Constitution Check
+
+_GATE: Must pass before Phase 0 research._
+
+| Rule | Status | Notes |
+|------|--------|-------|
+| ADR-019 UUID: no parseInt on UUID | ✅ PASS | BullMQ payloads ใช้ `publicId: string` เสมอ |
+| ADR-009: no TypeORM migrations | ✅ PASS | `migration_review_queue` ผ่าน SQL delta (#14) |
+| ADR-016: RBAC on all endpoints | ✅ PASS | AI endpoints จะมี CASL guard: `ai.manage` |
+| ADR-007: error handling layered | ✅ PASS | BullMQ failed jobs → dead-letter + log |
+| ADR-008: BullMQ for async | ✅ PASS | Inference ทั้งหมดผ่าน BullMQ (ไม่มี inline) |
+| ADR-023/023A: no direct Ollama | ✅ PASS | n8n → DMS API → BullMQ → Ollama เท่านั้น |
+| ADR-023A: QdrantService required projectPublicId | ✅ PASS | Enforce ที่ TypeScript compile-time |
+| TypeScript strict: no `any`, no `console.log` | ✅ PASS | Enforced ผ่าน eslint |
+| **Typhoon Cloud API removal** | ⚠️ PENDING | `rag/typhoon.service.ts` ต้อง delete (T002) |
+
+---
+
+## Project Structure
+
+### Documentation (this feature)
+
+```text
+specs/300-others/302-ai-model-revision/
+├── spec.md              ✅ done
+├── plan.md              ✅ this file
+├── research.md          ✅ done
+├── data-model.md        ✅ done
+├── quickstart.md        (Phase 1)
+├── contracts/           (Phase 1)
+│   ├── ai-jobs.yaml
+│   └── migration-queue.yaml
+├── checklists/
+│   └── requirements.md  ✅ done
+└── tasks.md             (Phase 2 — speckit-tasks)
+```
+
+### Schema Delta (ADR-009)
+
+```text
+specs/03-Data-and-Storage/deltas/
+└── 14-add-migration-review-queue.sql    # new
+```
+
+### Source Code
+
+```text
+backend/src/modules/ai/
+├── ai.module.ts                         # update: register 2 queues, remove Typhoon
+├── ai.controller.ts                     # update: add /migration/queue endpoint
+├── ai.service.ts                        # update: routing logic, queue selection
+├── processors/
+│   ├── ai-realtime.processor.ts         # new: ai-realtime consumer
+│   └── ai-batch.processor.ts            # new: ai-batch consumer (replaces existing)
+├── services/
+│   ├── ollama.service.ts                # update: model → gemma4:e4b
+│   ├── qdrant.service.ts                # update: enforce projectPublicId param
+│   ├── ocr.service.ts                   # new: OCR auto-detect + PaddleOCR routing
+│   ├── migration.service.ts             # new: Legacy Migration pipeline
+│   └── embedding.service.ts            # new: full-doc chunking + embed
+├── dto/
+│   ├── create-ai-job.dto.ts             # update: queue discriminator field
+│   ├── migration-queue-item.dto.ts      # new
+│   └── rag-query.dto.ts                 # new
+├── entities/
+│   └── migration-review-queue.entity.ts # new
+└── rag/
+    ├── rag.service.ts                   # update: remove typhoon ref, use QdrantService
+    └── typhoon.service.ts               # DELETE ← Tier 1 critical
+
+backend/src/config/
+└── bullmq.config.ts                     # update: add ai-batch queue config
+
+frontend/app/(dashboard)/ai-staging/
+├── page.tsx                             # update: add migration queue tab
+└── migration-review/
+    └── page.tsx                         # new: Admin Migration Review UI
+
+frontend/components/ai/
+├── ai-suggestion-field.tsx              # update: confidence threshold display
+├── migration-queue-table.tsx            # new: queue list + approve/reject
+└── AiStatusBanner.tsx                   # update: show queue status (ai-batch paused)
+```
+
+---
+
+## Phases
+
+### Phase 0: Cleanup & Foundation (Tier 1 Critical First)
+
+**Goal**: ลบ Typhoon ออก, ตั้ง BullMQ 2-queue, สร้าง Schema Delta
+
+Tasks: T001–T008
+
+### Phase 1: Core AI Pipeline
+
+**Goal**: OCR auto-detect, gemma4:e4b integration, ai-suggest + embed-document flows
+
+Tasks: T009–T022
+
+### Phase 2: RAG Pipeline
+
+**Goal**: QdrantService multi-tenancy, chunking, rag-query endpoint
+
+Tasks: T023–T030
+
+### Phase 3: Legacy Migration Pipeline
+
+**Goal**: migration_review_queue, n8n API endpoint, Admin Review UI
+
+Tasks: T031–T042
+
+### Phase 4: Monitoring & Threshold Management
+
+**Goal**: Admin Dashboard AI metrics, threshold config, audit log delete permission
+
+Tasks: T043–T050
+
+---
+
+## Complexity Tracking
+
+| Violation | Why Needed | Simpler Alternative Rejected Because |
+|-----------|-----------|-------------------------------------|
+| 2-queue BullMQ (vs single) | RAG SLA requires isolation from batch jobs | Single queue + priority ไม่ป้องกัน long-running job block |
+| External Qdrant (vs SQL FTS) | Semantic search capability ไม่มีใน MariaDB FULLTEXT | MariaDB FTS ไม่รองรับ multilingual semantic similarity |
+| Python sidecar OCR | PaddleOCR เป็น Python library ไม่มี Node.js binding | ไม่มีทางเลือก OCR ภาษาไทยที่เทียบเท่าใน Node.js ecosystem |

specs/300-others/302-ai-model-revision/quickstart.md

@@ -0,0 +1,113 @@
+# Quickstart: AI Model Revision (ADR-023A)
+
+**Feature**: `302-ai-model-revision`
+**Date**: 2026-05-15
+
+---
+
+## Prerequisites
+
+1. Desk-5439 มี Ollama พร้อมใช้งาน: `ollama list` ต้องแสดง `gemma4:e4b` และ `nomic-embed-text`
+2. Qdrant instance running: `http://QDRANT_HOST:6333/health` → `{"status":"ok"}`
+3. Redis 7 running (ใช้ instance เดิมกับ existing BullMQ)
