สรุปงาน Microsoft Build 2025 – After Party Thailand

สำหรับงานนี้จะเป็นงาน Recap งาน MS Build เมื่อเดือนที่แล้วครับ นอกจากนีในไทยมีจัดโครงการพัฒนา AI Skill โดยมีตัว AI Skills Navigator แนะนำ เส้นทางการเรียนรู้ AI โดยมี AI แนะนำ Path การเรียนให้แต่ละคนครับ ถ้าสนใจเข้า Link ไปใน QR Code ได้เลยครับ

GitHub Copilot: Meet the new coding agent

Speaker Kittikorn Prasertsak

GitHub Copilot เรียกว่าตัวช่วยเขียน Code เจ้าแรกเลยนะ โดยใช้ได้หลายจากหลายส่วน

• จาก IDE ใน VS Code / Jet Brain / Visual Studio มีหมดเลย โดยมีตัว Copilot / Copilot Chat (ให้เรา Chat คุย)
• ผ่านหน้าเว็บ https://github.com/copilot
• ข้อดีอีกอันนึงของ GitHub Copilot มันมี Model จากคล้ายอื่นๆให้ลองทำด้วยนะ

Use Case มีหลายเคสเลย ถ้าลองลง plugin แล้ว

• ตัว IDE มันจะ Hint เติมได้เลย ใน Code (Code Suggestion)
• หรือ ไม่งานที่เป็น Pattern
• หรือ ทำ Documentation
• หรือ ทำ Test
• หรือ ช่วยแปลงภาษาจาก A > B

เอาจริงๆตัวผมเอง เอา Comment หรือ Legacy Code เดิมมาแปะ เดียวมันแปลงให้เอง หรือ ลองลากคลุม แล้ว Chat ถามได้เลย ทุกอย่างจบในที่เดียว ลด Context Switching งานจบใน IDE

แต่ทุกอย่างมีการลงทุนนะ ตั้งแต่ Tier ฟรี ไปเสียเงินมีความแตกต่าง ดังนี้

ตอนนี้ตัว GitHub Copilot มีหลาย Feature มาช่วยนะ แต่ต้องอยู่ใน Eco System ของ GitHub ถ้าจัดการ Project เช่น

• GitHub Copilot มาจัดการ Issue / Pull Request
• เอาตัว GitHub Copilot มองเป็นลูกน้อง เอามา Assign มาช่วยเขียน Code ได้เลย อันนี้เป็นจุดดี อาจจะไม่ได้เอามาแก้ Code แต่อาจจะเอามาช่วย Non-IT ลองสั่งแก้ Code หน้างานนิดหน่อย เปลี่ยนสีหน้าเว็บ หรือ แก้การเรียงข้อมูล ให้ลูกค้าเห็นภาพ แล้วเราให้ Dev ตัวจริงมา Review และ Merge กลับเข้า Branch หลักได้

ตอนนี้มีของใหม่ Agentic Mode ให้มันทำงานมากขึ้น แบบ Full Control ทั้งตัว Workspace ก่อน โดยมาเปลี่ยนหน้า Chat มาเป็น Mode Agent โดย Mode ทั้งหมดมี ดังนี้

• Ask ถามอย่างเดียว
• Edit ให้มันแก้บางไฟล์ด้วย
• Agent มาทำทั้งหมดเลย หรือ จะกำหนดเฉพาะบางไฟล์ได้

การทำงานของ Agentic Mode

• เรา Chat สั่ง
• GitHub Copilot Agent มันจะแก้
• และให้เราดู และ Confirm อาจจะลองรันตรวจสอบก่อน และ ถ้าทำพวก web อาจจะใช้ตัว Live Server Extension ใน VS Code ช่วย Run ไว้ขึ้นมาก่อนก็ได้

Use Case การใช้ Agentic อาจจะลอง

• POC เช่น ลองแก้ DB จาก MYSQL > PostgreSQL
• หรือ ลองปรับงานอะไรเล็กๆ ทำ Feature / ทำ Test
• ก่อนทำแยก Branch ก่อนเสนอ ระวังแตกได้ 555

