หลักสูตรไอทีสอนสด ครอบคลุมเว็บ โมบายล์ ฐานข้อมูล กราฟิก และอื่น ๆ
งานตรวจสอบด้วยสายตาในธุรกิจมีอยู่ทุกที่ ทั้งการตรวจชิ้นงานเสียในสายการผลิต การนับสินค้าบนชั้น การนับคนเข้าออกร้าน หรือการตรวจว่าพนักงานสวมอุปกรณ์ป้องกันครบ งานเหล่านี้ใช้คนจำนวนมาก เหนื่อย และผลไม่สม่ำเสมอ ปัจจุบันโมเดลตระกูล YOLO ทำให้การตรวจจับวัตถุแบบ…
เมื่อพนักงานทุกแผนกเริ่มใช้ AI องค์กรมักเจอปัญหาเดียวกัน แต่ละทีมสมัครบริการคนละเจ้า ถือ API Key กันเอง ไม่มีใครรู้ว่าค่าใช้จ่ายรวมเท่าไร ข้อมูลลูกค้าหรือเอกสารลับอาจถูกส่งออกไปโดยไม่ตั้งใจ และเมื่อเกิดเหตุก็ไม่มี Log ให้ตรวจย้อนหลัง การห้ามใช้ไม่ได้ผล…
Prompt ที่ดีและ RAG แก้ปัญหาได้หลายอย่าง แต่บางงานก็ไปไม่สุด เช่น อยากให้โมเดลตอบในรูปแบบเฉพาะขององค์กรทุกครั้ง ใช้ศัพท์เฉพาะทางได้ถูกต้อง จัดหมวดเอกสารภาษาไทยได้แม่นยำ หรือใช้โมเดลขนาดเล็กที่รันในองค์กรได้แทนโมเดลใหญ่ราคาแพง Fine-tuning ด้วย LoRA และ QLoRA…
การสร้าง Chatbot หรือระบบ RAG ให้ตอบได้ดีในเครื่องของนักพัฒนาใช้เวลาไม่นาน แต่การดูแลให้ระบบตอบได้ดีอย่างสม่ำเสมอใน Production เป็นอีกเรื่องหนึ่ง แก้ Prompt นิดเดียวคำตอบบางกลุ่มก็แย่ลงโดยไม่มีใครรู้ เปลี่ยนรุ่นโมเดลแล้วค่าใช้จ่ายเพิ่มขึ้นหลายเท่า…
ทุกองค์กรมีเอกสารที่ต้องคีย์ข้อมูลซ้ำทุกวัน ทั้งใบแจ้งหนี้ ใบกำกับภาษี ใบเสร็จ แบบฟอร์มสมัคร และสัญญา ซึ่งมักมาเป็น PDF สแกนหรือภาพถ่ายจากมือถือ OCR แบบเดิมอ่านภาษาไทยได้ไม่ดีนักและไม่รู้ว่าตัวเลขไหนคือยอดสุทธิ ขณะที่ AI รุ่นใหม่อ่านเอกสารได้เก่งขึ้นมาก…
หลายองค์กรอยากใช้ LLM กับเอกสารภายใน ข้อมูลลูกค้า หรือซอร์สโค้ด แต่ติดเงื่อนไขว่าข้อมูลห้ามส่งออกไปยังผู้ให้บริการภายนอก ทางออกคือรันโมเดล Open-weight บนเครื่องหรือเซิร์ฟเวอร์ขององค์กรเอง แต่พอลงมือจริงทีม IT ต้องตอบคำถามที่ไม่ง่ายเลย ว่าควรเลือกโมเดลไหน…
แอปที่ใช้ LLM ทั้ง Chatbot ระบบ RAG และ AI Agent ที่เรียกเครื่องมือได้เอง กำลังเข้าไปอยู่ในระบบงานจริงขององค์กร แต่ช่องโหว่ของแอปเหล่านี้ต่างจากเว็บแอปทั่วไป ข้อความธรรมดาในอีเมลหรือเอกสารก็สั่งให้โมเดลทำสิ่งที่ไม่ควรทำได้ ข้อมูลลับใน Context…
งาน Generative AI ในองค์กรวันนี้ไม่ได้จบแค่การเรียก API ของโมเดลภาษา ทีมที่ต้องสร้างแชตบอต ระบบสรุปเอกสาร หรือระบบค้นหาจากความรู้ภายใน ต้องเข้าใจตั้งแต่พื้นฐาน Machine Learning, Tokenization และ Transformer ไปจนถึงการเตรียมข้อมูล การ Fine-tune การวัดผล…
