จดๆจากงาน Data + AI Day 2025: Empowering Intelligence

สำหรับงานในวันนี้ก่อนอีกเลย ผมต้องขอบคุณทาง Skooldio ที่ได้จัดกิจกรรมแจกบัตรฟรีครับ และได้เป็นผู้โชคดีที่ได้รับบัตรเข้างานครับ เลยลองมาฟัง และจดสรุปเป็น Blog นี้ครับ คิดว่าน่าจะยาวนิดนึงนะครับ หัวข้อตามนี้

EMPOWERING INTELLIGENCE

Speaker คุณสุดารัตน์ เอกธนมณี / คุณจตวัฒน์ เชี่ย

🚀 ตอนนี้ AI ถ้ามองในแง่ IQ แล้วความฉลาดมันเกินมนุษย์ เราไปแล้วนะครับ มันเก่งมาก
🎓 แต่มันยังไม่เทียบเท่าคนเรา อันนี้วัดจากเกณฑ์ของคุณ Howard Gardner ความฉลาดมันมีหลายด้าน นอกจากเรื่องการใช้ตรรกะ การคำนวณ ยังมีส่วน มิติสัมพันธ์ (Spatial) หรือมนุษยสัมพันธ์ (Interpersonal) การเข้าใจผู้อื่นตรงนี้ AI ยังขาดไปนะ
🚀 และปิดท้าย ความเข้าใจมาจากคนเรา โดยความชัดเจนมาจากข้อมูล ที่มีความเร็วมาจาก Technolgy และ AI ช่วยทำให้มันต่อเนื่องได้

2026 AND BEYOND: THE ROAD AHEAD FOR DATA & AI เส้นทางอนาคตคนทำงาน DATA & AI ต้องเตรียมรับมือ

Speaker คุณเปรม โชติพานิช / คุณสรทรรศน์ คิรีรัตรจักริน / คุณวิธวินท์ ศรีเพียรพล / คุณธนณัฏฐ์ สันตติยานนท์

เป็น Talk ชวนคุยกับผู้เชี่ยวชาญด้าน AI 3 ท่าน คุณเปรม โชติพานิช (เปรม) Data Karate / คุณสรทรรศน์ คิรีรัตรจักริน บอยด์ (BigData RPG) / คุณวิธวินท์ ศรีเพียรพล (โร่) HowKnow IKnow

- Speaker แต่ละท่านเข้ามาทำงานสาย AI ได้อย่างไร

📋 คุณเปรม เริ่มทำ Data Scientist ในยุคที่ต้องทำเองทุกอย่างแต่ Scraping Data / Train Model เอง และปรับตามยุค LLM เอา Pre-Train Model มาใช้ และเน้นส่วนของ Software Engineering แทน ให้ของไปทาง Production Grade และได้งานไว้ขึ้น

📋 คุณบอยด์ เริ่มจบจากสาย Bio Tech มาก่อน แล้วเริ่มทำงานโรงงานเบียร์มาก่อน แล้วค่อยขยับสายมาจาก IT digital marketing > Data และ AI ตามลำดับ

📋 คุณโร่ มาจากสาย Robotic Eng งานด้านนี้ยังหายากในไทย เลยมาทำในส่วนของ Data Scientist โดยไปในมุมของ AI Research งานนี้มีคนต้องการนะ เพราะบางเคสยังใช้ pre-train model ไม่ได้นะ หรือเน้น Secure Data มาก

- Is Data Still Sexy in (Generative) AI Era and What is the impact

📌 ในช่วงนี้งาน Data มันไม่ได้เป็นของใหม่มาแรงแล้ว ในหลายๆเคสที่นำ Data มาใช้มีทั้งส่วน Sucesss และ Fail ความสนใจมีลดลงไปบ้าง แต่มันเป็นงานที่ต้องมี เพราะมันเป็นอาหารให้ AI

📌 อีกมุม Data ยังจำเป็นสำหรับการตอบคำถามใน Business Pain ต่างๆที่มี แต่สิ่งที่เราควรรู้ ปัญหา คือ อะไร แล้วแก้ด้วยอะไร ทุกอย่างยัด AI มาแก้หมดไม่ได้ นอกจากนี้การมี Data ที่ดี ทำให้หาของที่ตอบ Pain ได้มีดีขึึ้น ทำให้มีโอกาศสร้าง ROI ได้เพิ่มขึ้นด้วย

📌 นอกจากนี้ การ Improve / Transform เราต้องรู้ด้วยว่า Skill คนของเราเพียงพอไหม และพัฒนาขึ้นมาเอง หรือจ้างคนอื่นทำ ถืงแม้ว่าเราจะจ้างคนนอกมาทำ แต่ส่วน Tech หรือ Innovation ก็ยังต้องมีนะ เราจะได้ตามทัน ไม่โดนหลอกได้ง่าย

- Career Path 3-5 ปี

สรุปสั้นๆไม่มีใครรู้คร้บ มาดูกันว่าอีก 10 ปี อะไรมันจะไม่เปลี่ยนง่ายกว่า สิ่งที่เราทำได้เตรียม Skill ที่พื้นฐานให้พร้อม

• Problem solving การคิดเป็นระบบ / coding / math stat ยังจำเป็นอยู่ ถ้าไปสาย ai
• core fundamental สำคัญที่สุด เพราะ อะไรที่มาใหม่ มัน On Top ของเดิมไปเรื่อยๆ อย่างการตอบคำถาม จากเดิม web scraping > data mining > ml > llm
• การตั้งคำถาม ทำไปแล้วได้อะไร และผลที่ได้เป็นอย่างไร ทำแล้วมี impact ทาว Business ไหม - learning how to learn

อย่างช่วงนี้ Train Vide Coding มากันเยอะ ถ้าเราไม่มี fundamental เราตอบไม่ได้ว่า AI มันยัดอะไรให้เรา แล้วไปนำเสนอ แล้วเจอคำถามจากลูกค้า เราไม่สามารถปรับให้ตอบได้ หรือ แม่กระทั่งว่าไม่รู้ที่เรา Vide Coding มา เพื่ออะไร ?

