G

[cattodata🐱📊 @cattodata]

[สาระเอไอ] ใครกำลังสนใจเรียนและเก็บ Databricks Cert ช่วงนี้มี Advanced Learning Festival 2026 เรียนฟรี + รับส่วนลดค่าสอบ 50% 🐱🔥

ตอนนี้ Databricks กำลังมี Advanced Learning Festival 2026 ถึงวันที่ 14 ต.ค. 2026 เพียงแค่เรียนให้จบอย่างน้อย 1 Learning Path ที่ร่วมรายการภายในช่วงกิจกรรม ก็รับสิทธิ์ลดราคาสอบ Certification ได้เลย Databricks นี่เป็น Platform ตัวตึงด้าน Data AI มาก ๆๆ

มีหลายสายให้เลือก เช่น
- Data Engineering
- Data Analyst
- Machine Learning
- Generative AI Engineering
- Apache Spark Developer
- Data Warehousing

ส่วนตัวว่า Generative AI Path น่าสนใจมาก เพราะไม่ได้หยุดแค่ RAG แต่มีตั้งแต่ Building RAG Agents, Agentic Applications, Agent Evaluation ไปจนถึง Deploying & Monitoring Agent Applications คือไล่ตั้งแต่สร้าง Agent ไปจนถึงเอาขึ้น Production เลย

ฝั่ง Data Engineering ก็มีทั้ง Lakeflow Connect, Lakeflow Jobs, Spark Declarative Pipelines, Performance Optimization และ Deployment

เรียนครบตาม Path จะได้ 🎟️ ลด 50% สำหรับ Databricks Certification 🧪 ลด 20% Databricks Academy Labs แบบรายปี
แต่ทุก Module ต้องขึ้นว่า Complete รวมถึง Introduction ด้วย
Voucher จะส่งวันที่ 19 ต.ค. 2026

ใครมีแผนสอบ Databricks อยู่แล้ว รอบนี้ถือว่าคุ้มมาก ได้ทั้งเรียนทบทวนเนื้อหาและลดค่าสอบไปครึ่งหนึ่ง 🐱🔥

Source: Databricks Community – Advanced Learning Festival 2026

แต่ถ้าใครอยากเรียนการ Vibe Code และใช้ Databricks แบบภาษาไทยมีคนพาทัวร์สอน พรี่แคทก็มีสอนค้าบอยู่ใน Pin 5555 😹

#สาระเอไอ #Databricks #DataEngineering #GenerativeAI #cattodata

[cattodata🐱📊 @cattodata]

[สาระเอไอ] Jev คืออะไร? AI ตัวใหม่ที่ไม่แชทคุย แต่กำลังฮิตในหมู่ Developer! 🐱🔥

ปกติเวลาเราพูดถึง AI ก็มักนึกถึง ChatGPT หรือ Claude ที่ถามอะไรก็ตอบ เขียนบทความก็ได้ เขียนโค้ดก็เก่ง

แต่วันที่ 15 ก.ย. 2026 บริษัท TypeSafe AI ซึ่งก่อตั้งโดยอดีตนักวิจัย OpenAI ที่มีส่วนร่วมพัฒนาเทคโนโลยีเบื้องหลัง ChatGPT เปิดตัว AI ชื่อ Jev ที่ออกแบบมาให้ทำงานต่างออกไปเลย

Jev ไม่ได้สร้างข้อความยาว ๆ แต่เน้น ตัดสินใจให้โปรแกรมเอาผลไปใช้ต่อได้ทันที

แล้ว Jev ทำอะไรได้?

สมมติบริษัทมี Email ลูกค้าเข้ามาวันละ 10,000 ฉบับ อยากให้ AI ช่วยแยกว่าอีเมลไหนเป็นเรื่องร้องเรียน เรื่องสอบถามทั่วไป หรือเรื่องที่ต้องรีบตอบ

ถ้าใช้ LLM ทั่วไป เราอาจต้อง Prompt ให้มันอ่านข้อความ วิเคราะห์ แล้วเขียนคำตอบกลับมา

แต่ Jev ถูกออกแบบให้รับข้อมูลและตัวเลือกที่กำหนดไว้ แล้วส่งผลการตัดสินใจกลับมาในรูปแบบที่โปรแกรมอ่านได้เลย เช่น

- ประเภท: Complaint
- เร่งด่วน: Yes
- ความมั่นใจ: 95%

โปรแกรมก็เอาผลลัพธ์ไปจัดคิว ส่งต่อทีมที่เกี่ยวข้อง หรือให้คนตรวจซ้ำได้ทันที

TypeSafe เรียกโมเดลประเภทนี้ว่า System One Model เน้นการตัดสินใจที่รวดเร็ว และสามารถตอบคำถามหลายข้อพร้อมกันได้ ไม่ต้องสร้างข้อความทีละ Token แบบ LLM ทั่วไป

ทำไมถึงฮิต?

ผู้พัฒนาเคลมว่า Jev ทำงานเร็วกว่า LLM ประมาณ 40–200 เท่าในงานตัดสินใจบางประเภท และมีต้นทุนต่ำกว่ามาก แต่ตัวเลขนี้มาจากการทดสอบของบริษัทเอง

Vercel รายงานว่า ภายใน 24 ชั่วโมงหลังเปิดให้ใช้ผ่าน AI Gateway มีทีมลูกค้าแบบเสียเงินเกือบ 13% ทดลองใช้ Jev ซึ่งเป็นสถิติการเริ่มใช้งานที่เร็วที่สุดของแพลตฟอร์ม ณ เวลานั้น

แล้วเอา Jev มาแทน ChatGPT ได้ไหม?

