สำหรับวันนี้เป็นงาน meetup ที่ข้ามสายนิดนึง เราสาย Dev แอบมาฟังของ QA บ้าง เหมือนรอบล่าสุดน่าจะงานนี้นะ และก็วันนี้น้องมาช่วยดูแม่ เลยแวะมางานได้ครับ หัวข้อที่จดๆมาก็ประมาณนี้ครับ
First job mentoring
Speaker ทีมงาน QA Meetup
อันนี้เป็น Section มาแนะนำสำหรับใครที่เตรียมหางาน ลองมาดู Check List ได้ตามนี้ครับ
📌Resume
- ทำให้ Simple ชัด เพราะ หลายๆ บ ใช้ SW ATS (Applicant Tracing System) ช่วยอ่าน Resume กรอง ก่อนถึงมือ HR ดังนั้นพวกรูปแถบพลัง อาจจะโดนตีตกได้
- ความยาว 1-2 หน้า แยกหัวข้อชัดเจน
- highlight ส่วน What Matter Most พวก Experience / Achievement เกี่ยวข้องกับงานที่สมัคร มาไว้ในลำดับต้นๆ
- พวกวุฒิ ถ้าตรงสายใส่มาได้ หรือ ถ้าไม่ตรงสาย อาจจะเอาพวก cert ที่เกี่ยวข้องมาช่วย - Font เอาแบบมาตรฐาน size 10-12
📌Interview
- เตรียมตัว คิดไว้ก่อน เก็งคำถาม งานเดิมทำอะไร แล้วสร้าง impact ได้แค่ไหน เพื่อที่จะได้ไม่ลน และตอบคำถามได้ชัด ไม่ตะกุกตะกัก
- ก่อนเข้าเผื่อเวลา 10 นาที ก่อน จะได้เตรียมตัว และแก้ปัญหากรณีสัมภาษณ์ Online ผ่านพวก Zoom
- สืบๆข้อมูลข้างใน พวก culture / รูปแบบ / tech stack จากเพื่อน หรือ อาจจะจากคนใน Linkedin
- หลังจากจบสัมภาษณ์แล้ว อยากให้ขอ feedback เผื่อจะได้ปรับปรุงได้
📌Assignment ของที่ให้ทำมา เช่น เขียน Test Case / Code
- อาจจะเจอ หรือ ไม่เจอแล้วแต่ที่ พยายามทำด้วยตัวเอง และทำความเข้าใจ ใช้ตัวช่วยได้ แต่เราต้องได้บทเรียนด้วยนะ
- Time Management จัดการเวลาให้เรียบร้อย จะได้ไม่ลน ตอน deadline ถ้าไม่ทัน แบบมีงานคสรบอกเลย จะได้ไม่ให้คนที่รอเสียเวลา
สุดท้าย เป็นตัวเอง จะได้ไม่เจอ Culture Shock กันทั้งสองฝ่าย
Private by Design: Local LLMs for Quality Engineers
Speaker Noor Khan
🌤️Cloud AI มีประเด็น - Privacy ข้อมูลเราจะถูกเอาไป Train หรือ ตอบคนอื่นไหม / Security / Cost ที่ใช้ มันจ่ายตาม Token
🌤️Local LLM เลยมาตอบโจทย์ตรงนี้ เพราะ Data on Local ตอบส่วน Privacy + Security / can use without internet / Cost ที่ถูกกว่า / require small compute ถ้าเราใช้ Model เล็กๆ แต่ Train หรือ ปรับ Tune มาแล้ว
ตัวอย่าง Model Local LLM พวก llama2 / mistral / gemma3 / glm / gpt-oss / kimi2.5 การเลือกใช้ดูจากจากจำนวน Parameter 7b เล็ก ถ้าพวก 20b ใหญ่ขึ้นมา ใช้พวก HW ที่แรงขึ้น
How AI help QA ตาม SDLC
📌 Requirement Analysis - ถ้ามี local rag + เอา mcp server ช่วยลด ไม่ให้ ai หลอนได้ เราสามารถเอา doc โยนใส่ AI เพื่อคุม tone ไม่ให้หลอน
📌 Test Case Dev - แปลงจากที่เรา Chat เป็น Script อย่างพวก BDD/Gerkin
📌 Data /Env Gen test - Mock Data โดยที่เราไม่ต้องมากังวลเรื่อง PDPA พวก PII โดยผลอาจจะออกมาในรูปแบบ CSV / JSON หรือ SQL ก็ได้่
📌 test report ช่วย draft สรุป หรือ จัด format เช่น โยนเข้า jira
Tools สำหรับ Local LLMs
🗡️Ollama ง่ายสะดวก และมี API เปิดมาให้เลย พวก UI ยังไม่เก่งพอ ใช้งานแบบ CLI ดีกว่า
🗡️LM Studio อันนี้เหมือน ollama แต่ user experience ดีกว่า อย่างพวก chat interface / download model จากแหล่งอื่น hugging face / จัดการ model ได้สะดวกกว่า / Config จัดการ context .