นอกจากนี้แล้วใน Session นี้มีคำถามอื่นๆ ที่จดมาตามความเข้าใจนะ AI Model ที่ทำขึ้นมาเอง กับใช้ LLM เจ้าดังๆ อันไหนดีกว่าใน Production มีแนวทาง ดังนี้

• ถ้าจะทำ AI Model เอง มีงบ 8 หลักไหม ไม่ว่า SLM / LLM
• ทำไมถึงทำเอง มี Return อะไรกลับมาไหม หรือมีความเสี่ยงของข้อมูลที่ต้อง Local
• นอกจากนี้ยังต้องแบ่งงานย่อยๆด้วย ว่าใน Solution เราจัด Load ของแต่ละ Worker ยังไง ถ้า Local หมดต้องมาคิดเยอะเพิ่ม แต่ใช้ LLM เจ้าดังๆ เค้ามีเครื่องมือมาช่วยให้ง่ายระดับนึงแล้ว (API)

อีกอันการตัดสินใจเลือก Tech Stack เป็นของ Product Manager ไหม - อันนี้หลายที่เค้ามี Tech Lead มาจัดการงานส่วนนี้ส่วนของ Product Manager มองภาพรวมที่ใหญ่กว่า และ Business Return

DESIGNING DATA + AI SYSTEMS THAT LAST เมื่อ Tech เปลี่ยนแปลงไวกว่าใจคน จะออกแบบระบบให้อยู่รอดต้องรู้สิ่งนี้

Speaker คุณกานต์ อุ่ยวิรัช (กานต์)

เราทุกคนสามารถเข้ามาทำ Architecture ได้ ไม่ว่าจะอยูใน Role ไหนก็ตาม

🔎 ถ้าเราลองย้อนไปดู mad-landscapes ในปีแรกๆยาวมาจนถึงปีนี้พอว่ามันเยอะไปหมด เรียนตามไม่ทันแล้ว ลองมาคิดอีกมุมกลับไหม ว่าอะไรอีก 10 กว่าปีที่ยังคงอยู่ อันนี้เป็นคำถามที่มีคนถามอนาคตเป็นอย่างไร คุณ Jeff Bezos ถามกลับ ให้มามองที่ Core ของเรา อย่าง Amazon สินค้าราคาถูก / ได้ของไว / คุณภาพดี แล้วมาหา Solution ที่มาขช่วยครับ

- Human + Architecture Thinking

เป็น Framework เล็กๆ ที่มาช่วยให้เราคิดเป็นระบบ และใช้ได้ทุกยุค โดยมี Idea 3 ข้อ ดังนี้

📌 Translating business drivers into architectural decisions (แปลง Business มาเป็นระบบ / Architecture)

• เข้าใจ Pain ของลูกค้า คือ อะไร ?
• มุม Software Engineering การเก็บ Requirement นั้นเอง อยากได้บ้าน หลังนึง เราต้องพูดคุย ลงมือสกัดออกมา จนได้ความต้องการต่างๆ ทั้งจากตัว User เอง + สภาพแวดล้อมแถวๆนั้น สร้างบ้านริมทะเล กับในเมืองวัสดุก็คนละแบบแล้ว

• นอกจากนี้ยังต้องคิดเผื่อว่าหลังจากนี้จะเกิดอะไรขึ้นตาม Residuality Theory สิ่งที่หลงเหลือ (Residues) จากการปะทะ (Stressor) - พวก Requirement / Regulator ต่างๆ
• รวมถึงความต้องการซ่อนอยู่ ถ้าไม่มีระบบจะตอบโจทย์ธุรกิจ แต่ไม่ตอบโจทย์การใช้งานพวก Non Functional Requirement หลายที่มี Template เอาไว้ตอนเก็บ Requirement จดเอาไว้เลย ว่าต้องการแบบไหน

📌 Evaluating trade-offs and make informed choices (ได้อย่าง เสียอย่าง เราต้องยอมรับมัน)

• จากหัวข้อที่แล้ว เราจะทั้ง Functional / Non Functional Requirement มีเยอะแยะๆไปหมดแล้ว แล้วเราทำทั้งหมดไม่ได้ ดังนั้นต้องมาเลือกว่าอะไรที่จำเป็นในเวลานั้นๆ กับ business requirement มีหลายเคส
  - n8n vs AirFlow user ดูระบบเอง แก้ไข Workflow เอง - n8n น่าจะเหมาะกว่า
  - ระบบคนละครึ่ง + เลือกเน้นด้านไหน Read (คนเข้าได้เยอะ) / write (ลงทะเบียนได้ไวขึ้น)
  - ระบบ ChatBot - เราจะ scale หน้า front / db / vector db หรือ AI Model
• การเลือกควรใช้ Model โดยแนะนำดูจาก https://untools.co/ มีหลายหมวด

• แต่การเลือก model ไหน เราต้องถามคำถามให้ถูกต้อง ทำอะไร เช่น อยากให้ simple ai อาจจะมีข้อจำกัด data normal distrbution ยอมรับได้ไหม เป็นต้น
• การสื่อสารภายใน
  - ใช้ c4 model ช่วยให้ drill down เพื่อลงรายละเอียดในแต่ละ Level จากภาพรวม ระบบย่อย ลงไปถึง Code
  - นอกจากนี้แล้ว การสื่อสาร พวกศัพท์ยากๆ Use Metaphonrs for Communications ตัวอย่างที่ง่ายๆ เพื่อให้ทุกคนเข้าใจตรงกัน เช่น คำว่า Retrieval-Augmented Generation (RAG) ว่าเป็นห้องสมุดให้ LLM เข้ามาหา โดยต้องมีการทำ Index ของหนังสือ
• เมื่อทำเสร็จแล้ว ต้องมีทำเอกสาร Architecture Decision Record บอกว่าตอนนั้นเราไปทำไม เหตุผลอะไร ให้คนรุ่นหลังเข้าใจได้

