Articles › AI

ถ้าคุณกำลังสร้างระบบ RAG หรือแอปพลิเคชันที่ต้องการ Semantic Search คำถามแรกที่ต้องตัดสินใจคือจะเก็บ Embedding ไว้ที่ไหน Vector Database เฉพาะทางอย่าง Pinecone, Qdrant หรือ Weaviate เป็นตัวเลือกหนึ่ง แต่สำหรับทีมที่ใช้ PostgreSQL อยู่แล้ว pgvector คือทางเลือกที่เร็วกว่า ถูกกว่า และดูแลง่ายกว่า pgvector คือ Extension แบบ Open Source สำหรับ PostgreSQL ที่เพิ่ม Type ข้อมูล vector พร้อม Similarity Search Operator และ Index แบบ HNSW/IVFFlat เข้าไปใน Database ที่มีอยู่เดิม Embedding ของคุณอยู่ใน Database เดียวกับข้อมูลแอปพลิเคชัน Query ด้วย SQL มาตรฐาน รองรับ […]

องค์กรส่วนใหญ่ที่ประเมิน AI สำหรับการใช้งานภายในจะเจอคำถามเดิมในที่สุด: ใช้ ChatGPT เลย หรือ deploy เองภายในองค์กร?

ทุกองค์กรที่เคยลอง ChatGPT สำหรับงานภายในล้วนเจอปัญหาเดียวกัน: โมเดลไม่รู้จักผลิตภัณฑ์ของคุณ ระเบียบขั้นตอนของคุณ สัญญา หรือนโยบายภายใน มันตอบผิดด้วยความมั่นใจ

ในทุกฝ่าย IT ขององค์กรขนาดใหญ่ มี "สุสานโครงการ" ซ่อนอยู่ที่ไหนสักแห่ง มันเต็มไปด้วยเดโมที่ทำให้กรรมการตื่นเต้นกันในปี 2024, RAG prototype ที่ตอบคำถามที่เลือกมาแล้วได้ดีกว่า ChatGPT, และ AI copilot ที่ดูทรงพลังในสภาพแวดล้อม sandbox จากนั้นมีคนถามคำถามที่ยากจริง — จะปล่อยให้พนักงาน 4,000 คนใช้ได้ไหม? เชื่อมกับ ERP ของเราได้ไหม? ใช้กับข้อมูลลูกค้าจริงภายใต้การ audit และข้อกำหนด PDPA ได้ไหม? — แล้วโครงการนั้นก็เงียบหายไปใน "เฟส 2"

ถ้าคุณกำลังใช้ ERPNext ในโรงงานในไทย — โรงงาน heat treatment, โรงงานชิ้นส่วนแม่นยำ, โรงงานแปรรูปอาหาร, โรงงานรีไซเคิล หรือโรงงานรับจ้างผลิต — มีโอกาสสูงที่คุณเลือก ERPNext ด้วยเหตุผลที่ถูกต้อง โมดูล Manufacturing จัดการ BOM, Work Order, Subcontracting และการ track batch ได้ดีจริง Frappe framework มีความยืดหยุ่นจริง ไม่มีค่า license แบบ Enterprise ทำให้ตัวเลขการ customize เป็นไปได้สำหรับ SME

ถ้าทีม AP ของคุณในกรุงเทพต้องคีย์ใบวางบิลจากผู้ขายเดือนละ 200 ใบเข้า Odoo โดยใช้เวลาประมาณ 4 นาทีต่อใบ นั่นเท่ากับ 13 ชั่วโมงของการป้อนข้อมูลล้วนๆ — ก่อนที่จะนับรวมข้อผิดพลาดที่ตามมาตอนปิดงบสิ้นเดือน เมื่อบวกหนังสือรับรองภาษีหัก ณ ที่จ่าย (50 ทวิ) ใบแจ้งหนี้หลายภาษาจาก supplier ญี่ปุ่นและจีน รวมถึงเอกสารศุลกากรของสินค้านำเข้าเข้าไปด้วย ก็เห็นได้ชัดว่าคุณกำลังใช้พนักงานเต็มเวลาหนึ่งคนกับงานที่ควรเป็นระบบอัตโนมัติไปนานแล้ว

"การผสานระบบ ERP เป็นปัญหาที่แก้ได้แล้ว" — นั่นคือสิ่งที่ผู้ให้บริการ SI มักบอกกับคุณ แต่ความเป็นจริงในโรงงานและห่วงโซ่อุปทานของไทยกลับต่างออกไปมาก ทั้งการเชื่อมต่อแบบ point-to-point ที่เปราะบาง โค้ดที่เขียนสำหรับระบบเก่าโดยเฉพาะ และมิดเดิลแวร์รุ่นเก่าที่หยุดทำงานทุกครั้งที่ vendor อัปเดตโครงสร้างข้อมูล ข้อมูลมีอยู่ ระบบมีอยู่ แต่ช่องว่างระหว่างสองสิ่งนั้นคือจุดที่ประสิทธิภาพการดำเนินงานรั่วไหลออกไป

