บทความ

แผนที่ทักษะ AI Engineering: 6 อย่างที่ต้องรู้ถ้าจะสร้างแอป AI จริง

อ่าน 8 นาที21 สิงหาคม 2569#AIEngineering#SkillsMap#GenAI#CareerPath

Andrew Ng เพิ่งปล่อยแผนที่ทักษะ AI Engineering ออกมา — สรุปจากการวิเคราะห์ประกาศรับสมัครงานกว่าหมื่นตำแหน่ง บวกกับการสัมภาษณ์ผู้เชี่ยวชาญและแบบสำรวจ บทความนี้เล่าว่าแผนที่นั้นบอกอะไร และถ้าคุณเพิ่งเริ่มใช้ Claude Code ทำงานจริง คุณกำลังยืนอยู่ตรงไหนของมัน

แผนที่แบ่งทักษะระดับบนไว้ 4 ก้อน คือ สร้างและ deploy แอป AI · พื้นฐานวิศวกรรมซอฟต์แวร์ · ใช้ coding agent · และ กำหนดว่าจะสร้างอะไร (shaping the build) บทความนี้ลงลึกก้อนแรก

ทำไมแอป AI ต่างจากซอฟต์แวร์ทั่วไป

ความต่างข้อเดียวที่สำคัญที่สุดคือ ผลลัพธ์ของมันเดาไม่ได้ คุณไม่รู้ล่วงหน้าว่า LLM จะตอบอะไรออกมา หรือโมเดลจะทำนายว่าอะไร ซอฟต์แวร์ทั่วไปวางแผนล่วงหน้าได้ว่าจะเขียนอะไรบ้าง แต่ระบบ AI ทำแบบนั้นไม่ได้

ผลคือการสร้างระบบ AI เป็นงานที่ต้องวนซ้ำมากกว่า — สร้างชิ้นหนึ่งขึ้นมา ดูผล แล้วค่อยตัดสินใจว่าขั้นต่อไปจะลองอะไร โดยที่การตัดสินใจนั้นขึ้นอยู่กับผลที่เพิ่งเห็น คนที่เก่งเรื่องนี้คือคนที่ ตัดสินใจได้ดีว่าขั้นต่อไปควรทำอะไร ซึ่งเป็นทักษะที่ทำให้คุณประกอบระบบที่เชื่อถือได้ ขึ้นมาจากชิ้นส่วน AI ที่เชื่อถือไม่ได้ทั้งหมด