+4. `@qdrant/js-client-rest` ต้องติดตั้งใน backend: `npm ls @qdrant/js-client-rest`
+
+---
+
+## Environment Variables (เพิ่มใน `backend/.env`)
+
+```env
+# AI Infrastructure
+OLLAMA_HOST=http://192.168.10.XX:11434
+OLLAMA_MODEL_MAIN=gemma4:e4b
+OLLAMA_MODEL_EMBED=nomic-embed-text
+
+# Qdrant
+QDRANT_HOST=http://192.168.10.XX:6333
+QDRANT_COLLECTION=lcbp3_documents
+
+# OCR
+OCR_CHAR_THRESHOLD=100
+OCR_API_URL=http://localhost:8765   # PaddleOCR sidecar
+
+# BullMQ Queue Names (for reference — hardcoded in code)
+# ai-realtime: RAG Q&A, AI Suggest
+# ai-batch: OCR, Extract, Embed
+```
+
+---
+
+## Verification Scenarios (สำหรับ QA / UAT)
+
+### Scenario 1: Digital PDF Classification (Fast Path)
+
+```bash
+# 1. Upload a digital PDF via RFA form
+# 2. Monitor BullMQ dashboard (if Bull Board installed)
+# Expected: ai-realtime queue → ai-suggest job → completed within 30s
+# Expected: ai-batch queue → embed-document job → completed in background
+curl -H "Authorization: Bearer $TOKEN" http://localhost:3001/api/ai/jobs/status/$JOB_ID
+```
+
+### Scenario 2: Scanned PDF (OCR Path)
+
+```bash
+# 1. Upload a scanned (image-only) PDF
+# Expected: ai-batch queue → ocr job first → then ai-suggest
+# OCR detection: extracted_chars < 100 per page triggers slow path
+```
+
+### Scenario 3: RAG Query (Multi-tenancy Check)
+
+```bash
+# 1. Embed 2 docs in Project A, 1 doc in Project B
+# 2. Query from Project A context
+# Expected: results contain ONLY Project A docs
+curl -X POST http://localhost:3001/api/ai/rag/query \
+  -H "Authorization: Bearer $TOKEN" \
+  -H "Content-Type: application/json" \
+  -d '{"projectPublicId":"<project-a-uuid>","question":"ค้นหา shop drawing หมายเลข SD-001"}'
+```
+
+### Scenario 4: Legacy Migration (Admin Only)
+
+```bash
+# 1. Trigger via n8n (or direct API for testing):
+curl -X POST http://localhost:3001/api/ai/migration/queue \
+  -H "Authorization: Bearer $ADMIN_TOKEN" \
+  -H "Idempotency-Key: SD-001-2026:batch-001" \
+  -H "Content-Type: application/json" \
+  -d '{"batchId":"batch-001","filename":"SD-001.pdf","tempPath":"/uploads/temp/SD-001.pdf"}'
+# 2. Check migration_review_queue: status = PENDING
+# 3. Admin Approve from UI → status = IMPORTED
+```
+
+### Scenario 5: Typhoon Removal Verification
+
+```bash
+# After implementation, run:
+grep -r "typhoon" backend/src --include="*.ts"
+# Expected: NO results (file should be deleted)
+```
+
+### Scenario 6: GPU Overload Prevention
+
+```bash
+# While ai-batch job is running, submit ai-realtime job
+# Expected: ai-batch pauses; ai-realtime job completes; ai-batch resumes
+# Observable via BullMQ dashboard or job status API
+```
+
+---
+
+## Key Files to Modify (Priority Order)
+
+| Priority | File | Change |
+|---------|------|--------|
+| 🔴 CRITICAL | `backend/src/modules/ai/rag/typhoon.service.ts` | DELETE |
+| 🔴 CRITICAL | `backend/src/config/bullmq.config.ts` | Add `ai-batch` queue |
+| 🔴 CRITICAL | `specs/03-Data-and-Storage/deltas/14-add-migration-review-queue.sql` | CREATE |
+| 🟡 HIGH | `backend/src/modules/ai/services/qdrant.service.ts` | Enforce `projectPublicId` param |
+| 🟡 HIGH | `backend/src/modules/ai/processors/ai-batch.processor.ts` | NEW — replace old processor |
+| 🟡 HIGH | `backend/src/modules/ai/services/ocr.service.ts` | NEW — auto-detect routing |
+| 🟢 NORMAL | `frontend/app/(dashboard)/ai-staging/page.tsx` | Add Migration Queue tab |

specs/300-others/302-ai-model-revision/research.md

@@ -0,0 +1,86 @@
+# Research: AI Model Revision (ADR-023A)
+
+**Feature**: `302-ai-model-revision`
+**Date**: 2026-05-15
+**Status**: Complete — all decisions validated via Grilling Session
+
+---
+
+## Decision 1: Model Stack Reduction
+
+- **Decision**: ใช้ 2-model stack: `gemma4:e4b Q8_0` + `nomic-embed-text` แทน 3-model stack เดิม
+- **Rationale**: VRAM budget RTX 2060 Super 8GB — 3-model stack (gemma4:9b + Typhoon + nomic-embed-text) ใช้ ~7.8GB ไม่มี headroom; 2-model stack ใช้ ~4.5GB peak มี headroom ~3.5GB
+- **Alternatives considered**:
+  - gemma4:9b + nomic-embed-text (ไม่มี Typhoon): ยังเกิน budget ~6.8GB
+  - gemma4:e4b Q4_K_M (quantize ต่ำกว่า): ประหยัด VRAM มากกว่าแต่คุณภาพต่ำกว่า Q8_0
+  - ย้ายไปใช้ Cloud AI: ขัดกับ ADR-023 (INTERNAL data — ห้าม Cloud)
+- **VRAM Detail**: gemma4:e4b Q8_0 = ~4.0GB weights + ~0.2GB KV Cache (จำกัดโดย 3-page input limit) + nomic-embed-text ~0.3GB = **~4.5GB peak**
+
+---
+
+## Decision 2: BullMQ 2-Queue Architecture
+
+- **Decision**: แยกเป็น 2 Queues: `ai-realtime` (concurrency=1) + `ai-batch` (concurrency=1) พร้อม auto-pause mechanism
+- **Rationale**: Single queue ทำให้ RAG Q&A (interactive, p95 < 10s) ถูก block โดย OCR/Embed batch jobs (ไม่มี SLA); 2-queue ให้ priority separation โดยไม่เพิ่ม Worker ที่ทำให้ VRAM overflow
+- **Alternatives considered**:
+  - Single queue + priority field: priority ใน BullMQ ไม่ป้องกัน long-running job ที่กำลังรันอยู่ block queue ถัดไป
+  - 2 Queues + 2 Workers พร้อมกัน: VRAM overflow เมื่อทั้งคู่ใช้ gemma4:e4b พร้อมกัน
+- **Implementation**: BullMQ `active` event บน `ai-realtime` → pause `ai-batch`; `completed`/`failed` → resume `ai-batch`
+
+---
+
+## Decision 3: PDF Input Strategy
+
