Tag: AI

30+ คำสั่ง Claude Code ที่ควรรู้ พร้อมวิธีใช้งาน

Updated: 07 Aug 2026

Claude Code เป็น AI coding assistant ที่เราใช้ช่วยเขียน code ลงบนคอมพิวเตอร์ได้โดยตรง

แม้ว่า Claude Code จะรองรับการทำงานกับภาษาธรรมชาติ (natural language) แต่เราสามารถสั่งงาน Claude ผ่าน command line หรือคำสั่งลัดใน Terminal ได้ด้วยเช่นกัน

ในบทความนี้ ผมจะพาทุกคนไปดู 30+ คำสั่งที่ทุกคควรรู้ในการใช้งาน Claude Code ได้อย่างมืออาชีพกัน

ทั้ง 30+ คำสั่งแบ่งได้เป็น 3 กลุ่ม:

Basic: คำสั่งพื้นฐานในการทำงานกับ Claude (12 คำสั่ง)
Intermediate: คำสั่งที่ช่วยให้ Claude ตอบโจทย์เรามากขึ้น (12 คำสั่ง)
Advanced: คำสั่งที่ทำให้ Claude ทำงานโดยอัตโนมัติ (12 คำสั่ง)

ถ้าพร้อมแล้ว ไปเริ่มกันเลย

😎 Claude Code Command Cheat Sheet

คำสั่ง	ใช้เพื่อ
`claude`	เริ่มใช้งาน Claude Code และสร้าง session ใหม่
`! <command>`	รัน shell command ระหว่างใช้งาน Claude Code
`@<file>`	ชี้ไฟล์ให้ Claude Code
`/model`	เลือก model ที่ต้องการใช้งาน
`/exit`	ออกจาก session
`/plan`	วางแผนการทำงานก่อนเริ่มเขียนหรือแก้ไข code
`/init`	สร้างไฟล์ `CLAUDE.md` สำหรับกำหนดบริบทและแนวทางการทำงาน
`/memory`	เปิด `CLAUDE.md` เพื่อดูหรือแก้ไข
`/btw`	คุยกับ Claude ระหว่างที่ Claude กำลังทำงาน
`/diff`	ดูการเปลี่ยนแปลงของ code
`/review`	ตรวจสอบ code และแนะนำการแก้ไข
`/help`	ดูคำสั่งและวิธีใช้งาน Claude Code
`claude -c`	กลับไปใช้งาน session ล่าสุด
`/resume`	เลือก session ที่ต้องการกลับไปใช้งานต่อ
`/rename`	เปลี่ยนชื่อ session
`/context`	ดู context ที่ถูกใช้ไปใน session
`/compact`	สรุป context เพื่อเพิ่มพื้นที่สำหรับการทำงานต่อ
`/clear`	ลบข้อมูลใน context ของ session ปัจจุบัน
`/skills`	ดูและจัดการ skills ที่ Claude Code ใช้งานได้
`/mcp`	ดูและจัดการ MCP ที่ Claude Code ใช้งานได้
`/agents`	ดูและจัดการ subagents
`/plugin`	ดูและจัดการ plugins ของ Claude Code
`/usage`	ดูจำนวนข้อความคงเหลือที่ยังใช้ได้
`/cost`	ดูค่าใช้จ่ายจากการใช้งาน Claude Code
`/goal`	กำหนดเป้าหมายให้ Claude Code ทำงานต่อเนื่องจนสำเร็จ
`/batch`	แบ่งงานขนาดใหญ่เป็นงานย่อยและทำงานแบบขนาน
`/schedule`	ตั้งเวลาให้ Claude Code ทำงานตามกำหนด
`/loop`	ให้ Claude Code ทำงานซ้ำตามช่วงเวลาที่กำหนด
`/background`	ย้ายงานไปทำงานเบื้องหลัง เพื่อใช้ Terminal ต่อได้
`/tasks`	ดูรายการงานที่กำลังทำงานอยู่เบื้องหลัง
`/doctor`	ตรวจสอบการตั้งค่า Claude Code เมื่อเกิดปัญหา
`/debug`	ช่วยค้นหาและอธิบายสาเหตุของปัญหา

ดูรายละเอียดแต่ละคำสั่งด้านล่าง

1️⃣ Part 1. Basic: คำสั่งพื้นฐานสำหรับเริ่มใช้ Claude Code

12 คำสั่งในกลุ่มแรกเป็นคำสั่งพื้นฐานสำหรับเริ่มใช้งาน Claude Code และแบ่งเป็น 4 กลุ่มย่อยตามการเขียน code:

เริ่มใช้งาน
เขียน code
รีวิวงาน
ดูคู่มือ

🏁 Group 1. คำสั่งเริ่มใช้งาน

👉 คำสั่งที่ 1. claude:

เริ่ม session ใช้งาน Claude Code

1 session เท่ากับ 1 ห้องแชทในการคุยกับ Claude

ในแต่ละ session, Claude มีความจำที่แยกออกจากกัน ทำให้สิ่งที่เราคุยในแต่ละ session ไม่ปะปนกัน

👉 คำสั่งที่ 2. ! <command>:

รัน shell command ระหว่างใช้งาน Claude Code

ตัวอย่าง:

👉 คำสั่งที่ 3. @<file>:

ชี้ไฟล์ให้ Claude

ใช้เวลาต้องการให้ Claude ทำงานกับไฟล์

ตัวอย่าง:

👉 คำสั่งที่ 4. /model:

เลือก model ที่จะใช้งาน โดยมีให้เลือกระหว่าง:

Haiku
Sonnet
Opus

ตัวอย่าง:

👉 คำสั่งที่ 5. /exit:

ออกจาก session

ใช้เวลาทำงานเสร็จแล้ว

ตัวอย่าง:

💻 Group 2. คำสั่งสำหรับเขียน Code

👉 คำสั่งที่ 6. /plan:

เข้าโหมดวางแผน เพื่อกำหนดทิศทางการทำงานก่อนเขียน code จริง ซึ่งจะทำให้ Claude เขียน code ได้ตอบโจทย์มากขึ้น

Note: กด shift + tab เพื่อเปลี่ยนโหมดได้เหมือนกัน

ตัวอย่าง:

👉 คำสั่งที่ 7. /init:

ให้ Claude เขียน CLAUDE.md ซึ่งเป็นไฟล์ที่กำหนดบริบทการทำงาน จากการอ่านไฟล์ต่าง ๆ ใน folder ทำงานของเรา

ตัวอย่าง:

👉 คำสั่งที่ 8. /memory:

เปิดดู CLAUDE.md เพื่อแก้ไข

ตัวอย่าง CLAUDE.md:

Markdown

			
# Code style
- Follow PEP 8; format with `black` before committing
- Use type hints on all function signatures
- Prefer pandas vectorized operations over row-wise loops
# Workflow
- Activate the venv with `source .venv/bin/activate` before running scripts
- Run `pytest tests/` after any change to `src/`
- Keep notebooks out of version control; convert final logic into `.py` modules

		

👉 คำสั่งที่ 9. /btw:

คุยกับ Claude ระหว่างที่ Claude กำลังเขียน code

ใช้เวลามีคำถามและไม่ต้องการรอให้ Claude ทำงานเสร็จ

ตัวอย่าง:

🧐 Group 3. คำสั่งรีวิวงาน

👉 คำสั่งที่ 10. /diff:

ดูการเปลี่ยนแปลงของ code ที่เกิดขึ้น

ตัวอย่าง:

👉 คำสั่งที่ 11. /review:

สั่งให้ Claude Code ตรวจ code และแนะนำการแก้ไขให้

ตัวอย่าง:

💻 Group 4. คำสั่งสำหรับดูคู่มือ

👉 คำสั่งที่ 12. /help:

เปิดดูคำสั่งสำหรับใช้ Claude Code

ตัวอย่าง:

2️⃣ Part 2. Intermediate: คำสั่งเพิ่มประสิทธิภาพการทำงาน

12 คำสั่งในกลุ่ม 2 ช่วยเพิ่มประสิทธิภาพการทำงานของ Claude Code และแบ่งได้เป็น 4 กลุ่มย่อย:

คำสั่งจัดการ session
คำสั่งจัดการ context
คำสั่งตั้งค่า Claude Code
คำสั่งดูการใช้งาน Claude Code

🗣️ Group 1. คำสั่งจัดการ Session

👉 คำสั่งที่ 13. claude -c:

กลับไปใช้ session ล่าสุด

ใช้เมื่อเราออกจาก session และต้องการกลับเข้าไปใช้งานใหม่

👉 คำสั่งที่ 14. /resume:

เปิดดูรายการ session ที่ผ่านมา

ใช้เพื่อเลือก session ที่ต้องการกลับไปใช้งานต่อ

👉 คำสั่งที่ 15. /rename:

เปลี่ยนชื่อ session เพื่อให้หา session ได้ง่ายขึ้น

💬 Group 2. คำสั่งจัดการ Context

👉 คำสั่งที่ 16. /context:

เปิดดู context ที่ถูกใช้ไปใน session เพื่อดูว่า Claude เหลือพื้นที่ความจำในการทำงานอีกเท่าไร

ตัวอย่าง:

👉 คำสั่งที่ 17. /compact:

สรุปข้อมูลใน context เพื่อเพิ่มพื้นที่ในความจำให้กับ Claude

ใช้เวลาต้องการเพิ่มความจำ โดยไม่เสียบริบทในการทำงานไป เช่น เวลาความจำเต็ม แต่ต้องการพัฒนา feature ที่มีอยู่ต่อ

Note: ข้อเสีย คือ Claude จะจำรายละเอียดบางอย่างไม่ได้

ตัวอย่าง:

👉 คำสั่งที่ 18. /clear:

ลบข้อมูลใน context ออกทั้งหมด

ใช้สำหรับเพิ่มพื้นที่ความจำเวลาที่เราไม่ต้องการเก็บบริบทในการทำงานที่มีอยู่เอาไว้ เช่น เวลาจะพัฒนา feature ใหม่

🦾 Group 3. คำสั่งตั้งค่า Claude Code

👉 คำสั่งที่ 19. /skills:

เปิดดู skill ที่ Claude เข้าถึงได้

ใช้จัดการ skill ที่ Claude เรียกใช้งานได้

ตัวอย่าง:

👉 คำสั่งที่ 20. /mcp:

เปิดดู MCP (Model Context Protocol) หรือเครื่องมือที่ Claude เข้าถึงได้

ใช้จัดการ MCP ที่ Claude เรียกใช้งานได้

ตัวอย่าง:

👉 คำสั่งที่ 21. /agents:

เปิดดู subagent หรือสร้าง subagent ใหม่

ใช้จัดการ subagent ที่ Claude เข้าถึงได้ หรือสร้าง subagent ใหม่ให้ Claude เรียกใช้งาน

ตัวอย่าง:

👉 คำสั่งที่ 22. /plugin:

เปิดดู plugin ที่ Claude ใช้งานได้

ใช้สำหรับจัดการ plugin ที่ Claude เรียกใช้งานได้

ตัวอย่าง:

🪙 Group 4. คำสั่งดูการใช้งาน Claude Code

👉 คำสั่งที่ 23. /usage:

ดูจำนวนข้อความคงเหลือที่ยังใช้ได้

👉 คำสั่งที่ 24. /cost:

ดูจำนวนเงินที่ใช้ไปกับการทำงาน Claude Code

ตัวอย่าง:

3️⃣ Part 3. Advanced: คำสั่งขั้นสูงสำหรับทำงานอัตโนมัติ

8 คำสั่งขั้นสูงในกลุ่มสุดท้าย ใช้สำหรับสั่งให้ Claude ทำงานโดยอัตโนมัติ และแก้ปัญหาการใช้งาน Claude

ทั้ง 8 คำสั่งแบ่งเป็น 2 กลุ่ม:

คำสั่งสำหรับทำงานอัตโนมัติ
คำสั่งแก้ปัญหาการใช้งาน Claude Code

🤖 Group 1. คำสั่งสำหรับทำงานอัตโนมัติ

👉 คำสั่งที่ 25. /goal:

กำหนดเป้าหมายที่ต้องการ โดย Claude Code จะทำงานไปเรื่อย ๆ จนกว่าเป้าหมายนี้จะสำเร็จ

เหมาะกับงานที่ต้องการให้ Claude ทำไปเองจนกว่าจะเสร็จ

👉 คำสั่งที่ 26. /batch:

สั่งให้ Claude Code แตกงานขนาดใหญ่ให้เป็นก้อนเล็ก ๆ และรันงานขนานกันไป เหมาะสำหรับการแก้ code หลายจุดพร้อมกัน

👉 คำสั่งที่ 27. /schedule:

ตั้งเวลาที่จะให้ Claude Code ทำงานบางอย่าง

เช่น ทดสอบ code ทุก 10 โมงเช้า

👉 คำสั่งที่ 28. /loop:

สั่งให้ Claude Code ทำงานตามช่วงเวลาที่กำหนด

เช่น ทดสอบ code ทุก ๆ 1 ชั่วโมง

👉 คำสั่งที่ 29. /background:

ย้าย session ไปอยู่ใน background ซึ่งจะทำให้เราใช้ Terminal ได้ในขณะที่ Claude Code ยังทำงานอยู่

👉 คำสั่งที่ 30. /tasks:

เปิดดูรายการ session ที่รันอยู่ใน background

ตัวอย่าง:

🩺 Group 2. คำสั่งแก้ปัญหาการใช้งาน Claude Code

👉 คำสั่งที่ 31. /doctor:

ตรวจสอบการตั้งค่า Claude Code เวลามีปัญหา

ตัวอย่าง:

👉 คำสั่งที่ 31. /debug:

สั่งให้ Claude Code ค้นหาและอธิบายเหตุของปัญหา

🫵 Your Turn

หลังจบบทความนี้แล้ว ลองมาใช้ Claude Code กันดูนะครับ:

📃 References

Fediverse Reactions

23.07.2026

สรุป 25 บทเรียนจาก 5 เวทีที่น่าสนใจ ในงาน “How Do I Live? อยู่อย่างไร เมื่อ AI ล้อมไว้หมดแล้ว”: What to Build, Writing, Creativity, AI Can Free Up Time, & Philosophy
“How Do I Live? อยู่อย่างไร เมื่อ AI ล้อมไว้หมดแล้ว” เป็นงานที่รวม speaker มาตอบคำถามที่หลาย ๆ คนอาจจะสงสัย ว่าในยุคที่ AI ทำได้เกือบเหมือนมนุษย์ทุกอย่าง เราจะอยู่ยังไง

ในบทความนี้ ผมจะมาสรุป 25 บทเรียนจาก 5 เวทีที่น่าสนใจในงาน ที่จะตอบคำถามนี้กัน

โดยบทความแบ่งออกเป็น 5 ส่วน:
1. What to build
2. Writing
3. Creativity
4. AI can free up time
5. Philosophy
ถ้าพร้อมแล้ว ไปเริ่มกันเลย
🤨 Session 1. What to Build

จาก “ถ้าคุณสร้างอะไรก็ได้ คุณจะสร้างอะไร” โดย สิทธินันท์ พลวิสุทธิ์ศักดิ์ (แบงค์)

.

🔶 Lesson 1. AI Can Build Anything. Doesn’t Mean Everything Should be Built

AI สร้างอะไรให้เราก็ได้

แค่เรารู้ว่าต้อง prompt ยังไง เราก็จะได้สิ่งที่ต้องการภายในไม่กี่คลิก

แต่เพียงเพราะเราสร้างได้ ไม่ได้หมายความว่า เราจะต้องสร้าง

และไม่ได้หมายความว่า ทุกอย่างจะสร้างง่ายเหมือนเสกได้

.

🔶 Lesson 2. TADA: Challenges to Building With AI

การสร้างด้วย AI มีความท้าทาย 4 ข้อ:

ข้อ 1. T = Technical difficulties:
- เราต้องมีความรู้ทางเทคนิค
- ต้องรู้ว่าสิ่งที่ AI สร้างขึ้นเกิดขึ้นได้ยังไง
- เช่น ให้ AI สร้างเว็บไซต์ เราต้องมีความรู้เกี่ยวกับ domain, server, hosting, etc.
ข้อ 2. A = Acquisition channel:
- สร้างได้ ≠ จะมีคนใช้
- ถ้าเราไม่มีช่องทางเข้าถึง หรือของไม่ตอบโจทย์ สิ่งที่สร้างมาก็ไร้ความหมาย
ข้อ 3. D = Domain expertise:
- เราต้องมีความรู้ในสิ่งที่สร้าง
- เช่น ถ้าเราจะสร้าง medical chatbot เราต้องมีความรู้ทางการแพทย์มากพอที่จะตรวจสอบ bot ของเราได้
ข้อ 4. A = Authority:
- เราต้องมีความน่าเชื่อถือมากพอ เพื่อให้สิ่งที่เราสร้างดูน่าเข้าหา
.

🔶 Lesson 3. KEY: What You Should Build With AI

สิ่งที่เราควรสร้างกับ AI มีอยู่ 3 อย่าง:

ข้อ 1. K = Knowledge:
- ความรู้ที่จะช่วยให้เราก้าวไปข้างหน้าอยู่เสมอ
ข้อ 2. E = Engine:
- ใช้ AI ต่อยอดสิ่งที่เรามี
ข้อ 3. Y = Why:
- ใช้ AI ค้นหาคุณค่าของสิ่งที่ต้องสร้าง
.

🔶 Lesson 4. Focus on Wealth

AI ควรช่วยสร้าง wealth ให้กับเรา ไม่ว่าจะเป็น:

ข้อ 1. Time:
- อิสระในการเลือกใช้เวลาด้วยตัวเอง
ข้อ 2. Social:
- ความสัมพันธ์ทางสังคมที่ดี
ข้อ 3. Mental:
- ความสงบในจิตใจและศักยภาพในการเติบโต
ข้อ 4. Physical:
- สุขภาพทางกายที่ดี
ข้อ 5. Financial:
- ความร่ำรวยทางการเงิน
.

🔶 Lesson 5. Takeaway on What to Build

ข้อ 1. Process over result:
- Focus ที่ขั้นตอนและกระบวนการมากกว่าผลลัพธ์ที่ได้
ข้อ 2. Bite size:
- หาโจทย์ที่ทำได้พอตัว ไม่ต้องเป็นโจทย์ที่เปลี่ยนโลก
✏️ Session 2. Writing

จาก “เขียนให้ชนะ AI” โดย วีรยา ถาวรวัฒนยงค์ (ลุงพล)

.

🔶 Lesson 6. Human Writing Can Still Win

ในยุคที่ AI สร้าง content ได้ง่ายและเร็ว และคนมี short attention span การเขียน long-form ยังสร้าง engagement และรายได้หลักล้านได้

.

🔶 Lesson 7. The Secret Formula

สูตรสำเร็จในการเขียน คือ
PVE^2
.