🗡️continue.dev - อีก tools ที่ช่วย ปรับ test code ของเราได้ และมี auto complete ตัวช่วยแก้ไข แบบ พวก copilot เลย เรา prompt ให้ context และสั่งงานมันแก้ปรับ หรือ ทำงานตาม Task ก็ได้นะ
🗡️Claude Code - ตัว Client มันฟรี แต่ Model ไม่ฟรีนะ จุดแข็งของมัน
- Whole codebase reasoning - มองภาพรวม แต่ใช้ Contexct Windows เยอะนะ
- Agentic Multi-step task มันจะวางแผน แล้วทำทั้งหมดว่าจะแก้อะไร 1 2 3 4 ต่างกับพวก copilot inline suggestion
- Terminal Native ไม่ต้องลง IDE เพิ่มเติม
- และ Complex Instruction
สุดท้าย ถ้าใครอยากลอง Claude Code เชื่อมกับพวก Ollama ได้แล้วนะ ลองดูได้จาก Blog I Tried New Claude Code Ollama Workflow ( It’s Wild & Free)
สำหรับ Model ถ้าไม่รู้ว่าจะใช้งานตัวไหน ลองดูจาก Blog Which local models actually work with Claude Code on a 48GB MacBook Pro?
ขอเสริมถ้าในไทย อาจจะดูของคุณ Thai Pangsakulyanont ลองก็ได้นะ (Repo)
Tip & Best Practice
💡Timebox กำหนดเวลา เช่น จะทำเรื่องนี้กับ AI 10 นาที เกินเวลาที่กำหนด ไปทำแบบเดิม Manual / Google
💡Plan with AI first
💡Avoid context rot - อย่าให้บริบทมันมั่ว และสับสน เพราะทำให้ AI มันคิดฟุ้งซ่าน และหลอน เป็นไปได้ง่ายสุด ลบ Chat เดิมที่ถาม แล้วเกิดใหม่ จะได้ Clear Context + Memory
💡Use AI where it shines - ทำงานที่ AI มันเก่ง พวกงาน refactor / write test / improve readability
Optimize Code ช่วยให้ LLM ทำงานได้ดีขึ้น เช่น เราอาจะทำ README ตามแต่เงื่อนไขของ AI แต่ละเจ้า เพื่อให้มันอ่านได้
Challenge local model
🚠 HW Bottleneck พวก CPU Intel กับ ตระกูล m ผลลัพธ์มันต่างกันมาก
🚠 Trade off Performance vs capacity เราคงซื้อ HW เท่า Cloud ไม่ได้
🚠 Context windows limitation
🚠 Energy consumption
ถ้าทำ local ai อาจจะะเอา mac mini CPU ตระกูล M มาใช้งาน แต่ ram อาจจะต้อง 64 GB ถ้าเอาแรงกว่านี้ อาจจะต้องไปใช้พวก NVidia GPUพวก DGX
ถ้าไม่ได้ใช้ AI มาก่อน อาจจะลอง chatGPT / Gemini ให้คุ้นเคย จากนั้นมาลอง LM Studio วำหนับงาน Local และซ้อม prompting skill และค่อยขยับพวก Copilot และ agent coding like Claude code
สุดท้าย AI เรามองมุม copilot มากกว่าเราจะให้ทำ auto pilot แทนเรา และมี human check
คิดแบบ QA แต่เอาไปใช้ได้ทุกสายงาน
Speaker ศรัณย์ บุญชลากุลโกศล
📌Career Path ของ Speaker เริ่มจาก QA > Dev > BA รวมประมาณ 6 ปี ย้ายไปทำงานการเงินในห้องค้าขยับมาดูมุมความเสี่ยงการลงทุน + ที่ปรีกษา ตอนนี้ยุคของ Data แล้ว และสุดท้ายมาทำงานสายของกองทุน
📌Commmon qa ใช้ได้ตลอด 3 ส่วน Thinking Skill / Execution Skill และ Career Skill
Thinking Skill
💡bounday case พวก edge case ค่าขอบต่างๆ -1 0 1 / 99 100 101
- ค่าพวกนี้ ระบบควรจัดการอย่างไรต่อ ? ค่าพวกนี้มันจะเป็นจุดที่ช่วย Trigger ในการตัดสินใจ
- อาจจะมองว่า Stress Test / Extreme Case ซึ่งถ้าเกิดขึ้นแล้ว เราต้องมาดูว่า Probability โอกาสที่มันจะเกิดขึ้นเท่าไหร่
- ถ้าขยับจากสาย IT มาการเงิน
- เคส Boundary ตัว Model Simulation นี้ยัง Valid ไหม ?
