Latest

Transformer คืออะไร? ทำไม GPT ถึงเข้าใจภาษาได้

หากจะเข้าใจว่า GPT ที่ย่อจาก Generative Pre-train Transformer ทำงานอย่างไร สิ่งที่ควรรู้จักก่อนคือ Transformer Transformer คือ สถาปัตยกรรมที่ช่วยให้ AI เข้าใจความสัมพันธ์ระหว่างคำในประโยค โดยหัวใจสำคัญคือ Attention เช่น The bank approved the loan because it had

AI Engineer vs Forward Deployed Engineer

สองตำแหน่งนี้มี Skill ที่ทับซ้อนกันมาก โดยเฉพาะในยุคของ LLM, RAG และ Agentic AI แต่มีสิ่งที่โฟกัสต่างกัน AI Engineer เน้นการสร้างและพัฒนา AI System เช่น LLM Application, RAG, Agent, Evaluation, API และระบบที่นำ AI ไปใช้งานใน Production AI Engineer = Build AI

อยากเป็น AI Engineer ต้องเข้าใจ LLM แค่ไหน?

หากกำลังเริ่มต้น Career สาย AI Engineer ช่วงนี้ คงหนีไม่พ้นคำว่า LLM (Large Language Model) อาจไม่จำเป็นต้องถึงขั้นสร้าง LLM เอง แต่ควรเข้าใจมันมากพอที่จะสร้างระบบด้วย LLM ได้ LLM ทำอะไร? เวลาที่เราพิมพ์ข้อความเข้าไป LLM ไม่ได้อ่านเหมื

Model Cost vs AI Cost: เงินที่เสียไปกับ AI จริง ๆ คืออะไร?

AI คิดเงินหลัก ๆ จาก จำนวน Token ที่ใช้ Token = หน่วยของข้อความ สิ่งที่ส่งให้ AI = Input Token สิ่งที่ AI ตอบกลับ = Output Token ค่าใช้จ่ายโดยทั่วไป คือ Model Cost = Input Token × ราคา Input + Output Token × ราคา Output ตัวอย่าง * ส่

Modern AI Stack: AI ไม่ได้มีแค่ LLM

ในการสร้าง AI Application ไม่ได้จบที่การเลือก LLM Modern AI Stack ประกอบไปด้วย 1. Infrastructure GPU, Cloud, Storage, Model Serving ทำให้ AI รันได้ 2. Model LLM, SLM, Multimodal Model, Embedding เป็น “สมอง” ของระบบ 3. Knowledge & Data Data, Vector DB, RAG, Knowledge Base ใส่ข้อมู

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