สรุป Global Azure 2026

Building AI voice agents with Microsoft Foundry

Speaker Surasuk Oakkharaamonphong

สำหรับ Product ด้านเสียงของ Azure ตอนนี้จะมีตามนี้เลย

ของใหม่ที่มาในช่วงนี้จะมีตัว

📌Text to Speech มีของใหม่อย่าง Photo Avator มาเสริมจาก

• ของเดิม Video Avator ต้องเตรียมของเยอะ ถ่ายวิดีโอหน้า Green Screen / Training 10 ชม
• ใหม่ Photo Avator โยนรูปเข้าไป แล้วมันจะ Avator ขยับท่าทาง + อารมณ์ตามที่เราพูด

📌LLM Speech

• ตอนที่คุยเสียงโทนเป็นธรรมชาติมากขึ้น และมีอารมณ์ร่วมมากขึ้น เบื่องหลังเอา LLM มาช่วยเลยสื่ออารมณ์ได้ดีขึ้น (Model Dragon HD)
• รวมถึงรองรับ Multilingual - ไทยผสมอังกฤษ
• Contextual Emotion ใส่โทน หรือ อารมณ์เข้าไปได้ด้วย [whisper] [shouting] [ecatic]
• ถ้าลองใน Playground จาก New Foundary > Build > Model > Azure Speech นอกจากนี้ยังสามารถ นอกนี้ยังสามารถเอา Photo Avator เข้ามาร่วมด้วยได้น้า

• พวกเสียงตอนนี้ ต้องใช้ Model เสียงของฝรั่งก่อนนะ ที่จะมีโทน หรือ อารมณ์ ส่วนของคนไทย (Niwat / Achara / Premwadee) ต้องรอ update ต่อไป

• นอกจากนี้ยังมี Model Plain Text / SSML (XML กำหนด Scene / Model บท)

📌Voice Live (Voice Agent) อีก Feature เพิ่ม GA

• Auto detect language / ตรวจจับการขัดจังหวะ / ใช้งานร่วมกับ Avator (Photo / Custom) / Photo รวมถึง Function calling เชื่อมกับระบบภายนอกได้ (เช่น RAG, Knowledge) ถ้าจะลองเอง ใน Foundary ไปที่ส่วน Agent > Create Voice Mode
• Use Case: Call center / Voice assistant / Learning (Demo สอนภาษาอังกฤษ)
• ราคา Voice Agent 22usd / 1m charactor
• Demo ลองดูจาก Page ของพี่ซาร่าได้เลยครับ

From On-Prem to Cloud: Accelerating Management & Migration with Azure Copilot

Speaker Thanyapon Sananakin

สำหรับใน Talk นี้จะแนะนำในส่วน Copilot ว่าช่วงงานกับ Azure ยังไง ใน 2 แง่มุม

📌Copilot for Azure ตอนนี้ฟรี - ใช้งานได้ทั้ง Web Azure Portal / Mobile App

• สิ่งที่มันมาช่วย ทำความเข้าใจ Infra เดิมๆ ว่ามีอะไรบ้าง บางทีเราอาจะลีมทำไว้นาน หรือ ช่วงเปลี่ยนถ่ายคนเดิมไม่อยู่แล้ว เอกสารเดิมมันตรงกับปัจจุบันไหม ถ้าไปแตะอะไรจะพังหรือป่าว ?
• ถ้าอยากให้ละเอียดขึ้นมีส่วน Agent Mode (Private Preview) สำหรับงานส่วน Deployment / Migration / Observability / Optimization Cost + Perf / Resiliency / Troubleshooting แต่ต้องไปเปิดใน Azure Copilot Admin Center
• Demo เอา Copilot อธิบาย อย่างเช่น ลบ Resource แต่ทำไม่ได้ เพราะหลายปีก่อน มีการ Lock ไว้ ที่นี้เราเป็นคนใหม่ พอมีสั่งให้ลบ เลยติด อันนี้เอา Copilot มาช่วยหาสาเหตุ และแนะนำสภาพแวดล้อมเดิมตอนนี้กำหนดอะไรไว้ และให้คนแนะนำ