+- **Decision**: 3-page limit สำหรับ Classification/Tagging; Full-document chunking สำหรับ RAG Embedding
+- **Rationale**: Engineering docs มีข้อมูล metadata หลักในหน้าแรก 1-3 (Title Block, Drawing No., Revision); Full-doc embed ไม่กระทบ VRAM เพราะ nomic-embed-text ประมวลผล chunk ละ 512 tokens (stateless)
+- **Alternatives considered**:
+  - Full-doc ทั้ง Classification และ Embed: กระทบ VRAM และ SLA ของ Classification
+  - 3-page ทั้ง Classification และ Embed: RAG ไม่เจอเนื้อหาในหน้าท้าย — useless สำหรับเอกสาร 50+ หน้า
+
+---
+
+## Decision 4: OCR Auto-Detection
+
+- **Decision**: ตรวจสอบ `extracted_chars > OCR_CHAR_THRESHOLD (100)` ต่อหน้าด้วย PyMuPDF ก่อน route
+- **Rationale**: ทั้ง Legacy และ New Upload อาจมีทั้ง Scanned และ Digital — auto-detect ดีกว่า user-select เพราะ user ไม่รู้ว่า PDF ตัวเองเป็นแบบไหน; threshold 100 chars ป้องกัน watermark-only PDF ถูก classify ผิด
+- **Alternatives considered**:
+  - User เลือก pipeline: UX แย่ + error prone
+  - ใช้ OCR ทุกไฟล์เสมอ: ช้าเกินไปสำหรับ Digital PDF
+
+---
+
+## Decision 5: n8n ↔ BullMQ Boundary
+
+- **Decision**: n8n call `POST /api/ai/jobs` (DMS API) → BullMQ queue; ไม่เรียก Ollama โดยตรง
+- **Rationale**: ถ้า n8n bypass BullMQ → ai_audit_logs ไม่ถูกบันทึก + ไม่มี RBAC check + ไม่มี ADR-007 error handling; DMS API เป็น single gateway ที่ enforce ทุก cross-cutting concern
+- **Alternatives considered**:
+  - n8n HTTP Request node → Ollama API: bypass ทั้ง audit, RBAC, error handling
+  - n8n Execute Command → Python script → Ollama: อันตราย, ไม่มี audit trail
+
+---
+
+## Decision 6: QdrantService Multi-Tenancy Enforcement
+
+- **Decision**: `QdrantService.search(projectPublicId: string, ...)` — required param, ห้าม expose `rawSearch()`
+- **Rationale**: ถ้า developer ลืม filter → ข้อมูลข้ามโครงการรั่วไหล (INTERNAL data sensitivity); compile-time enforcement ดีกว่า runtime guard
+- **Alternatives considered**:
+  - Middleware filter: ยังต้องใช้ Service method — ป้องกันได้น้อยกว่า
+  - Optional parameter with default: ยังมีโอกาส pass undefined ได้
+
+---
+
+## Decision 7: Threshold Recalibration Policy
+
+- **Decision**: ใช้ค่าเริ่มต้น 0.85/0.60 สำหรับ Migration Phase แรก แล้ว recalibrate หลัง 100-500 ฉบับแรก
+- **Rationale**: ค่าเดิมถูกกำหนดในยุค gemma4:9b — distribution อาจเปลี่ยนไปกับ gemma4:e4b; recalibrate จาก real data ดีกว่า hardcode ค่าใหม่โดยไม่มีข้อมูล
+- **Trigger**: REJECTED rate > 30% หรือ Admin override rate > 40% → ปรับลด threshold
+
+---
+
+## Unvalidated Assumptions (Risk Register)
+
+| Assumption | Risk | Mitigation |
+|-----------|------|-----------|
+| gemma4:e4b Q8_0 รองรับภาษาไทยได้ดีเพียงพอ | HIGH — ไม่มีหลักฐานเชิงคุณภาพ | ทดสอบ 50-100 ฉบับก่อน Go-live; เตรียม Prompt Engineering ชดเชย |
+| 3-page limit เพียงพอสำหรับ metadata extraction | MEDIUM — บางเอกสารอาจมี title block หน้า 4+ | ตรวจสอบตัวอย่างเอกสาร 20 ฉบับก่อน implementation |
+| RTX 2060 Super VRAM ใช้ได้ 8GB เต็ม | LOW — GPU อาจมี overhead จาก OS และ driver | monitor จริงด้วย `nvidia-smi` ระหว่าง UAT |

specs/300-others/302-ai-model-revision/spec.md

@@ -0,0 +1,157 @@
+# Feature Specification: AI Model Revision (ADR-023A)
+
+**Feature Branch**: `main` (no branch — per user instruction)
+**Feature Dir**: `specs/300-others/302-ai-model-revision/`
+**Created**: 2026-05-15
+**Status**: Ready for Planning
+**ADR Source**: `specs/06-Decision-Records/ADR-023A-unified-ai-architecture.md`
+
+---
+
+## User Scenarios & Testing _(mandatory)_
+
+### User Story 1 — AI-Assisted Document Classification on Upload (Priority: P1)
+
+เมื่อ User อัปโหลดเอกสาร (PDF) ผ่าน RFA หรือ Correspondence form ระบบต้องตรวจสอบอัตโนมัติว่าไฟล์เป็น Scanned หรือ Digital PDF จากนั้นสกัด Metadata (Document Type, Discipline, Project Code, Revision) โดยใช้ AI และนำเสนอผล Suggestion บนฟอร์ม เพื่อให้ผู้ใช้ยืนยันหรือแก้ไขก่อนบันทึก
+
+**Why this priority**: เป็น Core User-facing Feature ที่สร้างคุณค่าหลักของระบบ AI — ผู้ใช้ทุกคนที่อัปโหลดเอกสารได้รับประโยชน์ทันที
+
+**Independent Test**: อัปโหลด PDF → ระบบแสดง AI Suggestion ใน 30 วินาที → User กด Confirm → เอกสารบันทึกพร้อม Metadata
+
+**Acceptance Scenarios**:
+
+1. **Given** User อัปโหลด Digital PDF (มี text layer), **When** ระบบ commit ไฟล์, **Then** ระบบ route ไป Fast Path (ไม่ใช้ OCR) และแสดง AI Suggestion ภายใน 15 วินาที
+2. **Given** User อัปโหลด Scanned PDF (image-only), **When** ระบบ commit ไฟล์, **Then** ระบบ route ไป PaddleOCR และแสดง AI Suggestion ภายใน 60 วินาที
+3. **Given** AI Suggestion มี confidence ≥ 0.85, **When** แสดงบนฟอร์ม, **Then** Suggestion ถูก pre-fill และไฮไลต์สีเขียว พร้อมปุ่ม Confirm
+4. **Given** AI Suggestion มี confidence ระหว่าง 0.60–0.84, **When** แสดงบนฟอร์ม, **Then** Suggestion แสดงพร้อม badge ⚠️ "ตรวจสอบก่อนยืนยัน"
+5. **Given** AI Suggestion มี confidence < 0.60, **When** แสดงบนฟอร์ม, **Then** ฟิลด์ว่างเปล่า — ให้ User กรอกเอง
+6. **Given** AI Service ไม่พร้อมใช้งาน (Desk-5439 ออฟไลน์), **When** User อัปโหลด, **Then** ระบบ fallback — บันทึกเอกสารได้ปกติ แสดง warning "AI ไม่พร้อม กรอก Metadata เอง"
+
+---
+
+### User Story 2 — RAG-based Document Q&A (Priority: P2)
+
+User สามารถถามคำถามภาษาธรรมชาติ (ไทย/อังกฤษ) เกี่ยวกับเอกสารในโครงการ และได้รับคำตอบจาก AI พร้อม citation ว่าข้อมูลมาจากหน้าไหนของเอกสารใด โดยข้อมูลถูกจำกัดเฉพาะโครงการที่ User มีสิทธิ์เข้าถึง
