บทความสรุป Internal Session จากทางทีม Research & Development ที่มาแชร์เรื่องของ AI for Everyone
- บทบาทและวิวัฒนาการของ AI Engineer
- การประยุกต์ใช้ AI และเทคโนโลยีดิจิทัลในภาคธุรกิจ
- แบ่งปันประสบการณ์และเส้นทางอาชีพในสายเทคโนโลยี
บทบาทและวิวัฒนาการของ AI Engineer by Haus
4 Responsibility across AL/ML Projects
เราจะทำ 4 อย่างนี้ ใช้ได้กับ AI Model แบบต่างๆ
วิวัฒนาการของ AI
เริ่มต้น Earlier emphasis ที่เน้นไปที่การ Analytics + predictive ML
ต่อมา Expanded adoption ทำเรื่องของการ deep learning + production ที่เน้นไปที่การ prediction
ปัจจุบันได้ใช้ LLM Application ที่มีจุดเด่นในเรื่องของการเพิ่ม context, retrieval และการสร้าง tools มาให้ ai เรียกใช้งาน
สังเกตุว่า แต่ละวิวัฒนาการสิ่งที่ต้องทำยังอยู่ และจะเพิ่มเรื่องใหม่ๆ เข้าไป
ความแตกต่างของแต่ละตำแหน่ง
ในสายงานของ AI นั้น จริงๆ ไม่ใช่แค่ AI Engineer แต่มันเริ่มจากงานสาย Data ก่อน แล้วค่อยๆ เพิ่มตำแหน่งอื่นๆ
ใน project ai หนึ่งตัว ไม่ได้มีแค่ AI Engineer เท่านั้น แต่ต้องประกอบด้วยตำแหน่งเหล่านี้ ที่ทำงานร่วมกัน ตั้งแต่การเตรียมข้อมูล
AI/ML Engineer
ถ้าเทียบกับหลายปีที่แล้ว LLM มันมาไกลแล้ว ทั้ง Frontier model และ AI ทำให้การทำงานส่วนใหญ่ตอนนี้เป็น Agentic ที่เน้นไปที่การเก็บเอกสาร embeddings ไว้ใน vector index ทำการ reranked และนำ context ให้ LLM นำไปตอบคำถาม
การเทรน model เองยังจำเป็นอยู่ไหม เราต้องตอบให้ได้ก่อนว่า frontier model มันยังตอบได้อยู่ไหม ถ้ายังตอบได้แต่ไม่ตรงให้ทำเรื่อง reranked แทน แต่ถ้าเราเอาเอกสารอะไรสักอย่างไปทดสอบแล้ว ไม่ได้คำตอบที่ต้องการ จังหวะนี้ต้อง train model เพิ่มแล้ว
สิ่งที่เปลี่ยนไปจากเมื่อก่อนคือการ train ต้องใช้การ research เยอะกว่าเมื่อก่อนเยอะมาก แต่ปัจจุบันเราสามารถ config ค่าต่างๆ ได้เยอะมากแล้ว
งานทั้ง 3 ตำแหน่งต้องทำอะไรบ้าง
อ่าน paper และการประเมินเรื่องของการ
แต่ละตำแหน่งนั้น โฟกัสแต่ละจุดไม่เหมือนกัน แต่ก็ยังมีงานบางอย่างที่ซ้อนทับกันอยู่บ้าง
การอ่าน paper ใหม่นั้น ฟังดูแล้วเป็นงานที่หนักและเยอะ ต้องเรียบรู้ใหม่ตลอดเวลา แต่จริงๆ แล้วมันไม่ได้เริ่มใหม่จากศูนย์ แต่จะเป็นการต่อยอดจาก paper/concept ก่อนๆ
มันเลยทำให้เราสามารถอ่าน paper ใหม่ๆ ได้เร็วขึ้น เพราะใช้ความรู้พื้นฐานจาก lab มาต่อยอด
ถ้าเราจะทำงานสาย AI นี้ต้องโฟกัสอะไรบ้าง
การประยุกต์ใช้ AI และเทคโนโลยีดิจิทัลในภาคธุรกิจ by Blues
เป็น session สำหรับ business ที่พูดถึงการเอา ai มาใช้ในการยกระดับและส่งเริ่ม business ยังไงได้บ้าง
ในปัจจุบันเราจะเห็นได้ว่า AI กำลัง run ในทุกวงการตั้งแต่ต้นน้ำไปถึงปลายน้ำ
ตอนนี้ wave ของ ai กำลังมาถึงแล้ว และอนาคตคลื่นของ AGI เข้ามา ทำให้คนอาจจะตกงานและไม่มีการทำ
แล้วเราจะเรียน/ทำงานต่อไปทำไมกัน?