📌AI Accelaration in Azure Migrate มันเป็นส่วน Copilot for Azure - Agent Mode

Azure Migrate - Tools ที่ข่วยให้เราย้าย Workload ไปยัง Azure ได้สะดวกขึ้น ว่าจะเป็น IAAS / PAAS ใน Service ไหน แล้วต้องมาปรับอะไรก่อนไป

• แก้ปัญหาปัญหาโลกแตก ก่อนจะใช้่ Azure Migrate ย้ายให้ มันต้องทำพวก Landing Zone ตั้งแต่ Decide > Plan
  - เราต้องย้ายอะไรไปเป็นอะไร VM เดิมไป Cloud แล้วต้องไปแบบ IAAS (Lift & Shift VM) หรือ ไปใช้ PAAS (Container App / AKS / App Service)
  - แล้วต้องมีลำดับการทำงานอย่างไร
  - ต้องกำหนด Spec เท่าไหร่
  อันนี้มาถกกันยาว เป็นงานที่ใช้ศิลปะ
• ตัว AI Accelaration in Azure Migrate เข้ามาช่วยในช่วง Decide > Plan ทำได้หลายอย่างเลือก
  - Inventory Analysis - ของเดิมมีอะไร แล้วใช้ไปเท่าไหร่
  - Workload Type ควรย้ายไป IAAS / PAAS แล้วใช้ตัวไหน อย่าง web มีหลายท่า VM / App Service / Container App / AKS เป็นต้น
  - จัด Landing Zone
  - ROI เพื่อเอาไปตอบกับฝั่ง Business เป็นต้น

• Demo เป็นการย้ายของไป Azure ให้ Copilot มาแนะนำ

• ของที่เรามีไปท่าไหน service อะไร แล้วราคาเท่าไหร่ มีอะไรไป Cloud ได้ หรือ ไม่ได้
• ควรจัด landing zone ยังไง จัดการเรื่องเงิน subscription ยังไง
• ถ้าทำเสร็จมันจะ Gen Terraform มาให้ ที่นี้ เราสามารถ Download มา Review ปรับแก้ขั้นสุดท้ายก่อน Deploy

Resource Slide / Feedback

Sandboxing AI Workloads on Azure Container Apps

Speaker Thada Wangthammang

📌ช่วงนี้ Agentic Coding มาแรง แล้ว AI มันจะวางยาเราไหม เอาไปขึ้น Prod ทำพัง หรือ ป่าว เช่น สั่งลบไฟล์ระบบ (rm -rf ) / ไปเอา Credential เราออกไปให้ใครไม่รู้ / ให้ Run Cryto แต่จ่ายค่า Server นะ / หรือ DDOS Server ตัวเอง เช่น แตก Process เยอะจำ Resource หมดไป ตัวอย่าง Code ที่อันตราย ตามนี้

📌Idea นึงการป้องกัน Code จาก AI มันทำล่มทั้งระบบ คือ การทำ Sandbox เพื่อทดสอบก่อน หรือ จำกัดความเสียหายที่เกิดขึ้น infra + network / cost / security + isolation config โดยเจ้า Container / VM เป็นอีก Idea นึง

📌ใน Talk นี้ Speaker จะเลือกตัว Azure Container Apps เพราะ ง่าย สะดวก และถูก มันต่าง VM หรือ K8S ที่แพง แล้วต้องมา Config จุกจิ ว่าจะทดสอบได้ และตัว Container Apps เป็น Server Less มี่เบื่องหลังมันเป็น K8S แต่เราไม่ต้อง Config เยอะ แถมยัง Scale to zero / pay per use และมีเพิ่มสำหรับงานแบบ

• Container Apps Jobs (CAJ) - Event-driven, Cron, on-demand batch
• Dynamic Sessions - Secure isolation (Hyper V + Network / Pre-warmed ไม่ต้องรอ Start นาน และรองรับ Use Case AI/LLM หรือ Code Execution

📌Sandboxing AI Workloads on Azure Container Apps มี 3 ท่านะ

Sandboxing Type	Use Case	Cost
Container Apps Job (CAJ)	- Event-driven - Cron - batch job - Full container control Custom dependencies / lib| - Apply กับ LLM ได้ในบางเคส Long-running Job	vCPU-sec
Dynamic Session (Code Execution) - Sample	- Secure isolation (Hyper V + Network - egress) - Pre-warmed ไม่ต้องรอ Start นาน - Interactive chat / agent loop - Quick computations (seconds) - Design for AI/LLM Workload	process minute
Dynamic Session (Custom Image)	เหมือน Dynamic Session (Code Execution)	Workload Profiles VM ที่เราขอมารัน

