Articles › AI

この 18 か月間、セキュリティ製品を持つベンダーは皆、マーケティングページに「AI」というラベルを貼り付けてきました。その大半は再ブランド化された ML 分類 — もともと存在していた異常検知に 2024 年の衣装を着せたもの — に過ぎません。本当に興味深い、そしてほとんどのチームが失敗するのは、tool-using LLM agent をアラートパイプラインに実際に組み込み、Tier-1 アナリストのようにトリアージさせようとした時です。

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

Every vendor with a security product has bolted "AI" onto the marketing page in the last eighteen months. Most of it is rebranded ML classification: anomaly detection that already existed, dressed in 2024 clothes. Where it gets genuinely interesting — and where most teams fail — is when you actually wire a tool-using LLM agent […]

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

Walk into any mid-sized accounting firm in Bangkok and you’ll see the same thing. Three monitors. One has FlowAccount open — logged in as the client. Another has Excel — the master tracker, color-coded by partner, deadline, and filing type. The third has LINE — twelve group chats, one per client, full of photographed receipts, […]

要多少内存、显存、GPU才够用?这是一份给工程师看的本地LLM硬件选型指南——不超买、不踩坑。

RAM、VRAM、GPUは実際にどれだけ必要なのか — 過剰投資せず、想定外のトラブルにも遭わずにローカルLLMを動かすための、エンジニア向けの実用ガイドです。

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

How much RAM, VRAM, and GPU do you actually need? An engineer’s guide to picking hardware for running LLMs locally — without overspending, and without surprises.

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

title: "Why Your Finance Team Spends 40% of Their Week on Work AI Can Now Do" For CFOs and COOs of mid-market Thai manufacturers and distributors If you run finance or operations at a 100 to 500 person manufacturer or distributor in Thailand, you already know the shape of the problem. Your team is technically […]

When your AI system goes live, it doesn’t just gain capabilities — it gains an attack surface that didn’t exist before. Most enterprises have invested years hardening their applications, networks, and endpoints. But the AI layer introduces a fundamentally different category of vulnerability that traditional security tools were never designed to handle.

你已经调好了top_p、top_k和repeat_penalty。输出不再无限循环，胡言乱语也少了。但模型仍然跑题、忘记之前的代码，或者不在你想要的地方停下来——

top_p・top_k・repeat_penaltyのチューニングは完了しました。出力のループは止まり、意味不明なコードも減りました。それでもモデルがトピックから外れたり、以前のコードを忘れたり、意図した場所で止まらないことがある——。

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

You’ve already tuned top_p, top_k, and repeat_penalty. Your output stopped looping and the nonsense dropped. But your coding model still wanders off-topic, forgets earlier code, or refuses to stop where you want it to.

RAGのデモはたいていうまく動く。しかし、本番環境に展開されたRAGシステムの多くは失敗する——静かに、高コストで、デバッグの難しい形で。

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

Most RAG demos work. Most RAG production deployments fail — quietly, expensively, and in ways that are hard to debug.

AI 编程助手到底在用哪些工具？ Claude Code、Codex CLI、Aider 如何读取文件、搜索代码库、运行测试并提交代码——深入底层