📌 Expanding technical breadth while keeping sufficient depth

• รู้หลายๆเรื่อง (รู้กว้าง) ทำให้เรามีหลายแง่มุมในการเลือก Solution ที่หลากหลายมาตอบโจทย์ เช่น เลือก AI Model เล็ก มาแก้ในงานย่อยๆ ที่เกี่ยวข้องได้ แทนที่จะใช้ LLM ตัวใหญ่ทั้งหมด
• เรียนอย่างไร เรียนแบบมีคำถาม และความต่อเนื่อง มีแหล่งเรียนรู้หลายแหล่ง InfoQ / Thoughtworks Technology Radar / Medium / Blog ต่างๆ หรือ ใน X เป็นต้น

กฎ 1% ขอแค่วันละ 30 นาที สำหรับเรียบรู้ และพัฒนาจนมี Skill ที่อยากได้

UNDERSTANDING THE MIND OF AI: ROLE OF MECHANISTIC INTERPRETABILITY IN AI SAFETY เมื่อ AI ฉลาดขึ้น จะไว้ใจมันได้แค่ไหน ?

Speaker คุณธีรัช ศักดิ์เดชยนต์

⚠️ AI มันเติบโตขึ้นมาในปีนี้ มันมีมุมสว่าง และมีด้านมืดของ AI มีความเสี่ยงในด้านต่างๆ จาก Use Case เช่น ง

• บริษัท Retail เข้านึง เอาข้อมูลการขายไปตรวจสอบว่าลูกค้าท้องไหม แล้วส่งโปรโมชันไปให้ แต่เรามีสิทธิไปตรวจว่าเค้าท้อง หรือป่าวได้ไหม ?
• Deepfake เอาหน้าคนอื่นมาปลอม แล้วไปหลอกเงินผู้อื่น

📌 ทางฝั้ง AI เลยมี 2 คำขึ้นมา เพื่ออธิบายความโปร่งใสของ AI ได้แก่ Explainable AI & Mechanistic Interpretability

• Explainable AI มีมานานแล้ว
• Mechanistic Interpretability เพิ่งมีคนสนใจช่วง 1-2 เดือนนึ้เอง

📢 Explainablity vs Interpretability ต่างกันยังไง

• Explainablity การอธิบายผลลัพธ์ AI บอกอะไรมา แล้วเราอธิบายว่าผลบองมัน คือ อะไร เช้น การบอกว่า Feature ไหน มีผลกับ output ของ AI
• Interpretability การ Debug Model สนใจการทำงานข้างในของ Model
• ที่มี 2 คำนี้ขึ้นมา เพราะ AI มันมีปัญหา Blackbox เราไม่รู้ว่ามันทำอะไรให้ได้ออกมา เลยมาการศึกษา Explainable AI มาบอก โดนสนใจมุมของ Explainablity + Interpretability ให้เห็นการทำงานข้างใน

📢 แนวทางการจับ Interpretability (Interpretability Paradigms)

• Behavioral พวก feature important
• Attributional เปลี่ยนค่า input นิดนึง แล้วผลเป็นอย่างไร เช่น การแยกรู้หมา แมว ai มันมองค่าไหนตัดออกมาได้ mathcam ?
• Concept Based - เอาแนวคิดมาเทียบกับผลที่ AI ทำในแต่บะจุด
• Mechanistic - อยากรู้การไหลข้อมูล ผมมอง Debug Neural Net

ลงไปในส่วนของ Mechanistic > Techniques Mechanistic Interpretability

• Feature Visualization - ทำให้เห็นว่า neuron แต่ละชั้นใน neural network "เห็น" อะไร จากเส้น 》texture 》 pattern 》 part 》 object
• Activation Patching ลองมาแก้ code ดูการทำงานเปลี่ยนไหม ถ้ามองมุม AI Code หรือ neural นั้น เป็นจุดที่ทำให้ผลลัพธ์ เปลี่ยนแปลง

📚 AI Ethic Principles Guideline by ETDA

1. Sustainable Development - ให้เพื่อประโยชน์ของมนุษย์ทุกคน
2. Laws Ethics and International Standards - ทำตามกฏหมาย และมาตรฐานต่างๆที่เกี่ยวข้อง ตัวอย่างเคสที่มีปัญหา - บริษัท Retail เข้านึง เอาข้อมูลการขายไปตรวจสอบว่าลูกค้าท้องไหม
3. Tranparency and accountability - พวก Explainablity vs Interpretability จะมาช่วยให้่ความชัดเจนเรื่องนี้
4. Security and privacy
5. Fairness - ไม่มี bias เช่น พวกเชื่อชาติ
6. Reliability - เข้าใจผลลัพธ์ของมัน % ความน่าเชื่อถือ และหาวิธีรองรับ

ถ้าเรามาจัดเป็นกลุ่ม จะได้ 3 ข้อ ตามนี้

• DATA - Unbias + pdpa
• AI Model - Reliable / Fairness / Explainablity vs Interpretability ตัวอย่าง เช่น การเอา AI มาอนุมัติสินเชื่อ มันตอบจากอะไร
• Business Application
  - Human in the loop (overloop supoort ตอนเกิดปัญหา)
  - Purpose
  - Regulartory Compliance

จากข้อมูลทั้งหมดภายใน KBTG วางภาพรวมออกมาเป็นในมุมต่างๆ ดังนี้ Governnance / Security เอาไปเป็น Collection ให้ใช้ อาทิ เช่น AI เอาถ้าเลือกแบบไหน มีแนวทางอย่างไร

UNLOCKING 10X ROI: AI-POWERED LOYALTY AS YOUR GROWTH ENGINE "AI LOYALTY พลิกเกมธุรกิจ! ปลดล็อก ROI 10 เท่าแบบก้าวกระโดด" BY ChatGPT