📌ใน Talk จะ Demo 2 แบบ มี Debug Result มาด้วย ว่า ai คิดอะไร

• Dynamic Session (Code Execution) - Hello World / หาจำนวนเฉพาะ ให้ Model เขียน Code และรัน ที่ให้เขียน Code เพื่อหาคำตอบนะ AI มันตกเลข แต่ Code เก่ง
• Container Apps Job (CAJ) รอนานกว่า เพราะไม่มี Pre-warmed - ให้ Print ต้นคริสมาส

Resource Slide / Feedback / Demo Source Code

Your AI Employee: Turning Business Data into Smart Agents with Foundry IQ

Speaker Teerasej Jiraphatchandej

จากรูปเราต้องการจะลา แล้วการลาของเราส่งผลอะไรบ้าง แสดงว่า Agent ที่เราทำควรมีข้อมูลที่เพียงพอ เพื่อให้ทุกฝ่าย Happy

การทำให้ Agent มันตอบได้ครอบคลุมต้องมี Model ที่ดี และ Knowledge / Tools เอามาช่วยแหล่งข้อมูล เช่น วันลา ประชุมที่เกี่ยวข้อง รวมถึงเงื่อนไขการลา ไม่ว่าจาก File / API เป็นต้น

📌Foundary IQ - Service ที่มาช่วยตอบโจทย์

• Knowledge Bases - เอาข้อมูลหลายๆส่วนมารวมเป็นที่เดียว และจัดกลุ่ม เพื่อให้ Agent ใช้งานได้ทันที นึกภาพง่ายๆอย่าง Netflix ที่พยายามรวม Content หลายๆแบบ เข้ามาที่เดียว เพื่อให้มีข้อมูลที่หลากหลาย
• Sharing - Knowledge กับ Agent หลายๆตัวไม่ต้องมาสร้างใหม่
• การเชื่อมต่อที่หลากหลาย - Web, Azure Storage, SharePoint, Fabric หรือ SQL
• นอกจากนี้ยังรองรับการจัดการสิทธิจาก Entra Id / Governance กับ Service อื่นๆอย่าง PureView
• Foundry IQ ใช้เทคนิคที่เรียกว่า RAG (Retrieval-Augmented Generation)
  - ตอน Demo เลือกแหล่งข้อมูล / Embedding Model / Chat Completion Model / Retrival Reasoning Models กำหนดเข้มข้นในการหาจาก Knowledge
  - ถึงแม้ว่ากำหนด Retrival Reasoning Models ในส่วน System Instruction อย่าลืมเน้นย้ำให้ใช้ Knowledge ด้วยนะ

📌Work IQ ซึ่งเป็น MCP Server ที่ช่วยให้ Agent เข้าถึงข้อมูลใน Microsoft 365 ของผู้ใช้ได้โดยตรง (Word, Excel, PowerPoint, OneDrive, Teams) ตัว Claude Cowork มันเรียกใช้ Work IQ นะ

Resource Slide / Feedback

Don't Build Dashboards. Build Agents with Microsoft Fabric IQ.

Speaker Phakkhaphong Krittawat

Pain Point จากงาน FabCon2026 มีหลายๆองค์กรมี Dashboard / Report แต่
- ไม่มีคนดู หรือ ทำไปแล้วไม่ได้ใช้งานจริง
- ใข้งานแบบเดิม ไม่ได้เอาข้อมูลหลายแหล่งมา Cross กัน
ทำให้มันไม่สามารถตอบสนอง คำถามทาง Business ได้ทันเวลา