ในช่วง 18 เดือนที่ผ่านมา vendor ทุกเจ้าที่ขายผลิตภัณฑ์ security ต่างก็แปะคำว่า "AI" ลงบนหน้าการตลาดของตัวเอง ส่วนใหญ่เป็นแค่ ML classification ที่ rebrand ใหม่ — anomaly detection ที่มีอยู่แล้วตั้งนาน แต่งตัวใหม่ให้ดูทันสมัย ที่น่าสนใจจริง ๆ — และที่ทีมส่วนใหญ่พังตรงนี้ — คือตอนที่คุณต่อ tool-using LLM agent เข้ากับ alert pipeline จริง ๆ และให้มัน triage แบบที่ Tier-1 analyst ทำ

ลองเดินเข้าสำนักงานบัญชีขนาดกลางในกรุงเทพฯ สักแห่ง คุณจะเห็นภาพเดียวกันทุกที่ จอคอมสามจอ จอแรกเปิด FlowAccount — login เข้าเป็นลูกค้าอยู่ จออีกจอเปิด Excel — ตารางคุมงานหลัก แบ่งสีตามหุ้นส่วน ตามกำหนดยื่น ตามประเภทการยื่นภาษี จอที่สามเปิด LINE — กลุ่มแชทกับลูกค้าสิบสองกลุ่ม เต็มไปด้วยรูปใบเสร็จที่ถ่ายมาเอียงๆ สลิปธนาคารที่อ่านยาก และข้อความนิรันดร์: "พี่ ส่งเอกสารเดือนนี้ให้แล้วนะคะ"

ต้องใช้ RAM, VRAM, GPU เท่าไหร่ถึงจะพอ? คู่มือเลือกฮาร์ดแวร์สำหรับรัน LLM บนเครื่องตัวเอง — ไม่ต้องจ่ายเกิน ไม่ต้องเจอเซอร์ไพรส์

สำหรับ CFO และ COO ของโรงงานและบริษัท distributor ขนาดกลางในประเทศไทย ถ้าคุณดูแลฝ่ายการเงินหรือฝ่ายปฏิบัติการของโรงงานหรือผู้จัดจำหน่ายขนาด 100 ถึง 500 คนในประเทศไทย คุณรู้รูปร่างของปัญหานี้ดีอยู่แล้ว ทีมของคุณดูทันสมัยในแง่เครื่องมือ — มี ERP มีโปรแกรมบัญชี มีอีเมล มี Excel แต่ทุกสิ้นเดือน คน 5–6 คนเดิมก็ยังนั่งทำงานถึงสามทุ่ม ตรวจ matching ใบแจ้งหนี้ทีละบรรทัด ตามใบแจ้งยอดจาก supplier ที่กระทบยอดไม่ลง และทำรายงานผู้บริหารใหม่จาก Excel เพราะรายงานจาก ERP ไม่ตรงกับสิ่งที่ผู้บริหารอยากเห็น

คุณปรับ top_p, top_k และ repeat_penalty มาแล้ว output หยุดวนซ้ำและไม่สุ่มสี่สุ่มห้าอีกต่อไป แต่โมเดลยังวอกแวกออกนอกเรื่อง ลืมโค้ดที่เขียนไปก่อนหน้า หรือไม่หยุดตรงที่ต้องการ

RAG demo ส่วนใหญ่ทำงานได้ดี แต่ระบบ RAG ที่นำขึ้น production จริงส่วนใหญ่ล้มเหลว — อย่างเงียบๆ เสียค่าใช้จ่ายสูง และแก้ไขปัญหายาก

ค่าไฟฟ้าคือต้นทุนที่หลายธุรกิจมองข้าม — แต่กลับเป็นจุดที่เทคโนโลยีสร้างผลตอบแทนได้เร็วและวัดผลได้ชัดที่สุด สำหรับธุรกิจส่วนใหญ่ในไทย ไม่ว่าจะเป็นโรงงาน อาคารสำนักงาน หรือห้างสรรพสินค้า — ค่าไฟถูกมองเป็น "ต้นทุนคงที่": จ่ายทุกเดือน ไม่มีทางลด แต่ความจริงคือธุรกิจชั้นนำกำลังพิสูจน์ว่าความเชื่อนั้นผิด ด้วยซอฟต์แวร์ที่ออกแบบมาดี ค่าพลังงานกลายเป็นตัวแปรที่จัดการได้ — และลดลงได้จริง 15–40% ต่อปี โดยไม่ต้องเปลี่ยนอุปกรณ์ใหม่ทั้งหมด

AI Coding Assistant ใช้เครื่องมืออะไรอยู่เบื้องหลัง? Claude Code, Codex CLI และ Aider อ่านไฟล์ ค้นหา codebase รัน test และ commit โค้ดอย่างไร — เจาะลึกภายใน AI Coding Assistant รู้สึกเหมือนเวทมนตร์ คุณพิมพ์ว่า "เพิ่ม login form ที่หน้า dashboard" แล้วเครื่องมือก็หาไฟล์ที่ถูกต้อง เขียน component ตรวจว่า compile ผ่าน รัน test และแสดง git diff ให้ดู แต่ไม่มีเวทมนตร์อะไรทั้งนั้น — แค่ loop ที่เรียกใช้เครื่องมือ Unix shell เดิมๆ ที่มีอยู่บนเครื่องของคุณมาหลายสิบปีแล้ว