🔶 Lesson 8. P for Process

เน้นที่ขั้นตอน/กระบวนการ ไม่ใช่ผลลัพธ์

แม้ AI สร้างรูปได้สวยและหลากหลาย แต่ก็สู้เอกลักษณ์ของจิตรกรที่นั่งลงพู่กันในงานแต่งสด ๆ ไม่ได้

.

🔶 Lesson 9. V for Value

คุณค่าที่ต้องการส่งต่อ

อย่างในกรณีลุงพล คือ การส่งต่อสรุปเนื้อหาดี ๆ ถึงคนที่ไม่ได้เข้าร่วมงาน ให้เหมือนได้ไปอยู่ในงานด้วยตัวเอง

.

🔶 Lesson 10. E1 for Experiences

งานเขียนขึ้นอยู่กับประสบการณ์ที่นักเขียนถ่ายทอดลงในงานเขียน

ประสบการณ์ของมนุษย์เป็นสิ่งที่ AI ยัง copy ไม่ได้ และเป็นสิ่งที่สร้าง individuality ให้กับงานเขียนของเรา

.

🔶 Lesson 11. E2 for Empathy

ตัวแปรสุดท้ายในสมการลับ คือ empathy

ความสามารถที่จะทำให้คนอ่านเข้าใจสิ่งที่เราต้องการสื่อสาร ทั้งเนื้อหาและบรรยากาศงาน เหมือนกับเขาได้ไปนั่งอยู่ในงานกับเรา

🎨 Session 3. Creativity

จาก “AI Is the End of Human Creativity” โดย สิทธิพงศ์ ศิริมาศเกษม

.

🔶 Lesson 12. Will AI Replace Human Creativity?

Creativity ของมนุษย์ยังคงมีที่ยืนในยุคที่ AI สร้างงานที่มนุษย์ใช้เวลาครึ่งวันทำได้ภายใน 3 นาที ด้วยเหตุผล 3 ข้อ:
1. Slow/stop, not fast
2. Question, not answer
3. Quality, not quantity
.

🔶 Lesson 13. Slow/Stop, Not Fast

Creativity ไม่ได้เกิดจากความเร็ว

แต่เกิดจากการคิดให้ช้าหรือหยุดคิด

ความคิดดี ๆ มักจะเกิดขึ้นตอนที่เราไม่ได้จดจ่อกับงาน แต่ออกไปเดินเล่นหรือทำกิจกรรมอื่น

.

🔶 Lesson 14. Question, Not Answer

Creativity ไม่ได้เกิดจากคำตอบ

แต่มาจากการตั้งคำถามที่ดี

.

🔶 Lesson 15. Quality, Not Quantity

AI สามารถคิด option จำนวนมากให้เราได้ภายในเวลาอันสั้น

แต่ creativity ไม่ได้เกิดจากจำนวนของ option

แต่จากการคัดกรองไอเดียที่ใช่และเชื่อมโยงกัน

.

🔶 Lesson 16. AI = Adaptability Intelligence

แม้ AI จะมาแทน human creativity ไม่ได้ แต่ AI ช่วยให้เราพัฒนาและปรับตัวเข้ากับยุคต่าง ๆ ได้

ในมุมนี้ AI จะไม่ใช่ artificial intelligence แต่เป็น adaptability intelligence

.

🔶 Lesson 17. Think Outside the Bot

ในยุคที่ AI คิดแทนเราได้ สิ่งที่จะทำให้เราแตกต่างออกไป คือ การคิดนอกบอท

นั่นคือ การคิดด้วยตัวเอง และไม่พึ่งพา AI จนมากเกินไป

🕦 Session 4. AI Can Free Up Time

จาก “How AI Helps Startups: สร้างธุรกิจให้เร็วขึ้นด้วย AI” โดย อภิญญา สหัสสะรังษี (พลอย Paypers)

.

🔶 Lesson 18. AI Can Free Up Time

เป็นครั้งแรกในประวัติศาสตร์มนุษย์ที่เทคโนโลยีเอางานไปจากเรา

AI ช่วยลดงานและคืนเวลาในชีวิตให้กับเราได้

.

🔶 Lesson 19. Paypers as Example

ตัวอย่างเช่น Paypers ที่ช่วยจัดเก็บและทำเอกสารบัญชี ช่วยลดงาน routine และปล่อยเวลา 30–60% ให้กับเจ้าของธุรกิจได้ทำงานที่มีคุณค่ามากกว่า เช่น:
- หาไอเดียใหม่ ๆ
- วางแผน วางระบบให้ธุรกิจเติบโต
.

🔶 Lesson 20. Next Question After AI

คำถามที่ตามมาจากการที่ AI ปลดงานออกจากเรา คือ เราจะใช้เวลาที่ได้มาไปกับอะไร?

🧘 Session 5. Philosophy

จาก “One Person Business: ธุรกิจคนเดียวที่ไม่ทำคนเดียว” โดย อานันท์ ตรีฐิติพัฒน์, กษิดิศ สตางค์มงคล, และทีปกร วุฒิพิทยามงคล

.

🔶 Lesson 21. Agency

Agency คือ ความสามารถในการเลือกทางเดินของตัวเอง

คนเราเกิดมาพร้อมกับ agency ไม่ว่าจะกินจะนอนเวลาไหนก็ไม่มีใครสั่งเราได้

แต่สังคมหล่อหลอมให้เรากลายเป็น version ที่มี agency น้อยลง

.

🔶 Lesson 22. What to Choose

ถ้าจะต้องเลือกทางเดิน เราจะเลือกไปทางไหน?

คำตอบมีอยู่ 3 อย่าง:
1. What feels like play
2. What’s right
3. Better version of yourself
.

🔶 Lesson 23. What Feels Like Play

เลือกทำในสิ่งที่เป็นเหมือนการเล่นสำหรับเรา แต่เป็นงานสำหรับคนอื่น

เช่น งานออกแบบ UX ที่เรารู้สึกสนุก แต่คนอื่นมองว่าเป็นงาน UX design เป็นสิ่งที่เราควรเลือก เพราะเป็นสิ่งที่เราจะสร้างคุณค่าให้กับโลกได้อย่างยั่งยืน

Find what feels like play to you, but looks like work to others. — Naval Ravikant

.

🔶 Lesson 24. Do What’s Right

ทำในสิ่งที่ถูกต้อง เพราะสิ่งที่ไม่ดีกับส่วนรวมก็ไม่ดีกับปัจเจกบุคคล และสิ่งที่เราทำจะกลับมาหาเราเอง

What brings no benefit to the hive brings none to the bee. — Marcus Aurelius

.

🔶 Lesson 25. Become the Best Version of Yourself

ทำสิ่งที่จะทำให้เราเป็น version ที่ดีขึ้นของตัวเองในทุก ๆ วัน

There is nothing noble in being superior to your fellow man; true nobility is being superior to your former self. — Ernest Hemingway
16.07.2026
สรุป 10 ไอเดียน่าคิดจากงาน Mini What the Duck 2026 ของพี่ทอย DataRockie
ผมไม่คิดว่า What the Duck ปีนี้จะมาเร็วกว่าที่คิด 😂

วันอาทิตย์ที่ผ่านมา ผมได้ไปร่วมงาน Mini What the Duck 2026 ที่พี่ทอย DataRockie จัดขึ้นที่ BIG Co-working Space

ในงาน พี่ทอยแชร์เนื้อหาจากงานอื่นก่อน ๆ โดยเฉพาะ What the Duck 2025 ที่จัดออนไลน์เมื่อปลายปีที่ผ่านมา

ในบทความนี้ ผมขอสรุป 10 ไอเดียที่น่าสนใจจากงาน โดยผมได้เสริมเนื้อหาจากงานก่อน ๆ และจากที่ทำ research เพิ่มเข้าไปในแต่ละไอเดียเพื่อให้ครบถ้วนมากขึ้น

ถ้าพร้อมแล้ว ไปเริ่มกันเลย
🔥 Idea 1. Three Most Important Skills

ในยุคที่การศึกษาไม่ได้อยู่แค่ในมหาวิทยาลัย ทักษะสำคัญ 3 อย่างที่ทุกคนควรมี คือ:
1. Thinking
2. Writing
3. Reading
.

Thinking หมายถึง การคิดอย่างมีประสิทธิภาพ

คนส่วนใหญ่คิดว่าตัวเองคิด แต่จริง ๆ แล้วเราคิดกันน้อยมาก

Two percent of the people think;
three percent of the people think they think;
and ninety-five percent of the people would rather die than think.
— George Bernard Shaw

ในยุคที่เราเข้าถึงข้อมูลปริมาณมหาศาลได้อย่างง่ายดาย thinking จะช่วยให้เราแยกแยะข้อมูลที่ดีออกจากข้อมูลที่ไม่ดี และทำให้เราตัดสินใจได้เฉียบคมกว่าคนอื่น

.

Writing เป็นการคิดแบบหนึ่ง

ถ้าจะเขียนได้ (เช่น เขียนบทความนี้) เราจะต้องคิดได้ก่อน แต่จะคิดได้ บางทีเราก็ต้องเขียนออกมา (เช่น ร่างบทความนี้)
Think -> Write -> Think -> Write -> ...
เมื่อเป็นแบบนี้ ยิ่งเราฝึกเขียนมากขึ้นเท่าไร เราก็ยิ่งฝึกความคิดให้ดีมากขึ้นเท่านั้น

Writing is thinking.
To write well is to think clearly.
That’s why it’s so hard.
— David McCullough

.

Reading คือ superpower

ในขณะที่พูด (และฟัง) ได้ 150–200 คำต่อนาที เราสามารถอ่านได้เร็วถึง 200–250 คำต่อนาที

ถ้าเรามีเนื้อหาใหม่ที่ต้องทำความเข้าใจ เราจะรับเนื้อหานั้นได้เร็วขึ้นถ้าเลือกที่จะอ่าน แทนที่จะฟัง

การอ่านเป็นทางด่วนในการอัปเดตความรู้ ถ้าเราอ่านหนังสือทุกวันติดต่อกันเป็นเวลาหลายปี ก็จะไม่มีใครหยุดเราได้ เพราะเราจะมีมุมมองและความรู้มากกว่าคนส่วนใหญ่

I probably read one to two hours a day.
That puts me in the top 0.00001%.
— Naval Ravikant

.

Combine

แต่ละทักษะโดดเด่นในตัวเอง แต่เมื่อรวมทั้ง 3 ทักษะเข้าด้วยกัน เราจะมี pipeline ที่จะขับเคลื่อนเราไปข้างหน้าอย่างไม่สิ้นสุด:
1. Reading: หาความรู้
2. Thinking: เชื่อมโยงไอเดีย
3. Writing: ผลิตความคิดใหม่ ๆ
Reading -> Thinking -> Writing
💧 Idea 2. Accept the Reality

ขั้นแรกของการเอาตัวรอด คือ ทำตัวเหมือนน้ำ

น้ำสามารถปรับตัวเข้ากับภาชนะอะไรก็ได้ แต่จะทำได้ก็ต่อเมื่อยอมรับความจริงว่า ภาชนะมีรูปทรงอย่างที่เป็น และปรับตัวเข้ากับรูปทรงนั้น

เราจะเอาตัวรอดในโลกได้ ก็ต้องยอมรับความจริงอย่างที่เป็น และปรับตัวเข้ากับความจริงนั้น

Water adopts the shape of its receptacle,
it is sometimes a trickle
and sometimes a wild sea.
— Miyamoto Musashi

🧭 Idea 3. Agency

Agency คือ ความสามารถในการเลือกทางเดินของตัวเอง และสร้างอนาคตของตัวเอง:
- คนที่มี high agency สามารถเลือกเป้าหมายของตัวเองได้
- คนที่มี low agency จะทำตามเป้าหมายที่คนอื่นกำหนด
Agency เป็นอีกทักษะที่จะทำให้เราอยู่รอด เพราะถ้าเราไม่มี agency คนอื่นจะกำหนดทิศทางให้กับเรา ซึ่งอาจหมายถึงเราจะไม่สามารถทำตามความต้องการของเราได้

If you don’t know what you want,
you will be told what you want,
and you will believe it.
If you don’t create a purpose,
you will be assigned one.
— Dan Koe

🔌 Idea 4. Energy, Not Time

สิ่งที่เราควรบริหารให้ดี ไม่ใช่เวลา แต่คือ energy

.

เวลามีจำกัด แต่ไม่ใช่สิ่งที่เราจัดการได้ เพราะเวลาจะเดินไปข้างหน้าเรื่อย ๆ ไม่ว่าเราจะทำอะไรก็ตาม

สิ่งเดียวที่เราทำได้ คือ เลือกสิ่งที่จะทำในแต่ละเวลาเท่านั้น

You can’t manage time;
you actually only manage
what you do during time.
— David Allan

.

Energy คือ แบตเตอรี่ในตัวเรา ทุกเช้าที่เราตื่นขึ้นมา แบตเตอรี่เราเต็ม 100% และลดลงเรื่อย ๆ ตามกิจกรรมระหว่างวัน

ยิ่งเราใช้ energy ไปมากเท่าไร เราก็ยิ่งมีแบตเตอรี่ให้ใช้น้อยลงเท่านั้น

ถ้าเราหมด energy ไปกับสิ่งที่ไม่สำคัญตั้งแต่ต้นวัน เราจะไม่มี energy ให้กับสิ่งที่สำคัญตอนท้ายวัน

.

สิ่งที่เราต้องบริหาร ไม่ใช่เวลา แต่คือ energy เพื่อให้เรามี energy ไว้ใช้กับสิ่งสำคัญเมื่อเวลามาถึง

Time management is a lie. …
Time is not your limiting resource
—energy is.
— Jonathan Jenkins

👀 Idea 5. Make Yourself Discoverable

การสร้าง impact มีอยู่ 3 ขั้นตอน:
1. Awareness: เป็นที่รู้จัก
2. Consideration: มีคนพิจารณา
3. Conversion: มีคนซื้อ/เข้าร่วม
.

Awareness: ถ้าเราอยากสร้าง impact เราจะต้องทำตัวเองให้เป็นที่รู้จัก

ในยุคที่ส่วนใหญ่เข้าถึงอินเทอร์เน็ต เราสามารถทำให้เป็นที่รู้จักได้ง่าย ๆ ด้วยการมีเว็บไซต์เป็นของตัวเอง

.

Consideration and conversion: การมีเว็บไซต์อย่างเดียวไม่พอที่จะสร้าง impact

ถ้าเรามีเว็บไซต์ แต่ไม่มี content ก็จะไม่มีใครรู้จักเรา

เว็บไซต์ที่สร้าง impact จะต้องมี content ที่ดี ซึ่งมีลักษณะ 4 อย่าง ได้แก่:
1. Experience: สะท้อนประสบการณ์เฉพาะตัว
2. Expert: สื่อถึงความเชี่ยวชาญ
3. Authoritative: มักเป็นที่กล่าวถึง/อ้างอิง
4. Trustworthiness: น่าเชื่อถือ
Impact = Website + Quality Content
📈 Idea 6. Dissociate Income From Time

รายได้ที่ยั่งยืน คือ รายได้ที่ไม่ผูกติดกับเวลา

เราแยกรายได้ออกจากเวลาได้ด้วย leverage

Leverage คือ ตัวคูณที่จะขยาย impact ของเรา และแบ่งเป็น 2 ประเภท:
1. Permission-based เช่น เงินและแรงงาน ที่เราต้องขออนุญาตจากคนอื่นก่อน
2. Permission-less เช่น หนังสือ โค้ด สื่อต่าง ๆ ที่เราสามารถสร้างได้โดยไม่ต้องขออนุญาตจากใคร และทำซ้ำได้โดยใช้ต้นทุนเกือบเป็นศูนย์
เราสามารถแยกรายได้ออกจากเวลาได้ง่าย ๆ ด้วย permission-less leverage เช่น:
- เขียนหนังสือ
- แต่งเพลง
- ถ่ายภาพ
- เขียนโปรแกรม
สิ่งเหล่านี้สามารถช่วยสร้างรายได้ในขณะที่เราหลับได้ และทำให้เรามีอิสรภาพทางการเงินที่มากขึ้น

💡 Idea 7. What Won’t Change for Good Products

คำถามยอดฮิตที่ผู้นำในด้านต่าง ๆ มักถูกถาม คือ ในอนาคต อะไรจะเปลี่ยนไปบ้าง?

แต่คำถามที่เราควรถาม คือ อะไรที่จะไม่เปลี่ยนไปบ้าง? เพราะแทนที่จะอยู่กับการคาดการณ์ เราจะปรับตัวอยู่บนพื้นฐานของสิ่งที่เรารู้อยู่แล้ว

พฤติกรรมมนุษย์เป็นสิ่งหนึ่งที่เปลี่ยนได้ยาก

ในการสัมภาษณ์ครั้งหนึ่ง Jeff Bezos กล่าวว่า ในอนาคต ลูกค้าจะยังคงมองหา 3 อย่าง:
1. Price: ราคาถูก
2. Quality: คุณภาพดี *
3. Delivery: ส่งเร็ว
ถ้าเราสามารถสร้างของที่มีลักษณะ 3 อย่างนี้ได้ เราก็มีโอกาสที่จะประสบความสำเร็จมากกว่าคนอื่น

Customers are still going to want low prices.
They are still going to want fast delivery.
And they are still going to want a big selection.
— Jeff Bezos

.

Note:
- ใน quote จะเห็นว่า Jeff Bezos ไม่ได้พูดถึง quality แต่เป็น selection แทน
- แต่ผมยังเห็นด้วยว่า สำหรับ product ทั่วไป สิ่งที่ลูกค้ามองหาคือ solution ที่จะแก้ปัญหาได้ ไม่ใช่ทางเลือก เหมือนกับ e-commerce
⭐️ Idea 8. AI Is for Experts

AI จะช่วยให้คนที่มีความรู้ได้ไกลขึ้น เพราะคนเหล่านี้รู้ว่าจะใช้ AI ยังไงเพื่อให้ได้ในสิ่งที่ต้องการ

เช่น Gemini CLI ที่สามารถใช้ tool ต่าง ๆ ได้ เช่น:
- Notion
- Canvas
- JavaScript
ถ้าเรารู้ว่าจะใช้ Gemini CLI ยังไง เราสามารถสร้างของที่ตอบโจทย์และเข้าถึงตลาดได้เร็วกว่าคนอื่น

(อ่านเพิ่มเติมเกี่ยวกับ Gemini CLI)

🧠 Idea 9. No One Knows the Future

อนาคตเป็นเหมือน Schrödinger’s cat ที่มีความเป็นไปได้มากมาย แต่มีแค่ความเป็นไปได้เดียวที่จะเกิดขึ้นเท่านั้น

ไม่มีใครรู้ว่า อะไรจะเกิดขึ้นในอนาคต และเราควรใช้เวลาไปกับสิ่งที่เราควบคุมได้ และกำหนดทิศทางอนาคตของตัวเอง มากกว่าโฟกัสกับสิ่งที่ควบคุมไม่ได้ และปล่อยให้คนอื่นกำกับอนาคตของเรา

👏 Idea 10. Last Message

บทเรียนทิ้งท้าย 2 ข้อ:
1. Do the right thing
2. Play
.