📌 Microsoft Fabric

• การรวมเอาบริการด้าน Data ทั้งหมด (SQL, Warehouse, Lake House, ML, Visualization) มาไว้ในรูปแบบ Software as a Service (SaaS) เพื่อให้ทำงานร่วมกันได้ทันทีโดยไม่ต้องตั้งค่าเชื่อมต่อ End point
• Data Source มีหลายแบบทั้ง Warehouse (พวก Manage Spark Hadoop) + Transaction (Azure SQL Manage Instance เป็นต้น) และทำพวก Zero ETL ได้ / DBT (Code First แบบ SSIS) ได้
• มี Backend เป็น Azure และจ่ายเงินผ่านระบบของ Azure นะ
• เจ้า Fabric เข้ามาช่วยปรับจาก Dashboards แบบ 1.0 เข้ายุค
  - 2.0 มีตัวช่วย Copilot Jupyter Notebook / Copilot for SQL Workload
  - และ 3.0 Fabric IQ

📌 Fabric IQ ของใหม่ License Capacity F2 ++

• เอามาแก้ปัญหาพวก Classic RAG มันหาไม่เจอ เลยเอาแนวคิด Graph Database เข้ามาช่วย โดยสร้าง Semantic Layer และ Ontology เพื่ออธิบาย ความหมายทางธุรกิจ เพื่อเชื่อมโยงข้อมูลจากหลายโดเมน (เช่น ออเดอร์, การขนส่ง, IoT Sensor) เข้าด้วยกัน ทำให้ AI เข้าใจ ถ้าอยากรู้เพิ่มเติมลองดู Demo จาก Fabric (Guy in a Cube) แนะนำ Ontologใน Fabric / Ontology (preview)
  * อนาคต อาจจะไปในแนว LLM Wiki ก็ได้

• Data agent (preview) - จัดการข้อมูลได้ ช่วยสร้าง SQL/DAX/KQL ตอบคำถาม
• Operations agent (preview) - Take Action ตาม Criteria ที่กำหนดไว้

• Plan (preview) - เน้นการพยากรณ์และวางแผนเพื่อช่วยในการตัดสินใจในอนาคต
• นอก Fabric IQ มี Foundary IQ (Custom Agent) / Work IQ (M365) มองคนละแกนกัน

📌นอกจาก Fabric IQ - มีเจ้าไหนบ้าง Snowflake / Atan / Alation แล้วทำอะไรได้ ตามตาราง

• Fabric IQ - ทำ Action ได้แล้ว จากตัว Operations Agents ให้จัดการตาม Playbook ที่เตรียมไว้่ เช่น Use Case ของการคืนเงิน
• การรองรับมาตรฐาน Data Integration Data มาตอบ อย่าง Open Semantic Interchange (OSI) ของ Fabric เน้นส่วน MCP แต่เจ้าอื่นอย่าง Snowflake / Atan / Alation รองรับ OSI แล้ว

ถ้ายังไม่อยากปรับตัวหมด ให้ทำ Power BI Semantic Model ก่อน แล้วค่อยขยับมา Semantic Layer และ Ontology แล้วต่อยอดไปใช้ส่วน Agents

Resource Slide / Feedback

Building Secure Pipelines in Azure DevOps

Speaker Sirasit Boonklang

📌 Pipelines = สายพานในโรงงานที่ต้องผ่านแต่ละ Stations เพื่อให้ได้ Software ออกมา ในที่มีอย่างน้อย 3 จุด ได้แก่ Build / Test / Deploy

📌 นอกจากการทำให้ Pipeline เขียวแล้ว ผลทดสอบ App ผ่านแล้ว สมัยนี้สิ่งที่ต้องกังวลเพิ่มเป็นเรื่องความปลอดภัย อาทิ เช่น Key หลุด / Secret หลุด หรือ ไฟล์ map หลุดแบบ Claude Code

📌 การเพิ่มความปลอดภัยใน Pipeline เราสามารถเพิ่มไปในแค่ละข่วงของ SDLC / ADLC (เพิ่งอ่านมา คิดว่าเอามาแปะด้วยดีกว่า) และเอาไป Apply แทรกใน Pipeline เดิมที่มี Build / Test / Deploy

📌 ตัว pipeline ปกติจะกำหนดในรูปแบบของ Declarative เพือให้การทำงานทุกรอบสอดคล้องกัน ลด Humam Error

Azure DevOps เป็นเครื่องมือที่เข้ามาช่วยจัดการงานในส่วนของ DevOps ให้ครบจบทีเดียว Source Control / Issue Planning / CI CD Process