Speaker คุณคามิน พทธิโสภณกุล

การวัดผลสำเร็จ ไม่ใช่ Royallity program บัตรสะสม แต่เป็น ROI

🚀 จริงๆ AI + Data อยู่งานเบื้องหลังมากกว่าที่เราคิดนะ

• Premier League - ที่มันสนุกและน่าตื่นเต้น เพราะ มี data เอา stat เข้ามาช่วยในการเลือกนักเตะ และ improve
• Google เอา AI มาช่วยให้เกิดงานระหว่างหน่วยงานที่ seamless มาขึ้น
• นอกจากนี้ คนทั่วไปที่ใช้ ChatGPT หลักๆ แก้ไขเรียง จัดเรียงข้อความ / แก้ไขรูปภาพ / Chat bot

🎯 สำหรับในมุมของ Marketing มีแนวทางเอา AI มาใช้ตาม GAME Framework ดังนี้

• Growth
  - ROI ไม่ได้วัดยอดขายช่วงนั้น แต่การทำให้เกิดการใช้งาน Service และ Product ซ้ำๆ
  - เมื่อก่อนมี market segmentation นะ แต่ทำใด้น้อย เพราะยิ่งซอบเยอะ ใช้กำลังเยอะ AI มาช่วยปิด Data GAP ตรงนี้
• Agility - ความยึดหยุ่น ปรับเข้ากับสถานการณ์ (adapt) เมื่อก่อน flow ยาวนาน ตั้งแต่ design campain รับ feedback พอมี ai ทำให้เราเข้า trend และ intent ไวขึ้น
  - trend บอกแนวโน้ม เช่น ลูกค้าไม่สนใจชา
  - intent root cause ของ trend นั้น ดูจากการค้นหา เช่น หาชาเพื่อสุขภาพ ต้องปรับ product และวิธีการขาย
  ผลที่ได้ เรามี Insight ซึ่งนำไปสู้่ Action
• Measurement - ต้องชัดเจนในตัว Product กับ Service ก่อน สิ่งที่เรามี เราทำได้ที่เดียว หรือทุกคนเข้ามาแข่งได้ จากนั้นมากำหนดวิธีการ และการวัดผลที่ตรงจุด ตามกลุ่มที่แบ่งไว้ โดยกำหนด AI + Data เอามาช่วยวัด เช่น เกิด Coversion Rate เป็นต้น
  - เดิมเราวัด - spend/sales 》Risk / Effeicency ฦ
  - ตอนนี้ - Data 》 KPI 》Decision 》ROI ที่เราสามารถ Predict / Optimize ได้ และมีความโปร่งใส่ชัดเจน
• Efficiency จากเดิมงานต้องใช้ทีมขนาดใหญ่เข้ามาจัดการ ให้ทีมเล็กมาทำได้ และเอาคนที่เหลือไปรับงานาส่วนอื่นๆ

🛠️ PRIMO - AI Use Case - สังเกตุว่า flow มันใหญ่นะ ส่วนสำคัญ Data ที่เก็บจากระบบย่อยๆ ต่างๆ และกว่าจะได้ออกมาในรูปนี้

• การนำ AI มาใช้ ต้องเริ่มจากมี Objective ที่ชัดเจน เพื่อให้รู้ว่า tools ของเราทำมาเพื่ออะไร เช่น
  - ลูกค้าถามตอบได้ไว จาก fact ที่มี
  - แนะนำ campain หรือ program ได้
  - สรุป insignt แบ่ง segment
  - คำนวณ cost per point และแต้มแบบ realtime
  หา prompt และ solution มาช่วยตอบโจทย์
• นอกจากนี้มากำหนดตัววัดที่ชัดเจน เช่น
  - ลดเวลาทำงาน xx ได้กี่ %
  - ลดความคลาดเคลี่อนของงาน yyy ได้กี่ %
  - ลดจำนวนคนทีไช้ได้กี่คน จากเดิมใช้ 5-6 คน เหลือ 1-2 คนน้อยลงช่วยลด gap การสื่อสารได้
  - ใช้เวลาตอบคำถามลดลง % และ ความแม่นยำของคำตอบเพิ่มขึ้น %

DEV X AI: BREAKING THE LOOP IN THE DEV JOURNEY แชร์ประสบการณ์จริงพัฒนาอย่างไม่ให้เผอิญจากทีม DEV ในบริษัทระดับโลก

Speaker คุณกิตติพงศ์ รักษา / คุณจิรชัย จันทร์สิวานนท์ / คุณรมณ เบศรภิญโญวงศ์

เมื่อก่อนตัว AI มันอาจจะช่วยงานเล็กๆน้อยๆได้ แต่ใน ปี 2025 มันช่วยงานที่ใหญ่ขึ้นได้แล้ว และเป็น New S-Curve ได้เลยนะ แต่การที่เราเอา AI มาช่วยได้ ต้องมีส่วนที่ Support และ Auto ระดับนึงเลย อย่างพวก Foundation Model / Infra + Compute / CI CD + Obserability / API / Security & Goverance

🚀 ตอนนี้ใน บ Global เอา AI มาใช้ระดับไหน ?

ไม่ได้ใช้แต่ Development อย่างเดียวนะ

• Requirement - ช่วยการสื่อสารได้ เช่น ช่วยแปล การสื่อสารระหว่างทีมงานต่างๆ ที่ใช้คนละภาษาในการสื่อสาร
• Development - AI มาช่วยให้เข้าใจ Code เดิมมากขึ้น (แก้ปัญหา Classic คนเดิมออกไปทำยังไง ตอนนี้ God + AI Know ?) และมาช่วยแนะนำ Code / Test รวมถึงการทำ Code Review ด้วย

นอกจากนี้ ยังเอา AI มาใช้ได้ 3 Layer ได้นะ On boarding - สอนพัฒนาพนักงานใหม่ / SW Development
และ ลูกค้าใช้งานแล้ว - เอาช่วยในช่วง Support ได้

📟 การมี AI เข้ามาแล้ว ส่วผลกับการทำงาน SW Dev ยังไง ?