Do the right thing: ทำสิ่งที่ต้องทำในเวลาที่สมควร

เช่น เราไม่จำเป็นต้องตื่นนอนทุกเช้าเพื่อประสบความสำเร็จ

ถ้าเราตื่นมาและใช้เวลา 30 นาทีแรกของวันไปกับ social media ชีวิตเราก็จะไม่เปลี่ยนไปจากเดิม

แต่ถ้าเราใช้เวลา 30 นาทีแรกไปกับการอ่านหนังสือ ชีวิตเราก็จะเปลี่ยนไปในทางที่ดีขึ้น

เราไม่ต้องทำตามคำแนะนำทุกอย่างของคนอื่น เราแค่ต้องทำในสิ่งที่ถูกต้องในเวลาที่สมควรเท่านั้น

Always do the right thing.
The rest doesn’t matter.
— Marcus Aurelius

.

Play: มองโลกเป็นเหมือนสนามเด็กเล่นที่เราเล่น ทดลอง เรียนรู้ และเติบโตได้

เมื่อเราทำงานที่เหมือนการเล่น เราจะมีชัยไปกว่าคนอื่น

Find what feels like play to you,
but looks like work to others.
— Naval Ravikant

🔔 ใครที่ชอบบทความนี้ ฝากกด subscribe และติดตามกันได้ที่:
- Website: shinoshigoto.com
- Facebook: Svaron Solution
- Instagram: @svaronsolution
- Thread: @svaronsolution
03.03.2026

AI Literacy: สรุป 31 ข้อคิดการใช้ AI ให้อยู่รอด จาก session แชร์ความรู้ให้กับนักศึกษา ม.หอการค้าไทย

สัปดาห์ที่แล้ว ผมมีโอกาสแชร์ความรู้การใช้ AI ในหัวข้อ AI literacy ให้กับนักศึกษาคณะการศึกษาปฐมวัย มหาวิทยาลัยหอการค้าไทย

ในบทความนี้ ผมจะมาสรุป 31 ข้อคิดที่ผมแชร์ใน session โดยแบ่งเป็น 5 กลุ่ม:

Why AI literacy: ความสำคัญของ AI literacy
Working with AI: แนวคิดการทำงานกับ AI
How to prompt: วิธีเขียน prompt
Future trends: แนวโน้มของ AI ในอนาคต
Be human: การเป็นมนุษย์ในยุคของ AI

ถ้าพร้อมแล้ว ไปเริ่มกันเลย

🤖 Part I. Why AI Literacy

ข้อ 1. Pareto Principle (80/20 rule)

Pareto principle เป็น mental model หรือแนวคิดช่วยตัดสินใจที่บอกว่า 80% ของความสำเร็จมักมาจาก 20% ของสิ่งที่เราทำ

ในยุคที่ AI เข้ามามีบทบาทในหลายด้านของชีวิต ทักษะ AI เป็นสิ่งง่าย ๆ ที่เราทำได้เพื่อช่วยให้เราอยู่รอด

การเรียนรู้เกี่ยวกับ AI คือ 20% ที่เราทำได้ เพื่อให้โอกาสอยู่รอดถึง 80%

ข้อ 2. What is AI literacy?

AI literacy คือ ความเข้าใจและความสามารถในการใช้งาน AI ได้อย่างมีประสิทธิภาพ

ข้อ 3. AI can do many things

AI สามารถทำได้หลายอย่าง เช่น:

Content: สร้าง content เช่น ข้อความ ภาพ เสียง และวิดีโอ
Analysis: วิเคราะห์ข้อมูลขนาดใหญ่อย่างรวดเร็ว
Automation: ทำงานโดยอัตโนมัติ (เช่น คุยกับลูกค้าในขณะที่เราหลับ)

ข้อ 4. Jobs at risk

ความสามารถของ AI ทำให้มีหลายงานเสี่ยงที่จะถูกแทนที่ แม้กระทั่งงานที่ปกติจะต้องใช้มนุษย์ เช่น:

ล่าม/นักแปลภาษา
นักเขียน
โปรแกรมเมอร์
Customer service

เมื่อเป็นอย่างนี้ AI จะมาแทนที่มนุษย์ไหม?

ข้อ 5. AI still has limitations

แม้ AI จะทำได้หลายอย่าง แต่ก็ยังมีข้อจำกัดอยู่ เช่น:

Hallucination: ส่งข้อมูลที่ไม่เป็นจริงกลับมา (เช่น พูดถึงสถานที่เที่ยวที่ไม่มีอยู่จริง)
Accident: รถที่ขับเคลื่อนเองด้วย AI ยังทำให้เกิดอุบัติเหตุบนท้องถนนได้
Bug: AI เขียน code ได้เร็วแต่ก็ยังมี bug เยอะ ทำให้ code ไม่สามารถใช้งานได้ในทันที

ข้อ 6. We must not fear AI, but people who use AI

ด้วยข้อจำกัดของ AI เรายังไม่ต้องกลัวว่า AI จะมาแทนที่เรา

แต่เราควรจะกลัวคนที่ใช้ AI เป็นมากกว่า

AI won’t replace people, but maybe people that use AI will replace people that don’t. — Andrew Ng

คนที่ใช้ AI เป็นสามารถไปได้ไกลกว่าคนอื่น

เช่น ถ้าไม่ใช้ AI เราอาจจะใช้เวลา 2 วันเพื่อเขียนรายงานส่งอาจารย์

แต่เมื่อใช้ AI เราอาจใช้เวลาแค่ 2 ชั่วโมง และมีเวลาสำหรับอ่านหนังสือสอบมากขึ้น ทำให้เรามีโอกาสได้เกรดที่ดีกว่าคนอื่น

ข้อ 7. The one who survives is the one who levels up

แต่ละครั้งที่มีเทคโนโลยีใหม่เกิดขึ้น คนที่อยู่รอด คือ คนที่ยกระดับตัวเอง

สมัยก่อน เราผลิตหนังสือโดยใช้ scribe หรือชาวบ้านที่ฝึกคัดลอกหนังสือมาโดยเฉพาะ scribe ใช้เวลาฝึกฝนนานหลายปีกว่าจะสามารถคัดหนังสือได้

วันหนึ่ง เครื่องพิมพ์ถูกพัฒนาขึ้น เราสามารถพิมพ์หนังสือได้หลายพันหน้าในวันเดียว โดยไม่ต้องพึ่ง scribe

ความต้องการ scribe ลดน้อยลงเรื่อย ๆ และ scribe ที่ยึดติดกับวิธีการผลิตหนังสือแบบเดิม ก็ค่อย ๆ หายไปพร้อมกับความต้องการของตลาด

ส่วน scribe ที่ปรับตัวเข้าหาเทคโนโลยี และฝึกควบคุมเครื่องพิมพ์ ยังคงอยู่รอดต่อไป

การมาถึงของ AI ก็เหมือนเครื่องพิมพ์ ถ้าเราไม่เรียนรู้ที่จะใช้ AI เราก็จะค่อย ๆ ถูกลืม เหมือนกับ scribe ที่ยังคัดหนังสือด้วยมือ

ข้อ 8. We are at a crossroad: choose

AI พัฒนาเร็วขึ้นและก้าวกระโดดมากขึ้นเรื่อย ๆ

ในช่วงแรกที่ ChatGPT เปิดตัวใหม่ ๆ เราต้องรอนานหลายเดือนกว่าจะได้ใช้ ChatGPT เวอร์ชั่นใหม่ที่มีความสามารถไม่ต่างจากเวอร์ชั่นก่อนหน้ามากนัก

ในปัจจุบัน เราจะเห็น ChatGPT มีการอัปเดตที่ถี่ขึ้น และในอัปเดตแต่ละครั้ง ChatGPT มีความสามารถมากกว่าเวอร์ชั่นก่อนมาก

การที่ AI พัฒนาเร็วขึ้นเรื่อย ๆ ทำให้เรามีเวลาปรับตัวน้อยลงเรื่อย ๆ

และตอนนี้ เราเหมือนอยู่ที่ทางแยกที่เราจะต้องเลือกว่า เราจะเรียนรู้การใช้ AI ให้เป็นและอยู่รอดในยุคของ AI หรือเราจะใช้ AI แบบเดิม ๆ และถูกทิ้งไว้ข้างหลัง

The people who will come out of this well won’t be the ones who mastered one tool. They’ll be the ones who got comfortable with the pace of change itself. — Matt Shumer

💼 Part II. Working With AI

ข้อ 9. Maslow’s hammer

I suppose it is tempting, if the only tool you have is a hammer, to treat everything as if it were a nail. — Abraham Maslow

Maslow’s hammer เป็น mental model ที่บอกว่า เครื่องมือสามารถจำกัดมุมมองของเราได้

เช่น ถ้าเรามีค้อน เราจะมองทุกอย่างเป็นตะปู

ในยุคของ AI เราอาจมองว่าทุกอย่างแก้ได้ด้วย AI:

ทำงานเร็วขึ้น
ผิดพลาดน้อยลง
มีเวลามากขึ้น

แต่ไม่ใช่ทุกปัญหาจะแก้ได้ด้วย AI เพราะ AI ไม่ใช่เครื่องมือสำหรับแก้ทุกอย่าง

ถ้าเราอยากตอกตะปู เราจะต้องใช้ค้อน ไม่ใช่ AI

การใช้ AI ที่ถูกต้อง คือ เริ่มต้นจากปัญหาและความต้องการของเรา แล้วเลือกเครื่องมือที่ตอบโจทย์ ซึ่งเครื่องมือนั้นอาจจะเป็น AI หรือไม่ก็ได้

ข้อ 10. AI is built in man’s image

AI เกิดจากการ train model ด้วยข้อมูลจากอินเทอร์เน็ตซึ่งมาจากมนุษย์

Human -> Data -> Train -> AI

เพราะ AI ถูกสร้างจากข้อมูลของมนุษย์ และเรามองได้ว่า AI เป็นเหมือนเป็นมนุษย์คนหนึ่ง

ข้อ 11. AI as capable but junior assistant

ถ้าเรามอง AI เป็นคน AI จะเป็นเหมือนผู้ช่วยที่มีความรู้รอบด้านและมีศักยภาพสูง

แต่สิ่งเดียวที่ผู้ช่วยคนนี้ยังขาดไป คือ ทิศทาง

ข้อ 12. Even a fried egg is hard to get right

การทำงานกับ AI ก็เหมือนสั่งไข่ดาว แม้จะดูง่าย แต่ก็ไม่ง่ายอย่างที่คิด

บางครั้ง เราอยากกินไข่ไม่สุก แต่ได้แบบสุกมาแทน

บางครั้ง เราอยากให้ AI สร้างรูปในแบบที่เราคิด แต่ไม่เคยได้ภาพนั้นสักที

ข้อ 13. Principal-agent dilemma

Principal-agent dilemma เป็น mental model ที่บอกว่า คนทำงาน (agent) มักทำตามความต้องการของคนสั่ง (principal) ไม่ได้ เพราะทั้งสองฝ่ายมีข้อมูลไม่เท่ากัน

ในตัวอย่าง เราไม่ได้ไข่ดาวที่ต้องการ เพราะคนทอดไข่ไม่รู้ว่าเราชอบไข่สุกหรือไม่สุก

เช่นเดียวกัน AI สร้างรูปที่เราต้องการไม่ได้ เพราะ AI ไม่รู้ว่ารูปที่เราคิดต้องการเป็นยังไง

ข้อ 14. Fixing the egg

ถ้าเราอยากได้ไข่ดาวที่ต้องการ เราจะต้องทำให้ AI รู้เท่ากับเรา เช่น ให้ข้อมูลอย่าง:

Goal: ภาพปลายทางที่เราต้องการ (ภาพแมวน่ารัก)
Steps: ขั้นตอนที่จะไปถึงจุดหมาย (วาดแมวก่อน แล้วค่อยวาดองค์ประกอบอื่น ๆ ในภาพ)
Constraints: ข้อจำกัดหรือสิ่งที่ไม่ควรทำ (เช่น ไม่เอาแมวสีดำ ฉากหลังต้องดูสดใส)

ข้อ 15. Human in the loop: taste and iterate

Taste: เมื่อไข่ดาวมาเสิร์ฟ เราจะไม่รู้ว่าไข่ดาวอร่อยไหม จนกว่าจะได้ลองชิมด้วยตัวเอง

การทำงานกับ AI ก็เช่นกัน เราไม่ควรจะบอกว่า สิ่งที่ AI ส่งกลับมาดีไหม จนกว่าจะได้เช็กด้วยตัวเอง

Iterate: ถ้าชิมแล้วไข่ดาวไม่อร่อย เราจะบอกกับคนทอดว่า ไม่อร่อยเพราะอะไร และจะทำยังไงให้อร่อยมากขึ้น และรอชิมไข่จานต่อไป

ถ้าสิ่งที่ AI ส่งกลับมาไม่ตรงใจ เราควรจะบอก AI ว่าอะไรที่ยังไม่ถูกใจ เพื่อให้ AI ปรับผลลัพธ์และส่งกลับมาให้เราเช็กจนกว่าเราจะพอใจกับงานของ AI

ข้อ 16. Be accountable

เราควรจะเช็กงานของ AI ทุกครั้ง เพราะถ้าเราไม่รับผิดชอบกับงานของ AI เราอาจจะเป็นเหมือนทนายความจากออสเตรเลียที่ถูกตรวจสอบ หลังจากศาลพบว่าเอกสารที่ทนายนำส่งเป็นข้อมูลที่ไม่มีอยู่จริง

แม้ทนายจะอ้างว่ารู้เท่าไม่ถึงการณ์ว่า AI ที่บริษัทให้ใช้สามารถสร้างข้อมูลที่ไม่มีอยู่จริงได้ และตัวเองควรตรวจสอบข้อมูลจาก AI ก่อน ศาลยังสั่งให้ทนายงดว่าความด้วยตัวเองเป็นเวลา 2 ปี โดยในระยะเวลานี้จะต้องทำงานเป็นลูกจ้างของคนอื่น และต้องรายงานต่อศาลทุกไตรมาส

ดังนั้น ไม่ว่างานของ AI จะดูดีขนาดไหน เราควรจะตรวจสอบด้วยตัวเองก่อนที่จะนำงานไปใช้จริง

👷 Part III. How to Prompt

ข้อ 17. Prompt and prompt engineering

Prompt คือ คำสั่งสำหรับทำงานกับ AI ซึ่งจะเป็น:

ข้อความ
ภาพ
เสียง

หรือสื่ออื่น ๆ ก็ได้

Prompt engineering คือ การออกแบบ prompt เพื่อทำให้ AI ทำงานได้อย่างมีประสิทธิภาพสูงสุด

ข้อ 18. Effective prompts

Prompt ที่ดีมีลักษณะ 3 อย่าง:

Clear: ชัดเจนว่า สิ่งที่ต้องทำคืออะไร
Specific: มีความเจาะจง ไม่คลุมเครือ
Structured: มีโครงสร้างที่ดี รู้ว่าข้อมูลไหนคืออะไรและต้องใช้ยังไง

นอกจากนี้ ทั้ง 3 อย่างต้องทำงานภายในเป้าหมายและขอบเขตงานที่เราต้องทำ

ข้อ 19. How and what of prompting

การเขียน prompt ที่เราจะต้องรู้มี 2 อย่าง:

Prompting technique (how): วิธีเขียน prompt ให้ AI เข้าใจ
Prompting framework (what): สิ่งที่เราจะควรใส่ลงใน prompt

ข้อ 20. Prompting technique: n-shot

n-shot technique เป็นการสั่ง AI โดยให้ตัวอย่าง (shot) และแบ่งได้เป็น 3 ประเภท:

Zero-shot: สั่งโดยไม่ให้ตัวอย่าง
One-shot: สั่งโดยให้ 1 ตัวอย่าง
Few-shot: สั่งโดยให้หลายตัวอย่าง

เราจะใช้ shot น้อยเมื่อต้องการให้คำตอบของ AI มีความหลากหลาย (มีความสร้างสรรค์)

และใช้ shot เยอะเมื่อต้องการให้คำตอบของ AI ใกล้เคียงกับภาพที่เราต้องการมากที่สุด

ตัวอย่างการใช้ n-shot:

จะสังเกตว่า ยิ่งให้ shot เยอะ คำตอบของ AI ก็จะยิ่งใกล้เคียงกับตัวอย่างมากขึ้น (zero-shot ให้สัตว์ป่า แต่ few-shot ให้สัตว์เลี้ยง)

ข้อ 21. Prompting technique: COT

COT ย่อมาจาก chain-of-thought ซึ่งเป็นวิธีเขียน prompt โดยกำหนดวิธีคิดให้กับ AI

เช่น แทนที่ให้ AI แก้โจทย์เลขในทันที:

			
A ซื้อส้ม 2 ลูก ลูกละ 10 บาท A ต้องจ่ายเงินเท่าไร

เราจะสอนให้ AI คิดก่อน:

			
A ซื้อส้ม 2 ลูก ลูกละ 10 บาท
วิธีคิด:
1. หาว่า ส้มราคาลูกละเท่าไร
2. คูณจำนวนราคาด้วยจำนวนส้มที่ต้องซื้อ
A ต้องจ่ายเงินเท่าไร

		

COT เหมาะกับงานที่ซับซ้อนหรือมีหลายขั้นตอน เช่น:

แก้สมการเลข
วิเคราะห์งานวิจัย
การวางแผนเชิงกลยุทธ์

ข้อ 22. Prompting framework: theatre model

Theatre model เป็นแนวการเขียน prompt ที่มนุษย์เป็นเหมือนผู้กำกับ และ AI เป็นนักแสดงบนเวทีของเรา

Theatre model ประกอบด้วย 6 ส่วน ได้แก่:

Role: บทบาทของ AI
Context: setting ของละคร (บริบทในการทำงาน)
Task: การเดินเรื่อง (เป้าหมาย ขั้นตอน และข้อจำกัด)
Output format: จุดจบของเรื่องจะเป็นยังไง (ส่งที่ AI ต้องส่งให้เรา)
Input: อุปกรณ์ที่จะให้นักแสดงใช้ (ข้อมูลสำหรับ AI)
Execution: “Action!” (คำสั่งให้ AI)

ตัวอย่างการใช้ theatre model เพื่อสร้างสูตรอาหารใหม่:

Part	Example
Role	คุณเป็น cook มืออาชีพ มีประสบการณ์ทำงานอาหารไทยและนานาชาติมากกว่า 30 ปี
Context	คุณกำลังเข้าร่วมแข่งอยู่ในรายการทำอาหาร เพื่อชิงเงินรางวัล 10 ล้านบาท โจทย์คืออาหารไทยฟิวชั่น
Task	คิดสูตรอาหารไทยฟิวชัน โดยต้องมีวัตถุดิบที่กำหนดอยู่ในอาหาร ตั้งชื่อจาน และบอกวิธีการเตรียมอาหาร อาหารจะต้องมีความเป็นไทย และถูกปากคนทุกชาติ ห้ามเป็นอาหารที่มีอยู่แล้ว
Output format	ส่งกลับมาในรูปแบบนี้: ชื่ออาหาร: xxx ขั้นตอนการทำ: xxx
Input	วัตถุดิบที่ต้องมี: 1. ใบโหระพา 2. เนื้อไก่ 3. ผักชี
Execution	คิดสูตรอาหารเลย