ส่วนตัว ก่อนใช้ Agentic Mode ใช้ Git ให้เป็นด้วย จะได้ Commit ก่อนได้ และการ Prompt สำคัญด้วยนะ มี Idea ในการสร้าง prompt ดีงนี้

• Contextual Prompting: บอกภาพรวมของโปรเจกต์ให้มาก เช่น เกี่ยวกับการทำ App สุขภาพ BMI
• Layered Prompt: แยกส่วนของ logic ออกมาเป็นทีละ step เช่น สร้าง function แรกว่าทำอะไรได้บ้าง และบอกไปเรื่อย ๆ
• Negative Prompting: บอกว่าเราไม่เอาอะไร หรือห้ามทำอะไรบ้าง อารมณ์แบบ System Prompt
• Define Output: กำหนด output ให้ชัดเจน เช่น เอาเป็น json
• Iterative Refinement: ทำที่ละนิด อาจจะแตกเป็น Sub Feature ย่อยๆ หรือ ลองทำเราตรวจ และปรับแก้ Prompt ไปตามความเหมาะสม

Resource: Sample Agentic Project + Prompt / Course GitHub Copilot

Azure AI Foundry: Your Agent Factory

Speaker Teerasej Jiraphatchandej

ตอนนี้คุณพลมาแนะนำ AI ว่าาจะเอามาใช้ใน Solution ของเราได้อย่างไร มันจะมองเปรียบว่าเป็นการทำอาหารนี้แแหละ เช่น การทำ บะหมี่ ต้มมาม่า ไวไว เราต้องมาหาวัตถุดิบที่เกี่ยวข้องกับมา

นอกจากนี้เราต้องเข้าใจ Proces / กระบวนการให้ชัดด้วย อย่างเคสนี้ยกตัวอย่างของการทำ Podcase กว่าจะออกมา Episode นึง มีขั้นตอน เช่น

Guest > Prepare > Recording > Editing > Packaing > Publising > Promote > Archive 

จาก Flow ข้างบน เราไม่จำเป็นต้องสร้างใหม่ หา AI เข้ามาช่วยให้งานสะดวก หรือ รวดเร็วขึ้น หรือ ลดข้อผิดพลาด เช่น การเชิญ Guest หรือ การทำ Caption เป็นต้น นอกจากนี้ยังมี Use Case อื่นๆ ตามรูป

ถ้ามองการทำ App + AI ตัว Azure AI Foundry มีการเตรียม Infra + Eco ตามรูปด้านล่างครับ

- Foundry Model

เป็น Market Place ของ Model ค่ายไหน เหมาะกับ Use Case อะไร ลองหาได้เลยครับ เพราะ AI มันเยอะ มากถ้าลองกดใน Web จะมี 2 ส่วน

• Azure AI Foundry Resource (Beginner)
• AI Hub Resource (Advance)

จากนั้นเราเลือก model ได้เลย โดยอาจจะพิจารณาจากคะแนน Performance / ราคาต่อ Token ที่ใช้

- Foundry Agent

จากเดิม 1 Model ครอบจักรวาล + เติมองค์ความรู้องค์กรด้วย RAG
ตอนนี้ Model แทนตำแหน่งของงานต่างๆ มองว่าเป็นทีม เช่น HR / CS / IT Support เป็นต้น

มี product Azure AI Foundry Agent Service ให้เราเลือกคนงานตัว Agent มาทำตามตำแหน่งที่เหมาะสม รวมถึงวาง Flow การทำงานเชื่อมกันของ แต่ละ Agent เช่น

• CS รับ Incident และจัดการ
• Manager ตัดสินใจ
• ส่งต่อให้ Agent ส่วน IT Support เข้ามาแก้ไข เช่น Restart Service หรือ ถ้ามันหนักเกินไปจะให้คนเข้ามาดูก็ได้

ตัว Azure SRE Agent

Resource https://learn.microsoft.com/en-us/training/paths/develop-ai-agents-on-azure/

พวก Agent พวกนี้จะ API ให้คุยกันด้วยนะ

Foundry Local: Another On-device Gen AI Deployment ?

