Latest

2P2R for Floods: จัดการน้ำท่วมด้วยข้อมูล

การบริหารจัดการน้ำท่วม โดยใช้ Framework 2P2R (Predict, Prepare, Response, Recovery) Predict (พยากรณ์) → Prepare (เตรียมการ) → Response (ตอบสนอง) → Recovery (ฟื้นฟู) 1) Predict – พยากรณ์น้ำท่วมล่วงหน้า 1.1 Time-Series Forecasting ใช้ข้อมูล historical + real-time เพื่อทำนาย * ระดับน้ำแม่น้ำ/คลอง (6–72

10 คำคม Data & AI ที่จะเปลี่ยนมุมมองการทำงานของคุณ

1. “Data is the new oil.” — Clive Humby “ข้อมูลคือทรัพยากรน้ำมันรูปแบบใหม่” 2. “Without data, you’re just another person with an opinion.” — W. Edwards Deming “หากไม่มีข้อมูล คุณก็เป็นเพียงคนหนึ่งที่มีความเห็นเหมือนคนอื่น” 3. “In God we

Large Geospatial Model คืออะไร? อนาคตของ AI ที่เข้าใจโลกจริง

Large Geospatial Model (LGM) คือโมเดล AI/ML ขนาดใหญ่ที่ถูกออกแบบมาเฉพาะสำหรับ ข้อมูลเชิงพื้นที่ (geospatial data) ซึ่งรวมข้อมูลตำแหน่ง พิกัด ภาพถ่ายดาวเทียม เส้นทาง จุดสนใจ (POIs: Point of Interests) และข้อมูลภูมิสารสนเทศอื่น ๆ เพื่อให้ AI เข้

AI มองเห็นและเข้าใจภาพ ด้วย Large Vision Model

แนวคิดของ Large Vision Models (LVMs) เป็นอีกก้าวสำคัญของ AI ต่อจาก LLMs (Large Language Models) โดยเน้น “การเข้าใจและสร้างภาพ” เช่นเดียวกับที่ LLM เข้าใจภาษาและสร้างบทสนทนา 1) ความหมายของ LVMs LVMs คือโมเดลขนาดใหญ่ที่ผ่านการเทรนด้วยข้อมูลภาพ (image/video) ปริมาณมหาศาล เพื่อเรียนรู

เพิ่มขีดความสามารถด้วย Gen AI กับหลากหลายฟังก์ชันในองค์กร

การประยุกต์ใช้ Generative AI (Gen AI) ในองค์กรสามารถสร้างประโยชน์ได้ในหลายด้าน ทั้งเพิ่มประสิทธิภาพ ลดต้นทุน และสร้างคุณค่าใหม่ให้ธุรกิจ ตัวอย่างการประยุกต์ใช้ตามฟังก์ชันต่างๆ ในองค์กร ดังนี้ 1. งานปฏิบัติการ (Operations) * การสร้

AI ฉลาดแล้ว แต่ตอบผิดได้? รู้จัก RAG ตัวช่วยลดการมั่วของ LLM

ความสัมพันธ์ระหว่าง LLM และ RAG 💬 LLM คืออะไร? LLM (Large Language Model) คือโมเดลภาษา AI ขนาดใหญ่ที่ถูกฝึกด้วยข้อมูลข้อความจำนวนมหาศาล เพื่อให้สามารถเข้าใจและสร้างภาษามนุษย์ได้ เช่น GPT-5, GPT-4, LLaMA, Claude เป็นต้น จุดเด่นของ LLM * เข้าใจและสร้างข้

รู้จักทีม Data: ใครทำหน้าที่อะไรในโลกแห่งข้อมูล

“ทีม Data” ในองค์กรจะมีหลายตำแหน่งงานที่ทำงานร่วมกันตามบทบาทหน้าที่ ตั้งแต่การจัดการข้อมูล ไปจนถึงการวิเคราะห์และใช้ข้อมูลเพื่อสร้างมูลค่าให้ธุรกิจ ตัวอย่างตำแหน่งหลัก ๆ แบ่งตามกลุ่มงาน ได้แก่ กลุ่มงานบริหารและจัดการข้อมูล (Data Management