ข้อ 23. Annotation

เพื่อช่วยให้ AI เข้าใจ prompt ได้มากขึ้น เราควรจัด format ให้อ่านง่ายโดยใช้ XML tags และ markdown:

XML tags เช่น <example>ตัวอย่าง</example>
Markdown เช่น # และ *

อ่านเพิ่มเติมเกี่ยวกับ XML tags และ markdown

ข้อ 24. Iterate

Prompt แรกอาจจะไม่ให้ในสิ่งที่เราต้องการเสมอไป

สิ่งที่เราต้องทำ คือ วิเคราะห์ว่า ผลลัพธ์ยังขาดอะไรไป และมีส่วนไหนของ prompt ที่เราปรับได้ แล้วส่ง prompt ที่แก้แล้วให้ AI อีกครั้ง

ทำอย่างนี้วนไปจนกว่าจะได้ผลลัพธ์ที่เราต้องการ

ข้อ 25. Ask AI

ถ้าไม่รู้ว่าจะเขียน prompt ยังไง หรือ prompt ยังขาดอะไรไป เราสามารถถาม AI ได้ให้ช่วยเราได้

ตัวอย่าง:

🚀 Part IV. Future Trends

ข้อ 26. AI, more agentic

AI จะทำงานแบบอัตโนมัติมากขึ้น และมีมนุษย์เข้ามาเกี่ยวข้องน้อยลง

ข้อ 27. Human and AI getting closer

เพราะ AI จะทำงานได้ด้วยตัวเองมากขึ้น AI จะเข้ามามีบทบาทในการทำงานมากขึ้น ทำให้มนุษย์จะทำงานกับ AI อย่างใกล้ชิดมากขึ้น

😌 Part V. Be Human

ข้อ 28. Humans required

แม้ว่า AI จะสามารถทำงานหลาย ๆ อย่างแทนมนุษย์ได้ แต่ในบางงาน เรายังต้องการมนุษย์ด้วยกันเองอยู่ เช่น:

นักบิน: แม้ AI จะขับเครื่องบินได้ แต่เราก็อยากให้มีนักบินที่สามารถแก้ปัญหาเฉพาะหน้าอยู่ในห้องนักบิน
หมอ: แม้ AI จะวินิจฉัยโรคได้แม่นยำกว่ามนุษย์ แต่เราก็ยังต้องการให้มีคนบอกข่าวดี/ร้ายเป็นคนที่เข้าใจความรู้สึกของเรา
Customer service: บางครั้ง เราก็ต้องการคุยกับคนมากกว่า chatbot ที่ตอบเป็น pattern

ข้อ 29. Skill, like muscle

ทักษะก็เป็นเหมือนกล้ามเนื้อ เมื่อไม่ได้ใช้งาน ก็จะอ่อนแอลงเรื่อย ๆ

ถ้าเราใช้ AI ทำทุกอย่างให้เรา ทักษะที่เราเคยมีก็จะค่อย ๆ หายไป

ข้อ 30. What not to outsource to AI

4 ทักษะที่เราควรฝึกพัฒนา และไม่ควรให้ AI ทำแทนเรา ได้แก่:

Thinking: การคิด เพราะถ้าเราคิดไม่ได้แล้ว เราจะไม่ประเมินงานของ AI ได้ว่าดี/ไม่ดี
Learning: ถ้าเราไม่เรียนรู้สิ่งใหม่ ๆ เราจะถูกทิ้งไว้ข้างหลัง โดยเฉพาะในยุคที่การเปลี่ยนแปลงเกิดขึ้นอย่างรวดเร็ว
Writing and reading: การเขียนและการอ่านเป็นทักษะที่ช่วยให้เราคิดและเรียนรู้ได้อย่างมีประสิทธิภาพ
Empathy: การเข้าใจคนอื่นเป็นทักษะที่ช่วยให้เราเข้าใจคนอื่นและเชื่อมโยงถึงกันและกันในแบบที่ AI ยังไม่สามารถทำได้

ข้อ 31. When to use AI

3 กรณีที่เราจะใช้ AI:

Routine: ใช้ AI ทำงานจำเจหรืองานที่ต้องเป็นประจำ เพื่อที่เราจะได้โฟกัสงานที่ต้องใช้ความคิดมากขึ้น
What and how: ใช้ AI ทำงานในขณะที่เราโฟกัสกับภาพใหญ่ ซึ่งได้แก่ when (ทำเมื่อไร) และ why (ทำไมต้องทำ)
Brainstorm: ใช้ AI ช่วยระดมความคิด เพราะ AI มีข้อมูลเยอะ และช่วยให้เห็นมุมมองที่เราคิดไม่ถึงมาก่อนได้

🔔 ใครที่ชอบบทความนี้ ฝากกด subscribe และติดตามกันได้ที่:

Website: shinoshigoto.com
Facebook: Svaron Solution
Instagram: @svaronsolution
Thread: @svaronsolution

26.02.2026

สร้าง chatbot ส่วนตัว ใน 5 ขั้นตอน ด้วย OpenAI library ใน Python — ตัวอย่างการสร้าง Gemini chatbot
ในบทความนี้ เราจะมาดูวิธีสร้าง chatbot ส่วนตัว ด้วย openai library ใน Python ใน 5 ขั้นตอนกัน:
1. Import libraries
2. Create a client
3. Create a chat history
4. Create a chat function
5. Chat
Note: เราจะรัน code ตัวอย่างบน Google Colab ซึ่งทุกคนสามารถดูได้ Gemini Chatbot in Google Colab

ถ้าพร้อมแล้ว ไปเริ่มกันเลย
🏁 Step 1. Import Libraries

ในขั้นแรก เราจะโหลด 2 libraries ที่เกี่ยวข้อง ซึ่งได้แก่:
1. openai: สำหรับเรียกใช้ API ของ AI service *
2. display และ Markdown: สำหรับแสดง markdown text (อย่างคำตอบที่ส่งมาจาก AI) ให้อ่านง่าย
```
# Import libraries

# For Gemini
from openai import OpenAI

# For text rendering
from IPython.display import display, Markdown
```
Note: * openai library ถูกออกแบบสำหรับ OpenAI API แต่สามารถใช้งานกับ AI อื่น ๆ ได้ เช่น:
- Gemini
- Claude
- Typhoon
💁‍♂️ Step 2. Create a Client

ในขั้นที่ 2 เราจะสร้าง client เพื่อเชื่อมต่อกับ AI ที่เป็น “สมอง” ของ chatbot ด้วย OpenAI() ซึ่งต้องการ 2 arguments ได้แก่:
1. api_key: รหัส API ของเรา
2. base_url: URL สำหรับเรียกใช้ API
ในตัวอย่าง เราจะเรียกใช้ Gemini ซึ่งเราสามารถกำหนด arguments ได้ดังนี้:
```
# Create client
client = OpenAI(
    api_key="YOUR_API_KEY_HERE",
    base_url="<https://generativelanguage.googleapis.com/v1beta/openai/>"
)
```
Note:
- ใส่ API key ใน "YOUR_API_KEY_HERE"
- ดูวิธีสร้าง API key ฟรีได้ที่ Using Gemini API keys
- สำหรับคนที่จะเรียกใช้ OpenAI API (ChatGPT) แทน Gemini เราสามารถข้ามการเขียน base_url ไปได้
🙊 Step 3. Create a Chat History

ในขั้นที่ 3 เราจะสร้าง chat history เพื่อเก็บ:
1. System prompt ที่กำหนดพฤติกรรมของ chatbot (ในตัวอย่าง เราจะกำหนดให้เป็นผู้ช่วยที่กระตือรือร้น)
2. ประวัติการพูดคุยระหว่างเรากับ chatbot ซึ่งจะทำให้ chatbot จำสิ่งที่คุยกันได้
```
# Set system prompt
system_prompt = """
You are a helpful, cheerful, and optimistic assistant.

Be concise, validate answers, and admit when you don’t know.

Make responses clear, easy to read, and sprinkle in playful emoji.
"""

# Instantiate chat history
chat_history = [
    {
        "role": "system",
        "content": system_prompt
    }
]
```
📨 Step 4. Create a Chat Function

ในขั้นที่ 4 เราจะสร้าง function ที่จะทำให้เราถาม-ตอบกับ chatbot แบบ real-time ได้:
```
# Create a function for chatbot
def chatbot(model="gemini-2.5-flash"):

    # Set chat history as global variable
    global chat_history

    # Print chat header
    display(Markdown("# 🟢 --- Chat Begins ---"))

    # Print chat instruction
    print("ℹ️ Type \\"end chat\\" to exit.")

    # Loop through conversation
    while True:

        # Render user prompt display
        display(Markdown("## 🧑‍💻 You:"))

        # Get user input
        user_prompt = input("")

        # Check if user wants to exit chat
        if user_prompt.lower() == "end chat":

            # Print goodbye message
            display(Markdown("## ✨ Assistant:\\n" + "👋 See you later!"))

            # End chat
            break

        # Append user input to chat history
        chat_history.append(
            {
                "role": "user",
                "content": user_prompt
            }
        )

        # Get response
        response = client.chat.completions.create(

            # Set prompt
            messages=chat_history,

            # Set model
            model=model
        )

        # Append response to history
        chat_history.append(
            {
                "role": "assistant",
                "content": response.choices[0].message.content
            }
        )

        # Render response
        display(Markdown("## ✨ Assistant:\\n" + response.choices[0].message.content + "\\n"))
```
💬 Step 5. Chat

ในขั้นสุดท้าย เราจะเรียกใช้งาน chatbot() เพื่อเริ่มคุยกับ AI เลย:
```
# Start chatting
chatbot()
```
ผลลัพธ์:

👍 Google Colab

ดูตัวอย่าง code ทั้งหมดได้ที่ Google Colab

📃 References
- Intro — Getting Started with Gemini API using Google Colab
- OpenAI compatibility
12.02.2026
Python for AI: รวบรวม 8 บทความการทำงานกับ AI ใน Python
ในช่วงที่ผ่านมา ผมมีโอกาสแชร์การใช้ Python เพื่อทำงานกับ AI จากการที่ผมได้ทำงานเกี่ยวกับ AI มากขึ้น

เพื่อช่วยในการแชร์ ผมได้สรุปเนื้อหาไว้ใน 8 บทความ (5 กลุ่ม) ซึ่งทุกคนสามารถอ่านตามได้ดังนี้:

🐍 Session #1. Intro to Python:
- Intro to Python: แนะนำการใช้งานและประเภทข้อมูลใน Python
🔁 Session #2. Control flow:
- Control flow: สอนใช้ statement เช่น if, for, while เพื่อควบคุมการทำงานของ Python
💻 Session #3. Functions:
- Functions: สอนการสร้าง function ใน Python
📦 Session #4. Packages and files:
- open(): สอนการทำงานกับไฟล์ด้วย base Python
- json package: สอนการทำงานกับ JSON ด้วย json package
- pd.read_csv(): สอนการทำงานกับ CSV ด้วย pandas package
🤖 Session #5. AI packages:
- openai package: สอนการทำงานกับ AI API ผ่าน openai package
- google-genai package: สอนการใช้ google-genai เพื่อทำงานกับ Gemini API
23.12.2025
สรุป 7 ประเด็น AI Transformation จาก 7 Speakers ในงาน DigiTech ASEAN Thailand 2025
ในบทความนี้ ผมจะมาสรุป 7 ประเด็น AI transformation จาก 7 speakers บนเวที Global Tech Conference ในงาน DigiTech ASEAN Thailand 2025 เมื่อวันที่ 19 พ.ย. ที่ผ่านมา:
1. Future trends: แนวโน้ม AI ในโลกอนาคต
2. How to AI transformation: แนวคิดในการทำ AI transformation ในองค์กร
3. Factors to consider: ปัจจัยที่ควรพิจารณาในการทำ AI transformation
4. People management: การบริหารพนักงานในองค์กรในยุคของ AI
5. Risks to consider: ความเสี่ยงในการทำ AI transformation
6. AI solution showcases: ตัวอย่าง AI solutions จาก SCBX และ KBTG
7. Surviving in the age of AI: แนวคิดในการเอาตัวรอดในยุค AI
ถ้าพร้อมแล้ว ไปเริ่มกันเลย
🚀 Topic 1. Future Trends

ประเด็นในเรื่อง future trends มีอยู่ 3 เรื่อง ได้แก่:
1. AI is here to stay
2. AI, more agentic
3. Human-AI collaboration
.

🤖 AI Is Here to Stay.

AI ก็เหมือนกับคอมพิวเตอร์ในยุคก่อน เราไม่มีทางที่จะย้อนกลับไปในยุคที่ไม่มี AI อีกแล้ว และเราต้องเรียนรู้ที่จะอยู่ร่วมกับ AI

.

😎 AI, More Agentic

การใช้งาน AI เปลี่ยนจากการใช้ GenAI มาเป็น agentic AI มากขึ้นเรื่อย ๆ (สอดคล้องกับเวทีในปีก่อนที่บอกว่า การใช้ AI ในปี 2025 จะกลายมาเป็น agentic AI)

.

🤝 Human-AI Collaboration

มนุษย์จะยังคงเป็นส่วนสำคัญในโลก แต่บทบาทของมนุษย์จะเปลี่ยนแปลงไป แต่เปลี่ยนแปลงไปยังไง ยังไม่มีใครรู้แน่ชัด

👷 Topic 2. How to AI Transformation

แนวคิดในการทำ AI transformation ในองค์กรมีอยู่ 5 ขั้นตอน ได้แก่:
1. Pain points
2. Prioritise, relentlessly
3. Set goal and plan
4. Communicate
5. Track success
.

🫨 Pain Points

เราไม่ควร transform เพียงเพราะองค์กรอื่นทำได้ เพราะแต่ละองค์กรมีบริบทที่แตกต่างกัน การที่ Amazon ทำได้ ไม่ได้หมายความว่า Google หรือเราจะทำได้ด้วยวิธีการเดียวกัน

AI transformation ไม่มี one-size-fits-all และสิ่งที่เราต้องการหา pain point ให้เจอ: อะไรคือปัญหาที่เราต้องการแก้ในองค์กรของเรา?

วิธีหนึ่งที่ช่วยให้เรามองเห็นปัญหาได้ คือ การลงไปดูหน้างานจริง

ยกตัวอย่าง Makro ที่พบว่า พนักงานมีปัญหาในการยกถุงผงซักฟองลงจากชั้นวาง เพราะพนักงานส่วนใหญ่เป็นผู้หญิงและถุงผงซักฟองมีน้ำหนักมาก Makro จะไม่เห็นปัญหานี้เลยถ้าผู้จัดการนั่งอยู่แต่ในออฟฟิศ เพราะบนรายงานการขาย เราจะเห็นแค่ว่าผงซักฟองเป็นสินค้าขายดี

.

💪 Prioritise, Relentlessly

ในองค์กร เราอาจจะมีปัญหามากมายที่เราต้องการแก้ไข:
- เพิ่ม productivity
- พัฒนา product ใหม่
- เพิ่ม engagement กับลูกค้า
แต่ด้วยเวลาและงบประมาณ เราจะต้องเลือกว่าจะจัดการปัญหาไหนก่อน

เราจะต้องคอยจัดลำดับความสำคัญอย่างไม่ลดละเพื่อไม่ให้เราหลงทางในยุคที่การเปลี่ยนแปลงและปัญหาเกิดขึ้นอย่างรวดเร็ว

เรามี 3 frameworks ที่ช่วยเราได้:

Framework #1. Impact: ดูว่า AI solution ที่เราจะทำ สามารถใช้ได้ทั้งในระดับกลุ่ม (group level) และบริษัท (company level) ไหม

Framework #2. Priority: ดูความเป็นไปได้ในการประยุกต์ใช้ (feasibility) และคุณค่าทางธุรกิจ (business value) ที่เราจะได้รับ

Framework #3. Innovation: ดูว่า AI solution ที่เราต้องการมีคนทำอยู่แล้วไหม (off-the-shelf solution) และระดับความต้องการของเรา (need)

.

⛰️ Set Goal & Plan

เมื่อเราได้ปัญหาที่เราต้องการแก้ไขแล้ว สิ่งต่อไปที่เราต้องทำ คือ กำหนดเป้าหมายและวางแผน

เราอาจจะวางแผน 1 ปี, 3 ปี, 5 ปี ซึ่งยิ่งแผนระยะยาวเท่าไร ก็ยิ่งมีโอกาสจะเปลี่ยนได้ง่าย เพราะเทคโนโลยีมีการเปลี่ยนแปลงอย่างรวดเร็ว อย่างแผน 5 ปีในปีนี้อาจแตกต่างกันอย่างสิ้นเชิงกับแผน 5 ปีในปีหน้า

แต่มีแผนดีกว่าไม่มีแผน เพราะอย่างน้อย เราจะรู้ว่าเราจะต้องทำอะไร และแม้แผนจะเปลี่ยน แต่เป้าหมายเรายังเหมือนเดิม

.

👄 Communicate

การตั้งเป้าหมายไม่พอ เรายังต้องสื่อสารและทำให้แน่ใจว่า ทุกคนเห็นและเข้าใจเป้าหมายเดียวกัน

ถ้าเราทำให้ทุกคนเห็นเป้าหมายเดียวกันได้ แม้ต่างคนต่างจะมี job to be done ที่แตกต่างกัน แต่ทุกคนก็จะยังเดินไปในทิศทางเดียวกัน

.

📋 Track Success

สุดท้าย เราจะต้องคอยติดตามผลความคืบหน้า เพื่อให้เราปรับเปลี่ยนวิธีการตามหน้างาน และทำให้แน่ใจว่า เรายังมุ่งหน้าไปในทิศที่เราต้องการอยู่

☝️ Topic 3. Factors to Consider

เรามีปัจจัยที่ต้องพิจารณาในการทำ AI transformation มีอยู่ 4 อย่าง ได้แก่:
1. People: พนักงานและลูกค้าของเรา
2. Culture: วัฒนธรรมขององค์กร
3. Systems/tools/tech: ระบบ เครื่องมือ และเทคโนโลยี
4. Finance: เงิน (เพราะองค์กรอยู่ได้ด้วยเงินทุน)
People เป็นสิ่งที่เราต้องให้ความสำคัญเป็นอันดับแรก เพราะถ้าเราโฟกัสที่ technology แต่พนักงานหรือลูกค้าไม่พร้อมที่จะใช้เครื่องมือใหม่ เราอาจจะได้ AI solution ที่ไม่มีใครใช้

🤠 Topic 4. People Management

การบริหารพนักงานในยุคของ AI มีอยู่ 3 หัวข้อ ได้แก่:
1. Mindset
2. Building culture
3. Generation gap
.