ยังไม่ใช่แบบนั้น...

ถ้าอยากให้ AI ที่สนทนาได้ อธิบายเรื่องยาก ๆ หรือสร้างโค้ด เรายังต้องใช้โมเดลที่เหมาะกับงานเหล่านั้น

แต่ถ้าอยากให้ AI ช่วยตัดสินใจเล็ก ๆ จำนวนมาก เช่น เลือก Tool ให้ Agent จัดประเภทข้อมูล หรือประเมินว่าควรส่งงานให้คนตรวจไหม Jev เป็นอีกทางเลือกที่น่าสนใจ

ที่สำคัญ ถึง Jev จะถูกบังคับให้ตอบตามรูปแบบที่กำหนดไว้ได้ แต่ ไม่ได้แปลว่ามันตัดสินใจถูกต้อง 100% ยังต้องทดสอบความแม่นยำและกำหนดว่าจะให้ระบบทำอะไรเมื่อความมั่นใจต่ำด้วย

Source:

- TypeSafe AI - Introducing System One Models & Jev (15 Sep 2026)
- TechCrunch - A new kind of AI model from a ChatGPT inventor (18 Sep 2026)
- Vercel - Jev adoption on AI Gateway (18 Sep 2026)

ภาพจาก TypeSafeAI และ Vercel

#สาระเอไอ #cattodata #Jev #AI #AIAgent

[cattodata🐱📊 @cattodata]

[สาระเอไอ] Microsoft แจกคอร์สเรียน AI Agent ฟรี มีภาษาไทยด้วย 🇹🇭 และตัวอย่างโค้ดให้ลองทำตามดู🐱🔥

ช่วงนี้ใคร ๆ ก็พูดถึง AI Agent แต่ไม่รู้จะเริ่มตรงไหน ต้องเรียนอะไรบ้าง MCP, RAG, Tool Calling เยอะไปหมด

Microsoft มีคอร์ส AI Agents for Beginners ให้เรียนฟรีบน GitHub ค่ะ มีทั้งบทเรียน วิดีโอ และตัวอย่างโค้ดให้ลองทำตาม

เนื้อหาตั้งแต่ Agent คืออะไร ไปจนถึงเรื่องที่เจอกันบ่อย ๆ เช่น

- Tool Calling ให้ AI เรียกใช้เครื่องมือ
- RAG ให้ AI ตอบจากข้อมูลที่เรามี
- Multi-Agent ให้ Agent หลายตัวทำงานร่วมกัน
- MCP เชื่อม AI เข้ากับ Tools
- Security และการนำ Agent ไปใช้งานจริง

มีเอกสารภาษาไทยให้ด้วยนะ (เป็นฉบับแปลอัตโนมัติ) บางจุดอาจต้องเปิดภาษาอังกฤษเทียบกันหน่อย

เหมาะกับคนที่อยากเริ่มเรียน Agentic AI แบบมีลำดับ ไม่ต้องไปนั่งค้นทีละเรื่องเองค่ะ เอกสารเรียนฟรี ส่วนใครจะรันตัวอย่างที่ใช้ Cloud หรือ API ก็เช็กค่าใช้จ่ายกันก่อนนะ 🐱💕

กดตามรูปเพื่อเปลี่ยนเป็นภาษาไทยนะ ลิงค์ในเม้นจ้า

#สาระเอไอ #cattodata #AIAgent #Microsoft #เรียนฟรี

[Niels Rogge @NielsRogge]

For anyone curious how Jev works, I made a visual explanation using @claudeai :)

This is based on the Qwen2.5-RLCD model which @harshagundal released on @huggingface

The idea is to replace autoregressive LLM generation by a single Transformer decoder (of a pre-trained LLM), which processes the context + JSON schema only once. The keys and values of those tokens are cached.

Next, for each field of the JSON schema, we:
1. pass its field suffix tokens through the Transformer decoder again (reusing the KV-cache)
2. obtain a final hidden state, which we pass through the language modeling head
3. we obtain scores, also called logits, for all tokens in the vocab of the LLM
4. we only look at the scores of the tokens we care about for the given field, and pass those through a softmax to obtain probabilities which sum to 1
5. we take the token with the highest probability.

The benefits of this are that:
1. it's fast (we don't need to generate the JSON schema token by token)
2. it's 100% valid JSON (we don't need to rely on the model to generate a valid schema)

[Mahachai 🦇🔊 @EthereumThaila1]

เร็วขนาดเอาทำสงคราม เอ้ยเล่นเกม real time (ซี่งก็ imply ได้น่ะนะ ซึ่งน่ากลัวมาก) โดยถ้าเป็น LLM มันจะต้องทำเป็น batch แล้วค่อยเอาไปใช้เป็นรอบๆ แต่ตีวนี้จะเรียกได้ 10 ครั้งใน 1 วิ หุ่นยนต์จัวิ่งเข้าไปยิงๆและเปลี่ยนการตัดสินใจแบบ realtime ถ้าสถานการณ์เปลี่ยน

[TypeSafe AI @typesafeai]

Want to learn more about System One models and Jev? Read our launch blog announcement here: https://t.co/iE0egpCC38

[Mahachai 🦇🔊 @EthereumThaila1]