Speaker Charunthon Limseelo

งานส่วนใหญ่ที่ต้องการ AI ที่ Local จะเป็นงานที่เกี่ยวกับ Data Privacy แต่มีเงื่อนไข 3 อย่างที่ทำให้ใช้งานได้ Local

• Powerful Hardware มี npu / gpu + ram ที่ใช้งานได้เยอะ
• Smaller, faster model
• Runtime Optimization เวลาที่ยอมรับได้ ปกติแล้วพวก Format จะเป็น GGUF แต่ถ้าอยาก Optimize มากกว่าต้องทำเป็น ONIX Runtime เบื้องหลังเป็น PyTorch

Local เดิมๆมี platform ยอดนิยมในช่วงนี้อยู่แล้วอย่างตัว Ollama แต่ยังมีปัญหาอยู่

• ยังไม่ได้ใช้งาน ONIX Runtime
• รวมถึงยังใช้ Resource ไม่เต็มที่ มี Overhead การใช้ Resource อยู่ อาจจะต้องมาปรับที่ ModelFile ของ Ollama บอกใช้ Resource อะไร

ทาง Microsoft เลยมี Idea ทำตัว Foundry Local มาแก้ปัญหาส่วนนี้ ใช้ ONIX Runtime เอา Model ที่ Optimize สำหรับ GPU / CPU เรามีเครื่องที่เก่งด้านไหน ดึง Model นั้น โดยดูจาก Model ID ได้เลย

สำหรับในไทยตัวใช้ Foundry Local มีแล้วนะ โดยบริษัท Seven Peak Software ตอนนี้ Foundry Local ยังใหม่อยู่เลยทำให้มีข้อจำกัดอย่างตัว n8n ยังติดปัญหา Integration อยู่ โดยรวม Foundry Local ได้คุ้มค่ากว่า Ollama ด้วยนะ

การใช้งาน Foundry Local

• จัดการ Model ผ่าน CLI เช่น

foundry model run <model>	

• สามารถเรียก RESTAPI / SDK ก็ได้ มันอิง API จากของ OpenAI

Note: ยังไม่ Official API อาจจะ Breaking Change ได้

• นอกจากนี้ยังมี Idea ของนักวิจัยไทย Aj. Santitham

และ Foundry Local เองยังขยายไปเป็นส่วน MCP Server ได้ด้วยนะ เอาไป integrate กับ App ของเราได้สะดวกด้วย นอกจากนี้ยังมี Plan Improve ตามนี้

Resource: https://aka.ms/foundry-local-docs / https://aka.ms/foundry-local-docs / Speaker Slide

Secure and manage AI agents with Microsoft Entra Agent ID

Speaker Saran Hansakul

Experiment1: AI agents with Microsoft Entra Agent ID

การใช้ AI นอกจาก Azure AI Foundry แล้ว ยังมีในส่วนของ M365 Copilot สามารถสร้างได้เหมือนกัน แต่ Agent มันเหมือนคนเรา ยังต้องมีการคุม เข้า AD มันจะตีว Entra Agent Id ที่เป็นตัวจัดการ ตามคำกล่าวเค้าว่ากันว่ามันจะมาแบบ Auto ในส่วน Entra Id > Enterprise App

ตอนคุณซาร่าลองมันไม่ขึ้น

เลยต้องไปถามใน Q&A คำตอบที่ได้การกระตุ้น MS อาจจะยังไม่ได้ Migrate มาให้ เราต้องไป Trigger ให้ Code ส่วนนี้มาตรวจจาก App Registration (ถ้าเราดังพอ แบบ Zoom จะขึ้นให้อัตโนมัติ) จากนั้นพวก Service Principle จะขึ้นมาด้วย เอาไว้ให้เราคุม Policy ได้จากตัว Entra ได้

มาฟังเต็มเกี่ยวกับ App Registration ได้ จากทาง Sarah56 วิ ได้เลย

Experiment2: ส่อง Azure AI Foundry + ดู Security และลองรัน Code ดูว่าเข้า Microsoft Entra Agent ID

นอกจากใน Azure AI Foundry จะเห็นว่าในมันเตรียม Set Code ให้แล้ว มัน Auto จริงๆ ยัดลง Environment Variable ให้เลย ได้ Code มาเลย แต่ยังติดขัดบางจุดอยู่ Vibe Coding อ่านะ เลยไม่ได้ลองต่อ

