Latest

Harness Engineering: AI เก่งอย่างเดียวไม่พอ

ก่อนหน้านี้เราสนใจว่า จะทำให้ AI ตอบเก่งขึ้นได้อย่างไร Prompt ดีขึ้น, Model ดีขึ้น, RAG ดีขึ้น แต่เมื่อ AI เริ่มถูกเอาไปทำงานจริง เกิดคำถามที่ว่า หาก AI ทำผิด จะจัดการอย่างไร? Harness Engineering คือ การสร้างระบบรอบ ๆ

AI Jobs: โลก AI ไม่ได้มีแค่ Data Scientist

เมื่อ AI และ GenAI ถูกนำไปใช้จริงมากขึ้น ตำแหน่งงานด้าน AI ก็เริ่มหลากหลายขึ้น ไม่ใช่ทุกคนต้องสร้าง Model และไม่ใช่ทุกคนต้องเป็น Data Scientist มีตำแหน่งสำคัญๆ คือ 1. Data Scientist วิเคราะห์ข้อมูล สร้าง Model

Human-in-the-Loop: ทำไม AI บางงานยังต้องมีคนกด Approve

เราอาจอยากให้ AI ทำงานเองให้ได้มากที่สุด แต่ในความเป็นจริง บางงานไม่ควรปล่อยให้ AI ตัดสินใจเอง 100% ยกตัวอย่าง AI ที่ช่วยอนุมัติสินเชื่อ คืนเงินลูกค้า หรือส่งเอกสารสำคัญออก AI อาจวิเคราะห์ข้อมูลและเสนอคำตอบได้ แต่ก่อนที่จะเกิ

AI State: Agent จำอะไรไว้ระหว่างการทำงาน?

ในความหมายว่า AI Agent “จำได้” จริง ๆ แล้ว Model ไม่ได้จำทุกอย่างไว้ในตัวเอง สิ่งที่ทำให้ Agent ทำงานต่อเนื่องได้คือ State หรือ ข้อมูลที่ระบบเก็บไว้ระหว่างการทำงาน 1) Stateless — ไม่จำ แต่ละ Request แยกออกจากกัน User → Request → Agent → Response

AI Guardrails: เมื่อ Prompt ไม่พอที่จะควบคุม AI

ถ้าอยากให้ AI ทำงานถูกต้อง ก็แค่เขียน Prompt ให้ดีขึ้น? แต่ในระบบ Production จริง ๆ Prompt อย่างเดียวอาจไม่พอ เพราะ LLM เป็นระบบที่มีความไม่แน่นอน และสามารถสร้าง Output ที่คาดไม่ถึงได้ แม้จะกำหนดคำสั่งไว้อย่างละเอียด เป็นเหตุผลที

ทำไม AI ยุคใหม่ไม่ได้มีแค่ LLM? รู้จัก 5 Components สำคัญ

AI ไม่ได้มีแค่ LLM LLM คือ สมอง แต่การทำให้ AI “รู้ข้อมูล ใช้เครื่องมือ และลงมือทำ” ต้องอาศัยหลาย Components LLM → RAG → Agent → Tool Calling → MCP แต่ละตัวทำหน้าที่ต่างกัน และเมื่อเชื่อมต่อกันจึงกลายเป็น AI System ที

AI Cold Start: ทำไม AI บางครั้ง คิดนาน ก่อนตอบ

บางครั้ง เรา Prompt ไปแล้ว AI เงียบไปหลายวินาที ก่อนจะเริ่มตอบ ทั้งที่ Request ครั้งต่อไปกลับเร็วขึ้นมาก อาจไม่ใช่เรื่องของ Model ที่คิดช้า แต่เป็นปัญหาที่เรียกว่า AI Cold Start 1. Model Loading ก่อนที่ Model จะเริ่ม Inference