ท่าทางจะเจ๊งกันยกแผงละ chatGPT กับ Anthropic เจอพี่ Jev เข้าไป โดยมันทำการคำนวณแบบ Parallel ไดเราคาถูกมาก $42 ต่อ billion token แบบไม่ใช้วิธี transformer
คนทำ chatGPT ที่แยกตัวออกมาซุ่มทำ AI ตัวใหม่ น่าจะกลายเป็น Harness หลังบ้านเอา LLM มาต่ออีกทีแล้วให้ LLM เป็นเพียง interface

[ปจ @startalmost30]

สำหรับใครที่มีLinkedInแล้วไม่รู้จะแอดใคร แนะนำว่าให้เสิร์ชแอดเพื่อนคนกลุ่มนี้
💜 Recruiter
💛 Talent Acquisition
🩵 HR
🤎 People Partner
🩷 Recruitment Consultant
❤️ Headhunter
ส่วนใหญ่กลุ่มนี้จะรับแอดหมด เพราะเค้าต้องหาคน ส่วนเราก็หางาน ทีนี้พอคอนเนคชั่นเยอะขึ้นเดี๋ยวงานจะฟีดมาหาเราเรื่อยๆเอง~

[cattodata🐱📊 @cattodata]

ส่วนของ Technical Skill แนะนำแหล่งเรียนฟรีที่คนทำสาย Tech หรือสนใจน่าจะเซฟไว้ 🐱📚

เวลาว่างถ้าจะ Upskill ของเราจะชอบลงเรียนแล้วไปสอบ Certification เก็บไว้ เพราะทำงานสายนี้มันต้องเรียนรู้ตลอดเวลาอยู่แล้ว

Microsoft Learn เป็นเว็บที่เราใช้เรียนและเตรียมสอบ Certification บ่อยมาก และมีตั้งแต่พื้นฐานยันของที่ใช้ทำงานจริง เป็น Text-base อ่านชิล ๆ มี Learning Path ให้ชัดเจน จัดการง่าย

นอกจากสอนทั้งจักรวาลของ MS ทั้ง Azure ทั้งหมด และตระกูล Power Automate, Power BI, Excel, Copilot นอกจาก Product แล้วก็มีสอนพื้นฐานด้วย เช่นพวก AI ก็มีเยอะ ตั้งแต่ Artificial Intelligence คืออะไรเลย

เรียนจบ Module นึงมันจะมี Badge ให้ กดโพสต์ไป Linkedin ให้หัวหน้าเห็นว่าเราเป็นคนใฝ่รู้ได้ 555555 มี Growth Mindset และหน้า Profile จะมีสถิติโชว์หมดเลย มีเวลด้วย 555

อันนี้ของผม ตอนนี้เวล 11 ละ หลังๆไม่ค่อยได้เรียน เรียนไปทั้งหมด 90 ชม 🐱🔥 มี Transcript ด้วย + พวก Certification ว่าเราสอบอะไรไปแล้วบ้าง สอบไปทั้งหมด 10 ตัว แต่พรี่ MS Retired ไป 2 ตัว อัพเดทเป็นตัวใหม่ เซ็งมาก เดี๋ยวต้องไปไล่สอบใหม่

และ Top 3 Cloud อื่น ๆ มีให้เรียนฟรีหมดเลยทุกค่าย
เทียบง่าย ๆ แบบนี้
- Microsoft → Microsoft Learn
- Google → Google Skills
- AWS → AWS Skill Builder

Microsoft Learn เคยโพสต์ไว้ที่
https://t.co/XQ4LiBFg5D

อีกสองค่ายแปะในเม้นนะ แปะในนี้มันไม่ติด 😭

#cattodata #สาระเอไอ #MicrosoftLearn #Microsoft #Azure

[cattodata🐱📊 @cattodata]

ภาคต่อจากเมื่อวานเรื่อง Jacob Coxon นักวิจัยที่ลาออกจาก Anthropic แล้วออกมาเตือนว่า คนที่กำลังสร้าง AI เชื่อจริง ๆ ว่ามันอาจ “kill us all” ภายในสิ้นทศวรรษ

คำถามคือ ถ้า AI อยู่ใน Data Center น้องยังไม่มีแขนไม่มีขา แล้วมันจะฆ่าเราได้ยังไง? แบบ Terminator เหรอ 🐱🔥

เลยไปหาข้อมูลต่อ มีงานวิจัยหลายรอบเขียนถึงเลย จริง ๆ ความเสี่ยงแบบหนึ่งที่นักวิจัย AI Safety กังวลไม่ใช่หุ่นยนต์ถือปืน แต่คือ “AI ที่ฉลาดมาก ๆ แล้วถูกต่อเข้ากับระบบในโลกจริง”

International AI Safety Report 2026 อธิบายเรื่องนี้ไว้ค่อนข้างตรง โดยเรียกสิ่งหนึ่งว่า Access คือ ช่องทางและทรัพยากรที่ AI ใช้ส่งผลต่อโลกภายนอก เช่น Internet, Cloud, API และ Tools

อีกอย่างคือ Permissions หรือสิทธิ์ที่เราให้มันทำอะไรได้ เช่น Execute Code, ทำธุรกรรมทางการเงิน เปิด Account หรือสื่อสารกับระบบอื่น

พูดง่าย ๆ สิ่งเหล่านี้ก็คือแขนขาของ AI ถ้าในอนาคต AI เก่ง Cyber มากพอ มันก็อาจเข้าถึงหรือโจมตีระบบต่าง ๆ ได้ หรือถ้าเก่งเรื่องการโน้มน้าวคนมากพอ ก็อาจใช้ Social Engineering ให้มนุษย์ทำสิ่งที่ตัวมันทำเองไม่ได้