📌 Attack Point in Pipeline + How to Protect

Stage	Attack	Security Pillar Azure DevOps
Develop	Malicious Commit - Dev หลุด Secret / Hard Code บางอย่าง * ถ้าลบให้สะอาด Blog BFG Repo-Cleaner - แก้ในส่วนที่ไม่ควรแก้ - Insider Dev จะออกแล้วขอวางยาสักหน่อย	• Branch Policy / Review in PR • Repo Stucture แยกส่วนตามหน้าที่ ไม่ให้เห็นทั้งหมด • Pipeline Template - Centralize ให้ Repo อื่นเรียก • Var+Var Group & Param ไม่ต้อง hard code แยก Env + Permisssion • Least Privillage
Repo	Weak Branch Policy - ของไม่ได้ Test หลุดเข้า Branch หลักลูกค้า	• Branch Policy / Review in PR • Repo Stucture แยกส่วนตามหน้าที่ ไม่ให้เห็นทั้งหมด • Pipeline Template - Centralize ให้ Repo อื่นเรียก • Least Privillage
Build	Compromised Agent - เครื่องบิ้ว โดน Attack ยึดไปแล้ว - ตอนทำงานยัดของแถมไป	• Agent Pools กำหนด Scope + Pipeline • Managed Identity + Least Privillage
Artifact	Tampered Artifact เคสล่าสุดน่าจะ AXIOS	• Azure Artifacts package safeguard
Deploy	Over Privilege	• Least Privillage
Prod	Secret Leaked	• Key Vault • Var+Var Group & Param แยก Env + Permisssion • Secure File อย่างไฟล์ Cert

Resource Enhance Pipeline Security with Azure DevOps (Free Course) / Feedback

Welcoming Sentinel to Defender XDR: New incident page helping SOC triaging like a charm

Speaker Sarah Saran Hansakul

📌 MS Sentinel ย้ายบ้าน จาก Portal Azure ไปส่วน Microsoft Defender XDR (security.microsoft.com) ตรงนี้ใช้เมล์ส่วนตัวไมได้แล้วนะ ต้องทำ Corporate Domain (Custom Domain) แล้วมาผูก + ปรับ logo ด้วย

📌 SIEM คือ อะไร ?

• ตัวกลางที่มาจัดการ Log เพื่อให้สะดวกการจัดการ เอาไว้ Cross Check ด้วย Log Local กับส่วนกลาง บางที Attacker ลบร่องรอยการเข้าถึงไป
• และทำ Log แต่ละเจ้าให้เป็นมาตรฐานกลาง / Correclation เพื่อการข้อมูลมาตอบคำถามได้ หา Lateral Movement
• มาตรการตอบสนองอัตโนมัต พวก Playbook / SOAR

📌 XDR คือ อะไร

• EDR จัดการ Endpoint เพือให้เราจัดการที่ส่วนกลางได้
• XDR ไปดึง Log จาก Service อื่นๆนอกจาก Endpoint ของเรา Mail / Azure AD หรือ Identity Service อื่นๆ เป็นต้น
  - เพื่อให้เห็นภาพรวมที่ชัดเจนมาขึ้น ซึ่งมันรวมพวก SIEM เข้ามาด้วย ในอนาคต
  - การจัดการ Data รวม Sentinel รวมที่เดียวกันเป็น Table โดยมี 2 ส่วน Analytic Tier ระยะสั้น เข้าไว / Data Lake Tier ระยะยาว เก็บตาม Audit Policy
  - นอกจากนี้ ถ้ามีข้อมูลจากแหล่งอื่นทำ Federation map เข้ามาได้คล้ายๆกับ Fabric

📌 หน้า Incident ใน XDR ตัวช่วย SOC Triage ได้ดีขึ้น

• ทุกอย่างเป็น Single Plane เห็นชัดเจนว่ามาจากเห็นไหน Sentinel / XDR ใน Entity (Table) ไหน
• แยก Incident (Group of Alert + Path) / Alert (ดูจาก Event แล้วเอ๊ะ) / Event (Raw Logs) แล้วมี Priority Score ให้เรามาวางแผนจัดการได้

📌ถ้าอยากให้ Auto ก็เอา Security Copilot มาช่วยได้นะ ราคาหลักแสนต่อเดือน Just for Enterpise