+
+**Why this priority**: เพิ่มประสิทธิภาพการค้นหาข้อมูลในเอกสาร เฉพาะกลุ่ม Power User ที่จำเป็น — รองจาก P1
+
+**Independent Test**: ถามคำถาม → ได้คำตอบพร้อม citation ภายใน 10 วินาที → คำตอบมาจากเอกสารในโครงการเดียวกันเท่านั้น
+
+**Acceptance Scenarios**:
+
+1. **Given** User อยู่ในโครงการ A, **When** ส่งคำถาม RAG, **Then** คำตอบมาจากเอกสารในโครงการ A เท่านั้น (ไม่มีข้อมูลข้ามโครงการ)
+2. **Given** เอกสารเพิ่งถูก commit (< 5 นาที), **When** User ถาม RAG, **Then** ระบบแจ้ง "เอกสารใหม่อาจยังไม่อยู่ใน index — ค้นหาผ่านระบบปกติก่อน"
+3. **Given** RAG Q&A ใช้เวลา > 10 วินาที (p95), **When** ผ่าน SLA, **Then** Job ถูก flag ใน ai_audit_logs และ Admin รับแจ้งเตือน
+4. **Given** ไม่พบเนื้อหาที่เกี่ยวข้องใน Qdrant, **When** ค้นหา, **Then** ตอบ "ไม่พบข้อมูลในเอกสารที่อยู่ใน index — ลองค้นหาด้วยคำอื่น"
+
+---
+
+### User Story 3 — Legacy Document Migration with AI Processing (Priority: P3)
+
+Admin สามารถ trigger การนำเข้าเอกสาร Legacy (~20,000 ฉบับ) ผ่าน n8n โดย AI ประมวลผล OCR + Metadata อัตโนมัติ ผล Suggestion จะปรากฏใน Queue ที่ Admin Review ผ่าน DMS Frontend เพื่อ Approve หรือ Reject ก่อน Import
+
+**Why this priority**: เป็น One-time Pre-launch activity — สำคัญแต่ไม่กระทบ Production User โดยตรง
+
+**Independent Test**: trigger batch 10 ฉบับใน n8n → ดู migration_review_queue → Approve 5 ฉบับ → ตรวจสอบว่า 5 ฉบับ import สำเร็จและ embed ใน Qdrant
+
+**Acceptance Scenarios**:
+
+1. **Given** Admin วางไฟล์ใน Folder และ trigger n8n, **When** Batch ประมวลผลเสร็จ, **Then** migration_review_queue มี record สถานะ PENDING สำหรับทุกไฟล์
+2. **Given** Admin Approve record ใน DMS Frontend, **When** กด Approve, **Then** เอกสาร Import เข้า DMS และ embed-document job ถูก queue อัตโนมัติ
+3. **Given** มีการส่ง batch เดิมซ้ำ (Idempotency), **When** n8n trigger อีกครั้งพร้อม Idempotency-Key เดิม, **Then** ไม่มี record ซ้ำใน migration_review_queue
+4. **Given** AI Confidence < 0.60 สำหรับ record, **When** แสดงใน Queue, **Then** record ถูก mark REJECTED อัตโนมัติ — Admin ต้อง Approve ด้วยตนเองหากต้องการ import
+
+---
+
+### User Story 4 — AI Performance Monitoring and Threshold Management (Priority: P4)
+
+Admin สามารถดู AI Performance metrics จาก ai_audit_logs (confidence distribution, override rate) และปรับ Confidence Threshold ผ่าน environment configuration เพื่อ recalibrate ระบบหลังจากได้ข้อมูลจริงจาก Migration Phase แรก
+
+**Why this priority**: Operational concern — จำเป็นหลัง Go-live แต่ไม่บล็อก Launch
+
+**Independent Test**: ดู Dashboard แสดง confidence score distribution → เปรียบเทียบกับ Admin override rate → ปรับ ENV → restart service → ตรวจสอบ threshold ใหม่มีผล
+
+**Acceptance Scenarios**:
+
+1. **Given** Admin เข้า /admin/ai-staging, **When** ดู dashboard, **Then** เห็น avg confidence, override rate, rejected rate แยกตาม document_type
+2. **Given** REJECTED rate > 30%, **When** Admin ต้องการปรับ threshold, **Then** ระบบแสดงคำแนะนำ threshold ใหม่พร้อม rationale
+3. **Given** Admin ลบ ai_audit_logs record (test data), **When** ลบ, **Then** การลบถูกบันทึกใน audit_logs ด้วย action: 'AI_AUDIT_LOG_DELETED'
+
+---
+
+### Edge Cases
+
+- ถ้า PDF > 50MB (upload limit) → reject ก่อนถึง AI pipeline
+- ถ้า PDF มีหน้าเดียวแต่มี text น้อยกว่า 100 chars → ใช้ Slow Path (OCR) แทน Fast Path
+- ถ้า embed-document job fail 3 ครั้ง → dead-letter queue; Admin ได้รับแจ้ง; เอกสารยังค้นหาได้ผ่าน DB search
+- ถ้า Qdrant unavailable → BullMQ retry; RAG Q&A ตอบ "ระบบค้นหา AI ชั่วคราวไม่พร้อม"
+- ถ้า GPU temp > 85°C (Desk-5439) → ai-batch queue pause อัตโนมัติ; ai-realtime ยังทำงาน
+- เอกสารถูก delete จาก DMS → ต้อง delete chunks ออกจาก Qdrant ด้วย (document_public_id filter)
+
+---
+
+## Requirements _(mandatory)_
+
+### Functional Requirements
+
+- **FR-001**: ระบบ MUST ตรวจจับประเภท PDF (Digital vs Scanned) อัตโนมัติโดยใช้ `extracted_chars > OCR_CHAR_THRESHOLD` โดยไม่ให้ User เลือก
+- **FR-002**: ระบบ MUST ส่ง PDF เข้า gemma4:e4b สูงสุด 3 หน้าแรกเท่านั้น สำหรับงาน Classification และ Tagging
+- **FR-003**: ระบบ MUST ฝัง Vector จากเอกสารทั้งฉบับ (full-document chunking) สำหรับ RAG — ไม่จำกัด 3 หน้า
+- **FR-004**: AI Inference ทั้งหมด MUST ผ่าน BullMQ Worker บน NestJS — ห้าม n8n เรียก Ollama โดยตรง
+- **FR-005**: `QdrantService.search()` MUST รับ `projectPublicId: string` เป็น required parameter เสมอ
+- **FR-006**: `embed-document` MUST ถูก queue อัตโนมัติหลัง document commit (parallel กับ AI Suggestion) — ห้าม manual trigger
+- **FR-007**: BullMQ MUST มี 2 queues แยกกัน: `ai-realtime` (RAG Q&A, AI Suggest) และ `ai-batch` (OCR, Extract, Embed) ทั้งคู่ concurrency=1
+- **FR-008**: ระบบ MUST pause `ai-batch` อัตโนมัติเมื่อ `ai-realtime` มี active job; MUST resume `ai-batch` เมื่อ `ai-realtime` job completed **หรือ** failed (ไม่ว่า outcome ใด) — ห้าม `ai-batch` ค้างสถานะ paused ตลอดไป (ผ่าน BullMQ Event hooks: `active`, `completed`, `failed`)
+- **FR-009**: Legacy Migration MUST ใช้ Idempotency-Key `<doc_number>:<batch_id>` ป้องกันบันทึกซ้ำ
+- **FR-010**: ระบบ MUST บันทึกทุก AI interaction ใน `ai_audit_logs` รวมถึง confidence_score, model_name, ai_suggestion_json, human_override_json
+- **FR-011**: การ Delete ai_audit_logs MUST บันทึกใน `audit_logs` (`action: 'AI_AUDIT_LOG_DELETED'`) และเฉพาะ SYSTEM_ADMIN เท่านั้น