แต่ที่คนสาย AI Safety กังวล อีกตัวเร่งสำคัญคือ ถ้าวันหนึ่ง AI เริ่มช่วยพัฒนา AI ด้วยกันเองได้เก่งมากขึ้นเรื่อย ๆ

นี่คือเรื่องของ Self-improving AI

คือการที่ AI ช่วยทำงานวิจัยและพัฒนา AI รุ่นใหม่ → รุ่นใหม่เก่งขึ้น → แล้วช่วยเร่งการพัฒนารุ่นถัดไปได้เร็วขึ้นอีก

International AI Safety Report 2026 บอกว่า ถ้าความก้าวหน้าของ AI แต่ละครั้งช่วยเร่ง AI R&D ครั้งต่อไปได้ มันอาจเกิดเป็น Positive Feedback Loop จนความก้าวหน้าที่ปกติใช้เวลาหลายสิบปีเกิดขึ้นภายในไม่กี่ปี และรายงานยังระบุด้วยว่า AI ที่ช่วย automate งานวิจัย AI เป็นหนึ่งใน capability ที่อาจเร่งสถานการณ์ Loss of Control ได้

OpenAI เองก็จัด “AI Self-improvement” เป็นหนึ่งในหมวดความสามารถที่ติดตามใน Preparedness Framework เพราะมองว่ามันอาจนำไปสู่การเร่งความสามารถของ AI อย่างรวดเร็วและติดตามได้ยาก

แต่ตรงนี้ต้องแยกให้ออกว่า ตอนนี้เรายังไม่ได้อยู่ในโลกที่ AI หลุดการควบคุมแล้ว

International AI Safety Report 2026 บอกว่า Loss of Control ระดับร้ายแรงต้องมี 3 ปัจจัยมาประกอบกัน

1. Sufficient capabilities AI ต้องเก่งพอที่จะบ่อนทำลายการควบคุมของมนุษย์
2. Harmful propensity ต้องมีแนวโน้มที่จะใช้ความสามารถนั้นในทางที่นำไปสู่การสูญเสียการควบคุม
3. Enabling deployment environment มนุษย์ต้องเอามันไปอยู่ใน environment ที่มีหรือสามารถได้ Access และโอกาสสร้างความเสียหาย

และรายงานบอกตรง ๆ ว่า AI ปัจจุบันเริ่มแสดงความสามารถบางอย่างที่เกี่ยวข้องแล้ว แต่ “ยังไม่ถึงระดับ” ที่จะทำให้เกิด Loss of Control

แต่ที่น่าสนใจคือ ปี 2026 เราเริ่มเห็นชิ้นส่วนบางอย่างของภาพนี้เกิดขึ้นจริงแล้ว

- OpenAI เปิดเผยเหตุการณ์ระหว่าง Cybersecurity Evaluation ที่โมเดลหลายตัวหาทางผ่านระบบที่ตั้งใจแยกออกจาก Internet โดย exploit ช่องโหว่ zero-day ใน Artifactory ก่อนจะเข้าถึง Internet และเหตุการณ์ลุกลามไปถึงระบบจริงของ Hugging Face

- Anthropic ก็เพิ่งเปิดเผย 4 เหตุการณ์ที่ Claude ได้ Unauthorized Access ไปยังระบบจริงของ Third Party ระหว่าง Cybersecurity Evaluation หลัง environment ถูก misconfigure จนเชื่อมออก Open Internet ได้

ในหมู่นักวิจัยเองก็ยังถกเถียงกันมากว่า Loss of Control มีโอกาสเกิดจริงแค่ไหน
ทำให้เห็นภาพว่า ความเสี่ยงไม่ได้ขึ้นอยู่กับว่า AI มีแขน มีขา หรือมีหุ่นยนต์ให้ใช้หรือเปล่า เพราะถ้าเราเอา “สมอง” ที่เก่งขึ้นเรื่อย ๆ ไปต่อ Internet, API, Terminal, Cloud, เงิน และ Permission ให้มันเอง

คำถามสำคัญอาจไม่ใช่ว่า AI จะมีแขนขาเมื่อไหร่ แต่อยู่ที่ว่าเราเอา “แขนขา” ไปต่อให้มันมากแค่ไหนแล้วต่างหาก 😭

Source:
International AI Safety Report 2026, OpenAI Preparedness Framework v2, OpenAI The Hugging Face Incident and the Road Ahead, Anthropic An Alignment Assessment of Recent Cybersecurity Incidents

#สาระเอไอ #cattodata #AISafety #AI

[cattodata🐱📊 @cattodata]

เห็นด้วยมากค่ะกับโพสต์นี้มาก ๆ ในฐานะที่เรียน NLP มาตั้งแต่สมัยน้องยังเป็นเครื่องพ่นคำไม่เทพขนาดนี้ จนตอนนี้จะครองโลกแล้ว 🐱🔥

ตอนนั้นปีลึก 10+ ปีที่แล้ว เรียนตั้งแต่ Bag of Words, TF-IDF, Tokenization, n-gram, Word2Vec ไปจนถึง Neural Network ว่าข้อความถูกแปลงเป็นอะไร แล้วแต่ละส่วนทำงานยังไง ตอนนี้เค้ายังเรียนแบบนี้กันไหมนะ 555 ในบทเรียนยังเป็นสมัยยุคเอไอยังไว้เล่นเกมหมากรุก ส่วนตัวไม่คิดว่ามันจะมาขนาดนี้ ตอนนั้นยังใช้จริงไม่ค่อยได้เลย