- หรือ มุมของ liquidity เราพร้อมแค่ไหน อยู่มีนักลงทุนมาถอดเงินสดออกไป แล้วจุดที่เรารับได้เท่าไหร่
และ จุด Boundary นั้นๆ มันมีความเสี่ยงขนาดไหน เกิดขึ้นบ่อยไหม ต้องมาดูว่า Probability และวางแผนรับมือ
💡80/20 Rule Focus On Impact จริงๆ ค่า Probability stat ยังเกี่ยวอยู่
- เราจะทดสอบส่วนไหน 80 (most user do) หรือ 20 (complex case)
- การจะเลือก 20 หรือ 80 ไม่ถูก ผิดนะ ขึ้นสถานการณ์ key ต้องรู้ก่อนว่าอะไร 80 20 แล้วทางที่เลือก มีผลอย่างไร เช่น 20 แต่ลูกค้าจ่ายหนักใช้ หรือ 80 ได้หลายเจ้า
Execution Skill
🚦 Prioritizationunder pressureเคสจริง เวลาเท่าเดิม แต่เวลา โดนกินมาตั้งแต่ pm ba sa dev qa แล้วเวลาเหลือที่ qa นิดเดว จะทำอย่างไร
- Plan ต้องมี buffer
- เข้าใจ diminishing return เพื่อมาเลือกงานในเวลาที่จำกัด อะไรที่สำคัญ เพราะ เราไม่สามารถทำให้ทุกอย่าง perfect ได้
- กำหนด priority อันไหนปล่อยผ่านได้ อันไหนต้อง fixed
- สุดท้าย Go/No Go ต้องมีเกณฑ์ที่ชัดเจน แต่ละทางที่เลือกมี trade off ด้วย ในการ release
🔁 High Velocity Feedback Loop
ราคาของ Bugs / Defect ถ้าเราเจอตั้งแต่แรก จาก requirement เลย ถ้าปล่อยไป prod จะปัญหาใหญ่ และใช้ Cost สูงขึ้น
- Key ทำยังไง ให้ทุกคนกล้าบอกปัญหา ตั้งแต่แรกๆ เห็นก่อน เราจะปรับตัวได้ ส่งเสริมให้น้องกล้าพูด ค่อยเริ่มจาก 50 แล้วค่อยๆไต่มา 100 feedback เท่าที่มีก่อน
- แต่ต้องมี direction ให้ชัดเจนให้น้องไม่หลงทางนะ
- สุดท้าย Ship Learn Calibrate
Career Skill
📌 SW Testing ส่งมอบ software ที่ดีที่สุดให้กับลูกค้า
📌 ควร Share Goal with Stakeholder แล้วกำหนด Goal KPI ให้เสริมกัน ไม่ใช้ขัดแย้งกัน ไปแข่งขัน
📌 Does job title really matter - ตอบเลยว่าไม่ ที่สำคัญ Skill + การเข้ากับ Culture ได้ไหม
📌 Senior ไม่ได้วัดจากอายุงาน แต่วัดจากความสามารถในการคุมคน ทีมย่อยๆ หรือ การส่งต่อ Technical Excellent ให้ทีม ดังนั้น หาขยับเปลี่ยนงาน อาจจะต้องทำใจว่า เมื่อเราโตขึ้นการ on board อาจะน้อยลงด้วย เค้าหวังให้เราไปสอนน้อง
📌 พยายามมี skill ที่ตลาดต้องการ และสะสมมันขึ้นมาเรื่อยที่ละนิด
The missing piece of QA
Speaker Pop Warun
สำหรับ Session นี้เป็น Interactive ให้ลองคิด และตอบดูครับว่าเรามีมุมมองอย่างไรครับ
Who is QA