♥️ Mindset

สิ่งที่เราต้องการในพนักงาน คือ mindset เพราะถ้าขาด mindset ที่เหมาะสม ไม่ว่าเราจะทำ AI transformation ดีขนาดไหน ก็อาจจะไม่สำเร็จ

Mindset อาจจะเริ่มที่ตัวเราก่อน เช่น ถ้าเราอยากทำ AI transformation แต่เราไม่ชอบ AI เราต้องหันกลับมามองว่า ถ้า AI เป็นสิ่งที่หลีกเลี่ยงไม่ได้ เป็นเราหรือเปล่าที่จะต้องเปลี่ยน

ถ้าเราไม่เปลี่ยน โลกก็จะเคลื่อนไปข้างหน้าโดยไม่มีเรา

.

😈 Building Culture

สิ่งที่เราต้องการในองค์กร คือ diversity

เราไม่ต้องการพนักงานที่มีลักษณะนิสัยเหมือนกันหมด เพราะ culture ที่มีคนแบบเดียวกัน คือ culture ที่จะหยุดนิ่ง เปลี่ยนแปลงได้ยาก

ในการคัดเลือกพนักงาน เราไม่ควรปล่อยให้หัวหน้างานเลือกพนักงานเอง แต่ควรมีกระบวนการที่จะช่วยให้เราคัดเลือกพนักงานอย่างไม่ลำเอียงได้ เช่น มีการสัมภาษณ์หลายครั้งเพื่อให้ได้ความเห็นจากหลายมุมมอง

นอกจากนี้ เราควรบอกว่า คนที่เป็น “ขบถ” หรือแตกต่าง มากกว่ามองหา “ขนมเปี๊ยะ” หรือคนที่ดูภายนอกหน้าตาเหมือนกันไปหมด

.

👶 Generation Gap

Generation gap เป็นสิ่งที่หลีกเลี่ยงได้ยาก โดยเฉพาะในองค์กรขนาดใหญ่

แต่ละ generation มีมุมมอง จุดแข็งและจุดอ่อนที่แตกต่างกันไป ซึ่งบางทีก็ทำให้เกิด conflict ระหว่างพนักงานได้

ถ้าเราอยากทำให้เกิด collaboration แทน เราจะต้องโฟกัสไปที่จุดแข็งของแต่ละ generation เช่น:
- Generation ที่อายุมากกว่า อาจจะไม่เชี่ยวชาญเทคโนโลยีเท่ากับรุ่นใหม่ แต่มีประสบการณ์และความเชี่ยวชาญมากกว่า
- Generation ที่อายุน้อยกว่า แม้จะไม่มีประสบการณ์เท่ากับคนรุ่นก่อน แต่ก็มีความเชี่ยวชาญและคุ้นชินกับเทคโนโลยีใหม่ ๆ มากกว่า
ถ้าเราสามารถดึงจุดแข็งของแต่ละรุ่นขึ้นมา เราก็จะทำให้เกิด collaboration ระหว่างพนักงานในองค์กรได้

🚨 Topic 5. Risks to Consider

ความเสี่ยงในการทำ AI transformation มีอยู่ 8 ข้อ ได้แก่:
1. Cybersecurity threat: ความปลอดภัยของระบบ
2. Employee resistance: การต่อต้านของพนักงาน
3. Cost overrun: ใช้งบประมาณเกินกำหนด
4. Data loss: การสูญเสียข้อมูล โดยเฉพาะข้อมูลที่สำคัญต่อองค์กร
5. Vendor lock-in: การพึ่งพา vendor แค่เจ้าเดียว
6. Compliance issues: ปัญหาการปฏิบัติตามกฎ ระเบียบ และข้อบังคับต่าง ๆ
7. System downtime: ระบบหยุดทำงานและส่งผลต่อการทำงานของพนักงาน
8. Integration challenges: ความท้าทายในการเชื่อมต่อกับระบบอื่น ๆ
👾 Topic 6. AI Solution Showcases: SCBX & KBTG

.

🟣 SCBX

SCBX นำเสนอ 2 ตัวอย่างการใช้ AI เพื่อแก้ปัญหาในองค์กร ได้แก่:
1. ARIS (Advanced Reputation Intelligence System)
2. PITAG (Predictive Intelligence for Tactical Anti-fraud Guardian)
Case 1. ARIS เป็นระบบตรวจจับ incident หรือเหตุการณ์ที่อาจสร้างความเสียหายต่อชื่อเสียงขององค์กร ซึ่งช่วยให้ SCBX สามารถรับรู้และรับมือ incident ต่าง ๆ (เช่น ข่าวว่าแอป SCB ถูกแฮ็ก) ได้อย่างทันท่วงที

ARIS มีการทำงาน 4 ขั้นตอน:
1. Data pruning: คัดกรอง content บนอินเทอร์เน็ตที่เกี่ยวข้องกับ SCBX (เช่น แอป SCB)
2. Sentiment analysis: แยกประเภท content เป็นเขียว เหลือง และแดง พร้อมจับกลุ่ม content ที่อยู่ในหัวข้อเดียวกัน (เช่น แอป SCB ขัดข้อง)
3. Incident detection: ประเมินว่า แต่ละหัวข้อ (แอป SCB ขัดข้อง) เป็น incident ไหม และถ้าใช่ เป็น incident ระดับไหน
4. Real-time dashboard: แสดงผลบนหน้าจอ เพื่อให้พนักงานรับรู้ถึง incident ได้แบบ real-time
Case 2. PITAG เป็น agentic AI สำหรับตรวจจับ fraud และแบ่งการทำงานเป็น 4 ขั้นตอน:
1. Data collector agent: รวบรวมข้อมูลเกี่ยวกับลูกค้า ทั้งข้อมูลบนระบบ และข้อมูลจากแหล่งอื่น ๆ (เช่น หน่วยงานทางการเงินที่เกี่ยวข้อง)
2. Investigator agent: ตรวจสอบข้อมูลและประเมินแนวโน้มที่จะเป็น fraud
3. Executor agent: จัดการกับเคสความเสี่ยง (เช่น โทรขอข้อมูลเพิ่มเติมจากลูกค้า หรือจำกัดวงเงินในการใช้งาน)
4. Governance agent: กำกับการทำงานของ agents ให้เป็นไปตามกฎระเบียบข้อบังคับ
.

🟢 KBTG

KBTG นำเสนอ 6 AI use cases ในองค์กร ได้แก่:
1. Increase revenue: เพิ่มรายได้ให้กับองค์กร เช่น เพิ่มยอด sales leads, เพิ่มยอด conversion ผ่าน product และ promotion recommendation
2. Reduce risk: ลดความเสี่ยงในการทำธุรกรรม เช่น การประเมิน credit score
3. Streamline operation: ลดเวลาในการทำงาน เช่น ใช้ AI ช่วยประเมินความเสียหายของรถยนต์ และปรับแต่งรูปอสังหาริมทรัพย์เพื่อลงประกาศขาย
4. Protect customers: รักษาความปลอดภัยให้กับลูกค้า เช่น AINU ระบบยืนยันตัวตนด้วย AI
5. Improve productivity: เพิ่ม productivity เช่น ใช้ AI ช่วยเขียน code ซึ่งลดเวลาจากหลายชั่วโมงเหลือไม่กี่นาที
6. New products/services: พัฒนา products ใหม่ ๆ เช่น แอปเหมียวจด และ Future You แอปสำหรับพัฒนาตัวเองผ่านการพูดคุยกับตัวเองในอนาคต
💡 Topic 7. Surviving in the Age of AI

ผมขอทิ้งท้ายบทความด้วย 10 ข้อคิดดี ๆ ในการเอาตัวรอดในยุค AI:
1. Focus on one problem at a time. If you focus on many problems, a year from now you’ll still be where you are now.
2. Break your goal into smaller ones. Get the small wins first.
3. Don’t be afraid to fail; if you are, you’ve already failed.
4. ผิดพลาดได้ แต่สิ่งที่สำคัญ คือ จะทำยังไงให้ไม่ผิดซ้ำ
5. Be resilient, be persistent.
6. เราไม่ต้องกลัว AI แทนที่เรา ถ้าเรายังพัฒนาตัวเองอยู่เสมอ
7. คนที่จะมาแทนที่เราไม่ใช่ AI แค่คือคนที่ใช้ AI เก่งกว่าเรา
8. สร้าง blue ocean ของตัวเอง ด้วยการทำสิ่งที่ไม่เหมือนใคร
9. ทำงานเร็วจะต้องตั้งอยู่บนความเป็นจริงและตรงเป้าหมาย ไม่อย่างนั้น ก็จะเป็นความเร็วไร้ทิศทางที่ทำให้เราพังเร็วขึ้น
10. ความเร็วไม่ใช่ทุกอย่าง แต่ละคนเก่งไม่เหมือนกัน เราจะต้องหาให้เจอว่า ใครทำอะไรได้ดีและหางานนั้นให้เขาทำ
🎤 List of Sessions

7 หัวข้อบนเวที Global Tech Conference:
1. ดิจิทัลไม่ใช่แค่ฝ่าย IT แต่คือภารกิจของ CEO ในการขับเคลื่อนองค์กร โดย คุณสุธีรพันธุ์ สักรวัตร, ประธานเจ้าหน้าที่ฝ่ายการตลาด, SCBX
2. จากวิสัยทัศน์สู่ความเร็ว: คู่มือทรานส์ฟอร์มองค์กรสู่ยุคเรียลไทม์ โดย ดร.ธีรเดช ดำรงค์พลาสิทธิ์, หัวหน้าคณะผู้บริหารด้านกลุ่มธุรกิจองค์กร, True Corporation
3. Technology & Talent Transformation โดย คุณ Shaun Wong, Chief Corporate Planning Officer, CP Axtra
4. พลิกมุมคิด ผู้นำ ธุรกิจยุคใหม่: ทรานส์ฟอร์มองค์กรอย่างไรให้รอดในปี 2030 โดย คุณกานติมา เลอเลิศยุติธรรม, รองประธานเจ้าหน้าที่บริหาร ด้านธุรธิจองค์กร, AIS
5. Smart CEO in AI Era: ผู้นำองค์กรต้องปรับตัวอย่างไรในโลกที่ AI วิ่งเร็วกว่าเรา โดย ดร.ธรรม์ธีร์ สุกโชติรัตน์, CEO, JIB AI
6. จากดิจิทัลสู่ความอัจฉริยะ: ก้าวต่อไปของเทคโนโลยีธุรกิจยุคใหม่ โดย ดร.ทัดพงศ์ พงศ์ถาวรกมล, กรรมการผู้จัดการ, KBTG
7. The New Corporate DNA: สร้างองค์กรไว ปรับง่ายโตได้ทุกจังหวะ โดย คุณเปา พีรดนย์ เหมยากร, ประธานเจ้าหน้าที่บริหารและผู้ก่อตั้ง, iHAVECPU
🔗 Related Links
27.11.2025

สรุป 2 บทเรียนจาก workshop “Compassionate Leadership in the Age of AI” โดยคุณดามพ์ (มงคล หงษ์ชัย) ในงาน PMAT 60th: Compassion และ DEMO — 2 เครื่องมือเพื่อความสำเร็จในการพัฒนา AI solution ในองค์กร

ในบทความนี้ ผมจะมาสรุปเนื้อหาจาก workshop “Compassionate Leadership in the Age of AI” ของคุณดามพ์ (มงคล หงษ์ชัย) ผู้เชี่ยวชาญ agile leadership และ AI for future skills ในงาน PMAT 60th เมื่อวันที่ 12 พ.ย. ที่ผ่านมา

โดยเนื้อหาจะแบ่งเป็น 3 ส่วน ได้แก่:

Issues with AI adoption: ปัญหาการพัฒนา AI solution
Compassion: เครื่องมือทำความเข้าใจคน
DEMO: เครื่องมือทำความเข้าใจ process

ถ้าพร้อมแล้ว ไปเริ่มกันเลย

😭 The Issue With AI Solutions

95% ขององค์กรล้มเหลวในการสร้าง AI solution ที่สร้างกำไรได้จริง (The GenAI Divide: State of AI in Business 2025)

สาเหตุหลักของความล้มเหลวมีอยู่ 2 ข้อ ได้แก่:

People: ขาดความเข้าใจในผู้ที่เกี่ยวข้องกับการเปลี่ยนแปลง (เช่น พนักงานที่ต้องใช้ AI)
Process: ขาดความเข้าใจใน process งานที่นำ AI มาประยุกต์ใช้

ซึ่งทำให้ AI solution ที่ออกแบบไม่ตอบโจทย์คนใช้งานและไม่สามารถสร้างรายได้ให้กับองค์กรได้

เราสามารถแก้ทั้ง 2 สาเหตุนี้ได้ด้วย 2 เครื่องมือนี้:

Compassion: ช่วยทำความเข้าใจคน
DEMO: ช่วยทำความเข้าใจ process

🫂 Compassion: Tool for Understanding the People

❤️ Empathy

ถ้าเราจะเข้าใจคนอื่นได้ เราจะต้องมี empathy

Empathy เป็นคำที่มีคนพูดถึงอยู่บ่อย ๆ โดยเฉพาะในองค์กรที่ทำงานกับ design thinking ซึ่งใช้ empathy เป็นเครื่องมือหลักในการทำความเข้าใจปัญหาของ user เพื่อออกแบบ solution ที่ตอบโจทย์ user อย่างแท้จริง

Empathy ยังเป็น 1 ใน 4 ลักษณะสำคัญของ leader ในยุค VUCA (volatile, uncertain, complex, ambiguous) เคียงข้างกับ problem solving, relationship management, และ motivation อีกด้วย

Empathy เป็นสิ่งจำเป็น เพราะทำให้เราเข้าใจความรู้สึกและมุมมองของคนอื่นได้ เพราะ leader ที่ไม่มี empathy จะไม่สามารถ engage คนอื่นได้ เพราะไม่สามารถสร้าง motivation ให้กับคนอื่นได้ (Connect with Empathy, But Lead with Compassion)

แต่ empathy อย่างเดียวอาจไม่พอ และสิ่งที่เราต้องการจริง ๆ คือ compassion

🫂 Compassion

ในขณะที่ empathy ช่วยให้เรารับรู้ความรู้สึกและมุมมองของคนอื่น compassion ไม่เพียงแต่ช่วยให้เราเข้าถึงความรู้สึกของคนอื่น แต่ยังรวมไปถึงความต้องการที่จะช่วยคนอื่นอีกด้วย

Compassion แปลไทยได้ว่า “กรุณา” ซึ่งหมายถึง การช่วยให้คนอื่นพ้นทุกข์ และคำที่มักมาคู่กัน คือ “เมตตา” ซึ่งแปลว่า การทำให้คนอื่นมีความสุข (Buddhist beliefs – Edexcel)

Empathy เป็นสิ่งจำเป็นที่จะช่วยให้เรา connect กับคนอื่นได้ แต่ถ้าเราจะเป็น leader ที่ดี เราจะต้องมี compassion ด้วย เพราะ empathy อย่างเดียวอาจทำให้เราตัดสินใจผิดพลาดได้ ตามคำของ Paul Polman อดีต CEO ของ Unilever:

If I led with empathy, I would never be able to make a single decision. Why? Because with empathy, I mirror the emotions of others, which makes it impossible to consider the greater good.”

แปล:

ถ้าผมนำด้วย empathy ผมจะตัดสินใจไม่ได้สักอย่าง ทำไมหรอ? เพราะ empathy ทำให้ผมรู้สึกความรู้สึกของคนอื่น ซึ่งทำให้ผมคิดถึงประโยชน์ของส่วนรวมไม่ได้

มีงานวิจัยที่แสดงให้เห็นถึงข้อเสียของ empathy

ในงานวิจัย ผู้เข้าร่วมถูกขอให้เลือกว่า จะลัดคิวเด็กที่ป่วยหนักคนหนึ่งเพื่อให้ได้รับการรักษาก่อนคิวไหม โดยกลุ่มหนึ่งถูกขอให้ฟังและมีความรู้สึกร่วมในขณะที่เด็กเล่าถึงความเจ็บปวดจากโรค และอีกกลุ่มถูกขอให้ฟังโดยไม่ตัดสิน

ผู้เข้าร่วมกลุ่มแรกเลือกที่จะลัดคิวให้เด็กมากกว่าผู้เข้าร่วมในกลุ่มหลัง แม้ว่าผู้เชี่ยวชาญด้านการแพทย์จะคัดค้าน แม้ว่าการตัดสินใจลัดคิวจะเป็นผลดีต่อเด็ก แต่ทำให้ผู้ป่วยอื่น ๆ ที่อาจต้องการการรักษามากกว่าอยู่ในอันตรายได้ (Connect with Empathy, But Lead with Compassion)

ดังนั้น เราไม่ควรมีแต่ empathy แต่ควรมี compassion ด้วย

🧘 How to Develop Compassion

เราสามารถพัฒนา compassion ได้ 2 วิธี:

วิธีที่ 1. ฝึกอยู่กับปัจจุบันทั้งกายและใจ

แม้ว่าเวลาคุยกับคนอื่น เราอาจจะคิดว่าเราฟังอยู่ แต่จริง ๆ แล้วใจเราอาจไปอยู่ที่อื่น หรือเสียงในหัวเราอาจจะดังกลบเสียงคนที่กำลังพูด

เราสามารถฝึก compassion ได้โดยกลับมาอยู่กับสิ่งที่เกิดขึ้นในปัจจุบัน ซึ่งจะช่วยให้เราอยู่กับสิ่งที่คนอื่นกำลังพูดได้มากขึ้น

เราสามารถฝึกอยู่กับปัจจุบันได้ผ่านการนั่งสมาธิ หรือง่ายกว่านั้น คือ การสังเกตสิ่งที่กำลังเกิดขึ้นรอบตัวเรา เช่น:

ลมหายใจเข้าออกของเรา
ผิวของเนื้อผ้าที่เราสวมใส่
แอร์หรือลมที่ตกกระทบผิวของเรา

แค่เราฝึกสังเกตสิ่งที่เกิดขึ้นในแต่ละช่วงขณะ เราก็จะค่อย ๆ พัฒนา compassion ของเราขึ้นทีละนิด เพราะเราสามารถอยู่กับคนที่ต้องการความช่วยเหลือจากทั้งกายและใจ

วิธีที่ 2. ให้ AI ช่วย

เราสามารถให้ AI ช่วยพัฒนา compassion ได้ เช่น:

เล่าสถานการณ์ที่เราพูดคุยกับคนอื่นให้ AI ฟัง เพื่อให้ AI ให้มุมมองใหม่ ๆ กับเรา พร้อมแนะนำวิธีแสดง compassion เพิ่มเติมได้ (Using AI to Make You a More Compassionate Leader)
ให้ AI ช่วย role-play กับเรา ให้เราได้ฝึก compassion เหมือนในหน้างานจริง

🦾 DEMO: Tool for Understanding Process

📊 Why DEMO?

