หลักสูตรไอทีสอนสด ครอบคลุมเว็บ โมบายล์ ฐานข้อมูล กราฟิก และอื่น ๆ
คำถามที่ผู้บริหารถามบ่อยที่สุดมักเป็นเรื่องอนาคต เดือนหน้าจะขายได้เท่าไร ควรสต็อกสินค้าเท่าไร ลูกค้ากลุ่มไหนควรได้โปรโมชันแบบใด และลูกค้ารายไหนกำลังจะเลิกใช้บริการ หลายองค์กรยังตอบด้วยการดูยอดปีก่อนแล้วบวกเพิ่มเป็นเปอร์เซ็นต์…
ข้อความจากลูกค้าเป็นข้อมูลที่มีค่ามากแต่ถูกใช้น้อยที่สุด ทั้งรีวิวสินค้า ความคิดเห็นบนโซเชียล แชตกับแอดมิน และแบบสอบถามปลายเปิด ข้อความภาษาไทยวิเคราะห์ยากกว่าภาษาอังกฤษ เพราะไม่มีการเว้นวรรคระหว่างคำ มีคำสแลง คำสะกดผิด อีโมจิ และการพิมพ์ซ้ำอย่าง 555…
เมื่อระบบมีบริการจำนวนมาก ทีม IT Operations และ Service Desk มักเจอปัญหาเดียวกัน เหตุขัดข้องครั้งเดียวทำให้ Alert ดังพร้อมกันหลายสิบรายการ Ticket ไหลเข้ามาโดยไม่มีหมวดหมู่ที่ถูกต้อง ปัญหาเดิมถูกแก้ซ้ำเพราะหาวิธีแก้ครั้งก่อนไม่เจอ และ Runbook…
ระบบ RAG ที่ใช้ Vector Search อย่างเดียวตอบคำถามที่คำตอบอยู่ในย่อหน้าเดียวได้ดี แต่มักพลาดเมื่อคำถามต้องเชื่อมข้อมูลหลายเอกสาร เช่น ลูกค้ารายนี้ใช้สินค้ารุ่นไหนที่ได้รับผลจากประกาศฉบับล่าสุด หรือถามภาพรวมของข้อมูลทั้งชุด ขณะเดียวกัน AI Agent…
การเรียก LLM API ให้ได้คำตอบกลับมานั้นใช้โค้ดไม่กี่บรรทัด แต่การสร้างแอปที่ใช้งานได้จริงเป็นอีกเรื่อง นักพัฒนาต้องรับมือกับคำตอบที่รูปแบบไม่แน่นอน ค่าใช้จ่ายที่บานปลาย Rate Limit ข้อมูลที่โมเดลไม่รู้ และคำถามว่าแก้ Prompt แล้วดีขึ้นจริงหรือไม่…
หลายองค์กรอยากให้พนักงานถามข้อมูลในฐานข้อมูลเป็นภาษาคนได้เอง โดยไม่ต้องรอทีม Data เขียน SQL ให้ทุกครั้ง LLM ยุคนี้เขียน SQL ได้เก่งขึ้นมาก แต่เมื่อต่อเข้ากับฐานข้อมูลจริงกลับเจอปัญหาเดิมซ้ำ ๆ ทั้งเลือกตารางผิด นิยามยอดขายไม่ตรงกับที่ฝ่ายบัญชีใช้…
LINE Official Account เป็นช่องทางหลักที่ลูกค้าคนไทยใช้ทักร้านค้าและธุรกิจ แต่แอดมินมักตอบไม่ทันทั้งเรื่องราคา สต็อก สถานะคำสั่งซื้อ และคำถามซ้ำ ๆ บอทแบบเดิมที่ตอบตาม Keyword หรือ Intent ก็ตอบได้เฉพาะคำถามที่เตรียมไว้ ขณะที่ LLM อย่าง Gemini และ ChatGPT…
ทีม SOC ส่วนใหญ่ไม่ได้ขาดข้อมูล แต่จมอยู่กับ Alert จำนวนมากที่ต้องเปิดดูทีละรายการ ต้องสลับหน้าจอไปค้นข้อมูล IP หรือ Hash เขียน Query ใหม่ทุกครั้งที่ต้องล่าภัยคุกคาม และใช้เวลานานกับการสรุปเหตุการณ์เป็นรายงาน AI และ LLM ช่วยงานเหล่านี้ได้มาก…
ลูกค้าจำนวนมากยังเลือกโทรหาธุรกิจเมื่อมีเรื่องด่วน แต่คอลเซ็นเตอร์มักรับสายไม่ทันในช่วงพีค และพนักงานต้องตอบคำถามเดิมซ้ำทั้งวัน Voice AI รุ่นใหม่คุยภาษาไทยได้เป็นธรรมชาติขึ้นมากและตอบได้แทบทันที แต่การสร้าง Voice Agent ที่ใช้กับลูกค้าจริงต่างจากแชตบอตข้อความ…
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…