เรียนไปกรี้ดไปว่าเราจะต้องรู้ลึกขนาดนี้เลยเหรอ แต่ถึงวันนี้จะมีเครื่องคิดเลข มี Library มี API ให้ใช้หมดแล้ว ก็ไม่ได้แปลว่าพื้นฐานไม่สำคัญ

เราไม่จำเป็นต้องสร้างทุกอย่างเองทุกครั้ง แต่ถ้าเป็นคนสร้างระบบ อย่างน้อยก็ควรรู้ว่าสิ่งที่หยิบมาใช้มันคิดและทำงานยังไง

ไปแอบส่องหลักสูตรมหาลัยสมัยนี้มา ยังเรียนอยู่!! แต่มีปรับบ้างแล้ว

CMU Carnegie Mellon University NLP ยังเริ่มจาก Words & Tokens → N-gram → Naive Bayes → Logistic Regression → Embeddings → Neural Networks แล้วค่อยไป LLMs, Transformers, Post-training, RAG และยังย้อนเรียน RNN/LSTM ด้วย

[cattodata🐱📊 @cattodata]

[สาระเอไอ] 🚨 ข่าวนี้ค่อนข้างใหญ่ในวงการ AI + คณิตศาสตร์

OpenAI ประกาศว่า AI ของตัวเองหาคำตอบให้กับ Navier–Stokes Millennium Prize Problem ได้แล้ว 🐱🔥

ซึ่งเป็นหนึ่งในโจทย์คณิตศาสตร์ที่ยากที่สุดในโลก และมีเงินรางวัล $1 ล้านสำหรับคนที่แก้ได้

แล้วโจทย์นี้ถามอะไร?

Navier–Stokes คือสมการที่เราใช้คำนวณว่า “ของไหลจะเคลื่อนที่ยังไง” ไม่ว่าจะเป็นน้ำ อากาศ กระแสลมรอบเครื่องบิน สภาพอากาศ หรือแม้แต่การไหลของเลือด

ปัญหาคือ ถึงเราจะใช้สมการนี้กันมานานมาก แต่มีคำถามหนึ่งที่นักคณิตศาสตร์ตอบไม่ได้มาตลอดเกือบ 90 ปีว่า

ถ้าเริ่มต้นจากของไหลที่ไหลปกติ ๆ สมการนี้จะคำนวณต่อไปได้ดีตลอดหรือเปล่า หรือในบางสถานการณ์มันสามารถ “พัง” จนค่าบางอย่างพุ่งไปไม่มีที่สิ้นสุดได้?

OpenAI บอกว่า AI ของเขาพิสูจน์ได้ว่า “มันพังได้”

ที่น่าสนใจมากคือ Proof นี้ไม่ได้มาจาก GPT-6 Astra แต่ OpenAI ใช้โมเดล Next-generation ภายในที่บริษัทบอกว่าเก่งกว่า GPT-6 Astra อย่างมีนัยสำคัญ และโมเดลนี้ยัง Training อยู่ด้วย

แล้วไม่ได้ให้ AI ตัวเดียวมานั่งคิด แต่ใช้ระบบ AI Agents ประมาณ 10,000 ตัวช่วยกันลองแก้ปัญหาหลาย ๆ วิธี ก่อนจะค่อย ๆ รวมแนวคิดจนได้ Proof หลังจากทำงานประมาณ 88 ชั่วโมง

จากนั้นยังใช้ GPT-6 Astra ช่วยแปลงและตรวจ Proof ด้วย Lean ซึ่งเป็นระบบที่ใช้ตรวจสอบการพิสูจน์ทางคณิตศาสตร์แบบเป็นขั้นเป็นตอนอีกชั้นหนึ่ง

OpenAI ปล่อยทั้ง Paper และ Formal Proof ออกมาให้วงการตรวจสอบแล้ว

แต่มันเริ่มเห็นภาพว่า AI สามารถทำ Research แบบที่มนุษย์ทำได้ยากมาก คือปล่อย Agents หลายพันตัวทดลองแนวคิดพร้อมกัน แชร์สิ่งที่ค้นพบ แล้วค่อยรวมกลับมาเป็นคำตอบใหม่

จาก AI ที่ช่วยตอบคำถาม → เขียนโค้ด → ช่วย Research

ตอนนี้เริ่มเข้าใกล้ AI ที่อาจ “ค้นพบสิ่งที่มนุษย์ยังไม่รู้” มากขึ้นเรื่อย ๆ 🐱🔥

หมายเหตุ: ตอนนี้เป็น Solution ที่ OpenAI เผยแพร่พร้อม Proof ให้ตรวจสอบ ยังไม่ใช่การรับรองรางวัล Millennium Prize อย่างเป็นทางการจาก Clay Mathematics Institute

#สาระเอไอ #cattodata #OpenAI #AI #NavierStokes #Mathematics #AIResearch #AgenticAI

[Jacob Coxon @hilbertspaess]

I resigned from Anthropic today. I spent the last three years doing pretraining research at both OpenAI and Anthropic. Neither company is acting responsibly. They are racing straight to self-improving superintelligence and gambling with our lives. More thoughts below.