ทุกองค์กรมี chart มากมายสำหรับแสดงข้อมูลต่าง ๆ เช่น flow chart สำหรับแสดงขั้นตอนการทำงานในองค์กร และ organisation chart ที่แสดงผังองค์กร

Chart เหล่านี้ล้วนแสดงข้อมูลเป็นท่อน ๆ นั่นคือ แสดงรายละเอียดภาพย่อย แต่ขาดความเชื่อมโยงระหว่างข้อมูลที่สำคัญต่อการตัดสินใจในระดับบริหาร

ยกตัวอย่างเช่น flow chart แสดงการเบิกจ่ายค่าเดินทางให้พนักงาน:

ในรูป เราจะรู้ว่ามีขั้นตอนอะไรบ้างที่จะเกิดขึ้นก่อนพนักงานจะได้รับเงินค่าเดินทาง แต่เราไม่รู้ว่าขั้นตอนเหล่านี้เกี่ยวข้องกับส่วนอื่น ๆ ขององค์กรยังไงบ้าง เช่น:

แต่ละขั้นตอนมีใครเกี่ยวข้องบ้าง
มีเอกสารอะไรที่ต้องการใช้บ้าง
แต่ละขั้นตอนใช้เวลาเท่าไร

ถ้าเราต้องการเห็นภาพรวมของการทำงานในองค์กร เราจะใช้ DEMO

👷 What Is DEMO?

DEMO (ย่อมาจาก Design & Engineering Methodology for Organisations) เป็นหลักการในการออกแบบองค์กร ซึ่งมีวิธีการเขียน process ในระดับ high level ที่ช่วยให้ทำความเข้าใจและตัดสินใจได้ง่าย

ยกตัวอย่างการเขียน process การเบิกค่าเดินทางแบบ DEMO:

DEMO แสดง process ในรูปแบบของ transaction หรือการแลกเปลี่ยนระหว่าง 2 ฝ่าย ได้แก่:

Initiator: คนที่เริ่มการแลกเปลี่ยน (เช่น พนักงานที่ขอเบิกค่าเดินทาง)
Executor: คนที่ทำให้เกิดผลลัพธ์บางอย่างในระบบ (เช่น ฝ่ายบัญชีที่อนุมัติจ่าย)

ในแผนภาพแบบ DEMO (เรียกว่า OCD หรือ Organisation Construction Diagram) เราจะเห็นว่า:

การเบิกจ่ายเงินมีกี่ transaction (ดูจาก T01, T02, …)
แต่ละ transaction มีใครที่เกี่ยวข้องบ้าง
แต่ละ transaction ใช้เวลาเท่าไร (ตัวเลขใต้ T0x เช่น T01 ใช้เวลา 1 วัน)

OCD มาพร้อมกับตารางที่ให้ข้อมูลเพิ่มเติมเกี่ยวกับ transaction เช่น:

Transaction	Duration	Documents
T01. ส่งเอกสาร	1 วัน	ฟอร์มเบิกค่าเดินทาง, หลักฐานการเดินทาง, สำเนาบัตรประชาชน
T02. อนุมัติเบิก	1 วัน	ฟอร์มเบิกค่าเดินทาง, หลักฐานการเดินทาง
T03. ส่งเรื่องเบิก	2 วัน	ฟอร์มเบิกค่าเดินทาง, หลักฐานการเดินทาง
T04. เบิกจ่าย	3 วัน	อีเมลแจ้งการเบิกจ่าย

เมื่อเราดู OCD และตารางประกอบกัน เราจะสามารถระบุปัญหาและจุดที่ควรแก้ไขได้ในทันที เช่น:

เราตัดขั้นตอน T03 ออกได้ไหม? ให้ฝ่ายบัญชีจ่ายตรงให้พนักงานเลย
ทำไม T03 ใช้เวลานาน? ลดเหลือ 1 วันได้ไหม?
T01 ต้องใช้เอกสาร 3 อย่างเลยหรอ? ตัดสำเนาบัตรประชาชนออกได้หรือเปล่า?

ถ้าเรามองย้อนกลับไปที่ flow chart ก่อนหน้านี้ เราจะเห็นความแตกต่างอย่างชัดเจนว่า เราไม่สามารถตั้งคำถามเหล่านี้ได้ในทันที เพราะ flow chart ไม่ได้ให้ข้อมูลที่เพียงพอหรือจำเป็นต่อการตัดสินใจในการเปลี่ยนแปลง process งาน

ในทางตรงกันข้าม OCD สามารถให้ข้อมูลที่ช่วยให้เราทำความเข้าใจ process และระบุปัญหาที่ควรแก้ไขได้ในทันที

🤖 DEMO & AI Solution

เราสามารถนำ DEMO มาประยุกต์ใช้ในการออกแบบ AI solution ให้เหมาะกับองค์กรได้

ยกตัวอย่างเช่น สำหรับการเบิกค่าเดินทาง เราอาจจะอยากพัฒนา AI ขึ้นมาช่วยพนักงานยื่นเอกสารเบิกจ่าย (T01) แต่จะเห็นได้ว่า ถ้าเราทุ่มงบประมาณไปกับการพัฒนา AI ในส่วนนี้ เราจะลดภาระงานไปเพียง 1 วันเท่านั้น

แต่ถ้าเราพัฒนา AI เพื่อมาช่วยฝ่ายบัญชีส่งต่อเอกสารให้กับฝ่ายการเงิน (T03) หรือช่วยฝ่ายการเงินตั้งจ่ายและส่งอีเมลยืนยันการจ่าย (T04) เราจะสามารถลดเวลาได้มากขึ้น เพราะทั้ง 2 จุดนี้ใช้เวลามากที่สุดในขั้นตอนทั้งหมด ถ้าเราพัฒนา AI เพื่อช่วย T03 และ T04 แล้ว เราจะลดเวลาในการทำงานลงไปกว่าครึ่งของ process ทั้งหมด (5 จาก 7 วัน)

📋 How to DEMO

การเขียน OCD มีอยู่ 3 ขั้นตอน ได้แก่:

Gather data: เก็บข้อมูล process งานจากฝ่ายที่เกี่ยวข้อง (เช่น ฝ่ายบัญชี) โดยใช้ empathy และ compassion เพื่อช่วยให้เราเข้าใจและอยากช่วยเหลือ
Categorise data: จัดกลุ่มข้อมูลได้เป็น 3 ส่วน ได้แก่:
1. Forma: วิธีการสื่อสาร (เช่น อีเมล, แบบฟอร์ม)
2. Informa: สิ่งที่ต้องการสื่อสาร (เช่น คำขออนุมัติเบิกค่าเดินทาง)
3. Performa: สิ่งที่ทำให้เกิดผลลัพธ์ (เช่น การอนุมัติเบิก)
Convert to transaction: เปลี่ยนข้อมูลให้เป็น transaction ที่มี 3 องค์ประกอบ ได้แก่:
1. Actors: initiator และ executor
2. Documents: เอกสารที่เกี่ยวข้อง (เช่น ฟอร์มเบิกค่าเดินทาง, ใบเสร็จ)
3. Duration: ระยะเวลาที่ใช้สำหรับ transaction นั้น ๆ (เช่น 1 วัน)

💪 Summary

องค์กรส่วนใหญ่ล้มเหลวในการพัฒนา AI solution ให้ตอบโจทย์ เพราะขาดความเข้าใจ 2 อย่าง ได้แก่:

People: ความเข้าใจในคนที่เกี่ยวข้อง
Process: ความเข้าใจในกระบวนการทำงานที่จะเอา AI solution เข้าไปช่วย

เราสามารถแก้ทั้ง 2 สาเหตุนี้ได้ โดยใช้:

Compassion เพื่อทำความเข้าใจคน
DEMO เพื่อทำความเข้าใจกระบวนการทำงาน

📚 Further Reading

สำหรับคนที่สนใจศึกษาเชิงลึกเกี่ยวกับหัวข้อในบทความนี้ สามารถอ่านเพิ่มเติมได้ตามนี้

Compassion:

DEMO:

Bonus — สรุปงาน PMAT 60th:

20.11.2025

วิเคราะห์ resumes ใน 3 ขั้นตอน ด้วย Gemini ผ่าน OpenAI library ใน Python — ตัวอย่างการทำงานใน Google Colab

บทความนี้เหมาะสำหรับบริษัทหรือ HR ที่ต้องการใช้ AI ช่วยลดเวลาในการคัดกรองผู้สมัคร เพราะเราจะมาดูวิธีวิเคราะห์ resumes ด้วย Gemini ผ่าน OpenAI library ใน Python กัน

บทความนี้แบ่งเป็น 3 ส่วนตามขั้นตอนการวิเคราะห์ ได้แก่:

Install and load libraries
Set input
Analyse resumes

โดยเราจะไปดูตัวอย่างโดยใช้ Google Colab กัน (ดู code ทั้งหมดได้ที่นี่)

ถ้าพร้อมแล้ว ไปเริ่มกันเลย

⬇️ 1. Install & Load Libraries

ในขั้นแรก เราจะเรียกติดตั้งและโหลด libraries ที่จำเป็นดังนี้:

openai: สำหรับเรียกใช้ AI ผ่าน API
drive จาก google.colab: สำหรับเชื่อมต่อกับไฟล์ใน Google Drive
PyPDF2: สำหรับดึง text ออกจากไฟล์ PDF
textwrap: สำหรับลบย่อหน้าออกจาก string
Console จาก rich.console และ Markdown จาก rich.markdown: สำหรับ render การแสดงผล string ให้อ่านง่ายขึ้น

ติดตั้ง:

# Install libraries
!pip install PyPDF2

Note: Google Colab มี libraries อื่น ๆ อยู่แล้ว ทำให้เราแค่ต้องติดตั้ง PyPDF2 อย่างเดียว

โหลด:

# Load libraries

# Connect to Gemini
from openai import OpenAI

# Connect to Google Drive
from google.colab import drive

# Extract text from PDF
import PyPDF2

# Dedent text
import textwrap

# Render markdown text
from rich.console import Console
from rich.markdown import Markdown

🔧 2. Set the Input

สำหรับการวิเคราะห์ resumes เราต้องการ input 3 อย่าง ได้แก่:

Client: สำหรับเรียกใช้ Gemini API
Job description (JD): รายละเอียดตำแหน่งงานที่กำลังต้องการพนักงาน
Resumes: ข้อมูล resume ที่เราต้องการวิเคราะห์

เราไปดูวิธีกำหนด input แต่ละตัวกัน

🧑‍💻 (1) Client

เราสามารถกำหนด client ได้ด้วย OpenAI() ซึ่งต้องการ 2 arguments:

api_key: API key สำหรับเชื่อมต่อ API
base_url: base URL สำหรับเรียกใช้ AI service ซึ่งสำหรับ Gemini เราต้องกำหนดเป็น "<https://generativelanguage.googleapis.com/v1beta/openai/>"

ในตัวอย่าง เราจะเรียกใช้ OpenAI() แบบนี้:

# Create a client
client = OpenAI(api_key="YOUR_API_KEY", base_url="<https://generativelanguage.googleapis.com/v1beta/openai/>")

Note: ในกรณีใช้งานจริง ให้แทนที่ "YOUR_API_KEY" ด้วย API key จริง (ดูวิธีสร้าง API key ฟรีได้ที่ Using Gemini API keys)

💼 (2) JD

Input ที่ 2 สำหรับการวิเคราะห์ คือ JD ซึ่งเราสามารถกำหนดเป็น string ได้แบบนี้:

# Set the job description (JD)
web_dev_jd = """
Senior Web Developer

We're looking for a Senior Web Developer with a strong background in front-end development and a passion for creating dynamic, intuitive web experiences. The ideal candidate will have extensive experience with the entire development lifecycle, from project conception to final deployment and quality assurance. This role requires a blend of technical skill, creative collaboration, and a commitment to solving complex programming challenges.

Responsibilities
* Cooperate with designers to create clean, responsive interfaces and intuitive user experiences.
* Develop and maintain project concepts, ensuring an optimal workflow throughout the development cycle.
* Work with a team to manage large, complex design projects for corporate clients.
* Complete detailed programming tasks for both front-end and back-end server code.
* Conduct quality assurance tests to discover errors and optimize usability for all projects.

Qualifications
* Bachelor's degree in Computer Information Systems or a related field.
* Proven experience in all stages of the development cycle for dynamic web projects.
* Expertise in programming languages including PHP OOP, HTML5, JavaScript, CSS, and MySQL.
* Familiarity with various PHP frameworks such as Zend, Codeigniter, and Symfony.
* A strong background in project management and customer relations.
"""

Note: ในกรณีที่ JD เป็นไฟล์ PDF เราสามารถใช้วิธีดึงข้อมูลแบบเดียวกันกับ resumes ได้

📄 (3) Resumes

Input สุดท้าย คือ resumes ที่เราต้องการวิเคราะห์

ในตัวอย่าง เราจะดึงข้อมูล resumes จากไฟล์ PDF ใน Google Drive ใน 3 ขั้นตอน ได้แก่:

ขั้นที่ 1. เชื่อมต่อ Google Drive ด้วย drive.mount():

# Connect to Google Drive
drive.mount("/content/drive")

Note: Google จะถามยืนยันการให้สิทธิ์เข้าถึงไฟล์ใน Drive ให้เรากดยืนยันเพื่อไปต่อ

ขั้นที่ 2. กำหนด file path ของไฟล์ PDF ใน Google Drive:

# Set resume file paths
rs_file_paths = {
    "George Evans": "/content/drive/My Drive/Resumes/cv_george_evans.pdf",
    "Robert Richardson": "/content/drive/My Drive/Resumes/cv_robert_richardson.pdf",
    "Christine Smith": "/content/drive/My Drive/Resumes/cv_christine_smith.pdf"
}

Note: ในตัวอย่าง จะเห็นว่า เรามี resumes 3 ใบ (ดาวน์โหลด resumes ฟรีได้ที่ www.coolfreecv.com)

ขั้นที่ 3. ดึง text ออกจาก resumes ด้วย for loop และ PyPDF2:

# Extract resume texts

# Instantiate a collector
rs_texts = {}

# Loop through resume files to get text
for key in rs_file_paths:

    # Instantiate an empty string to store the extracted text
    rs_text = ""

    # Open the PDF file
    reader = PyPDF2.PdfReader(rs_file_paths[key])

    # Loop through the pages
    for i in range(len(reader.pages)):

        # Extract the text from the page
        text = reader.pages[i].extract_text()

        # Append the text to the string
        rs_text += text

    # Collect the extracted text
    rs_texts[key] = rs_text

ตัวอย่าง PDF และข้อมูลที่ดึงจาก PDF:

Contact  
+1 (970) 343  888 999 
george.evans@gmail.com  
<https://www.coolfreecv.com>  
32 ELM STREET MADISON, SD 
57042  
 George  Evans  
PHP / OOP   
Zend Framework  Summary  
Senior Web Developer specializing in front end development . 
Experienced with all stages of the development cycle for dynamic 
web projects. Well -versed in numerous programming languages 
including HTML5, PHP OOP, JavaScript, CSS, MySQL. Strong 
background in project management and customer relations. 
Perceived as versatile, unconventional and committed, I am 
looking for new and interesting programming challenges.  
Experience  
Web Developer - 09/201 8 to 05/20 22 
Luna Web Design, New York  
• Cooperate with designers to create clean interfaces and 
simple, intuitive interactions and experiences.  
• Develop project concepts and maintain optimal workflow.  
• Work with senior developer to manage large, complex 
design projects for corporate clients.  
• Complete detailed programming and development tasks 
for front end public and internal websites as well as 
challenging back -end server code.  
• Carry out quality assurance tests to discover errors and 
optimize usability.  
Education  
Bachelor of Science: Computer Information Systems  - 2018  
Columbia University, NY  
 
Certifications  
PHP Framework (certificate): Zend, Codeigniter, Symfony. 
Programming Languages: JavaScript, HTML5, PHP OOP, CSS, SQL, 
MySQL.  
Reference  
Adam Smith - Luna Web Design  
adam.smith@luna.com  +1(970 )555 555  Skills   
JavaScript   Symfony Framework

⚡ 3. Analyse the Resumes

ในขั้นสุดท้าย เราจะเปรียบเทียบความเหมาะสมของ resumes กับตำแหน่งงาน (JD) ใน 4 ขั้นตอน ดังนี้:

สร้าง function เพื่อเรียกใช้ Gemini
สร้าง function เพื่อใส่ input ใน prompt
วิเคราะห์ resumes โดยใช้ for loop และ functions จากข้อ 1, 2
Print ผลการวิเคราะห์

🤖 (1) Function เรียกใช้งาน Gemini

ในขั้นแรก เราจะสร้าง function สำหรับเรียกใช้ Gemini เพื่อให้ง่ายในการใช้งาน AI

ในตัวอย่าง เราจะกำหนด 3 arguments สำหรับ function:

prompts: list เก็บ system prompt และ user prompt
model: model ของ Gemini ที่เราจะเรียกใช้ (เช่น Gemini 2.5 Flash)
temp: ระดับความคิดสร้างสรรค์ของ model โดยมีค่าระหว่าง 0 และ 2 โดย 0 จะทำให้ model ให้คำตอบเหมือนกันทุกครั้ง และ 2 คำตอบจะแตกต่างกันทุกครั้ง

# Create a function to get a Gemini response
def get_gemini_response(prompts, model, temp):

    # Generate a response
    response = client.chat.completions.create(

        # Set the prompts
        messages=prompts,

        # Set the model
        model=model,

        # Set the temperature
        temperature=temp
    )

    # Return the response
    return response.choices[0].message.content

➕ (2) Function ใส่ Input ใน Prompt

ในขั้นที่ 2 เราจะสร้าง function เพื่อประกอบ input เข้ากับ prompt เพื่อพร้อมที่จะนำไปใช้ใน function ในขั้นที่ 1

ในตัวอย่างเราจะสร้าง function แบบนี้:

# Create a function to concatenate prompt + JD + resume
def concat_input(jd_text, rs_text):

    # Set the system prompt
    system_prompt = """
    # 1. Your Role
    You are an expert technical recruiter and resume analyst.
    """

    # Set the user prompt
    user_prompt = f"""
    # 2. Your Task
    Your task is to meticulously evaluate a candidate's resume against a specific job description (JD) and provide a detailed pre-screening report.

    Your analysis must be structured with the following sections and include specific, data-driven insights.

    ## 1. Strengths
    - Identify and elaborate on top three key strengths.
    - For each strength, briefly provide specific evidence from the resume (e.g., "The candidate's experience with Python and Django, as shown in their role at Acme Corp, directly addresses the JD's requirement for...") and explain how it directly fulfills a requirement in the JD.

    ## 2. Weaknesses
    - Identify top three areas where the candidate's experience or skills may not fully align with the JD's requirements.
    - For each point, briefly explain the potential concern and why it might be a risk for the role (e.g., "The JD requires experience with AWS, but the resume only mentions exposure to Azure. This could indicate a gap in cloud infrastructure expertise.").