+- **FR-012**: Typhoon Cloud API (`rag/typhoon.service.ts`) MUST ถูก remove ออกจาก codebase ทั้งหมด
+- **FR-013**: ระบบ MUST fallback gracefully เมื่อ AI Service ไม่พร้อม — เอกสารยังอัปโหลดได้ปกติ
+- **FR-014**: AI Suggestion MUST ผ่านการ validate กับ Master Data (`/api/meta/categories`) ก่อนนำเสนอ — ห้าม AI สร้างประเภทใหม่
+- **FR-017**: `document.service.ts` (และทุก service ที่เรียก AI queue) MUST wrap `queueSuggestJob()` + `queueEmbedJob()` ใน try/catch — on catch: `Logger.error('AI job queue failed', { documentPublicId, error })`; document commit MUST NOT fail หรือ return 5xx ต่อ user; ioredis offline queue จัดการ short Redis blip อัตโนมัติ (Scenario 3, QuizMe 2026-05-15)
+- **FR-018**: `documents` table MUST มี column `ai_processing_status ENUM('PENDING','PROCESSING','DONE','FAILED') DEFAULT 'PENDING'` — set `PENDING` เมื่อ document commit; set `PROCESSING` เมื่อ job ถูก dequeue; set `DONE` เมื่อ ai-suggest + embed-document สำเร็จทั้งคู่; set `FAILED` เมื่อ job เข้า dead-letter; ใช้ detect documents ที่ยังไม่ได้ประมวลผล (ADR-009: SQL delta #15, Scenario 3, QuizMe 2026-05-15)
+- **FR-016**: `AiModule` MUST implement `OnModuleInit` — บน startup ตรวจสอบ: ถ้า `ai-batch` paused AND `ai-realtime` มี active job count = 0 → `ai-batch.resume()` อัตโนมัติ; บันทึก `Logger.warn('ai-batch auto-resumed on startup')` เพื่อ traceability (ป้องกัน stale paused state หลัง crash — Scenario 2, QuizMe 2026-05-15)
+- **FR-015**: เมื่อ AI Suggestion สำหรับ categorical field (document_type, discipline) ไม่ตรงกับ Master Data — ระบบ MUST แสดง suggestion text พร้อม badge "⚠️ ไม่รู้จัก — กรุณาเลือกจาก dropdown"; confidence badge ยังแสดงค่าตามปกติ; `ai_audit_logs.ai_suggestion_json` บันทึก raw AI output; `human_override_json` บันทึก value ที่ user เลือก (Scenario 1 — QuizMe 2026-05-15)
+
+### Key Entities
+
+- **AiJob**: Job ใน BullMQ (`ai-realtime` / `ai-batch`), มี jobType, documentPublicId, projectPublicId, status, result
+- **AiAuditLog**: บันทึก AI interaction รวม confidence_score, model_name, human_override_json (ดู Table `ai_audit_logs`)
+- **MigrationReviewQueue**: staging สำหรับ Legacy Migration (ดู Table `migration_review_queue`) — status: PENDING → IMPORTED | REJECTED
+- **QdrantChunk**: Vector chunk ใน Qdrant, มี payload: `{document_public_id, project_public_id, page_number, chunk_index}`
+- **DocumentEmbedding**: metadata ของ embedded document ใน DMS DB (linked กับ Qdrant collection)
+
+---
+
+## Success Criteria _(mandatory)_
+
+### Measurable Outcomes
+
+- **SC-001**: AI Suggestion ปรากฏบนฟอร์มภายใน 30 วินาที สำหรับ Digital PDF และ 90 วินาที สำหรับ Scanned PDF (p95)
+- **SC-002**: RAG Q&A ตอบกลับภายใน 10 วินาที (p95 นับจาก dequeue จาก `ai-realtime`)
+- **SC-003**: VRAM peak ไม่เกิน 5GB เมื่อรัน 2 models พร้อมกัน (gemma4:e4b + nomic-embed-text)
+- **SC-004**: ไม่มี data leak ข้ามโครงการใน RAG — ทุก Qdrant query มี `project_public_id` filter (ตรวจสอบได้จาก query log)
+- **SC-005**: Legacy Migration Batch 20,000 ฉบับ ประมวลผลสำเร็จโดยไม่มี duplicate record (ตรวจสอบด้วย Idempotency-Key)
+- **SC-006**: admin_override_rate < 40% หลัง Calibration Phase (100-500 ฉบับแรก)
+- **SC-007**: ไม่มี Typhoon Cloud API ปรากฏใน codebase หลัง implementation (ตรวจสอบด้วย grep)
+- **SC-008**: ai_audit_logs ทุก record มี confidence_score และ model_name ไม่เป็น null
+
+---
+
+## Assumptions
+
+- Desk-5439 พร้อมใช้งานและมี Ollama ที่ติดตั้ง `gemma4:e4b Q8_0` และ `nomic-embed-text` แล้ว
+- Qdrant instance พร้อมใช้งานและ accessible จาก NestJS backend
+- n8n instance สามารถ call DMS API ผ่าน HTTP ได้
+- PaddleOCR ติดตั้งบน Desk-5439 พร้อมรองรับภาษาไทย
+- `OCR_CHAR_THRESHOLD` default = 100 chars ต่อหน้า (ปรับได้ผ่าน .env)
+- เอกสาร Legacy อยู่ใน Folder ที่ n8n เข้าถึงได้
+
+## Clarifications
+
+### Session 2026-05-15
+- Q: RAG embedding scope — embed ทั้งฉบับหรือแค่ 3 หน้า? → A: ทั้งฉบับ (chunked 512t/64t overlap) — 3-page limit ใช้เฉพาะ Classification/Tagging
+- Q: embed-document trigger timing → A: AUTO ทันทีหลัง commit (parallel กับ AI Suggestion), ไม่รอ Human confirm
+- Q: n8n role → A: n8n call DMS API เท่านั้น (`POST /api/ai/jobs`) — ไม่เรียก Ollama/Qdrant โดยตรง
+- Q: QdrantService enforcement → A: `projectPublicId: string` เป็น required param — ไม่มี optional fallback
+- Q: OCR scope → A: Auto-detect ทั้ง Legacy และ New Uploads ด้วย PyMuPDF

specs/300-others/302-ai-model-revision/tasks.md

@@ -0,0 +1,208 @@
+# Tasks: AI Model Revision (ADR-023A)
+
+**Input**: `specs/300-others/302-ai-model-revision/` (spec.md, plan.md, data-model.md, contracts/)
+**Feature**: `302-ai-model-revision` | **Date**: 2026-05-15
+**Prerequisites**: plan.md ✅ | spec.md ✅ | research.md ✅ | data-model.md ✅ | contracts/ ✅
+
+---
+
+## Format: `[ID] [P?] [Story] Description`
+
+- **[P]**: สามารถรันพร้อมกัน (คนละไฟล์, ไม่มี dependency กัน)
+- **[US1/US2/US3/US4]**: User Story ที่ task นี้ satisfy
+- ทุก task ต้องระบุ file path ที่แน่ชัด
+
+---
+
+## Phase 1: Setup & Cleanup (Tier 1 Critical First)
+
+**Purpose**: ลบ Typhoon ออก, ตั้ง BullMQ 2-queue, สร้าง Schema Delta
+
+**⚠️ CRITICAL**: Phase นี้ต้องทำเสร็จก่อน Phase ถัดไปทั้งหมด — Typhoon removal เป็น Tier 1 blocking
+