อันนี้จากที่เคยลองเข้าใจว่า Agent Id มันมาตอน Create AgentClient เลยนะ

แต่สรุป สำหรับ Feature Secure and manage AI agents with Microsoft Entra Agent ID นี้ยังเป็นของใหม่ อาจจะยัง Rollout ไม่หมดนะ ถ้าใครอยาก Add เข้าเลยให้ไปทำ App Registration เพิ่มเอา

นอกจากนี้มีหลาย Feature นะ

• SecurityForAI
• DSPMForAI
• DefenderForAI ใน Azure AI Foundry จะมีส่วน MS Defender ขึ้นมา แต่ต้องจ่าย License ก่อนนะ

Resource: https://aka.ms/EntraAgentId

NLWeb: Natural Language Web and MCP

Speaker Tanaphon Auanhinkong / Surasak Oakkharaamonphong

NLWeb มันเกิดขึ้นมาเพราะ เรามีข้อมูลมากมาย แต่ AI ยังไม่สามารถเอาเข้ามาเรียนรู้ได้ เลยมี NLWeb มาเป็น Protocal กลางที่ช้วยทำให้ AI รู้จักเว็บเรามากขึ้น โดยเป็น format ตาม Scheme.org / rss feed + LLM + Vector DB

ถ้าให้อธิบายง่ายๆ ทำให้เว็บเดิมๆ ทำให้เราสามารถ Search คุยแบบ ChatGPT ได้ โดยเพิ่ม Attribute นึงมาบอกให้ AI เข้ามาอ่านได้ เหมือนการติด SEO

จากนั้นเป็น Demo Hello World OpenAI + QDRANT Vector DB

โดยเรามา Recap Flow ภาพรวมการทำงานตามนี้่ Life Of Query คล้ายพวก RAG

ตัว NLWeb มันรวม Provider หลายๆเจ้าเข้ามา ถ้าไม่มีเราสามารถเพิ่ม เปิด pull request กลับไปให้ส่วนกลางได้นะ

นอกจากนี้ตัว NLWeb เอาไปใช้รวมกับ MCP Protocal ได้ด้วยนะ โดยตัว NLWeb ถ้าเอา Start ลงมาตอนรันเป็น MCP ได้ พร้อมใช้

เมื่อเราได้ Endpoint แล้ว เราเอาไป Integrate กับ LLM เจ้าอื่นๆได้ เช่น ตัว Claude Desktop ได้นะ จะแหล่ง Knowledge ใหม่ เลือก หรือ Trigger ถามได้เลยนะ

อ. บอลมีอัดไว้ด้วยครับ ลองตามไปดูเพิ่มกันกันได้ครับ

Resource: https://github.com/microsoft/NLWeb

Accelerating Scientific Discovery with HPC, AI, and Quantum Computing

Speaker Witthawin Sripheanpol / Supasate Vorathammathorn

HPC คือ อะไร

HPC - เจ้า HPC มันเป็นวิธีการจัดการงานที่มันใช้ทรัพยาการมากกว่า เครื่องคอมพิวเตอร์เครื่องนึง ปกติทางแก้เพิ่ม Spec แต่ถึงจุดนึงมันจะไม่คุ้มแล้ว อีกแนวทางนึงเอาคอม Spec ค่อนค้างสูง หาได้ตามท้องตลาดหลายๆเครื่องมาเชื่อม และทำงานร่วมกัน มีอีก Keyword Parallel และมี SW ที่ทำให้ที่จ่ายงานให้กับ HW ในแต่ละ Node พองานมันใหญ่จากคอมพิวเตอร์หลักหน่วย เป็นหลักร้อย เรียกว่า Cluster

นี่มันงาน 9arm นี่หว่า Optimize งานกระจายเข้า Node ได้ โดยในไทย มีหลายที่นะ อย่างที่ NECTEC ตัว LANTA เป็นต้น แต่ถ้าใช้เยอะกว่านั้นต้องไป Cloud โดย Azure มี Azure Batch / Azure CycleCloud งานที่มีเป็นรอบประจำ ให้ใช้งานเหมือนกัน