Smarter Banking with Gen AI

Use Cases ของ Gen AI ในแบงค์ 1. Customer Service & Chatbot * ใช้ Gen AI ตอบคำถามลูกค้าอัตโนมัติ เช่น การสอบถามยอดเงิน, ดอกเบี้ย, โปรโมชั่น * ระบบสามารถเข้าใจภาษาไทย-อังกฤษ และตอบได้อย่างใกล้เคียงมนุษย์ ตัวอย่าง ลูกค้าถามในแอปว่า “ดอกเบี้ยบัตรเครดิตตอนนี้เท่าไหร่” → AI

Synthetic Data: กุญแจใหม่สำหรับ AI และธุรกิจยุคดิจิทัล

Synthetic Data คืออะไร? * คือ “ข้อมูลที่ สร้างขึ้นมาใหม่ ด้วยคอมพิวเตอร์” * ไม่ใช่ข้อมูลจริงของลูกค้า หรือคนจริง ๆ * แต่ถูกสร้างขึ้นให้ “หน้าตาเหมือน ข้อมูลจริง” เช่น ลักษณะการซื้อของ, ยอดเงิน, พฤติกรรมผู้ใช้ * คล้

ทำความเข้าใจ Data Governance ผ่านกล่อง LEGO

🧩 หากเรากับเพื่อน ๆ มี กล่องตัวต่อ LEGO ใบใหญ่ ทุกคนอยากเอาไปสร้างของเจ๋ง ๆ แต่ถ้าทุกคนหยิบชิ้นส่วนไปใช้มั่ว ๆ อาจมีบางชิ้นหาย แตก หรือใช้ผิดวิธี เวลาคนอื่นอยากสร้างก็หาไม่เจอ หรือไม่มีใครรู้ว่าควรใช้ยังไง 👨‍⚖️ Data governance

Embedded Finance: การเงินที่ฝังอยู่รอบตัวเรา

Embedded Finance คืออะไร? Embedded Finance คือ การฝังบริการทางการเงินไว้ในแพลตฟอร์มหรือแอปที่คนใช้อยู่แล้ว เช่น แอปช้อปปิ้งออนไลน์, แอปส่งอาหาร, หรือแพลตฟอร์มท่องเที่ยว ทำให้ผู้ใช้สามารถ ชำระเงิน กู้ยืม ลงทุน หรือซื้อประกัน ได้ทันที โดยไม่

Gen AI พลิกโฉม Customer Analytics ในธนาคาร

Gen AI และ LLM (Large Language Model) มีประสิทธิภาพมากๆ ในปัจจุบัน สามารถนำไปใช้กับหลากหลาย Use Cases ในธนาคาร มี 8 “Customer Analytics” Use Cases ที่น่าสนใจ ดังนี้ * Smart Segmentation & Persona: จัดกลุ่มลูกค้าแบบไดนามิกจากธุรกรรม/พฤติกรรม แล้วให้ LLM สรุปเป็

AI ผู้ช่วยคนสำคัญของธนาคารยุคใหม่

การใช้งาน AI ในธนาคาร แยกตามฟังก์ชันต่างๆ ดังนี้ 🔹 ด้านปฏิบัติการ (Operations) * อัตโนมัติเอกสาร, ตรวจสอบ KYC * แชทบอทบริการลูกค้า * จัดการงานหลังบ้านให้เร็วและแม่นยำขึ้น 🔹 ด้านความเสี่ยงและการทุจริต (Risk & Fraud) * ตรวจจับธุรกรรมผิดปกติ * วิเคราะห์เครดิ

Data Science & AI ในธนาคาร: จากความท้าทายสู่ความสำเร็จ

ความท้าทาย และ เทคโนโลยีที่นิยมใช้ ในการ Implement Data Science และ AI ในธนาคาร 1. ความท้าทายหลัก (Challenges) 📊👨🏻‍💻 ด้านข้อมูล (Data Challenges) 1) ข้อมูลกระจายอยู่หลายระบบ * Core banking, CRM, ระบบบัตรเครดิต, ระบบสินเชื่อ ฯลฯ ทำให้ต้องใช้เวลาใน ETL และ Data Integration 2) คุ