+- [ ] T001 Delete Typhoon Cloud API service: `rm backend/src/modules/ai/rag/typhoon.service.ts` และลบ reference ทั้งหมดออกจาก `backend/src/modules/ai/ai.module.ts`, `backend/src/modules/ai/rag/rag.service.ts`
+- [ ] T002 [P] สร้าง SQL delta #14: `specs/03-Data-and-Storage/deltas/14-add-migration-review-queue.sql` ตาม schema ใน data-model.md (ADR-009 — ห้ามใช้ TypeORM migration)
+- [ ] T002B [P] สร้าง SQL delta #15: `specs/03-Data-and-Storage/deltas/15-add-ai-processing-status.sql` — `ALTER TABLE documents ADD COLUMN ai_processing_status ENUM('PENDING','PROCESSING','DONE','FAILED') NOT NULL DEFAULT 'PENDING'`; `ADD INDEX idx_ai_status (ai_processing_status)` (FR-018, ADR-009)
+- [ ] T003 [P] อัปเดต `backend/src/config/bullmq.config.ts` — เพิ่ม `ai-batch` queue config (concurrency=1, defaultJobOptions: retry 3, backoff exponential)
+- [ ] T004 อัปเดต `backend/.env.example` — เพิ่ม `OLLAMA_MODEL_MAIN`, `OLLAMA_MODEL_EMBED`, `QDRANT_HOST`, `QDRANT_COLLECTION`, `OCR_CHAR_THRESHOLD`, `OCR_API_URL`
+- [ ] T005 ตรวจสอบว่าไม่มี Typhoon reference เหลือ: `grep -r "typhoon" backend/src --include="*.ts"` ต้องไม่มีผล
+
+**Checkpoint**: `grep -r "typhoon"` → 0 results; `bullmq.config.ts` มี 2 queues; delta file สร้างแล้ว
+
+---
+
+## Phase 2: Foundational (Blocking Prerequisites)
+
+**Purpose**: Core AI infrastructure ที่ทุก User Story ต้องการ
+
+**⚠️ CRITICAL**: ต้องทำเสร็จก่อนทุก US
+
+- [ ] T006 สร้าง `backend/src/modules/ai/processors/ai-realtime.processor.ts` — BullMQ `@Processor('ai-realtime')` รองรับ jobType: `'ai-suggest'` และ `'rag-query'`; ใส่ logic pause `ai-batch` เมื่อ job active (event: `active`); resume `ai-batch` เมื่อ job completed/failed (events: `completed`, `failed`)
+- [ ] T006A เพิ่ม `onModuleInit()` ใน `backend/src/modules/ai/ai.module.ts` (implements `OnModuleInit`) — startup check: `const isPaused = await aiBatchQueue.isPaused()` AND `const activeCount = await aiRealtimeQueue.getActiveCount()` → ถ้า `isPaused && activeCount === 0` → `await aiBatchQueue.resume()`; `this.logger.warn('ai-batch auto-resumed on startup (stale paused state)')` (FR-016)
+- [ ] T007 สร้าง `backend/src/modules/ai/processors/ai-batch.processor.ts` — BullMQ `@Processor('ai-batch')` รองรับ jobType: `'ocr'`, `'extract-metadata'`, `'embed-document'`
+- [ ] T008 [P] อัปเดต `backend/src/modules/ai/services/ollama.service.ts` — เปลี่ยน model จาก `gemma4:9b` เป็น `process.env.OLLAMA_MODEL_MAIN` (default: `gemma4:e4b`); เพิ่ม generateEmbedding() ที่ใช้ `process.env.OLLAMA_MODEL_EMBED`
+- [ ] T009 [P] อัปเดต `backend/src/modules/ai/services/qdrant.service.ts` — เปลี่ยน `search()` signature ให้ `projectPublicId: string` เป็น required param แรก; เพิ่ม `must: [{ key: 'project_public_id', match: { value: projectPublicId } }]` filter ใน payload; ลบ `rawSearch()` ออก
+- [ ] T010 สร้าง `backend/src/modules/ai/services/ocr.service.ts` — auto-detect: ถ้า `extractedChars > OCR_CHAR_THRESHOLD` → Fast Path (return text); else → call PaddleOCR sidecar ที่ `OCR_API_URL`; return `{ text: string; ocrUsed: boolean }`
+- [ ] T011 อัปเดต `backend/src/modules/ai/ai.module.ts` — register BullModule ทั้ง 2 queues; provide processors ทั้งคู่; ลบ Typhoon import; register entity `MigrationReviewQueueEntity`
+- [ ] T012 [P] สร้าง `backend/src/modules/ai/entities/migration-review-queue.entity.ts` — TypeORM entity ตาม schema ใน data-model.md (column: `publicId`, `batchId`, `idempotencyKey`, `aiMetadataJson`, `confidenceScore`, `ocrUsed`, `status`, `reviewedBy`, `reviewedAt`, `rejectionReason`)
+
+**Checkpoint**: NestJS compile สำเร็จ ไม่มี TypeScript error; QdrantService ไม่มี method ที่ไม่รับ projectPublicId
+
+---
+
+## Phase 3: User Story 1 — AI-Assisted Document Classification (Priority: P1) 🎯 MVP
+
+**Goal**: Digital/Scanned PDF detection + AI Suggest metadata + frontend display
+
+**Independent Test**: อัปโหลด PDF → AI Suggestion ปรากฏบนฟอร์มภายใน 30s
+
+### Implementation
+
+- [ ] T013 [US1] สร้าง `backend/src/modules/ai/dto/create-ai-job.dto.ts` — field: `documentPublicId: string` (IsUUID), `projectPublicId: string` (IsUUID), `jobType: 'ai-suggest' | 'rag-query' | 'ocr' | 'extract-metadata' | 'embed-document'`, `idempotencyKey: string`
+- [ ] T014 [US1] อัปเดต `backend/src/modules/ai/ai.service.ts` — method `queueSuggestJob()`: ตรวจสอบ Idempotency-Key, ส่ง job ไป `ai-realtime` queue พร้อม payload; method `queueEmbedJob()`: ส่ง job ไป `ai-batch` queue (ทั้งสองเรียกพร้อมกันหลัง commit)
+- [ ] T015 [US1] อัปเดต AI-Suggest logic ใน `ai-realtime.processor.ts` — ดึงไฟล์จาก storage, เรียก `OcrService.detectAndExtract()` (3 หน้าแรก), ส่ง text ไป OllamaService; **validate categorical fields กับ `MasterDataService.getCategories()`** (FR-014): ถ้า value ไม่รู้จัก → set `is_unknown: true` ใน suggestion JSON; บันทึก raw AI output ใน `ai_audit_logs.ai_suggestion_json` (รวมค่าที่ไม่รู้จัก — FR-015); return suggestion JSON พร้อม `is_unknown` flag ให้ frontend แสดง badge (FR-015)
+- [ ] T016 [US1] อัปเดต `backend/src/modules/ai/ai.controller.ts` — endpoint `POST /api/ai/suggest` รับ `CreateAiJobDto`, ตรวจสอบ Idempotency-Key header, เรียก `AiService.queueSuggestJob()`; endpoint `GET /api/ai/jobs/:jobId/status` สำหรับ polling; CASL guard: `ai.manage`
