บล็อก
อัปเดตแนวโน้ม เทคนิค และบทเรียนจากงาน AI ที่ใช้งานจริง ตั้งแต่ discovery ไปจนถึง production
บทความแนะนำ
RSSทำ AI ให้ไปถึง Production: แนวทางจาก Pilot สู่ระบบจริง
เช็กลิสต์แบบใช้งานได้จริงสำหรับทำโปรเจกต์ AI ตั้งแต่ต้นจนจบ: scope, data readiness, evaluation, rollout และ operations
MLOps ใน Production: คู่มือขยายระบบ AI แบบใช้งานจริง
ภาพรวม MLOps ตั้งแต่ต้นจนจบ: versioning, deployment, monitoring และการปรับปรุงอย่างต่อเนื่อง
บทความล่าสุด
Computer Vision ในโรงงาน: ตรวจคุณภาพแบบใช้งานจริง
แนวทางทำ inspection ด้วย vision: เก็บข้อมูล ทำ label ประเมินผล และข้อควรคำนึงก่อน deploy
LLM ภาษาไทย: ปรับจูนและประเมินผลแบบลงมือทำ
ประเด็นสำคัญของภาษาไทยที่กระทบ RAG/LLM: tokenization, เว้นวรรค, retrieval และหลุมพรางตอนประเมินผล
วัด ROI ของ AI: ให้เกินกว่าตัวเลขทางเทคนิค
วิธีวัดและสื่อสารมูลค่าทางธุรกิจของ AI ให้ผู้เกี่ยวข้องและผู้บริหารเข้าใจตรงกัน
Edge AI Deployment: นำความฉลาดไปอยู่ที่หน้างาน
แนวทาง deploy AI ที่ edge: ข้อจำกัดฮาร์ดแวร์ ความหน่วง ความเป็นส่วนตัว การเชื่อมต่อ และการ optimize
RAG ใน Production: เพลย์บุ๊กแบบใช้งานจริง
แนวทางทำ RAG ให้พร้อม production: governance, evaluation, regression test และ rollout แบบปลอดภัย
PDPA/GDPR สำหรับโปรเจกต์ AI: เช็กลิสต์การทำงาน
เช็กลิสต์ทำงานร่วมกันระหว่าง Legal/Compliance และทีมวิศวกรรม (ไม่ใช่คำปรึกษากฎหมาย)
Fine-tune vs RAG: เลือกอย่างไร (เกณฑ์แบบใช้งานจริง)
เกณฑ์ตัดสินใจ: คุณภาพข้อมูล ความถี่การเปลี่ยนแปลง ต้นทุน latency และข้อจำกัดด้าน governance
AI-SPC: คู่มือแบบใช้งานจริงสำหรับทีมโรงงาน
แนวทางเพิ่ม SPC แบบมี AI ช่วย: data, threshold, false alarm และขั้นตอน rollout
Incident Response สำหรับระบบ AI: Runbook แบบใช้งานจริง
runbook, alerting และ triage สำหรับ incident ของ AI: data, model, infra และพฤติกรรมสินค้า
เลือกเวนเดอร์ AI: scorecard แบบใช้งานจริง
วิธีเทียบเวนเดอร์ด้วยความเสี่ยงการส่งมอบ ความปลอดภัย ต้นทุน และการดูแลระยะยาว