• ลดขั้นตอนในการทำงานเดิมๆ Code / Test ตอนนี้เรา Shift Left มาทำส่วนเสริมให้ LLM ทำงานได้ดีขึ้น อย่างการสร้าง Agent / MCP Server
• ประหยัดเวลา
  - ในการขึ้นของใหม่ พวก Boilerplate / Unit test (AI เติมให้ ถ้าเมื่อก่อนไม่ทัน อาจจะลบออกให้รอดจาก CI ไปก่อน)
  - ให้ AI มาช่วงร่างโครง และเราค่อยทำความเข้าใจ และ apply ที่ละส่วน
  - งาน research เดิมต้องค้นหาจาก Doc / Blog ต่างๆ AI มาสรุปให้ เราใช้เวลาคิดมากขึ้น ถามเหตุผลมัน และตัดสินใจ
• ช่วยแก้ปัญหาหน้างาน เช่น การตรวจสอบ Log จากเดิมเราต้องมาอ่านเอง อันนี้โยนเข้า AI ให้มันแนะนำได้ (เราต้องมาช่วยปรับ Structure Log ให้มันมีของออก) รวมถึงเมื่อพบปัญหาแล้ว AI เข้ามาช่วยแก้ Fixed Bug
• ช่วยขึ้นงาน MVP ไป Demo POC ได้ไวๆ

พอลดเวลาส่วนนี้ได้ เรามีเวลามาคิดมากขึ้น มองในมุม product biz และ มา ให้ feedback loop

🎙️การมี AI เข้ามาเราคุยกับคนอื่นน้อยลงไหม ?

• คุยกับ AI มากชึ้นลดเวลา ตอนนี้จากเดิม pair programming กับคน มาเป็น AI รวมถึงถามปัญหาเราถาม AI ก่อน ถ้าต้องตัดสินใจอะไรค่อยมาถาม Senoir อีกที
• แต่ในอนาคต เราจะคุยกับคนมากขึ้นจาก Code AI ที่สร้างไว้ Vibe Coding

🚚 เอา AI เข้ามาใช้งานกันระดับไหน (Adaptive & Maturity)

ก่อนอื่นต้องมาดูกันว่า Maturity มีระดับไหน ได้แก่ จากน้อยไปมาก Rules Based (มี Manual บ้าง) > Data Driven (เก็บข้อมูลมาวิเคราะห์) > Context-Aware (เอาข้อมูล + Context มาใช้ เช่น Code Suggestion / Incident Response จาก Log) > Self Optimizing (เอา feedback จาก CI/CD มาปรับต่อ) > Adaptive

• ตอนนี้อยู่ขั้น Self Optimizing ในบางส่วนที่ทำ โดยจะเน้นไปส่วนทำ Internal Tools / R&D และทำ MCP Server มาช่วยอย่างการสร้าง Enviroment โดยใช้ Terraform จะได้ขอที่ตรงความต้องการมากขึ้น
• ถ้าเป็นองค์กรใหญ่ สุดท้ายต้องมี Human In Loop อยู่นะ เพราะการเกิดข้อผิดพลาดครั้งเดียวจะ impact กับ Business ออกมาเป็นมูลค่ามหาศาล รวมถึง Resource ที่จำกัด
• แต่ถ้าฝั่ง Startup เน้นให้ Automate ทั่งหมดเท่าที่เป็นไปได้

🧩 เอา AI มาช่วยจัด Strategy แก้ปัญหาของลูกค้ายังไง ได้บ้างนะ ?

• อาจจะใช้ทั้ง Loop ตั้งแต่ Business Oppirtunity / Use Case ที่รู้มาจะมี
  - มาจัด Priority ของลูกค้า ว่ามีโอกาศในการซื้อแค่ไหน
  - หรืออีกมุมเอามาดูว่าลุกค้า Happy ไหม
• สำหรับมุมของ Software Engineer ให้ AI มาจัด prioriy ได้นะ เอามา Estimate และดูว่า ROI คุ้มกับการแก้ไหมนะ แจ้งข้อมูลส่วนนี้ให้กับ Product / PM เพื่อตัดสินใจทุ่ม resource ลงไป

📊 เริ่มเอา AI (Driven) มาใช้ในองค์กรยังไง

มี BUILD Score มาช่วยวัดว่าองค์กรมี AI Driven ระดับไหน สำหรับ บ Global มีแนวทาง ดังนี้

• หลาย บ มี Idea ให้ทำ Hackaton 1-2 เดือน ลองเอา AI มา adapt pain แล้วถ้าสำเร็จเอามา Merge กับ App หลักขององค์กร
• อีกเคสคิดไวทำไว ทำ Tools เล็กๆ มาช่วยงานใน Internal ขององค์กร แล้วประกาศ Share ใน KM ขององค์กร แต่ต้องมี infra อย่าง AI Model พร้อมนะ

แล้วในมุมของ Software Dev วัดผลยังไง ? มีหลายวิธีการที่เอ๊ะ และ Work นะตามนี้

• Feedback Sprint Review ว่าเอา AI มีเคสที่ช่วยลดเวลา และบางเคสเพิ่มเวลา เพราะ AI มันไปทำเกือบ หรือไปผิดทาง
• บางทีมีแปลก เช่น วัดจากการ AI Usage ใช้เยอะดี แต่ Metric แปลกแบบ Line Of Code (ถ้า refactor แล้ว Code ลด ทำยังไง Metric ไม่ดีเหรอ มันแปลก)
• บางทีให้มา Request ขอ แล้วติดตามการใช้งาน ถ้าไม่ใช่งาน AI เลยจะ Rotate สิทธิ์นั้นมาที่ Pool กลาง

🤖 จุดไหนที่เราต้องใช้ AI ทำ หรือ ต้องส่งต่อให้คนเข้ามาทำแทน ?