+- [ ] T017 [P] [US1] อัปเดต `frontend/components/ai/ai-suggestion-field.tsx` — แสดง confidence badge: ≥0.85 → สีเขียว "AI แนะนำ", 0.60-0.84 → สีเหลือง "⚠️ ตรวจสอบก่อนยืนยัน", <0.60 → ว่าง; polling `GET /api/ai/jobs/:jobId/status` ทุก 3s จนกว่า completed/failed
+- [ ] T018 [P] [US1] อัปเดต `frontend/components/ai/AiStatusBanner.tsx` — แสดง AI service status (online/offline/queue-paused); ถ้า offline → banner "AI ไม่พร้อม กรอก Metadata เอง" แทน spinner
+- [ ] T019 [US1] Trigger dual-queue จาก Document commit flow — หาจุดใน `backend/src/modules/documents/document.service.ts` (หรือ `rfa.service.ts`) ที่ commit document แล้ว: wrap `Promise.all([queueSuggestJob(), queueEmbedJob()])` **ใน try/catch** (FR-017) — on success: ไม่ await result (fire-and-forget); on catch: `Logger.error('AI job queue failed', { documentPublicId, error })` **ไม่ throw** เพื่อไม่ทำลาย commit flow; set `ai_processing_status = 'FAILED'` ของ document record
+- [ ] T019B [US1] อัปเดต `ai-realtime.processor.ts` + `ai-batch.processor.ts` — เมื่อ dequeue: set `document.ai_processing_status = 'PROCESSING'`; เมื่อ ทั้ง ai-suggest + embed-document สำเร็จ: set `ai_processing_status = 'DONE'`; เมื่อ dead-letter: set `ai_processing_status = 'FAILED'` (FR-018)
+- [ ] T020 [US1] ทดสอบ fallback: ปิด OLLAMA_HOST → อัปโหลดเอกสาร → ตรวจสอบว่า document บันทึกได้ปกติและ UI แสดง warning ไม่ใช่ error 500
+
+**Checkpoint**: อัปโหลด Digital PDF → AI Suggestion ใน 30s; อัปโหลด Scanned PDF → Suggestion ใน 90s; ai_audit_logs มี record ใหม่
+
+---
+
+## Phase 4: User Story 2 — RAG-based Document Q&A (Priority: P2)
+
+**Goal**: Full-document chunked embedding + projectPublicId isolation + RAG query endpoint
+
+**Independent Test**: embed 2 docs ใน Project A, query → ได้เฉพาะ Project A; latency < 10s
+
+### Implementation
+
+- [ ] T021 [US2] สร้าง `backend/src/modules/ai/services/embedding.service.ts` — `embedDocument(pdfPath, documentPublicId, projectPublicId)`: ดึงข้อความ full-doc ด้วย PyMuPDF, chunk 512 tokens / 64 overlap, เรียก `OllamaService.generateEmbedding()` ต่อ chunk, upsert ไป Qdrant ผ่าน `QdrantService.upsert(projectPublicId, points)` (ต้องส่ง projectPublicId เสมอ)
+- [ ] T022 [US2] อัปเดต embed-document logic ใน `ai-batch.processor.ts` — เรียก `EmbeddingService.embedDocument()` พร้อมรับ retries; ถ้า fail 3 ครั้ง → dead-letter; อัปเดต `ai_audit_logs` status
+- [ ] T023 [US2] สร้าง `backend/src/modules/ai/dto/rag-query.dto.ts` — field: `projectPublicId: string` (IsUUID, Required), `question: string` (MaxLength 500), `topK: number` (Min 1, Max 20, Default 5)
+- [ ] T024 [US2] อัปเดต `backend/src/modules/ai/rag/rag.service.ts` — method `query(dto: RagQueryDto)`: embed คำถามด้วย nomic-embed-text, call `QdrantService.search(dto.projectPublicId, embedding, dto.topK)`, ส่ง context ไป OllamaService, return `{ answer, sources: [{documentPublicId, chunkText, pageNumber}] }`
+- [ ] T025 [US2] เพิ่ม endpoint `POST /api/ai/rag/query` ใน `ai.controller.ts` — รับ `RagQueryDto`, queue ไป `ai-realtime` (rag-query), return jobId; CASL guard: `ai.query`
+- [ ] T026 [P] [US2] อัปเดต `frontend/components/ai/RagChatWidget.tsx` — ส่ง `projectPublicId` ใน request body; แสดง sources citation (document name + page); แสดง "เอกสารใหม่อาจยังไม่อยู่ใน index" ถ้า document < 5 นาที
+- [ ] T027 [US2] ทดสอบ multi-tenancy: embed doc ใน Project A และ Project B → query ด้วย projectPublicId ของ A → ต้องไม่เห็น doc ของ B ในผล (ตรวจสอบใน Qdrant query log)
+- [ ] T028 [US2] เพิ่ม `QdrantService.deleteByDocument(projectPublicId, documentPublicId)` — ใช้เมื่อ document ถูกลบออกจาก DMS; hook เข้า `document.service.ts` soft-delete flow
+
+**Checkpoint**: RAG query ตอบกลับ < 10s; ผล isolate ตาม projectPublicId; Qdrant ไม่มีข้อมูลข้ามโครงการ
+
+---
+
+## Phase 5: User Story 3 — Legacy Migration Pipeline (Priority: P3)
+
+**Goal**: n8n → DMS API → migration_review_queue → Admin Review UI
+
+**Independent Test**: POST /api/ai/migration/queue → queue item PENDING → Admin Approve → document imported + embed queued
+
+### Implementation
+
+- [ ] T029 [US3] สร้าง `backend/src/modules/ai/dto/migration-queue-item.dto.ts` — field: `batchId: string`, `filename: string`, `tempPath: string`; idempotencyKey ดึงจาก header
+- [ ] T030 [US3] สร้าง `backend/src/modules/ai/services/migration.service.ts` — method `queueForReview(dto, idempotencyKey)`: สร้าง `MigrationReviewQueue` record (status=PENDING), queue `ai-batch: ocr + extract-metadata`; method `approve(publicId, reviewedBy)`: import document, queue `embed-document`; method `reject(publicId, reason)`; method `findAll(filters)` pagination
+- [ ] T031 [US3] เพิ่ม endpoint ใน `ai.controller.ts`: `POST /api/ai/migration/queue` (Idempotency-Key header required), `GET /api/ai/migration/queue`, `POST /api/ai/migration/queue/:publicId/approve`, `POST /api/ai/migration/queue/:publicId/reject`; CASL guard: `ai.manage` (SYSTEM_ADMIN only)
+- [ ] T032 [P] [US3] สร้าง `frontend/components/ai/migration-queue-table.tsx` — แสดง list ของ migration_review_queue; column: filename, confidenceScore (badge), status, ocrUsed; ปุ่ม Approve/Reject ต่อ row; filter by status/batchId
+- [ ] T033 [P] [US3] สร้าง `frontend/app/(dashboard)/ai-staging/migration-review/page.tsx` — ใช้ `MigrationQueueTable` component; TanStack Query สำหรับ data fetching + optimistic update เมื่อ approve/reject