แต่ถ้าเรากลับมาย้อนดูดีๆ อาจไม่เป็นอย่างนั้นก็ได้
AI ตอนนี้ยังทำงานได้ไม่เต็มที่ จึงยังจำเป็นต้องมีคนอยู่ มันจึงเป็นช่วงเวลาที่เหมาะสมมากๆ ที่เราจะยังมีอะไรให้ทำ และยังมีช่วงการจัดการส่วนต่างๆ ของ ai เช่น Infrastructure ที่ใช้เวลาในการสร้างมัน 5-10ปี เราเรียกสิ่งนี้ว่า Gap Time
ดังนั้น ช่วงเป็นเป็นช่วงเวลาที่ดีในการตักตวงสิ่งที่จะพาไปใน wave ถัดไป
AI เป็นเหมือนการสะท้อนความคิดจากโลกออนไลน์ ที่ผ่านการ train มันทำให้ ai สามารถสะท้อนได้แค่ภาพรวม
แต่คนเรามีความเป็นปัจเจค ที่มีเฉพาะบุคคล ซึ่งเป็นจุดเด่นของคน
สร้างสิ่งเล็กแล้วค่อยขยายเป็นธุรกิจ
เราสามารถสร้างสิ่งเล็กๆ จากงานอดิเรก แล้วค่อยพัฒนามันขึ้นไปเรื่อยๆ จนไป business
เครื่องมือที่ AI มีให้ใช้ในปัจจุบัน
ปัจจุบันเรามี ai ให้ใช้หลายตัวมาก ทั้ง frontier models และ เครื่องมือต่างๆ
หลักการในสร้าง business ในยุคที่มี AI เข้ามา
สิ่งแรกที่เราสามารถนำมาใช้ในการเริ่มต้นธุรกิจได้ คือ ความเข้าอกเข้าใจ เพราะสิ่งนี้ AI ยังไม่ได้เข้าใจคนจริงๆ ดังนั้นคนจะเข้าใจเรื่อง empathy ระหว่างมนุษย์ด้วยกัน
การเชื่อมต่อ AI เข้ากับ object ที่มีอยู่บนโลก เช่น IOT เพื่อเอาข้อมูลเหล่านี้มาต่อยอดธุรกิจได้ เช่น ทำ sensor สำหรับวัดอุณหภูมิของร่างกาย
หากเรามีความรู้ความเข้าใจมากกว่าคนอื่น เราสามารถเอาส่วนนี้มาเป็นหัวใจหลักของธุรกิจได้ เช่น AI for Seaking ให้ AI มาขยายความรู้ความเข้าใจของเราให้มากขึ้น
สุดท้าย มนุษย์เรามีความคิดสร้างสรรค์อยู่แล้ว ก็เอาสิ่งเหล่านี้มาต่อยอดก็ได้ โดยเอา ai มาช่วยในการสร้างทรัพสินย์ทางปัญญาส่วนบุคคลก็ได้ แต่เราอาจจะเอา AI มาช่วย Promote งานของเรา
ทั้งหมดนี้ คือ สิ่งที่มนุษย์เรามี แต่ ai ยังไม่มี ทั้ง 4 สิ่งนี้ ทำให้เราสามารถหยิบเอามาเป็นโอกาศในการสร้างธุรกิจได้
แบ่งปันประสบการณ์และเส้นทางอาชีพในสายเทคโนโลยี by Pun
น้องปันได้แชร์ project lifecycle ของ 3 โปรเจค
Thai Address Extraction from Image
โจทย์ คือ รับข้อมูลที่อยู่ที่อยู่บนรูปภาพ แล้วแปลงเป็น text
ความท้าทายคือ ข้อมูลในการ train น้อยมาก
มีทางเลือกอยู่ 2 solution คือ
1.การใช้ OCR เพื่ออ่านข้อมูลจากรูปภาพ