หาจุดตัดว่างานไหนเราควรให้ AI จัดการ แต่จุดไหนควร Escalete ให้คนเข้ามาร่วมตัดสินใจ เช่น Merge Request ที่แก้เยอะ เป็นต้น ซึ่งตรงนี้ต้องมีการ Test และ Optimize ให้เหมาะสมกับช่วงเวลานั้นๆ โดยเคส บ Global มีจุดที่มีปัญหาจาก AI และต้องเอาคนมาตัดสินใจ

• การ Communication บางที AI มันแปลกแล้วได้ศัพท์แปลกๆ อาจจะทำให้เข้าใจผิดได้ สุดท้ายในทีมต้องมี Native Speaker ในทีมเข้ามาช่วยดูอีกทีว่า AI แปลมันไม่ประหลาด แล้วความหมายเพี้ยน
• อีกเคส AI ทำงานดีเกินไปจน Data Leak แบบเรื่องส่วนตัว AI มันเข้าใจว่าประชุม แล้วไปทำสรุปประชุมให้
• บางทีเจอแก้ Bug อยู่ แล้ว AI มันแอบโกงไปแก้ Test หรือ Test Data ให้ผ่านแทน ต้องมาตรวจก่อนหลุดไปยาว

💥เอา AI มาใช้แล้วเจอ Pain อะไรบ้าง ติด Loop อะไร ?

• AI มันไม่สนใจ Impact บางทีลืม Requirement เดิม และเอา Code ออกเลย
• เสนอ Solution ที่ไม่ตรงกับที่เราต้องการ เช่น over refactor / ปรับไปอีกแบบเลย
• AI มันมั่นใจ แต่เรารู้ว่าของใหม่ดีกว่า แต่มันเถียง แล้วรื้อทั้ง project ใช้ AI ต้องใช้ Git ให้แม่นจะได้ Revert ทัน

ถ้านำมาใช้เริ่มที่จุดเล็กๆ Start Small, Win fast / รู้ว่าอันไหนควรทำเอง หรือให้คนอื่นทำ - นึกถึงพวก DDD (Partner Smart, Scale Fast) และ Build Your Own

สุดท้ายถ้านำ AI มาใช้มีสติไปกับมัน รู้ว่าทำอะไรอยู่กับ Producty เอ๊ะก่อนใช้ และเข้าใจด้วยว่าใช้แล้วมันมีผลกับเรา และคนอื่นๆยังไร

และ Speaker เองมี Pod Cast: Talk Kub Aan ตอนมา Rewrite ลง Blog งานนี้ ฟังไปเรื่อยๆอยู่ได้ประสบการณ์หลายอันเลย

FROM RISK TO TRUST: BUILDING SECURITY AND LEGAL GUARDRAILS ตั้งการ์ดอย่างไรให้มั่นใจ ปลอดภัย องค์กรไม่เสี่ยง

Speaker คุณเอกฤิทธิ์ ธรรมสถิต, คุณรับขวัญ ชลดำรงค์กุล

เขียนมาเริ่มยาวและ สำหรับ Session นี้ฟังแล้วเบลอจริงๆ พอเป็นเรื่องกฏหมาย พรบ ต่างๆนี้

⚖️ มาจดคำศัพท์ด้านกฏหมายกันก่อน เพราะเดี๋ยวยาว

• Hard Law พวกกฏหมาย พรบ ต่างๆ มีข้อกำหนด และบทลงโทษที่ชัดเจน
• Soft Law ไม่ทำ ไม่มีโทษ เป็น Recommendation ส่วนใหญ่ มันมาจาก Hard Law
• Sandbox เปิดข้อยกเว้น บางส่วนของ Hard Law ให้ทำได้ อย่างการใช้ Bitkub-THBK กลุ่มนี้นะ

🚨 เรากำหนด Risk Landscape ยังไง ?

มุมของกฏหมาย

มุม Cybersecurity - มองจาก Outcome

เมื่อเราดูที่ Data ที่เราต้องจัดการมี 3 State

• Rest - ตอนเก็บข้อมูล
• Transit - ตอนส่งข้อมูลระหว่าง Device มีการเข้ารหัสไหม โดนดึงได้ไหม
• Use - ตอน Process มันมีช่องโหว่ ให้เราแอบไปเอาข้อมูลได้ไหม

กฏหมาย x Cybersecurity

• ทำ Control มาคุม ว่าจะใช้ process policy หรือ การลงุทน solution เมื่อมากัน อิงตามแนวคิด CIA (Confidential Integety Availability ) แล้วเอาไป Match ข้องกฏหมายที่เกี่ยบข้อ
• ความท้าทาย พอมี AI เข้ามา มันช่วยให้เกิด Leak ได้ง่ายขึ้น

⚖️ กฏหมายที่เกี่ยวข้องกับ AI

นอกจากนี่้มีกฏหมายอื่นๆ

• พ.ร.บ. จัดตั้งสำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์ (ETDA)
• พ.ร.บ. การพัฒนาดิจิทัลเพื่อเศรษฐกิจและสังคม: แม่บทการพัฒนาดิจิทัลของประเทศ.
• พ.ร.บ. การปฏิบัติราชการทางอิเล็กทรอนิกส์: e-Government
• พ.ร.บ. การบริหารงานและการบริการภาครัฐผ่านระบบดิจิทัล: e-Government integration

พวกมาตรฐานต่างด้าน IT ที่เป็น Best Practice ที่เกี่ยวข้องด้าน Security - ลองไปศึกษากันได้ เพื่อให้เกิด IT Governance มีความโปร่งใส มาตรฐานส่วนใหญ่แบ่งออกได้ 3 ส่วน