📌Predictive Shielding: AI สามารถช่วยคาดการณ์และขวางกั้นการโจมตีในระดับขั้นต่าง ๆ ได้โดยอัตโนมัติ (Automate Response) ซึ่งช่วยลดภาระของมนุษย์และลดความผิดพลาดในการทำงาน (Required เปิด Data Lake)
📌ถ้าเริ่มทำ SOC เห็นภาพรวม เริ่มทำตาม Level

1. Unify - ข้อมูลรวมเป็นที่เดียวกันก่อน เปิด Data Lake - Predictive Shield / หรือ เปิด MCP Server เอา AI เจ้าอื่นมาข้อมูล ลด Cost Copilot
2. Security Copilot
3. Agent

Resource: Thai Cy Sec งานความปลอดภัยทางไซเบอร์ Cybersecurity / Feedback

Securing VM Access on Azure

Speaker Karn Wong

📌ปกติแล้วท่าสำหรับ App Deployment

App Deployment	Function	Container	K8S	VM Base (Bare Metal)
Serverless	✅	✅	✅	❌
Self Service	✅	✅	✅	✅

📌Why VM

• Workload ที่ไม่ได้มีการ Update บ่อย + Alway On / Resource ใช่แน่นอน
  - Cost อาจจะน้อยกว่า พวก Serverless ที่ตาม Consumption Base
  - ไม่ได้ Deploy บ่อยๆจาก CI CD
• Debugging Production Issue - ทุก ENV ใช้ได้ยกเว้น PROD เช่น เคสจาก Network Issue บางทีเราไปไล่ปัฐญหาพวกนี้จาก Severless ไม่ได้
• Stress Test

📌Way to Access VM

• user password auth
• SSH Key Pair - แต่ต้องระวังการเก็บ Key
• Access via Public/Private IP ถ้าคนรู้ public ip ขอเข้าเครื่องได้
• SSH Port - Network Scan

Pain Point ถ้ามีหลาย VM / User เราต้องมาจัดการ Auth หลายชุด แยก SSH key Pair แต่จำยาก จัดการยาก เพราะต้องมา map ตั้งแต่ตอนสร้าง VM > Add User หรือ ถ้า User ออกไปหละ เราต้องไป Clear Key ออกจากทุก Server ด้วย

📌การจัดการแบบง่าย ทำ Azure Bastion ไม่ต้องมา Map ใช้เงินแก้ปัญหานี่เอง Tier

• Testing
  - Develop Free 1 VM |
  - Basic หลาย VM แต่ใช้กับ Web Console เท่านั้น ซึ่ง Transfer ไม่ได้
• Prod Grade
  - Standard เหมือน Basic + SSH + IP Base Rule + Native Client
  - Premium Standard + Audit (Session Recording)

📌 Bastion Deploy และกำหนด Access ตาม Tier ที่ซื่อ + อยู่ใน public / private (VPN)

📌 ข้อดี Basion เราสาารถใช้ Entra ID มา manage การ Access VM มันจะลดการจัดการ SSH Key ให้ Entra ทำให้ พอเราลบ User ออก มันไปหด และทำ RBAC

• Permission to group (nested group ก็ได้)
• User to group ถ้าออก เอาออกจากกลุ่ม
• Ad hoc on Special Group / User

ถ้าอยากลดงบ ใช้ Warpgate เป็น OSS แต่เราดูแล Host เอง เชื่อม Entra ID ได้ แต่ต้องชั่งใจว่าค่า Compute + Operation เทียบกับ Bastion แล้วคุ้มไหม !!!

Resource: Configure Microsoft Entra ID authentication for Azure Bastion / Feedback

SOTA vs Frontier Models: When agent is not your answer

Speaker Witthawin Sripheanpol

Agent จำเป็นสำหรับทุกงานจริงหรือไม่ ?
- บาง usecase ไม่จำเป็น และอาจจะเป็นการขี้ช้างจับตั๊กแตนก็ได้นะ