📌 ปกติ QA Planning Test / Execution Automation/ Defect management / Reporting + Metric / Process Improvement
📌 การทำให้เรามี Skill กับงาน QA ได้ เริ่มต้นด้วยสร้างนิสัย มันจะมี Quote แนวๆ 21 วัน create habits แต่ถ้าปล่อยไว้นานๆ เราหลงลืมได้ เออจิงเหมือนกัน พอทำงานไปนานๆ ความเป็น silo มาครอบเราตาม job desc / role responsibility ทำให้บางอย่างขาดหายไป จนกลายเป็นว่าหน้าที่ฉันแต่หา Defect ได้ตาม KPI xx
📌 แต่ทุกอย่างมีสิ่งที่ซ่อนอยู่ กลับมามองที่จุดเริ่มต้น แล้วเราพบว่า QA เป็นส่วนนึงของทุกๆ Role นะ Solution Arcg / SA / BA / DEV
QA เป็นส่วนนึงของ Quality และ ทุกคน(People) ที่เกี่ยวข้องของชิ้นนั้นจะมีส่วนที่ทำให้ของชิ้นนั้นๆ
มี Quality ที่ดีขึ้น
When you as QA
ตอนนี้กลับมามอง Missing Piece ที่ QA จริงๆ
📌 แม้แต่ Role อื่นควรมี ใจใส่ (Caring) ลงในคำพูด และการกระทำ เช่น เราเจอ Bug ซึ่งตอนทดสอบ มองจากมุม User กลุ่ม A ที่มีรูปแบบการใช้งานแบบนี้ ไม่ได้มองว่าจะปั๊ม Defect ให้ได้ตาม KPI นะ
📌 การเข้าใจปัญหาของแต่ละ Role ได้ยินว่าบาง บ ให้พนักงานไปลองขาย หรือ ลองทำหน้าที่ support หรือ ลองเอาไปใช้ในที่ Environment จำกัด เช่น internet bandwidth น้อย จะได้ซึมซับปัญหาในแต่ละ Role ที่พบ และมาปรับปรุง product ดียิ่งขึ้น
📌 เมื่อเรา Care มีความเอ๊ะ มาเสริมมุมด้านต่างๆ ตามนี้
120 speed sharing
ให้ทุกคนมามองเล่นอะไร สั้นๆ 1-2 นาที
📌 เวลามีปัญหาได้อะไร จดลง blog ไม่จำป็นต้องคุมโทน เขียนให้สม่ำเสมอ
📌 เวลามีประชุม recap ด้วย ว่าใครต้องทำอะไร ต่อ จะได้มีความต่อเนื่องในการทำงาน ไม่ต้องมาระลึก และงานต่อเนื่องด้วยกรณีที่ Lead ติดภาระกิจ
📌 Gen Gap อาจจะไม่เกินึ้นกับทุกที่นะขึ้นกับ Culture ขององค์กร สุดท้ายเรา กับน้อง Reflect กันเองด้วย หรือ ลอง Senior มองกลับมาในมุมตอนฉันยังใหม่ๆ ว่าเราทำอะไรที่ไม่หลุดไปไหม เช่น อาจจะต้องลองถามน้องก่อนว่าเข้าใจงานที่ทำไม และฝั่งน้องเองลองคิด และถามข้อสงสัยด้วยในมุมกลับกัน
📌 QA ในอนาคต อาจจะยุบไปลงในงานของแต่ละ role แล้วแต่โครงสร้างองค์กร ปรับตัวและหาความรู้
อ๋อ เดือนหน้างานแนวๆ shift-left testing
และ ThoughtWorks Technology Radar Vol.33
Resource + Material
Reference
Discover more from naiwaen@DebuggingSoft
Subscribe to get the latest posts sent to your email.