• Process การทำงาน
• Technical ที่ต้องคอยขยับตาม
• Compliance

ถ้าแล้ว สามารถสอบเพื่อวัด Maturity ขององค์กรได้ด้วย

Security เหมือนซิ้อประกัน คิดและทำตั้งแต่แรก พยายามทำตั้งแต่แรก จะไม่เสียเวลาตอนหลัง
ที่ถูกรุมตรวจเวลามีปัญหา

👮🏻‍♂️Q&A: PII - morality ในการใช้งาน PII

PII กฏหมายไม่ได้ห้ามใช้งาน แต่ต้องทำตาม PDPA (Hard Law+Soft Law)

• Necessity - Assess ประเมินก่อนว่าจำเป็นต้องเก็บ PII จำเป็นระบุตัวคนไหม ?
• No Surpise - บอกว่าเก็บ ต้องแจ้งว่าเก็บอะไร นานเท่าไร
• Keep It Safe บางกฏหมายบอกเวลาชัดเจนว่าเก็บเท่าไหร่ แต่อาจจะไม่ได้อยู่ใน PDPA ต้องไปดูกฏหมายของ Domain นั้นๆ เช่น บัญชี การเงิน การแพทย์
• Respect The Right มีระบบให้ถอย Consent ลบ Data เป็นต้น

IT มี framework NIST มาช่วย หรือ มาตรฐานอื่นๆก็ได้

🏛️Framework กฏหมายเยอะ ถ้าเราทำ Product ใหม่ / Startup เริ่มจากอะไร

คิดหลายมุม อาทิ เช่น

• Business case ดูเคส by PII - PDPA / กฏหมายตามธรุกิจนั้นๆ โดยดูตั้งแต่ Input Process Output รวมถึง Outcome ที่อาจจะเกิดขึ้น
• Shadow Economy (Shadow IT) - คนในใช้ AI เหมือนกัน แต่ไม่ได้ของ บ กำหนดไว้ ถ้ามีประเด็นเกิดอะไรขึ้น
• User ทั่วไปต้องมี Awareness

และมุมขา IT ถ้าคิดไม่ออกเอาจาก Secure By Design โดยดูสามเหลี่ยม CIA แล้วค่อย Fill Risk และ Mitigate แต่ละอัน

** ผมไม่ใช่นักกฏหมาย อาจจะจดผิด หรือเข้าใจคลาดเคลื่อนได้นะครับ

Update มีที่ Speaker คุณรับขวัญ ชลดำรงค์กุล สรุปเองด้วยครับ

WHY AI DOESN'T WORK FOR SMES (AND HOW TO FIX IT) อยากเอา AI มาใช้ในองค์กรเริ่มยังไงให้ไม่เจ็บตัวไปซะก่อน

Speaker คุณธนะศิษฎ์ ใตเพชรน้ำทิพย์

SME ไม่ work กับ AI ใน บางเคส แต่จำนวน SME ในไทยเยอะมากนะ 90% ของ บ ในไทย ส่งผลกับ GDP 35.2% โดยแยกย่อย Micro 10m / Small 100-150m และ 150-500m

แล้วจริงๆแล้ว เค้ามี Data นะตั้งต้นจาก Product เล็กๆ Order Management + Finance ขยับขยายไปเรื่อยๆจนมี ERP

🏪 สิ่งที่ทำให้ SME ไม่ work กับ AI

เข้าใจแบบผิดๆ แล้ว Apply แบบที่เข้าใจผิดไป โดยที่ยังไม่เข้าใจปัญหา แล้ว Process ที่ได้มา โดยแบ่งไป 4 มุม จาก 2 จุดเริ่มต้น

Start with Solution

• Template-Driven Ops manual + solution
• AI Automation Hyped - Template-Driven Ops + Automation

Start with Process

• Evidencd First Adoption - จดปัญหา ปรับ Process + manual
• Automate What work - Evidencd First Adoption + Automation

แล้วเราจะแก้ปัญหาอย่างให้ เรามี Process ที่มันคง โดย C.A.S.H

• Collect to Retrieve - รู้ว่าเก็บไป เพื่อนอะไร และขั้นตอนการเก็บทำซ้ำได้
• Align with Process - Process ให้นิ่งก่อนจะไป AI
• Start with a Small Win - เริ่มเล็ก Manual ก่อน และ Scale เพื่อทดสอบ Process ถ้านิ่งแล้วค่อยเอา Tech Automate มาลง
• Humanize the Adoption - ถ้าเราไม่อบู่แล้วทุกคนทำเหมือนเรา

และสุดท้าย ถ้าไม่ไหวอย่างฝืนทำระบบเอง (นึกถึงระบบนึงที่รู้จักเลย ทำมา 10 ปีแล้ว แต่ยังพิกลพิการอยู่) และ ไม่จำเป็นต้อง AI บางทีมันมี solution ที่ถูกกว่านั้น เช่น RPA

BEYOND NUMBERS: FINDING THE WHY BEHIND THE WHAT เพราะทุกตัวเลข มีคำว่า “ทำไม” ซ่อนอยู่

Speaker คุณกฤติกา หินทอง

ตัวเลขอย่าง Market Share ทำไมเราอยู่ที่อันดับ xxx / ข้อมูล Stat ของ social media - traffic และ coversion rate มันบอกว่าอะไรเกิดขึ้นแล้ว (What) แต่ไม่ได้บอกว่าทำไม (Why)

การหา Root Cause มี Idea 3 ข้อ

• Right people with right context แยกกลุ่ม target ให้ชัดเจน ของ Business / Product เรา
• Right Exploration/ Conversation - ask for feeling หา pain point อาทิ เช่น ถ้าระบบ Freelance ต้องหา ปัญหาจริงๆของคนแต่ละกลุ่ม

• Right Interpretation - แล้วแก้ปัญหาให้ตรงจุดตามที่คนแต่ละกลุ่มต้องการ

SURVIVING THE AI PRODUCT WAR ศึกนี้ต้องรอด ถอดบทเรียนการสร้าง PRODUCT ในวันที่ทุกคนมุ่งสู่ AI

Speaker คุณธนพงศ์ สนใจ / คุณชนกานต์ ชินชัชวาล / คุณอชิราวิชญ์ กานต์ปุระ

📦 การสร้าง product มี inspration เลือก idea จากอะไร ?