[cattodata🐱📊 @cattodata]

[สาระเอไอ] GraphRAG คืออะไร ฉบับย่อยง่าย + รูปสรุป 🐱🕸️

RAG คือวิธีให้ AI ไปค้นข้อมูลที่เกี่ยวข้องจากเอกสารหรือฐานข้อมูลก่อน แล้วค่อยเอาข้อมูลนั้นมาช่วยตอบ

- RAG = หาเรื่องที่ “คล้ายกัน”
- GraphRAG = หาแล้วดูต่อว่า “มันเชื่อมกับอะไรอีก”

อย่าง Squid Game ถ้าดูแค่เนื้อเรื่อง ก็อาจได้ซีรีส์แนว Survival / Thriller คล้าย ๆ กัน

แต่ถ้าเป็น GraphRAG เราดูต่อได้อีกว่า เรื่องนี้เชื่อมกับนักแสดง ผู้กำกับ Genre หรือผลงานอื่นอะไรบ้าง

อ่านเต็มในโพสต์จ้า 🐱🎮🦑💕

#สาระเอไอ #cattodata #GraphRAG #RAG #KnowledgeGraph

[cattodata🐱📊 @cattodata]

ก่อนคุยเรื่องเงิน แนะนำให้ไปดู Market Rate ของตำแหน่งนั้นก่อนค่ะ ดูทั้ง Level งาน เมือง บริษัท และประสบการณ์ของเรา เช่น

- ของที่ไทย ดูได้จาก Adecco Salary Guide, Michael Page และน่าจะมีอีกหลายเว็บที่เช็คได้

- Glassdoor / Indeed ใช้ดูประกอบได้อีกทาง
- สาย Tech / Big Tech ดูได้จาก https://t.co/DQq4MqVYlS
- ของออส จะมี Payscale ดูได้จาก SEEK Salary, Hays, Robert Half, Michael Page

แล้วตั้งเลขไว้ในใจก่อนประมาณ 3 ระดับ
- เลขที่อยากได้
- เลขที่ได้แล้วโอเค
- เลขต่ำสุดที่ต่ำกว่านี้จะไม่ย้าย

เวลา Recruiter ถาม ถ้ายังไม่รู้ Salary Range ของบริษัท จะลองถามกลับก่อนประมาณว่า พอจะแชร์ Salary Range ที่บริษัทตั้งไว้สำหรับตำแหน่งนี้ได้ไหม ถ้าเขาอยากให้เราบอกเลขก่อนจริง ๆ ค่อยตอบเป็นช่วง เช่น

“จาก Scope ของงาน ประสบการณ์ และ Market Rate ที่ดูมา มองไว้ประมาณ 120–150k แต่ยังคุยกันได้ขึ้นอยู่กับ Total Package และรายละเอียดของ Role”

ส่วนตัวจะไม่คิดจากเงินเดือนเก่าแล้วบวก 20–30% อย่างเดียว เพราะงานใหม่อาจมี Market Rate สูงกว่านั้นมาก และ Salary Band ของบริษัทแต่ละที่ก็ต่างกัน

ถ้าจะให้ Range เลขล่างสุดก็ควรเป็นเลขที่เราโอเคจริง ๆ เพราะมีโอกาสที่บริษัทจะหยิบเลขล่างไปคุยต่อ

ตัวอย่างจากของ Adecco ของสาย IT
มีให้โหลดที่นี่ มีทุกสายงาน
https://t.co/FGyPOa83SY

[cattodata🐱📊 @cattodata]

โพสต์นี้ดีมาก ๆ เห็นภาพดีเลยว่า Knowledge Graph เอาไปใช้กับได้กว้างมากเลย มีทั้ง Fraud Detection และ อื่น ๆ ก่อนหน้านี้เคยมีต้องศึกษาและทำ GraphRag เหมือนกันของฝั่ง GenAI
จาก RAG ที่มักค้น text chunk ด้วย semantic/vector search ก็เพิ่มการใช้ Entity + Relationship เข้ามาช่วย retrieval ทำให้ AI ตามความสัมพันธ์ข้ามหลาย hop ได้

พอมีความรู้พื้นฐานพวก Graph ต่อยอดไปได้เยอะเลยฮะ เป็นอีกชิ้นที่ช่วยให้ AI เข้าใจ context ของข้อมูลได้ลึกขึ้น

[cattodata🐱📊 @cattodata]

[สาระเอไอ] RAG คืออะไร? ทำไมสาย AI Engineer เจอคำนี้บ่อยมาก 🐱📚

ถ้าเราเอา LLM อย่าง GPT มาใช้ตรง ๆ โมเดลจะตอบจากความรู้ที่มันเคยเรียนมา Train มา ณ เวลานั้น แต่ปัญหาคือมันไม่ได้รู้ข้อมูลภายในบริษัทเรา และข้อมูลบางอย่างก็เปลี่ยนตลอดเวลา น้องก็อาจจะไม่อัพเดทแล้ว นี่คือเหตุผลที่เรามี RAG หรือ "Retrieval-Augmented Generation"

RAG คือการทำให้ AI “ไปค้นข้อมูลที่เกี่ยวข้องมาก่อน แล้วค่อยใช้ข้อมูลนั้นประกอบการตอบ” มี 3 ขั้นตอน

1. Retrieval
เอาคำถามของผู้ใช้ไปค้นข้อมูลจากแหล่งภายนอก เช่น Vector Search, Keyword Search, SQL Database หรือ Knowledge Base

2. Augmentation
เอาข้อมูลที่ค้นเจอมารวมกับคำถามและคำสั่งต่าง ๆ กลายเป็น Context ที่ส่งให้ LLM

3. Generation
LLM อ่านทั้งคำถามและข้อมูลที่ค้นมา แล้วสร้างคำตอบกลับไปให้ผู้ใช้

ข้อดีคือเราไม่จำเป็นต้องเอาข้อมูลบริษัทไป Train โมเดลใหม่ทุกครั้ง RAG สามารถช่วยให้ AI
- ตอบจากข้อมูลภายในองค์กร เช่น Policy, Manual, Email หรือเอกสารต่าง ๆ
- ใช้ข้อมูลที่อัปเดตล่าสุดได้
- แสดง Source หรือ Citation ให้ผู้ใช้ตรวจสอบคำตอบได้
- ควบคุมสิทธิ์การเข้าถึงข้อมูลตาม User หรือ ACL ได้