    ## 3. Candidate Summary
    - Draft a concise summary of the candidate's professional background.
    - Emphasise their JD-relevant core responsibilities, key achievements, and career progression as evidenced in the resume.

    ## 4. Overall Fit Score
    - Provide a numerical score from 1 to 100, representing the overall alignment of the candidate's profile with the JD.
    - A higher score indicates a stronger match: 80-100 = best match; 60-80 = strong match; 0-40 = weak match.

    ## 5. Hiring Recommendation
    - Conclude with a clear, binary hiring recommendation: "🟢 Proceed to interview", "🟡 Add to waitlist", or "🔴 Do not proceed".
    - Justify this recommendation with a brief, objective explanation based on the analysis above.

    ---

    # 3. Your Output
    - Use a professional and objective tone.
    - Base your analysis solely on the provided resume and JD. Do not make assumptions.
    - Be concise and to the point; no more than 30 words per sentence; the hiring manager needs to quickly grasp the key findings.
    - Format your final report using markdown headings and bullet points for readability.

    Output template:
    '''
    # [candidate's name (Title Case)] ([fit score]/100)

    [recommendation]: [justification]

    ## Profile Summary:
    [summary]

    ## Strengths:
    - [strength 1]
    - [strength 2]
    - [strength 3]

    ## Weaknesses:
    - [weakness 1]
    - [weakness 2]
    - [weakness 3]
    '''

    ---

    # 4. Your Input
    **1. JD:**
    {jd_text}

    **2. Resume:**
    {rs_text}

    ---

    Generate the report.
    """

    # Collect prompts
    prompts = [
        {
            "role": "system",
            "content": textwrap.dedent(system_prompt)
        },
        {
            "role": "user",
            "content": textwrap.dedent(user_prompt)
        }
    ]

    # Return the prompts
    return prompts

Note: เราใช้ textwrap.dedent() เพื่อลบย่อหน้าที่เกิดจาก indent ใน function ออกจาก prompt เพื่อป้องกันความผิดพลาดในการประมวลผลของ AI และประหยัด input token

🤔 (3) วิเคราะห์ Resumes

ในขั้นที่ 3 ซึ่งเป็นขั้นที่สำคัญที่สุด เราจะวิเคราะห์ resumes โดย:

ใช้ functions จากขั้นที่ 1 และ 2 เพื่อสร้าง prompt และส่ง prompt ให้กับ Gemini
ใช้ for loop เพื่อส่ง resumes ให้กับ Gemini จนครบทุกใบ

# Instantiate a response collector
results = {}

# Loop through the resumes
for rs_name, rs_text in rs_texts.items():

    # Create the prompts
    prompts = concat_input(web_dev_jd, rs_text)

    # Get the Gemini response
    response = get_gemini_response(prompts=prompts, model="gemini-2.5-flash", temp=0.5)

    # Collect the response
    results[rs_name] = response

เมื่อรัน code นี้แล้ว เราจะได้ผลลัพธ์เก็บไว้ใน results

👀 (4) Print ผลลัพธ์

สุดท้าย เราจะ print ผลการวิเคราะห์ออกมา โดย:

ใช้ for loop ช่วย print ผลจนครบ
ใช้ Console กับ Markdown เพื่อทำให้ข้อความอ่านง่ายขึ้น:

# Instantiate a console
console = Console()

# Instantiate a counter
i = 1

# Print the results
for rs_name, analysis_result in results.items():

    # Print the resume name
    print(f"👇 {i}. {rs_name}:")

    # Print the response
    console.print(Markdown(analysis_result))

    # Add spacers and divider
    print("\\n")
    print("-----------------------------------------------------------")
    print("\\n")

    # Add a counter
    i += 1

ตัวอย่างผลลัพธ์:

ในตัวอย่าง จะเห็นได้ว่า George Evans เหมาะที่จะเป็น Senior Web Developer

😺 Code & Input Examples

ดูตัวอย่าง code ได้ที่ Google Colab
ดูตัวอย่าง JD และ resumes ได้ที่ JD & Resumes

📃 References

13.11.2025

4 ขั้นตอนในการใช้ google-genai library เพื่อทำงานกับ Gemini API — ตัวอย่างการสร้างสูตรอาหารที่ไม่เหมือนใคร

ในบทความนี้ เราจะมาดู 4 ขั้นตอนในการใช้งาน google-genai ซึ่งเป็น official library สำหรับทำงานกับ Gemini API ผ่านตัวอย่างการสร้างสูตรอาหารใน Google Colab กัน:

Import packages
Create client
Create function
Generate response

ถ้าพร้อมแล้ว ไปเริ่มกันเลย

📦 Import Packages

เริ่มแรก เราจะ import 4 packages ที่จำเป็น ได้แก่:

From	Function/Class	For
`google`	`genai`	ทำงานกับ Gemini API
`google.genai.types`	`GenerateContentConfig`	ตั้งค่า Gemini
`google.colab`	`userdata`	เรียก API key จากเมนู Secrets ใน Google Colab
`pydantic`	`BaseModel`	กำหนดโครงสร้างของ response จาก Gemini

# Import packages

# google-genai library
from google import genai
from google.genai.types import GenerateContentConfig

# Secret key
from google.colab import userdata

# pydantic
from pydantic import BaseModel

🧑‍💼 Create Client

ในขั้นที่ 2 เราจะสร้าง client สำหรับทำงานกับ Gemini API

เพื่อความปลอดภัย เราจะเก็บ API key ไว้ในเมนู Secrets ของ Google Colab

เราสามารถเพิ่ม API key ด้วยการ import ผ่านปุ่ม “Gemini API keys” หรือผ่านการเพิ่ม API key เองด้วยปุ่ม “Add new secret”:

หลังสร้าง API key ใน Secrets แล้ว เราสามารถเรียกใช้ API key ได้ด้วย userdata.get() ซึ่งต้องการ 1 argument คือ ชื่อ secret:

# Get API key
my_api = userdata.get("GOOGLE_API_KEY")

จากนั้น เราจะสร้าง client ด้วย genai.Client() ซึ่งต้องการ 1 argument คือ API key:

# Create client
client = genai.Client(api_key=my_api)

Note:

ในกรณีที่เราไม่ห่วงความปลอดภัยของ API key เราสามารถใส่ API key ใน genai.Client() ได้โดยตรง เช่น genai.Client(api_key="g04821...")
เราสามารถสร้าง API key ได้ฟรี โดยไปที่ Google AI Studio และกด “Create API key”

📲 Create Function

ในขั้นที่ 3 เราจะสร้าง function สำหรับเรียกใช้ Gemini ซึ่งต้องการ 3 arguments:

model: Gemini model ที่เราจะเรียกใช้
user_prompt: กำหนด user prompt
config: กำหนดการตั้งค่าต่าง ๆ ของ model

โดยทั้ง 3 arguments จะอยู่ใน client.models.generate_content():

# Create a function to get Gemini response
def get_response(model, user_prompt, config):

    # Get response
    response = client.models.generate_content(

        # Set model
        model=model,

        # Set user prompt
        contents=user_prompt,

        # Set config
        config=config
    )

    # Return response
    return response.text

📬 Generate Response

ในขั้นที่ 4 เราจะ get response จาก Gemini โดยใช้ function ที่เราสร้างในขั้นที่ 3

เนื่องจาก function ต้องการ 3 arguments เราจะต้องกำหนด 3 สิ่งนี้ก่อนที่จะสร้าง response ได้:

Model
User prompt
Configuration

🤖 Set Model

ในตัวอย่างนี้ เราจะใช้ model เป็น Gemini 2.5 Flash ซึ่งเราสามารถกำหนดได้ดังนี้:

# Set model
gemini_model = "gemini-2.5-flash"

Note: ดูชื่อ model อื่น ๆ ได้ที่ Gemini Models

🧑‍💻 Set User Prompt

สำหรับ user prompt เราสามารถกำหนดเป็น string ได้แบบนี้:

# Set user prompt
gemini_user_prompt = """
Create a healthy Thai-inspired burger for one person.

Protein: chicken or tofu
Bun: whole-wheat if possible (or lettuce wrap)

Deliver (match field names exactly):
- `menu` (string)
- `ingredient` (list of items with name, description, amount, unit)
- `steps` (30-word strings)
- `calorie_kcal` (float, total for the dish)
"""

🛠️ Set Configuration

สำหรับ configuration เราสามารถตั้งค่า model ได้หลายค่า

ในตัวอย่างนี้ เราจะเลือกกำหนด 3 ค่า ได้แก่:

System prompt
Temperature
Output type and structure

ค่าที่ 1. System prompt คือ prompt ที่กำหนดพฤติกรรมของ Gemini ในการตอบสนองต่อ user prompt ของเรา

เราสามารถกำหนด system prompt เป็น string ได้แบบนี้:

# Set system prompt
system_prompt = """
You are a highly experienced home cook specialising in healthy Thai-style food.

Constraints:
- Single-serving
- Favour grilling/pan-searing over deep-frying
- Keep ingredients common in Thai kitchens
- Keep steps <=7
- Include an approximate total calories for the whole dish
- Keep language simple
- Return JSON only that matches the given schema exactly (no extra fields)
"""

ค่าที่ 2. Temperature มีค่าระหว่าง 0 และ 2 โดย:

0 จะทำให้ response ตายตัว (deterministic) มากขึ้น
2 จะทำให้ response สร้างสรรค์ (creative) มากขึ้น

Note: ค่า default ของ temperature อยู่ที่ 1 (Generate content with the Gemini API in Vertex AI)

ในตัวอย่าง เราจะกำหนด temperature เป็น 2 เพื่อให้ response มีความสร้างสรรค์สูงสุด:

# Set temperature
temp = 2

ค่าที่ 3. สำหรับ output type และ structure เราจะกำหนดดังนี้:

กำหนด type เป็น "application/json" เพื่อให้ response อยู่ในรูป JSON object:

# Set output type
output_type = "application/json"

Note: ดู type อื่น ๆ ได้ที่ Structured output

กำหนดโครงสร้างของ JSON object ด้วย class และ BaseModel:

# Set output structure
class Ingredient(BaseModel):
    name: str
    description: str
    amount: float
    unit: str

class OutputStructure(BaseModel):
    menu: str
    ingredient: list[Ingredient]
    steps: list[str]
    calorie_kcal: float

Note: ดูวิธีใช้ BaseModel ได้ที่ JSON Schema

หลังกำหนด system prompt, temperature, และ output type กับ structure แล้ว ให้เรารวมค่าทั้งหมดไว้ใน GenerateContentConfig() แบบนี้:

# Set configuration
gemini_config = GenerateContentConfig(

    # Set system prompt
    system_instruction=system_prompt,

    # Set temperature
    temperature=temp,

    # Set response type
    response_mime_type=output_type,

    # Set response structure
    response_schema=OutputStructure
)

Note: ดูค่าอื่น ๆ ที่เรากำหนดใน GenerateContentConfig() ได้ที่ Content generation parameters

📖 Generate Response

หลังจากกำหนด arguments แล้ว เราจะเรียกใช้ function เพื่อ get response แบบนี้:

# Generate a recipe
recipe = get_response(

    # Set model
    model=gemini_model,

    # Set user prompt
    user_prompt=gemini_user_prompt,

    # Set configuration
    config=gemini_config
)

🖨️ Print Response

สุดท้าย เราจะดู response ด้วย print():

# Print response
print(recipe)

ผลลัพธ์:

{
  "menu": "Thai Chicken Burger",
  "ingredient": [
    {
      "name": "Ground Chicken",
      "description": "Lean ground chicken",
      "amount": 150.0,
      "unit": "g"
    },
    {
      "name": "Whole-wheat Burger Bun",
      "description": "Standard size",
      "amount": 1.0,
      "unit": "unit"
    },
    {
      "name": "Lime Juice",
      "description": "Freshly squeezed",
      "amount": 1.0,
      "unit": "tablespoon"
    },
    {
      "name": "Fish Sauce",
      "description": "Thai fish sauce",
      "amount": 1.0,
      "unit": "tablespoon"
    },
    {
      "name": "Fresh Ginger",
      "description": "Grated",
      "amount": 1.0,
      "unit": "teaspoon"
    },
    {
      "name": "Garlic",
      "description": "Minced",
      "amount": 1.0,
      "unit": "clove"
    },
    {
      "name": "Cilantro",
      "description": "Fresh, chopped",
      "amount": 2.0,
      "unit": "tablespoons"
    },
    {
      "name": "Green Onion",
      "description": "Chopped",
      "amount": 1.0,
      "unit": "tablespoon"
    },
    {
      "name": "Red Chilli",
      "description": "Finely minced (optional)",
      "amount": 0.5,
      "unit": "teaspoon"
    },
    {
      "name": "Lettuce Leaf",
      "description": "Fresh, crisp",
      "amount": 1.0,
      "unit": "large"
    },
    {
      "name": "Cucumber",
      "description": "Sliced thinly",
      "amount": 3.0,
      "unit": "slices"
    },
    {
      "name": "Cooking Oil",
      "description": "Any neutral oil",
      "amount": 1.0,
      "unit": "teaspoon"
    }
  ],
  "steps": [
    "Combine ground chicken with fish sauce, lime juice, grated ginger, minced garlic, chopped cilantro, and green onion in a bowl. Mix thoroughly.",
    "Form the seasoned chicken mixture into a single, uniform burger patty. If using chilli, incorporate it now.",
    "Heat cooking oil in a non-stick pan over medium heat. Cook the chicken patty for 5-7 minutes per side, or until it is thoroughly cooked through.",
    "While the patty cooks, lightly toast the whole-wheat burger bun in a dry pan or toaster until golden brown.",
    "Assemble your burger: Place the cooked chicken patty on the bottom half of the toasted bun. Top with fresh lettuce and cucumber slices.",
    "Complete the burger with the top bun. Serve immediately and enjoy your healthy Thai-inspired meal."
  ],
  "calorie_kcal": 450.0
}

เท่านี้ก็จบ flow การทำงานกับ Gemini API ด้วย google-genai library แล้ว

😺 Google Colab

ดูตัวอย่าง code ทั้งหมดได้ที่ Google Colab

📃 References

06.11.2025

สรุปแนวทางการทำงานกับ AI: Mindset และเทคนิคการเขียน Prompt เพื่อการทำงานร่วมกับ AI อย่างมีประสิทธิภาพ

ในช่วงต้นปีที่ผ่านมา ผมได้มีโอกาสแชร์วิธีการทำงานกับ AI ให้กับคนในบริษัท โดยเนื้อหาส่วนใหญ่ไปที่การใช้ prompt เป็นหลัก และเป็นการตกตะกอนความรู้ AI ที่สะสมจากแหล่งต่าง ๆ

เช่น:

รวมไปถึงการใช้งาน AI ในการทำงานด้วยตัวเอง .

ในบทความนี้ ผมจะชวนไปดูแนวทางการทำงานกับ AI ซึ่งเป็นเนื้อหาต่อยอดจากสิ่งที่ผมได้แชร์ไปเมื่อต้นปี

โดยบทความจะแบ่งเป็น 5 ส่วน:

What is AI?
Mindset ในการทำงานกับ AI
Prompting frameworks: โครงการเขียน prompt ง่าย ๆ
Prompting techniques: เทคนิคการช่วย AI คิดให้ตอบโจทย์
Tips: เคล็ดลับเพิ่มเติม

ถ้าพร้อมแล้วไปเริ่มกันเลย

1️⃣ What Is AI?

AI หรือ artificial intelligence หมายถึง โปรแกรมคอมพิวเตอร์ที่สามารถทำงานได้เหมือนมนุษย์ เช่น:

คิดวิเคราะห์
ใช้เหตุผล
โต้ตอบด้วยภาษาธรรมชาติ
สร้างงานศิลป์

เมื่อพูดถึง AI อีกคำที่มักจะได้ยิน คือ machine learning

แม้จะมีความหมายคล้ายกัน แต่ machine learning เป็น subset และเป็นมันสมองของ AI

โดยนิยามของ machine learning คือ การเขียนโปรแกรมที่ทำให้คอมพิวเตอร์เรียนรู้จากข้อมูลได้ด้วยตัวเอง โดยไม่ต้องมีมนุษย์คอยกำกับ (Arthur Samuel)

2️⃣ Mindset ในการทำงานกับ AI

ในการจะเริ่มทำอะไร เราควรเริ่มจากตัวเราก่อน โดย mindset ที่ควรมีในการทำงานกับ AI มีอยู่ 3 ข้อ

👌 ข้อที่ 1. AI Is Okay

ก่อนอื่น เราควรจะเปิดใจยอมรับ AI

AI เป็นสิ่งใหม่ที่หลายคนอาจยังไม่มีความเข้าใจอย่างลึกซึ้ง แต่ยังไง AI ก็เป็นเพียงเครื่องมืออย่างหนี่งในการทำงาน

เมื่อเราเปิดใจยอมรับ และทำความเข้าใจจุดแข็งและข้อจำกัดของ AI เราก็จะสามารถใช้งาน AI ได้อย่างมีประสิทธิภาพ และตอบโจทย์การทำงานของเรา

Note: ผมหยิบคำว่า “AI is okay” มาจากผู้บริหารในบริษัทอีกที 🙏

🙆 ข้อที่ 2. AI as a Colleague

ข้อนี้อาจจะฟังดูขัดกับข้อแรกที่มองว่า AI เป็นเครื่องมือ

AI เป็นเทคโนโลยีปฏิวัติโลก เช่นเดียวกับไฟ เครื่องจักรไอน้ำ และอินเทอร์เน็ต

แต่ AI มีความแตกต่างคือ เป็นเครื่องมือที่มีความ “ฉลาด” ใกล้เคียงกับมนุษย์

และด้วยความฉลาดนี้ ทำให้เราสามารถมองว่า AI เป็นมากกว่าเครื่องมือ หรือเป็นเพื่อนร่วมงานของเราได้

การมอง AI แบบนี้ ไม่ได้มีผลต่อแค่ความคิด แต่ส่งผลในทางปฏิบัติด้วย

เช่น ถ้าเราคิดไม่ออกว่าจะสั่งงาน AI ยังไง ให้ลองนึกว่า ถ้า AI เป็นคน เรากำลังจะพูดยังไง

เราอาจจะพูดว่า:

ช่วยทำรายงานให้หน่อย

เช่นเดียวกับคน ถ้าเราไม่มีข้อมูล การเขียนรายงานจะเริ่มไม่ได้ ซึ่งเราก็อาจจะเห็น AI ตอบกลับเหมือนกับเพื่อนร่วมงานของเรา:

อยากให้ช่วยเขียนรายงานเรื่องอะไร? ต้องเขียนเกี่ยวกับอะไรบ้าง? ขอข้อมูลหน่อย

แล้วเราก็จะต้องส่งข้อมูลเพิ่มให้ก่อน AI จะทำงานได้

จากตัวอย่าง เราจะเห็นว่า การทำงานกับ AI มีความเหมือนกันกับการทำงานกับคน ดังนั้น การมองว่า AI เป็นเพื่อนร่วมงานจะช่วยเป็นแนวทางในการทำงานกับ AI ให้เราได้