AI Cache: ทำไมการจำผลลัพธ์ AI อาจสำคัญกว่าการรัน Model ซ้ำ

ในการทำ AI ให้เร็วขึ้น เรามักคิดถึง Model ที่เร็วขึ้น หรือ GPU ที่แรงขึ้น แต่ใน Production จริง ๆ วิธีที่เร็วที่สุดอาจเป็นการ ไม่ต้องรัน Model เลย เป็นแนวคิดของ AI Cache แทนที่จะส่งคำถามเดิมเข้

Context Engineering: เมื่อ AI ต้องเข้าใจ “สถานการณ์” ไม่ใช่แค่คำสั่ง

ในปัจจุบันการใช้ AI อย่างมีประสิทธิภาพกำลังเปลี่ยนจาก Prompt Engineering ไปสู่ Context Engineering เพราะการบอก AI ว่า “ทำอะไร” อาจไม่เพียงพออีกต่อไป แต่ AI ต้องรู้ด้วยว่า กำลังทำงานอะไร อยู่ในสถานการณ์ไหน และควรใช้ข้อมูลอะไรประกอบการตัดสินใจ Context ของ AI อาจประกอบด้วย

AI Technical Debt: เมื่อ AI ที่สร้างเร็ว กลายเป็นหนี้ทางเทคนิค

ช่วงแรกของการสร้าง AI ทุกอย่างเป็นเรื่องง่าย เลือก Model → เขียน Prompt → เชื่อมต่อ API → Deploy แต่เมื่อระบบเริ่มมีผู้ใช้มากขึ้น สิ่งที่เคย ทำเสร็จเร็ว อาจกลายเป็น Technical Debt ที่ทำให้ระบบแก้ยาก แพงขึ้น และเสี่ยงต่อการพัฒนาในอนาคต Technical

AI Reliability Engineering: เมื่อ AI ทำงานบน Production System

เมื่อ AI ถูกนำไปใช้จริง คำถามจะเปลี่ยนจาก “AI ตอบได้ไหม?” เป็น “AI ทำงานได้อย่างสม่ำเสมอและเชื่อถือได้แค่ไหน?” เป็นสิ่งที่ AI Reliability Engineering เข้ามามีบทบาท ระบบ AI บน Production ต้องออกแบบให้รับมือกับความผิดพลาดหลายรูปแบบ เช่น Model timeout, API ล่

AI Runtime: เมื่อการรัน AI สำคัญพอ ๆ กับตัว Model

ก่อนหน้านี้การแข่งขันด้าน AI คือ “ใช้ Model อะไรดี?” แต่เมื่อโมเดลหลายตัวมีความสามารถใกล้เคียงกัน มุมมองจึงเปลี่ยนไปเป็น “สามารถรัน Model นั้นอย่างไรให้เร็ว ถูก และ Scale ได้?” เป็นบทบาทของ AI Runtime AI Runtime คือ ชั้นที่อยู

AI Memory: ทำไม Chat History ไม่ใช่ Memory

หลายคนคิดว่า AI ที่จำบทสนทนาก่อนหน้าได้ = มี Memory แต่จริง ๆ แล้ว Chat History ≠ AI Memory Chat History คือ ข้อมูลที่ถูกส่งกลับเข้าไปใน Context Window เพื่อให้ Model เห็นสิ่งที่เคยคุยกัน ส่วน Memory คือ การเลือกเก็

AI Agent Memory: เมื่อ AI ต้อง “จำ” ไม่ใช่แค่ “รู้”

AI Agent ยุคใหม่ไม่เพียงต้องการแค่ Context Window ใหญ่ แต่ต้องสามารถ จำสิ่งสำคัญจากอดีต และนำกลับมาใช้ในอนาคต Context ≠ Memory ≠ RAG Context สิ่งที่ AI เห็นใน task ปัจจุบัน RAG ดึงข้อมูลจาก Knowledge Base มาใช้ Memory เก็บประสบการณ์และข้อมูลสำคัญเพื