และ RAG ไม่ได้ใช้ได้แค่กับ PDF หรือเอกสารเท่านั้น ข้อมูลที่เอามาใช้กับ RAG แบ่งได้คร่าว ๆ เป็น 2 แบบ

Unstructured Data
- PDF
- Word / Google Docs
- Wiki
- รูปภาพ
- วิดีโอ

Structured Data
- Database
- Data Warehouse
- Customer records
- Transaction data
- API เช่น SAP หรือ Salesforce

อีกเรื่องที่สำคัญมากคือ RAG ไม่ได้จบแค่ “ทำ Vector Search แล้วต่อ LLM”

ระบบจริงยังมีทั้ง Data Pipeline เตรียมข้อมูล, แบ่ง Chunk, ทำ Index และดูแลข้อมูลให้พร้อมสำหรับ Retrieval

RAG Chain
เข้าใจคำถาม → ค้นข้อมูล → เพิ่ม Context → ให้ LLM สร้างคำตอบ

Evaluation & Monitoring
วัดว่าคำตอบถูกไหม Retrieval ดีไหม รวมถึง Cost และ Latency

Governance & LLMOps
จัดการ Version, Lineage, Permission และ Lifecycle ของระบบ

ฝั่ง Databricks เองก็มีเครื่องมือให้ทำ RAG ได้แทบครบทั้ง Pipeline เช่น
- Delta Lake / Lakeflow สำหรับ Data Pipeline
- Databricks AI Search สำหรับ Retrieval ซึ่งเดิมชื่อ Vector Search
- Model Serving สำหรับเสิร์ฟโมเดล
- MLflow / AI Evaluation สำหรับประเมินคุณภาพ
- AI Monitoring สำหรับดูระบบหลังขึ้น Production
- Unity Catalog, AI Gateway และระบบ Security/Governance ต่าง ๆ

เพราะฉะนั้นเวลาเราพูดว่า “ทำ RAG” ในระบบ Production จริง ๆ มันไม่ได้หมายถึงแค่เอาเอกสารโยนเข้า Vector DB แล้วถาม Chatbot แต่มันคือระบบตั้งแต่
Data → Retrieval → LLM → Evaluation → Monitoring → Governance

และนี่ก็เป็นเหตุผลว่าทำไม RAG ถึงกลายเป็น Architecture พื้นฐานของ Enterprise AI หลายระบบในปัจจุบัน 🐱✨

Source: Databricks Documentation
RAG (Retrieval Augmented Generation) on Databricks
Last updated: Jul 28, 2026

#AI #RAG #GenerativeAI #LLM #Databricks #DataAI #สาระเอไอ #cattodata

[cattodata🐱📊 @cattodata]

[สาระเอไอ] MCP คืออะไร? ทำไมช่วงนี้เจอคำนี้เต็มไปหมด 🐱🔌

ถ้าช่วงนี้อ่านเรื่อง AI Agent น่าจะเห็นคำว่า MCP บ่อยมาก วันนี้มาอธิบายแบบเข้าใจง่ายกัน

MCP ย่อมาจาก Model Context Protocol เป็นมาตรฐานเปิดที่ใช้เชื่อม AI เข้ากับ “ข้อมูลและเครื่องมือข้างนอก” เช่น Database, GitHub, Google Drive, API หรือระบบในบริษัท

โดย Anthropic เปิดตัวมาตั้งแต่ปี 2024 เพื่อแก้ปัญหาว่าแต่ก่อนจะต่อ AI เข้ากับแต่ละระบบ เราต้องเขียน Integration แยกกันไปเรื่อย ๆ ถ้าจะเปรียบเทียบง่าย ๆ หลายคนชอบเรียกมันว่า “USB-C ของ AI” 😹

เมื่อก่อน:
AI → เขียน Connector A → GitHub
AI → เขียน Connector B → Database
AI → เขียน Connector C → Docs

พอมี MCP:
AI ที่รองรับ MCP → MCP Server → Tools / Data

ฝั่ง MCP Server จะบอก AI ว่า
- มี Tool อะไรให้ใช้
- Tool แต่ละตัวรับข้อมูลอะไร
- เรียกแล้วทำอะไรได้

เช่น Microsoft มี “Microsoft Learn MCP Server” ของจริงเลย เราสามารถให้ Agent ต่อเข้าไป แล้ว Agent จะ Search เอกสาร Microsoft, ดึงบทความเต็ม หรือค้น Code Sample จาก Microsoft Learn ได้โดยตรง

ดังนั้น MCP ไม่ใช่ Model ใหม่ และไม่ใช่ Database

มันคือ “ภาษากลาง/มาตรฐานการเชื่อมต่อ” ที่ช่วยให้ AI Agent ใช้ Tools และ Data จากระบบอื่นได้ง่ายขึ้น

และตอนนี้มันไม่ได้อยู่แค่ Claude แล้วนะ MCP ถูกนำไปใช้ใน ChatGPT, Cursor, Gemini, Microsoft Copilot, VS Code และแพลตฟอร์มอื่น ๆ แล้วด้วย