การทำต้นแบบแชตบอตด้วย Generative AI ใช้เวลาไม่กี่ชั่วโมง แต่การพาแอปเดียวกันขึ้นใช้งานจริงในองค์กรเป็นอีกเรื่องหนึ่ง ทีมพัฒนาต้องตอบให้ได้ว่าจะเลือกโมเดลไหน ค่าใช้จ่ายต่อคำขอเท่าไร คำตอบอ้างอิงเอกสารที่ถูกต้องหรือไม่ จะกันข้อมูลส่วนบุคคลรั่วและ Prompt…
เมื่อองค์กรเปิดใช้ Microsoft 365 Copilot และ Agent สิ่งที่เปลี่ยนไปทันทีคือ ไฟล์ทุกไฟล์ที่ผู้ใช้มีสิทธิ์เปิดได้กลายเป็นข้อมูลที่ Copilot หยิบมาตอบได้ หากสิทธิ์ใน SharePoint และ Teams แชร์กว้างเกินไป ไม่มี Sensitivity Label หรือไม่มีใครดูว่าใครสร้าง Agent…
ผู้บริหารและหัวหน้าทีมจำนวนมากถูกถามว่าองค์กรควรใช้ Generative AI อย่างไร แต่ข้อมูลที่ได้รับมักกระจัดกระจาย บ้างเน้นเทคนิคจนเข้าใจยาก บ้างเน้นกระแสจนตัดสินใจไม่ได้ ผู้นำจึงต้องเข้าใจพื้นฐานของ Gen AI มากพอจะคุยกับทีมเทคนิคได้ รู้ว่าเครื่องมือแต่ละตัวบน Google…
หลายองค์กรเริ่มใช้ Generative AI บน AWS แล้ว ทั้งแชตบอตตอบคำถามจากเอกสารภายใน ผู้ช่วยเขียนโค้ด และระบบสรุปงานอัตโนมัติ แต่คนที่ต้องตัดสินใจหรือทำงานร่วมกับระบบเหล่านี้จำนวนมากยังไม่แน่ใจว่าควรเลือกบริการไหน ต้นทุนคิดจากอะไร RAG ต่างจาก Fine-tuning อย่างไร…
การทำต้นแบบแชตบอตด้วยโมเดลภาษาใช้เวลาไม่นาน แต่การพาแอป AI และ Agent ขึ้นใช้งานจริงในองค์กรเป็นอีกเรื่องหนึ่ง ทีมพัฒนาต้องเลือกโมเดลและบริการให้เหมาะกับงาน ดึงข้อมูลองค์กรมาให้ AI ตอบได้ถูกต้อง ให้ Agent เรียกใช้เครื่องมือได้อย่างปลอดภัย…
AI กลายเป็นส่วนหนึ่งของงานแทบทุกทีม ตั้งแต่แชตบอตตอบลูกค้า สรุปเอกสาร ถอดเสียงประชุม ไปจนถึงอ่านใบแจ้งหนี้อัตโนมัติ แต่หลายคนยังไม่แน่ใจว่าแต่ละงานควรใช้ AI แบบไหน โมเดลทำงานอย่างไร และจะเริ่มสร้างของจริงบนคลาวด์ได้อย่างไรโดยไม่ละเลยความรับผิดชอบต่อผู้ใช้…
สถาปนิก วิศวกร ผู้รับเหมา และ QS ใช้เวลาจำนวนมากกับเอกสาร ทั้งอ่าน TOR เขียน Specification ทำและตรวจ BOQ เปรียบเทียบใบเสนอราคา และเขียนรายงานความคืบหน้า งานเหล่านี้ต้องละเอียด เพราะรายการตกหล่นหรือหน่วยผิดเพียงจุดเดียวอาจกระทบต้นทุนทั้งโครงการ เครื่องมือ AI…
งาน UX/UI วันนี้ต้องเร็วขึ้นทุกขั้น ตั้งแต่สรุปผลสัมภาษณ์ผู้ใช้ ไปจนถึงทำต้นแบบให้ทีมและลูกค้าเห็นภาพ เครื่องมือ AI ช่วยร่างแบบสอบถาม จัดกลุ่ม Insight สร้างหน้าจอจากคำอธิบาย และทำ Prototype ที่กดใช้งานได้ในเวลาไม่นาน แต่ถ้าใช้ผิดวิธี ทีมก็อาจได้ Persona…