AI in HPC

เน้น HW ในส่วน GPU และ RAM ของ GPU เยอะๆด้วย มาเชื่อมโยงกันเป็น Cluster อย่าง SLM อย่าง Phi4 ยังใช้เครื่อง HPC A100 512 GPU ตัว มา Train ซึ่งมันใช้ไฟฟ้าเยอะ ขนาดพอๆกับทั้งเมือง นึกถึงแบบ Captain America ที่ดึงไฟทั้งเมืองมาทดสอบ 10 นาที

ทางออกของปัญหา คือ อะไร Quantum Computing

Quantum Computing - เป็นการ Design Shift ออกมาให้ เพื่อแก้ให้ผ่ากฏของมัวร์ได้ โดยนำหลักการของฟิสิกส์มาช่วยปรับแนวคิดของการประมวลผลใหม่

ทฤษฏี Quantum กฏของแมวของ Schrödinger เอาแมวกับยาพิษใส่ไว้ เราอาจจะไม่ว่าตอนปิด แมวปิด หรือป่าว คำตอบมัน 50 50 แล้วนี่ ถ้าเอากล่องนี้มาใช้กับอะตอม เพื่อบอกคำตอบการคำนวณของ ATOM ได้ เดิมที่เป็ย 0 หรือ 1 อาจจะมีสถานะ 0 1 พร้อมกัน (Quantum Bit) เราสามารถเอา State ที่มันวิ่งๆในนี้มาใช้ในการประมวลผล ได้ ปกติ CPU 2^n ตัวใหม่ 2^100 จะทำตัว AI Model สร้างได้เร็วขึ้น เพราะมี

• superposition - สถานะ 0 1 พร้อมกัน
• Entanglement - อะตอม แม้ว่าจะอยู่ใกล้ หรือ ไกลมากๆ แต่ถ้า A เปลี่ยนสถานะ B ปรับตามเช่นกัน

ในงาน MS Build มีอะไรบ้าง

• AI AT Scale
• เอา Quantum ที่เสถียรแล้วมา Train AI ได้
• HPC + Quantum Computing

Microsoft Discovery - AI สำหรับงานเฉพาะด้านอย่างการวิจัย

Quantum Use Case - สร้างยา สารเคมีใหม่ พยากรณ์อากาศ สร้างวีคซีน

ตอนนี้ Quantum อยู่ในระดับไหน

• LV1 Physical Qubits เป็น HW เพียวๆ ข้อเสียเวลาคำนวณจะมี Error Rate สูง ยังมีการพัฒนา Chip ให้ลด Rate นี้อยู่ อย่างของ Microsoft จะมีตัว Majorana1 มีเทคนิคตอนออกแบบ Chip ให้ Error Rate น้อยลงได้
• LV2 Logical Qubits 50-100 - เอา Physical Qubits มาต่อๆกัน และเขียน SW มาคุม มา Normalize ตัว Error ให้มีนเสถียร์
• LV3 Logical Qubits 1000+ เอามาใช้งานจริงในอตุสาหกรรม

Resource: aka.ms/QuantumReadyPage

Supercharge Your DevOps: AI-powered Incident Response and Automation with Azure SRE Agent

Speaker Sirinat Paphatsirinatthi

Why Azure SRE Agent

• ลดเวลา
• learning time ตัว Agent เอามาช่วยลดระยะเวลา
• SLA

Use Case เคสของ Azure SRE Agent มาช่วยลดเวลาในการ investigate ปัญหาได้ เช่น

• Application Down
• NSG Rule มาติด port ไหน
• Container Pull Image เป็นต้น อนาคต อาจจะมีเพิ่ม

ตอนนี้ตัว Azure SRE Agent เป็นแบบ Publicly Preview อยู่ ถ้าใช้งานต้อง Request Access

ลักษณะการทำงานเป็น Chat คุย และแสดงข้อมูลที่เกี่ยวข้อง เช่น Log / Graph ของ Service นั้นๆ ถ้าเจอ Root Cause แล้วระบบยังให้คน Confirm อยู่นะ ว่าจะแก้ยังไง Rollback หรือ เปิด Port ใน NSG

Resource: Azure SRE Agent

Reference

• Microsoft Build – After Party Thailand