ถ้าจะจำสั้น ๆ:
LLM = สมอง 🧠
Tool = มือ 🖐️
MCP = วิธีมาตรฐานที่บอกสมองว่า “มือมีอะไรให้ใช้ และใช้อย่างไร” 🔌

ใครอยากเรียนต่อ Microsoft Learn มี Module เรื่อง Tooling + MCP ฟรีประมาณ 1 ชั่วโมง 20 นาที ครอบคลุมว่า Agent เรียก Tool/API ยังไง, MCP Server มีหน้าที่อะไร และเรื่อง Security/Execution Boundary ด้วย 🐱📚 หรือเรียกน้องเอไอของตัวเองมาเรียนได้เลย555

เรียนฟรี: Tooling, MCP, and Agent Execution Environments - Microsoft Learn
https://t.co/vgJf9j3OnG

ภาพประกอบจาก Microsoft community
Unleashing the Power of Model Context Protocol (MCP): A Game-Changer in AI Integration

Source: Anthropic, Model Context Protocol, Microsoft Learn

#สาระเอไอ #cattodata #mcp #microsoftLearn

[cattodata🐱📊 @cattodata]

[สาระเอไอ] ใช้ Coding Agent ยังไงให้เก่ง ไม่ใช่แค่ “สั่ง AI เขียนโค้ด” 🐱🤖 จากโพสต์ล่าสุดของอาจารย์ Andrew Ng ซีรีย์ AI Engineer

หนึ่งในทักษะสำคัญของ AI Engineer ตอนนี้คือ “การใช้ Coding Agent” เช่น Claude Code, Codex, Cursor, OpenCode etc

ประเด็นที่น่าสนใจคือ คนที่ใช้ Coding Agent เก่ง ไม่ได้วัดจากว่าให้ AI เขียนโค้ดได้เยอะแค่ไหน แต่คือ “คุม workflow ได้ดีแค่ไหน”

Workflow หลัก ๆ มี 3 ช่วง

1. Planning
- Research / ทดลอง / ทำความเข้าใจ codebase เดิม
- เขียน requirement, technical design, architecture
- แตกออกมาเป็น execution plan
- Review assumptions, security และดูว่าออกแบบซับซ้อนเกินไปไหม

2. Execution
- ให้ Agent ลงมือ build
- เลือกระดับ autonomy ว่าจะให้มันทำเองแค่ไหน
- Test และ verify ผลลัพธ์ทั้งด้วย automation และคน

3. Deployment & Monitoring
- Deploy ผ่าน CI/CD หรือ human approval
- ให้ Agent ช่วยดู logs หา issue
- เสนอวิธีแก้ แก้ระบบ และ deploy ใหม่ได้

คือ workflow จริง ๆ ไม่ได้ต่างจาก Software Engineering เดิมมาก แต่สิ่งที่มนุษย์ใช้เวลาทำกำลังเปลี่ยนไป

จากเดิมที่ใช้เวลาส่วนใหญ่ “เขียนโค้ด”
กลายเป็นใช้เวลามากขึ้นกับ
“จะสร้างอะไร”
“ออกแบบยังไง”
“เขียน spec ให้ดี”
และ “ตรวจว่าสิ่งที่ Agent ทำมาถูกหรือยัง”

Andrew Ng สรุปทักษะสำคัญในการใช้ Coding Agent ไว้ 5 เรื่อง

- Directing the workflow
รู้ว่าเมื่อไรควร plan เมื่อไรควรให้ Agent ทำ เมื่อไรต้องย้อนกลับไปแก้ และบาลานซ์ speed / cost / risk / human effort

- Enabling agent autonomy
รู้ว่าจะนั่ง pair กับ Agent หรือโยนงานก้อนใหญ่ให้มันทำเอง รวมถึงจัดการ context, parallel agents, permissions และ safety

- Reviewing the work
อย่าเชื่อ output ทันที 😹 ต้องมี test, validation, eval, code review, security/architecture review และ human review ในจุดสำคัญ

- Customizing the agent & environment
จัด Skills, Plugins, MCP, Hooks รวมถึง AGENTS.md / CLAUDE.md ให้ Agent เข้าใจ codebase และวิธีทำงานของทีม

- Coding agent foundations
เข้าใจว่า Agent search code ยังไง จัดการ context ยังไง tool calls / subagents ทำงานแบบไหน และ LLM ถูกครอบด้วย agent harness ยังไง

อีกจุดที่ชอบมากคือ Andrew Ng บอกตรง ๆ ว่า กระแส “ปล่อย Agent ทำงานเองหลายชั่วโมง เผาเป็นล้าน ๆ token” ถูกพูดเกินความเป็นจริงไปพอสมควร

ในทางปฏิบัติ การใช้ Coding Agent ให้ได้ผลดีตอนนี้ยังเป็น workflow ที่ iterative มาก และ “judgement ของคน” ในการรู้ว่าเมื่อไรควรปล่อย เมื่อไรควรแทรก เมื่อไรควรตรวจ ยังคงสำคัญมาก

สรุปสั้น ๆ คือ ยิ่ง AI เขียนโค้ดเก่งขึ้น งานของ Engineer ก็ไม่ได้หายไป แต่เลื่อนระดับจาก “คนเขียนโค้ด” ไปเป็น “คนกำกับการสร้างระบบ” มากขึ้นเรื่อย ๆ ค่ะ 🐱✨

#สาระเอไอ #andrewng #AIEngineer #cattodata

[OpenAI @OpenAI]

This is GPT-6 Astra.

Anything you can do on a computer, Astra can do for you. Fast.