- ข้อดี คือ serving ได้ง่าย และมี transparent ที่เรารู้ได้เลยว่า ไม่ตรงจาก OCR / NER
- ข้อเสีย คือ ถ้ามีการ train เราจะเป็นต้อง ทำทั้ง 2 ตัวเลย
2.LLM Approach
- ข้อดี คือ เตรียมข้อมูลรูปภาพที่ต้องการเทรนมาใช้ได้เลย
- ข้อเสีย คือ ค่า serving แพง และ ถ้า extract พลาด เราจะไม่รู้เลยว่าพลาดที่ตรงไหน
ความท้าทายของท่านี้ จะต้องมีขนาดเล็ก รองรับภาษาไทย และรองรับหลาย model
model ที่เลือกมาใช้ในงานนี้ คือ
- InternVL 3.5
- Qwen 2.5
- Typhoon OCR
วิธีการเทรน typhoon เราเลือกใช้ post-training, Offline DPO
Offline DPO เป็นท่าการเทรนที่ไม่จำเป็นต้องมานั่ง turning เอง และใช้ resource น้อยกว่าทั่วๆ ไป
การเตรียม data
เนื่องจากเรามีข้อมูลในการเทรนน้อยมาก ดังนั้น เราจะเป็นต้อง mock ข้อมูลขึ้นมา โดยใช้ ชื่อ ที่อยู่จริง แล้วนำไปเติม noise ด้วย nano banana
ผลของการทดสอบ เราใช้ 3 ค่า คือ
- Levenstein Score
- Hallucination rate
- Missing rate
ซึ่งผลลัพธ์ใกล้เคียงกับ GPT 5 mini
เมื่อได้ผลที่น่าพอใจแล้ว ก็ได้เวลานำไปใช้งาน
SAAS Factory and Harness
โปรเจคภายในสำหรับเครื่องมือในการพัฒนา software ที่ได้ทำขึ้นเพื่อให้มี ai เข้ามาช่วยทำงาน เป้าหมายคือ improve Standard & code quality, Automation, และ Knowledge sharing ไปในทางเดียวกันทั้งบริษัท
ซึ่งเราจะทำแบบนี้ได้ จำเป็นต้องใช้ Harness
หน้าตาของ SAAS Factory จะเป็นดังนี้
โดยจะแบ่ง loop การทำงานออกเป็น 2 loop คือ planning กับ development โดยภายในมี agent ทั้งหมด 5 ตัว
กว่าจะได้เป็น flow การทำงานของภาพนี้ได้ เจอปัญหาเรื่อง context overload และ context anxiety ซึ่งแก้ปัญหาด้วยการทำ subagent และแยก context ออกมาให้ชัดเจน
อีกปัญหา คือ Nondeterministic execution แก้ไขด้วยการใช้ dynamic workflow ที่มีการแปลงงานบางอย่างเป็น JavaScript แทน
แต่การนำไปใช้งานกับ production ก็ยังเสี่ยงเกินไป เราจึงเริ่มกับโปรเจค internal ก่อนเลย และยังมีความเสี่ยงอื่นๆ ที่เราต้องสนใจ
โปรเจคนี้เรายังต้องทดลองและทดสอบกันต่อไป เพื่อเพิ่มความมั่นใจในการนำไปใช้งานกับ production ในได้จริงๆ อนาคต