➿ ข้อ 3. Human in the Loop

สุดท้ายและเป็นข้อที่สำคัญ คือ เราควรทำงาน “ร่วม” กับ AI

อย่างที่เราเห็นว่า AI เป็นเหมือนเพื่อนร่วมงาน และเช่นเดียวกับเพื่อนร่วมงานที่ทำงานผิดพลาดได้ AI ก็เช่นกัน

ถ้าเราทำงานกับเพื่อน แล้วนำงานของเพื่อนไปใช้ แล้วเกิดข้อผิดพลาด เราอาจจะชี้นิ้วไปที่เพื่อนได้ แต่เราในฐานะเจ้าของงาน ก็ต้องรับผิดชอบในผลที่เกิดขึ้นด้วย

ดูตัวอย่างจากกรณีของทนายความในออสเตรเลีย ที่นำเอกสารจาก AI ไปใช้ในชั้นศาล และถูกเรียกตรวจสอบวินัย เพราะศาลพบว่าข้อมูลในเอกสารไม่เป็นความจริง

แม้ว่าทนายความจะยืนยันว่า ทำไปเพราะรู้เท่าไม่ถึงการณ์เกี่ยวกับการทำงานของ AI แต่ต้องรับผิดชอบผลกระทบที่ตามมาอยู่ดี

ดังนั้น เพื่อแสดงออกถึงความรับผิดชอบในงาน และป้องกันผลกระทบจากความผิดพลาดของ AI เราควรทำงานร่วมกับ AI โดยคอยตรวจสอบและกำกับงานของ AI ก่อนนำไปใช้งานต่อ

🗝️ สรุป Mindset การทำงานกับ AI

AI is okay: เปิดใจยอมรับ AI และทำความเข้าใจ AI ในฐานะเครื่องมือตัวหนึ่ง
AI as a colleague: มองและทำงานกับ AI เหมือนเป็นเพื่อนร่วมงานคนหนึ่ง
Human in the loop: ทำงานร่วมกับ AI โดยคอยตรวจสอบและกำกับการทำงานของ AI ก่อนนำงานไปใช้ต่อ

3️⃣ Prompting Frameworks

เราดู mindset ที่ควรมีในการทำงานกับ AI กันมาแล้ว ใน section นี้ เรามาดู prompting framework หรือแนวทางในการจัดโครงสร้าง prompt กัน

เพื่อให้เข้าใจตรงกัน prompt หมายถึง คำสั่งที่เราให้กับ AI เพื่อให้ AI ทำงานบางอย่างให้กับเรา (W3Schools)

Prompt มีหลากหลายรูปแบบ เช่น ข้อความ รูปภาพ วิดีโอ แต่แบบที่เราใช้กันบ่อยที่สุด คือ ข้อความ

ทั้งนี้ frameworks ในการขึ้นโครง prompt มีมากมาย อย่างที่เห็นได้ในเว็บไซต์ของ Juuzt AI ที่ระบุไว้มากถึง 57 frameworks

แต่ละ frameworks มีข้อดีและข้อเสียแตกต่างกันไป รวมทั้งมีการใช้งานที่ไม่เหมือนกัน เราควรศึกษาและเลือก framework ที่เหมาะกับเป้าหมายของงานของเรา

สำหรับบทความนี้ ผมจะแนะนำ 2 frameworks ที่สามารถใช้กับหลากหลายหน้างาน:

RICE
SALT

เหตุผลหนึ่งที่ผมเลือกนำเสนอ RICE และ SALT ก็เพราะ:

RICE ใช้กำกับ input
SALT ใช้กำกับ output

ทำให้เมื่อใช้ทั้ง 2 frameworks ร่วมกัน เราก็จะได้ prompt ที่ครอบคลุมทั้งต้นทางและปลายทาง

🍚 RICE: Input Structure

RICE เป็น framework ที่ระบุว่า เราควรกำหนด input ให้กับ 4 อย่าง:

Role: บทบาทของ AI ในการทำงาน เพื่อให้ AI นึกข้อมูลที่เกี่ยวข้องมาใช้งาน
Instruction: คำชี้แจงในการทำงาน เพื่อให้ AI รู้ว่าต้องทำอะไร
Context: บริบทของงาน เพื่อให้เป็นข้อมูลเพิ่มเติมในการทำงาน
Example: ตัวอย่างงาน เพื่อเป็นแนวทางในการทำงานให้ตรงกับภาพที่เราคาดหวัง

เรามาดูตัวอย่างการใช้ RICE กัน โดยเปรียบเทียบกับการ prompt อย่างง่าย ๆ

เช่น เราอยากให้ AI ช่วยวางแผนเที่ยวปีใหม่ให้กับเรา:

ถ้าไม่ใช้ RICE:

Help me plan for a New Year holiday trip.

ผลลัพธ์จาก ChatGPT:

จะเห็นว่า ChatGPT ต้องการข้อมูลเพิ่มเติม และเรายังไม่ได้คำตอบที่ต้องการ

ถ้าใช้ RICE:

[ROLE] You are a travel planner helping me organise a New Year holiday trip. [INSTRUCTION] Suggest a affordable 3-day itinerary for a relaxing vacation.

[CONTEXT] I enjoy nature and fresh air, and I like to avoid crowded tourist spots. [EXAMPLE] Examples of places I like are Chiang Mai and Nan.

ผลลัพธ์ จาก ChatGPT:

จะเห็นว่า เมื่อใช้ RICE เราจะได้ผลลัพธ์ที่ละเอียด อ่านง่าย ตอบโจทย์ และลงมือทำได้ทันที

Note: ในการเขียน prompt เราสามารถจัดลำดับ RICE ได้เอง (เช่น example มาก่อน instruction) แต่ขอให้อ่านแล้วฟังดูสมเหตุสมผลกัน

🧂 SALT: Output Structure

SALT ช่วยเรากำหนดลักษณะ 4 อย่างของ output:

Style: รูปแบบคำตอบที่ต้องการ เช่น เขียนเป็น paragraph หรือ bullet point
Audience: ผู้รับสาร เพื่อให้ AI ปรับการใช้คำและประโยคให้เหมาะสม
Length: ความยาวของคำตอบ
Tone: การใช้ภาษา เช่น เป็นทางการ หรือเป็นกันเอง

เรามาดูตัวอย่างกัน เช่น เราอยากเข้าใจคำว่า API (application programming interface):

ไม่ใช้ SALT:

Explain API

ผลลัพธ์จาก ChatGPT:

จะเห็นว่า ผลลัพธ์มีเนื้อหาที่อ่านง่าย แต่อาจต้องใช้เวลาในการทำความเข้าใจ

เราสามารถใช้ SALT เพื่อช่วยได้:

Explain API in a [STYLE] bullet-point format for [AUDIENCE] a 10-year-old, using an analogy. Length [LENGTH] around 100-150 words. Use [TONE] friendly tone.

ผลลัพธ์จาก ChatGPT:

จะเห็นว่า เราจะได้ผลลัพธ์ในแบบที่เรากำหนด ซึ่งช่วยให้อ่านและทำความเข้าใจได้ง่ายขึ้นกว่าก่อนหน้านี้

🗝️ สรุป Prompting Frameworks

เราทำความรู้จัก 2 prompting frameworks ที่ใช้ทำงานทั่วไปได้:

RICE: กำหนด input ด้วย role, instruction, context, example
SALT: กำหนด output ด้วย style, audience, length, tone

4️⃣ Prompting Techniques

Prompting techniques เป็นกลยุทธ์ในการช่วย AI กำหนดขั้นตอนการคิดและการทำงาน และสามารถใช้ควบคู่กับ prompting framework เพื่อทำให้งานออกมามีคุณภาพภาพมากขึ้นได้

ในบทความนี้ เราจะมาทำความรู้จักกับ 2 techniques พื้นฐานกัน ได้แก่:

n-shot technique
Chain-of-thought (COT) technique

🥃 n-Shot

Shot ในการเขียน prompt หมายถึง ตัวอย่าง

n-shot เป็นการเขียน prompt โดยเปลี่ยนจำนวนตัวอย่าง:

N-Shot	Number of Shots
Zero-shot	0
One-shot	1
Few-shot	≥2

เรามาลองดูผลของจำนวนตัวอย่างต่อผลลัพธ์กัน:

n-Shot	Prompt	ChatGPT
Zero-shot	List 3 animals	– Elephant – Penguin – Kangaroo
One-shot	List 3 animals such as dog	– Cat – Wolf – Fox
Few-shot	List 3 animals such as dog, cat, hamster	– Rabbit – Guinea pig – Ferret

จะเห็นได้ว่า คำตอบของ ChatGPT จะเปลี่ยนไปเรื่อย ๆ โดยยิ่ง shot มากขึ้น ผลลัพธ์ก็จะยิ่งเหมือนกับ shot มากขึ้น:

Zero-shot: เป็นสัตว์ป่าทั้งหมด
One-shot: มีทั้งสัตว์ป่าและสัตว์เลี้ยง
Few-shot: สัตว์เลี้ยงทั้งหมด

ดังนั้น เราสามารถใช้ n-shot ในการกำหนดผลลัพธ์ได้ โดย:

ต้องการผลลัพธ์ที่สร้างสรรค์หรือแปลกใหม่: ใช้ shot น้อย
ต้องการผลลัพธ์ที่ตรงกับสิ่งที่เรามีอยู่แล้ว: ใช้ shot เยอะ

💭 COT

COT เป็น technique ที่บอกขั้นตอนในการคิดของ AI เพื่อให้มั่นใจว่า AI จะทำงานออกมาถูกต้อง

ยกตัวอย่างจากงานต้นฉบับของ Wei et al. (2022):

Standard vs CoT prompt from Wei et al. (2022) (CC BY 4.0)

จากรูป จะเห็นว่า AI ในด้านซ้ายตอบผิด เพราะมีเพียงตัวอย่างโจทย์และคำตอบให้

ในทางตรงกันข้าม prompt ในด้านขวามือ ซึ่งใช้ COT technique คือ ให้ตัวโจทย์ อธิบายการคิดเลข และเฉลยคำตอบ ช่วยให้ ChatGPT ตอบคำถามได้ถูกต้อง

COT เหมาะกับงานที่มีความซับซ้อน (มีกระบวนการทำงานหลายขั้นตอน) ส่วนในงานง่าย ๆ (เช่น ถามว่าเมืองหลวงของไทยคืออะไร) เราสามารถใช้ prompt ทั่วไปได้

🗝️ สรุป Prompting Techniques

ใน section นี้ เราทำความรู้จัก 2 prompting techniques ในการกำกับกระบวนการทำงานของ AI:

n-shot technique: กำกับผ่านตัวอย่าง
COT technique: กำกับผ่านขั้นตอนการคิด

Note: ดู techniques อื่น ๆ เพิ่มเติมได้ที่ Prompting Techniques

5️⃣ Tips

สำหรับส่งท้ายบทความนี้ เรามาดู 3 เคล็ดลับเพิ่มเติมในการทำงานกับ AI กัน:

Annotation
EmotionPrompt
Garbage in, garbage out (GIGO)

#️⃣ Annotation

Prompt ของเราเป็นเหมือนเอกสารที่ AI อ่านก่อนไปทำงานให้เรา

ถ้าเอกสารของเราอ่านไม่รู้เรื่อง AI ก็อาจจะทำงานผิดพลาดได้

เพื่อช่วยให้ AI เข้าใจ เราสามารถใช้ annotation หรือเครื่องหมายต่าง ๆ กำกับ prompt ของเราได้

ถ้านึกภาพไม่ออก ให้มองว่า annotation เป็นเหมือนการจัดหน้าเอกสารของเรา ซึ่งเราสามารถทำได้ดังนี้:

Name	Usage	Example
Markdown	ระบุหัวข้อ	# Header 1 ## Header 2 ### Header 3
Quotation marks	เน้นข้อความ	“n-shot technique”
Delimiter	แบ่งตอน	Section 1 — Section 2
XML tag	ติดแท็กข้อความ	<file>example.docx</file>

มาดูตัวอย่างการใช้งานกัน เช่น เราต้องการให้ ChatGPT เขียนกลอนให้

เราอาจเขียน prompt ได้แบบนี้:

You are a poet. Write a poem called The Last Night. See example poems that I like in the file: poems.docx

เราสามารถใช้ annotation ได้แบบนี้ เพื่อให้ AI อ่าน prompt ได้ง่ายขึ้น:

# Role & Task You are a poet.

Write a poem called “The Last Night”.

—

# Example Poems See example poems that I like in the file:

<example_file>poems.docx</example_file>

ใช้ # เพื่อกำหนดหัวข้อ
ใช้ "" เพื่อเน้นชื่อเฉพาะของบทกลอน
ใช้ --- เพื่อแบ่ง prompt เป็น 2 sections (ตามหัวข้อ)
ใช้ <></> เพื่อระบุว่า poems.doc เป็นไฟล์ตัวอย่าง

😡 EmotionPrompt

เพราะ AI เรียนรู้การทำงานจากมนุษย์ เราสามารถใส่คำแสดงอารมณ์เข้าไปใน prompt เพื่อส่งสารบางอย่างให้กับ AI ได้

ถ้าเปรียบเทียบกับคน คือ แทนที่จะบอกว่า:

ช่วยทำรายงานให้หน่อย

เป็น

รีบทำรายงานตอนนี้ให้หน่อย ด่วนที่สุด

ตัวอย่างเช่น:

ใส่ความเร่งด่วน:

This is extremely urgent! Summarise this article as quickly as possible, focusing only on the key points.

ใส่ความตื่นเต้น:

Write an exciting social media post that builds anticipation for our upcoming event! Make readers feel thrilled and eager to attend.

ใส่ความสำคัญ:

Write an important and professional email explaining the new company policy. Emphasise its significance and ensure employees understand its impact on their roles.

อ่านเพิ่มเติมเกี่ยวกับ EmotionPrompt ได้ที่ Large Language Models Understand and Can be Enhanced by Emotional Stimuli

🗑️ GIGO

สุดท้าย จำไว้ว่า AI เป็นสิ่งที่ทำงานกับข้อมูล ดังนั้น เพื่อให้ผลลัพธ์ออกมาดี เราควรให้ข้อมูลที่ถูกต้องและมีคุณภาพกับ AI

ถ้าเราให้ข้อมูลที่ไม่ดีแล้ว AI ก็จะทำงานผิดพลาด หรือให้ผลลัพธ์ที่ใช้ไม่ได้ออกมา (ขยะ)

เหมือนคำที่ว่า garbage in, garbage out

🗝️ สรุป Tips ในการทำงานกับ AI

ใน section สุดท้าย เราได้เรียนรู้ 3 เคล็ดลับเพิ่มเติมในการทำงานกับ AI:

Annotation: จัด prompt ให้อ่านง่ายด้วยเครื่องหมายต่าง ๆ
EmotionPrompt: ใส่อารมณ์ลงใน prompt
GIGO: AI ทำงานด้วยข้อมูล คุณภาพของผลลัพธ์ขึ้นอยู่กับข้อมูลที่เราให้กับ AI

13.03.2025

Tag: AI

😎 Claude Code Command Cheat Sheet

1️⃣ Part 1. Basic: คำสั่งพื้นฐานสำหรับเริ่มใช้ Claude Code

🏁 Group 1. คำสั่งเริ่มใช้งาน

💻 Group 2. คำสั่งสำหรับเขียน Code

🧐 Group 3. คำสั่งรีวิวงาน

💻 Group 4. คำสั่งสำหรับดูคู่มือ

2️⃣ Part 2. Intermediate: คำสั่งเพิ่มประสิทธิภาพการทำงาน

🗣️ Group 1. คำสั่งจัดการ Session

💬 Group 2. คำสั่งจัดการ Context

🦾 Group 3. คำสั่งตั้งค่า Claude Code

🪙 Group 4. คำสั่งดูการใช้งาน Claude Code

3️⃣ Part 3. Advanced: คำสั่งขั้นสูงสำหรับทำงานอัตโนมัติ

🤖 Group 1. คำสั่งสำหรับทำงานอัตโนมัติ

🩺 Group 2. คำสั่งแก้ปัญหาการใช้งาน Claude Code

🫵 Your Turn

📃 References

Fediverse Reactions

🤨 Session 1. What to Build

🔶 Lesson 1. AI Can Build Anything. Doesn’t Mean Everything Should be Built

🔶 Lesson 2. TADA: Challenges to Building With AI

🔶 Lesson 3. KEY: What You Should Build With AI

🔶 Lesson 4. Focus on Wealth

🔶 Lesson 5. Takeaway on What to Build

✏️ Session 2. Writing

🔶 Lesson 6. Human Writing Can Still Win

🔶 Lesson 7. The Secret Formula

🔶 Lesson 8. P for Process

🔶 Lesson 9. V for Value

🔶 Lesson 10. E1 for Experiences

🔶 Lesson 11. E2 for Empathy

🎨 Session 3. Creativity

🔶 Lesson 12. Will AI Replace Human Creativity?

🔶 Lesson 13. Slow/Stop, Not Fast

🔶 Lesson 14. Question, Not Answer

🔶 Lesson 15. Quality, Not Quantity

🔶 Lesson 16. AI = Adaptability Intelligence

🔶 Lesson 17. Think Outside the Bot

🕦 Session 4. AI Can Free Up Time

🔶 Lesson 18. AI Can Free Up Time

🔶 Lesson 19. Paypers as Example

🔶 Lesson 20. Next Question After AI

🧘 Session 5. Philosophy

🔶 Lesson 21. Agency

🔶 Lesson 22. What to Choose

🔶 Lesson 23. What Feels Like Play

🔶 Lesson 24. Do What’s Right

🔶 Lesson 25. Become the Best Version of Yourself

🔥 Idea 1. Three Most Important Skills

💧 Idea 2. Accept the Reality

🧭 Idea 3. Agency

🔌 Idea 4. Energy, Not Time

👀 Idea 5. Make Yourself Discoverable

📈 Idea 6. Dissociate Income From Time

💡 Idea 7. What Won’t Change for Good Products

⭐️ Idea 8. AI Is for Experts

🧠 Idea 9. No One Knows the Future

👏 Idea 10. Last Message

🤖 Part I. Why AI Literacy

💼 Part II. Working With AI

👷 Part III. How to Prompt

🚀 Part IV. Future Trends

😌 Part V. Be Human

🏁 Step 1. Import Libraries

💁‍♂️ Step 2. Create a Client

🙊 Step 3. Create a Chat History

📨 Step 4. Create a Chat Function

💬 Step 5. Chat

👍 Google Colab

📃 References

🚀 Topic 1. Future Trends

🤖 AI Is Here to Stay.

😎 AI, More Agentic

🤝 Human-AI Collaboration

👷 Topic 2. How to AI Transformation

🫨 Pain Points

💪 Prioritise, Relentlessly

⛰️ Set Goal & Plan

👄 Communicate

📋 Track Success