บทนำ หลายองค์กรในปัจจุบันยังคงพึ่งพาระบบซอฟต์แวร์ที่ ไม่มีใครเข้าใจทั้งหมดอีกต่อไป นักพัฒนาคนเดิมอาจลาออกไปแล้ว เอกสารระบบอาจไม่เคยมี หรือไม่ก็ล้าสมัยไปนานแล้ว และระบบก็ถูกแก้ไขเพิ่มเติมมาหลายปีจนกลายเป็นโครงสร้างที่ซับซ้อน แต่ถึงอย่างนั้น ระบบเหล่านี้ก็มักจะเป็นระบบสำคัญ เช่น ระบบการเงิน ระบบโลจิสติกส์ ระบบโรงงาน ระบบ ERP ระบบจัดการลูกค้า

"AI สร้างโค้ดได้ แต่ไม่อาจสร้างความไว้วางใจ บริบท หรือความรับผิดชอบได้" กระแสของ AI coding assistants จุดประกายความกังวลที่คุ้นเคย: นักพัฒนาซอฟต์แวร์จะกลายเป็นอาชีพที่ล้าสมัยไหม? คำตอบที่ตรงไปตรงมาคือ — บางงานจะใช่ อย่าง boilerplate generation, การสร้าง unit test โครงร่าง, หรือ CRUD API พื้นฐาน งานเหล่านี้ AI รับไปได้

บทนำ ในอดีต ระบบซอฟต์แวร์สำหรับองค์กร (Enterprise Software) มักถูกมองว่าเป็นระบบที่ต้องใช้เงินลงทุนมหาศาล หลายบริษัทต้องจ่ายตั้งแต่หลักแสนจนถึงหลักล้านดอลลาร์เพื่อซื้อ ERP ระบบความปลอดภัย หรือระบบ Automation จากผู้ขายรายใหญ่ นอกจากค่า License แล้ว ยังมีค่าใช้จ่ายอื่น ๆ เช่น ค่าที่ปรึกษา ค่า Implementation ค่า Maintenance รายปี ค่า Customization แต่ปัจจุบัน โลกของ Enterprise Software กำลังเปลี่ยนแปลงอย่างรวดเร็ว การรวมกันของ Open‑Source Software และ Artificial Intelligence (AI) ทำให้บริษัทสามารถสร้างระบบองค์กรที่มีความสามารถสูงได้ด้วยต้นทุนที่ต่ำกว่ามาก และนี่ไม่ใช่แค่การลดค่าใช้จ่าย แต่เป็น การเปลี่ยนวิธีการสร้างระบบองค์กรทั้งหมด

การ Integrate AI เข้ากับระบบ Legacy คือหนึ่งในความท้าทายด้านวิศวกรรมที่สำคัญที่สุด — และมักถูกประเมินต่ำที่สุด — ในการทำ Digital Transformation ขององค์กร โครงการ AI ส่วนใหญ่ไม่ได้ล้มเหลวเพราะตัว Model แต่ล้มเหลวเพราะข้อมูลถูกเก็บอยู่ใน SAP ที่ใช้มา 15 ปี, SCADA Historian ที่ใช้ Protocol แบบ Proprietary หรือฐานข้อมูล Oracle On-Premise ที่ไม่มีใครกล้าแตะ ส่วน AI Layer นั้นทำได้ไม่ยาก สิ่งที่ทำให้โครงการติดขัดคือการดึงข้อมูลที่สะอาด สม่ำเสมอ และ Real-time ออกจากระบบ Legacy ที่ฝังรากลึก — แล้วส่งผลลัพธ์กลับเข้าสู่ Workflow ปฏิบัติการ คู่มือนี้ครอบคลุม Technical Pattern, Integration Strategy และการตัดสินใจด้านสถาปัตยกรรมที่ทีมวิศวกรต้องเข้าใจก่อนคัดเลือก Vendor สำหรับ […]

"เรา deploy โมเดลได้ภายในหกสัปดาห์" CTO หยุดพักแล้วพูดต่อ "แต่เราต้องมานั่งแก้ปัญหาที่ตามมาอีกสิบแปดเดือน" เราได้ยินประโยคแบบนี้บ่อยมาก ไม่ใช่เพราะ AI ไม่ได้ผล — มันได้ผล แต่เพราะช่องว่างระหว่าง การรัน model ขึ้นมา กับ การใช้งานจริงในระบบ production อย่างมั่นคง นั้นกว้างกว่าที่งบประมาณส่วนใหญ่คาดไว้มาก ที่ Simplico เราทำงานร่วมกับทีม engineering ที่กำลังเผชิญกับความท้าทายนี้อยู่ทุกวัน บทความนี้คือสิ่งที่เราได้เห็นมากับตา: ต้นทุนซ่อนอยู่ที่ไหน ทำไมมันถึงสะสมทบขึ้นเรื่อยๆ และทีมที่ทำได้ดีเขาทำอะไรต่างออกไป