นักศึกษาปริญญาโท ปริญญาเอก อาจารย์ และนักวิจัยจำนวนมากเริ่มใช้ AI ช่วยค้นคว้าและเขียนงาน แต่ปัญหาที่พบบ่อยคือ AI สร้างรายการอ้างอิงที่ไม่มีอยู่จริง สรุปงานวิจัยผิดจากต้นฉบับ หรือผู้ใช้ส่งข้อมูลผู้ให้ข้อมูลวิจัยเข้าเครื่องมือภายนอกโดยไม่รู้ตัว…
บุคลากรในโรงพยาบาลใช้เวลาจำนวนมากกับงานที่ไม่ใช่การดูแลผู้ป่วยโดยตรง ทั้งหนังสือ บันทึกข้อความ รายงานการประชุม การนัดหมาย ตารางเวร เอกสารคุณภาพ และการตอบคำถามของผู้รับบริการ Generative AI ช่วยลดเวลางานเอกสารเหล่านี้ได้…
ผู้จัดการโครงการใช้เวลาจำนวนมากไปกับงานเอกสาร ทั้งร่าง Project Charter แตกงาน ทำทะเบียนความเสี่ยง สรุปประชุม และเขียนรายงานสถานะทุกสัปดาห์ จนเหลือเวลาคิดเรื่องการตัดสินใจและดูแลคนน้อยลง เครื่องมือ AI อย่าง ChatGPT และ Microsoft 365 Copilot…
หลายองค์กรเปิดให้พนักงานใช้ AI แล้ว แต่การใช้งานจริงมักกระจุกอยู่ที่คนไม่กี่คน ขณะที่พนักงานส่วนใหญ่ยังไม่รู้ว่าจะเริ่มจากงานไหน กังวลเรื่องความปลอดภัยของข้อมูล หรือลองแล้วไม่ได้ผลจึงเลิกใช้ การอบรมครั้งเดียวไม่พอที่จะเปลี่ยนวิธีทำงาน…
ครูและอาจารย์ใช้เวลาจำนวนมากไปกับการเตรียมแผนการสอน ทำสื่อ ออกข้อสอบ ตรวจงาน และงานธุรการ จนเหลือเวลาดูแลผู้เรียนน้อยลง Generative AI อย่าง Gemini, ChatGPT, NotebookLM และ Canva AI ช่วยร่างงานเหล่านี้ได้ในเวลาไม่กี่นาที แต่ผลลัพธ์อาจมีข้อมูลผิด ไม่ตรงหลักสูตร…
งานภาครัฐมีเอกสารจำนวนมากที่ต้องทำซ้ำทุกวัน ทั้งหนังสือราชการ บันทึกข้อความ รายงานการประชุม รายงานผลการดำเนินงาน และการตอบคำถามประชาชน Generative AI อย่าง ChatGPT, Gemini, Copilot และ NotebookLM ช่วยลดเวลาร่างและสรุปงานเหล่านี้ได้มาก…
สถาปนิกและนักออกแบบภายในใช้เวลาไม่น้อยกับการทำภาพเพื่อสื่อสารแนวคิดกับลูกค้า ตั้งแต่สเก็ตช์แรก Mood Board ไปจนถึงภาพเรนเดอร์ที่ต้องรอเครื่องประมวลผลนาน แต่ในช่วงต้นของงานออกแบบ ลูกค้ามักอยากเห็นหลายทางเลือกเร็ว ๆ มากกว่าภาพเดียวที่สมบูรณ์ เครื่องมือ AI…
ผู้ช่วย AI แบบแชตทั่วไปตอบคำถามได้ดี แต่ยังต้องรอให้เราเปิดแอปและพิมพ์สั่งทุกครั้ง งานประจำอย่างสรุปอีเมลตอนเช้า เตือนนัดหมาย ติดตามข่าวในเรื่องที่สนใจ หรือจัดไฟล์รายงานประจำสัปดาห์ จึงยังเป็นภาระของเราเหมือนเดิม Personal AI Agent รุ่นใหม่อย่าง OpenClaw…