ทักษะย่อย 6 ข้อของการสร้างและ deploy แอป AIผังต้นไม้ · ทักษะหลักคือสร้างและ deploy แอป AI แตกเป็นทักษะย่อยหกข้อ พื้นฐานเรื่อง LLM, ป้อนข้อมูลให้โมเดลมีบริบท, สร้างระบบแบบ agentic, พัฒนาโดยขับเคลื่อนด้วยการวัดผล, ดูแลของจริงบน production และพื้นฐาน machine learning · ข้อที่สี่ถูกเน้นไว้เพราะเป็นข้อที่แยกคนเก่งออกจากคนทั่วไปมากที่สุดสร้างและ deploy แอป AIBuilding and deploying AI applications01พื้นฐานเรื่อง LLMLLM foundations02ป้อนข้อมูลให้โมเดลมีบริบทGrounding models with data03สร้างระบบแบบ agenticBuilding agentic systems04พัฒนาโดยขับเคลื่อนด้วยการวัดผลEvaluation-driven development05ดูแลของจริงบน productionOperating in production06พื้นฐาน machine learningMachine learning foundations
ทักษะย่อย 6 ข้อ · ข้อ 04 คือข้อที่ Ng บอกว่าแยกคนเก่งออกจากคนทั่วไปชัดที่สุด
6 ทักษะย่อย
  1. พื้นฐานเรื่อง LLM
    เข้าใจว่าโมเดลตัดคำ (tokenize) และสร้างคำตอบอย่างไร ทำให้คุณรู้ว่าเมื่อไหร่ไว้ใจมันได้และเมื่อไหร่มันจะพลาด · รู้ว่าเมื่อไหร่ควรใช้โมเดลที่รับหลายสื่อ จะแลกอะไรใส่เข้าไปใน context window และเข้าใจเรื่อง cache, knowledge cutoff, ระดับการคิด, ค่าสุ่ม (sampling) และการเรียกใช้เครื่องมือ
  2. ป้อนข้อมูลให้โมเดลมีบริบท
    LLM ต้องได้บริบทที่ดีก่อนจะให้คำตอบที่ใช้ได้ · RAG ด้วย vector search เป็นแค่ความพยายามยุคแรก ทุกวันนี้ต้องตัดสินใจว่าอะไรใส่ในพรอมป์ต์ตรง ๆ อะไรปล่อยให้โมเดลไปดึงเองด้วยเครื่องมือ และข้อมูลแบบนี้เหมาะกับ vector index, knowledge graph หรือชั้นความหมายทับข้อมูลที่มีโครงสร้างอยู่แล้ว
  3. สร้างระบบแบบ agentic
    ตั้งแต่ workflow ที่เรียก LLM ตามลำดับที่กำหนดไว้ ไปจนถึงระบบที่ปล่อยให้โมเดลตัดสินใจขั้นต่อไปเองซ้ำ ๆ · ต้องเลือกสถาปัตยกรรม (อะไรต่อกันเป็นลูกโซ่ อะไรทำขนานกัน เมื่อไหร่ใช้โค้ดเมื่อไหร่ใช้ LLM) เลือกว่าให้เรียกเครื่องมืออะไรได้ วางเรื่องความจำและการจัดการ context ในงานยาว ๆ แล้วยังต้องทำให้ต้นแบบที่ดูดีกลายเป็นของที่ปลอดภัยพอจะขึ้น production
  4. พัฒนาโดยขับเคลื่อนด้วยการวัดผล
    Ng บอกว่านี่คือข้อที่แยกคนเก่งจริงออกมาชัดที่สุด — ความสามารถในการวน loop วัดผลและวิเคราะห์ความผิดพลาดอย่างมีวินัย เพื่อให้ทุ่มแรงลงไปในทางที่มีโอกาสได้ผล · ต้องดู trace และผลลัพธ์จริง สำรวจข้อมูล แล้วผสมกับความเข้าใจตัวสินค้าเพื่อตัดสินใจว่าจะวัดอะไร รู้ว่าเมื่อไหร่ใช้การวัดแบบเขียนโค้ดตรวจ เมื่อไหร่ใช้ LLM เป็นกรรมการ และเมื่อไหร่ต้องมีคนมาตรวจเอง
  5. ดูแลของจริงบน production
    ต่างจากซอฟต์แวร์ทั่วไปเพราะเรื่องความไม่แน่นอน ต้นทุน และความหน่วง · ต้องวางระบบสังเกตการณ์เพื่อดูว่าของจริงทำงานเป็นอย่างไร ตามดูประสิทธิภาพ จับอาการเพี้ยน (drift) และรับมือเหตุด้านความปลอดภัยอย่างการฝังคำสั่งแฝง (prompt injection) ให้ทัน · การทดสอบย้อนกลับและ CI/CD ก็ต้องใช้สถิติมากกว่าซอฟต์แวร์ธรรมดา
  6. พื้นฐาน machine learning
    LLM สร้างขึ้นด้วยเทคนิค machine learning ทั้ง supervised learning และ reinforcement learning · Ng บอกว่าวิศวกรที่เก่งเรื่อง LLM ทุกคนที่เขารู้จัก เข้าใจ machine learning และ deep learning ในระดับลึกพอตัว · แนวคิดพวก bias/variance, การวิเคราะห์ความผิดพลาด และการจัดการข้อมูล คือกรอบคิดหลักในการทำงานกับระบบที่ผลลัพธ์ไม่แน่นอน

ถ้าคุณเพิ่งเริ่มใช้ Claude Code คุณอยู่ตรงไหน

ข่าวดีคือทักษะก้อนที่ 3 ในแผนที่ระดับบน — ใช้ coding agent — คือสิ่งที่คุณกำลังทำอยู่ตอนนี้ และมันเป็นก้อนที่เข้าถึงง่ายที่สุดสำหรับคนที่ไม่ได้เรียนสายคอมมา

ส่วนก้อนที่ 4 คือ กำหนดว่าจะสร้างอะไร อันนี้เจ้าของธุรกิจมีของอยู่ในมือมากกว่าโปรแกรมเมอร์หลายคนด้วยซ้ำ เพราะคุณรู้ว่าปัญหาจริงของงานคุณคืออะไร รู้ว่าลูกค้าติดที่ไหน และรู้ว่าอะไรคุ้มค่าที่จะแก้ก่อน ซึ่งนั่นคือของที่สอนกันยากที่สุด

ทักษะ 6 ข้อในบทความนี้เป็นเส้นทางระยะยาว ไม่ใช่ของที่ต้องมีวันนี้ แต่รู้ไว้ว่าแผนที่หน้าตาเป็นอย่างไร จะช่วยให้เลือกได้ว่าจะเดินไปทางไหนต่อ

เรียบเรียงและแปลเป็นภาษาไทยจากบทความ AI Engineering Skills Map ของ Andrew Ng — อ่านต้นฉบับเต็มได้ที่ deeplearning.ai/the-batch/the-ai-engineering-skills-map · เนื้อหาต้นฉบับเป็นลิขสิทธิ์ของ DeepLearning.AI

Ng บอกว่าจะเขียนถึงก้อน "พื้นฐานวิศวกรรมซอฟต์แวร์" ต่อในโพสต์ถัดไป

บทความทั้งหมด