+- [ ] T034 [US3] อัปเดต `frontend/app/(dashboard)/ai-staging/page.tsx` — เพิ่ม tab "Migration Queue" link ไปยัง `/ai-staging/migration-review`
+- [ ] T035 [US3] ทดสอบ Idempotency: POST migration/queue 2 ครั้งด้วย Idempotency-Key เดิม → ตรวจสอบว่า record ไม่ถูกสร้างซ้ำ (HTTP 409 ครั้งที่สอง)
+
+**Checkpoint**: n8n สามารถ POST และได้ 202; Admin เห็น queue ใน UI; Approve → document import + embed queued
+
+---
+
+## Phase 6: User Story 4 — AI Monitoring & Threshold Management (Priority: P4)
+
+**Goal**: Admin dashboard AI metrics + threshold recalibration + ai_audit_logs delete permission
+
+**Independent Test**: Admin ดู dashboard → เห็น confidence distribution; Admin ลบ test log → audit_logs บันทึก
+
+### Implementation
+
+- [ ] T036 [US4] เพิ่ม endpoint `GET /api/ai/analytics/summary` ใน `ai.controller.ts` — query `ai_audit_logs` GROUP BY document_type, status; return: avgConfidence, overrideRate, rejectedRate per type; CASL: `ai.read_analytics`
+- [ ] T037 [US4] เพิ่ม endpoint `DELETE /api/ai/audit-logs/:publicId` — CASL: `ai.delete_audit` (SYSTEM_ADMIN only); บันทึกใน `audit_logs` (action: 'AI_AUDIT_LOG_DELETED', targetId: publicId)
+- [ ] T038 [P] [US4] อัปเดต `frontend/app/(dashboard)/ai-staging/page.tsx` — เพิ่ม tab "AI Analytics"; แสดง: confidence distribution bar chart (TBD: ใช้ recharts หรือ shadcn chart), override rate, rejected rate แยกตาม document_type
+- [ ] T039 [P] [US4] เพิ่ม Threshold Recalibration UI ใน ai-staging page — แสดง current threshold (HIGH=0.85, MID=0.60 จาก ENV), แสดงคำแนะนำ "ถ้า override rate > 40% → ลด threshold เป็น X", link ไปที่ ENV documentation; ไม่ใช่ปุ่มอัตโนมัติ — Admin ปรับ ENV เอง
+- [ ] T040 [US4] ทดสอบ delete permission: STAFF role พยายาม DELETE → 403; SYSTEM_ADMIN DELETE → 200; `audit_logs` มี record ใหม่ action='AI_AUDIT_LOG_DELETED'
+
+**Checkpoint**: Admin dashboard แสดง metrics; delete audit log บันทึกใน audit_logs; threshold guidance แสดงถูกต้อง
+
+---
+
+## Phase 7: Polish & Cross-Cutting Concerns
+
+**Purpose**: i18n, error messages, documentation
+
+- [ ] T041 [P] เพิ่ม i18n keys สำหรับ AI module ใน `public/locales/th/ai.json` และ `public/locales/en/ai.json` — รวม: ai suggestion labels, migration queue statuses, error messages (ไม่ hardcode text ใน component)
+- [ ] T042 [P] เพิ่ม i18n key สำหรับ fallback messages: `ai.service_unavailable`, `ai.new_doc_not_indexed`, `ai.no_results_found`
+- [ ] T043 ตรวจสอบ `backend-tsc.txt` และ `frontend-tsc.txt` — ต้องไม่มี TypeScript error จาก files ที่แก้
+- [ ] T044 รัน `grep -r "console.log" backend/src/modules/ai --include="*.ts"` → ต้องไม่มีผล (ใช้ Logger แทน)
+- [ ] T045 รัน quickstart.md Verification Scenarios ทั้ง 6 scenarios และ document ผล
+- [ ] T046 อัปเดต `specs/03-Data-and-Storage/deltas/14-add-migration-review-queue.sql` ให้สมบูรณ์และ run ใน dev DB
+- [ ] T047 [P] อัปเดต `CHANGELOG.md` — เพิ่ม entry สำหรับ ADR-023A implementation
+
+---
+
+## Dependencies & Execution Order
+
+### Phase Dependencies
+
+- **Phase 1 (Setup)**: ไม่มี dependency — เริ่มได้ทันที; **MUST** เสร็จก่อนทุก Phase
+- **Phase 2 (Foundation)**: ขึ้นอยู่กับ Phase 1 — BLOCKS ทุก User Story
+- **Phase 3 (US1 - P1)**: ขึ้นอยู่กับ Phase 2 — MVP สำคัญที่สุด
+- **Phase 4 (US2 - P2)**: ขึ้นอยู่กับ Phase 2; ใช้ `EmbeddingService` และ `QdrantService` จาก Phase 2
+- **Phase 5 (US3 - P3)**: ขึ้นอยู่กับ Phase 2; อาจรันพร้อม Phase 4 ได้ (คนละ service)
+- **Phase 6 (US4 - P4)**: ขึ้นอยู่กับ Phase 3 (ต้องมี ai_audit_logs data)
+- **Phase 7 (Polish)**: ขึ้นอยู่กับทุก Phase ก่อนหน้า
+
+### User Story Dependencies (Internal)
+
+- **US1**: T013 → T014 → T015, T016 (parallel); T019 ต้องหลัง T014
+- **US2**: T021 → T022; T023 → T024 → T025; T026, T027 parallel กับ T025
+- **US3**: T029 → T030 → T031; T032, T033 parallel กับ T031
+- **US4**: T036, T037 parallel; T038, T039 parallel กับ T036
+
+### Parallel Opportunities per Phase
+
+**Phase 1**: T002 ‖ T003 ‖ T004 (ทำพร้อมกันได้)
+**Phase 2**: T008 ‖ T009 ‖ T010 ‖ T012 (ทำพร้อมกันได้หลัง T006, T007, T011)
+**Phase 3**: T017 ‖ T018 พร้อมกัน; T019 ต้องหลัง T014
+**Phase 4**: T021 ‖ T023 พร้อมกัน (คนละ service); T026 ‖ T027 พร้อมกัน
+**Phase 5**: T032 ‖ T033 ‖ T034 พร้อมกัน (frontend tasks)
+
+---
+
+## Implementation Strategy
+
+### MVP Scope (Phase 1 + 2 + 3 เท่านั้น)
+
+1. Phase 1: ลบ Typhoon, ตั้ง 2-queue, สร้าง delta → **Tier 1 Critical ✅**
+2. Phase 2: Foundation AI infrastructure → **Core engine ready**
+3. Phase 3: US1 - Document Classification → **User value delivered**
+4. **STOP และ VALIDATE**: ทดสอบ AI Suggestion flow end-to-end
+5. Deploy MVP ถ้าพร้อม
+
+### Incremental Delivery
+
+- Phase 3 done → MVP: Classification on Upload ✅
+- Phase 4 done → RAG Q&A ✅
+- Phase 5 done → Migration Pipeline ✅ (Pre-launch)
+- Phase 6 done → Admin Monitoring ✅
+- Phase 7 done → Complete ✅
+
+---
+
+## Metrics
+
+- **Total Tasks**: 47 tasks (T001–T047)
+- **Phase 1 (Setup)**: 5 tasks
+- **Phase 2 (Foundation)**: 7 tasks
+- **Phase 3 (US1 P1)**: 8 tasks
+- **Phase 4 (US2 P2)**: 8 tasks
+- **Phase 5 (US3 P3)**: 7 tasks
+- **Phase 6 (US4 P4)**: 5 tasks
+- **Phase 7 (Polish)**: 7 tasks
+- **Parallel [P] tasks**: 22 tasks (47%)
+- **MVP Scope**: 20 tasks (Phase 1+2+3)