Spacely AI

• เริ่มจากหา pain ทีอยากแก้ และตลาดยังไม่มี solution ที่ชัดเจน
• MVP แรก อาจจะต้องต้อง tech wow ได้ เอา Tech มาช่วย auto เริ่อวคน tech มีปัญหา cost ของ startup
• ปรับตัวให้ไว ตาม user persona ใหม่ๆ ที่เข้ามา โดยดูจาก churn กับ coversion rate มาวัดผล

Zwiz.AI

• มาจาก Founder มาจาก Backgroud ของ dev เริ่มจาก passion chatbot ทำเลย แต่มี Lesson Learn ว่าทำให้ตอบตอบ market need หลังลองผิดลองถูกมา 10 กว่า version
• กลับมาทำความเข้าใจ product + business มากขึ้น มารับงาน customize ของลูกค้าหลายๆที่ แล้วมาหา common
• ระวังเรื่อง bias ของตัวเองด้วย บาง domain อาจจะแค่ยิง ads คุยง่ายๆ และทำ rule base ตอบ ต้องเข้าใจ user research และคุยกับ user หลายๆแบบ ปรับตัวให้ไว

👩🏻‍💼 หา Early Adopter ที่จ่ายเงินยังไง ?

• สร้าง Profile ของเราก่อน เพื่อเข้างานฝั่ง Corporate ได้ง่าย เก็บงานเล็กจากส่วน SME หรือ ทำงานส่วน CSR
• ระหว่างนี้ต้องหาทุนมาเติม โดยอาจจะโครงการของภาครัฐ / เอกชนมาช่วย
• ถ้าไม่รอด รีบ cut off และหา pain ใหม่ มาตอบโจทย์ รวมถึงเลือก solution ง่ายๆในการ validate tech

💻 คู่แข่งของเราหละ เราเอาตัวรอดยังไงในยุคที่ app ทำง่ายจาก AI

Zwiz.AI

• เข้าใจลูกค้า มี feature ที่ตอบโจทย์ลูกค้า เค้าใช้แล้วอบู่กับเรานานๆ
• Community Support - trainning / ถามตอบใน line + ราคาที่ชวนซื้อรายปี ถํกกว่ารายเดือน
• สร้างจุดแข็ง รับ customize เฉพาะ ต่างกับพวก SAAS ที่เข้ามาแข่ง เพราะไม่มีส่วน customize / Community Support

Spacely AI

• ระวังงานที่ Resource จม เพราะ งาน Corporate มี cycle ในการ deal นาน แล้วมีระยะเวลา poc ที่นานมาก
  ถ้าทำจริง Pain ต้องชัด และ POC มีค่าใช้จ่ายด้วย
• เลือกตลาดที่ชัดเจน และมีกำลังซื้อ เลยไปเจาะตลาดที่ US เลย เพราะ ค่า Interia + ค่าแรง ทำจริงแพงมาก ต่างกับหลายประเทศ ดังนั้น Solution ที่มีเข้าไปแก้ Pain พอดี นิสัยที่กล้าลอง กล้าลงทุน กล้าจ่าย ใน AI Tools

֎ AI Company มันที่ส่วนใหญ่ เบื้องหลัง LLM based เราจะต่างยังไง

Zwiz.AI

• เน้นหา pain และตอบโจทย์ให้ตรง
• มีการใข้งานที่ง่าย ไม่ซับซ้อน คู่แข่ง เช่น manychat
• มุม sme ปรับรูปแบบการขาย ไม่บอกลดงาน มองเพิ่มยอดขาย ติดตามได้สะดวก เป็นต้น

Spacely AI

• หา pain ให้ตรงนะ ส่วนใหญ่ startup จะล้มหายไปกันเอง เพราะ pain + solution ไม่ตรง / fund หมด
• การเข้าใจ user และ custom model สำหรับเคสนั้นๆ

📟Customize Code มีวิธี Handle ความหลากหลาย / Quality ยังไง

• Core - common ขายด้วย และส่วน Customize ต้องตกลงกับ common และ sync การเปลี่ยนแปลงอยู่เสมอ
• วาง Product Roadmap เปิดส่วน addons ตั้งแต่ Design

❄️ ถ้าเกิด AI Winter อีกรอบขึ้นมา เราเอาตัวรอดยังไง

• เน้น pain ที่แก้ได้ รายได้จาก product มาช่วย ลดเงินทุนจาก VC และถ้ามีลูกค้าระดับนึงแล้ว เรามี อำนาจต่อรองในการ raise fund ด้วย
• โดยเน้นส่วน core feature ที่ work และคุม quality อยู่ในระดับสูง พอลด scope ได้ cost จะลดลง

🔎 Insight แบบไหนที่ต้องปรับ product หรือต้องเอาตัวรอด

• เมื่อพบว่าลูกค้าไม่จำเป็นต้องใช้ tech ว้าวๆ ทุก use case เป็น assumption ต้องลอง และรีบถอย ถ้าพบว่าผิด สะสม experience เข้ามา
• Resource จมไปนานๆ ไม่มีความคืบหน้า จนมองว่ากำลัง Copy Idea หรือป่าว ?

นอกจากการ Talk แล้วในงานมีอีกหลายอันเลย อย่าง use-case ของเครื่อง Leap Motion เอามาใช้งานในนิทรรศการ the way of data และบูธต่างๆของกินเยอะดีครับ และในงานมี Game ให้เล่นด้วยครับ

Reference

• https://www.eventpop.me/e/95881/dataaiday-2025