📌 แล้ว AI Agent คือ อะไร

Agent หุ่นยนต์ที่มี

• สมอง (AI Model) - ความเก่งของ Agent หลักๆเลย
• ความจำ (Memory) ที่เก็บข้อมูลการโต้ตอบหรือฐานข้อมูล และ Planning
• Action (ลงมือทำ): การเรียกใช้เครื่องมือ (Tools) เช่น
  - การค้นหาข้อมูล (Search Engine)
  - หรือการเขียนโค้ด (Coding) เพื่อแก้โจทย์ที่ AI ปกติทำไม่ได้ เช่น การนับตัวอักษรหรือการคำนวณตัวเลข
• นำผลที่ได้มาเป็น Feedback Loop กลับเข้าไปใน Memory

📌 กว่าจะเป็น Frontier Models มันผ่านมีอะไรมาบ้าง

• Machine Learning (ML): ในยุคแรกเราใช้ Logic พื้นฐาน เช่น Decision Tree ในการคัดกรองข้อมูล ซึ่งหากโจทย์ชัดเจนเราสามารถใช้ Logic เหล่านี้แก้ปัญหาได้โดยไม่ต้องใช้ AI ที่ซับซ้อน
• Deep Learning (DL): พัฒนาขึ้นมาเพื่อจัดการงานที่ยากขึ้น เช่น การจัดกลุ่มข้อความ (Text Classification) หรือการใช้ Neural Network
• Generative AI: คือยุคปัจจุบันที่โมเดลสามารถสร้าง (Generate) สิ่งใหม่ ๆ ออกมาได้ เช่น แชทบอทที่โต้ตอบได้เป็นธรรมชาติ

Frontier Models: คือโมเดลขนาดใหญ่ (เช่น GPT) ที่พยายามจะเป็น General Purpose เก่งทุกทาง และใช้ Resource มหาศาลด้วย

📌 ความแตกต่างระหว่าง SOTA (State of the Art) และ Frontier Models

- SOTA (State of the Art) Models: AI Model ที่เก่งที่สุดในด้านใดด้านหนึ่งโดยเฉพาะ (Specific Task) Model มักจะมีขนาดเล็กเพราะถูกเทรนมาเพื่อแก้โจทย์เฉพาะทาง เช่น

• งานด้านภาษา (NLP) - พวก BERT, DeBERTa, Llama, GPT 
• การมองเห็น (Computer Vision) - พวก ViT, CNN, UNet MobileNet, Yolo, SAM
• เสียง (Speech) - พวก Whisper, Samba-ASR, VibeVoice
• coding - ถ้าเฉพาะภาษานะ
• หรือ medical - ถ้ารวมหลายเรื่องทางการแพทย์ อาจจะบวมได้

หากเรามีโจทย์ที่ชัดเจน เช่น การวิเคราะห์ความรู้สึก (Sentiment Analysis) การใช้โมเดลเฉพาะทางตัวเล็ก ๆ อย่าง BERT ก็เพียงพอแล้ว

- Frontier Models: คือโมเดลขนาดใหญ่ General Purpose เพื่อไปให้ถึงระดับ AGI (Artificial General Intelligence)'

• ส่วนใหญ่อย่างมาจาก Transformer ที่มีส่วน BERT (Encoder Model - SOTA) และ GPT (Generative Base) ต่อยอดมาจาก Paper Attention Is All You Need
• ถ้าไปแงะ Model พบว่ามีโครงสร้า่งคล้ายกันนะ https://github.com/rasbt/LLMs-from-scratch/tree/main

สุดท้ายมองกลับไป Business ว่าต้องการอะไร แล้วมีงบเท่าไหร่ ผลตอบที่คาดว่าจะกลับมา จากนั้นเอา Model ที่เหมาะสมกับงานไม่ว่า State of the Art (เก่งเฉพาะด้าน) / Frontier Models (เก่งทุกทาง)

Resource: Slide / MS Learn (Azure AI)

Introducing AgentCamp Bangkok

Speaker Teerasej Jiraphatchandej / Phantip Kokilanon

• สมัครได้เลย https://agentcamp.city/bangkok (16 May 2026) แบบ Online + Onsite โดยมี Key Note ของคุณ Korkrid Akepanidtaworn AI Agents Lead @ Microsoft Singapore
• และเสาร์หน้า SCBX NEXT TECH มีงาน GitHub Copilot Dev Days Bangkok มาจอยกันได้

Reference

• Live: https://www.youtube.com/live/hhFna9r6s7g
• FB: Azure Community Thailand
• https://global-azure-2026-thailand.sessionize.com/schedule/day/20260418