เนื่องจากได้โอกาสไปงาน SCBx Next Tech StackZero Meetup จึงได้มีโอกาสฟังงาน SCBx Next Tech StackZero Meetup จึงจดความรู้มาเผื่อเพื่อนๆที่ไม่ไปงานด้วยครับ

บทความนี้ขอสปอยเนื้อหาเบื้องต้นก่อน

Part ที่ 1 การสร้างกระบวนการคิดผ่านหนังสือ Life’s missing manual ผ่าน Framework Thinking → AI → productivity

Part ที่ 2 AI Skill ที่ควรมีไว้เพื่อสมัครงาน 4 ด้าน Resilience, Storytelling, Coaching และ AI Skill

Part ที่ 3 แนะนำ Microsoft Agent Framework ซึ่งเป็นเฟรมเวิร์กใหม่ที่ช่วยให้นักพัฒนาใช้งาน AI และ LLMs เข้ากับแอป พร้อมสร้าง จัดการ และสเกลระบบแบบ Multi-agent

Part ที่ 4 สำรวจแนวทางปฏิบัติที่ดีที่สุดสำหรับการสร้างระบบ Graph-based RAG

---

บทความนี้เกี่ยวกับการเรียนรู้ AI Skills สำหรับการพัฒนา Software และ Soft Skills ที่ใช้การทำงานร่วมกันของโดยหัวข้อและผู้พูดดังนี้ครับ

1. แนะนำคู่มือการใช้ชีวิตที่หายไปที่ตกผลึกจากการใช้ชีวิตและประสบการณ์ทำงาน 15 ปีของคุณทอย กษิดิศ สตางค์มงคล (DataRockie)
2. เสริมสร้างทักษะด้าน AI ที่จำเป็นต่อการหาและสมัครงานต่าง ๆ กับคุณแทน ธีรกร อานันโทไทย (The Moment)
3. แนะนำ Microsoft Agent Framework ซึ่งเป็นเฟรมเวิร์กใหม่ที่ช่วยให้นักพัฒนาใช้งาน AI และ LLMs เข้ากับแอป พร้อมสร้าง จัดการ และสเกลระบบแบบ Multi-agent ได้อย่างรวดเร็วและง่ายดายใน Azure AI Foundry โดยคุณพล ธีรเศรษฐ์ จิรภัทร์ชาญเดช (Microsoft MVP และ Next Flow)
4. สำรวจแนวทางปฏิบัติที่ดีที่สุดสำหรับการสร้างระบบ Graph-based RAG จาก Documents โดยใช้ Python กับคุณโร่ วิธวินท์ ศรีเพียรพล (Chula AI และ HowKnow IKnow)

---

SCBx Next Tech StackZero Meetup

1. Life’s Missing Manual
   1. Duration
   2. Purpose
   3. Description
   4. The 5 types of wealth
      1. Time
      2. Social and Relationship
      3. Thinking
      4. Health
      5. Finance
   5. AI and Productivity
      1. Thinking
      2. AI
      3. Productivity
      4. Slow Productivity
   6. Agency is Skill
2. AI Skills for jobs
   1. Resilience
      1. Roots
      2. Heads
      3. Fruits
   2. Storytelling
      1. Context
      2. Challenge
      3. Action
      4. Result
      5. Impact
   3. Coaching
   4. AI Skills
      1. The 6 Most Common AI Usage Categories
         1. Personal & Professional Support
         2. Content Creation & Editing
         3. Learning & Education
         4. Technical & Know-How Assistance
         5. Creativity & Recreation
         6. Research & Analysis
3. Building AI Agents with Microsoft Agent Framework
   1. Stack App
      1. AI App
      2. Model
      3. Azure AI Foundry
   2. Framework of Azure AI Foundry
      1. Retrieval Pattern
      2. Task Pattern
         1. Process of Task Pattern
      3. Autonomous Pattern
         1. Process of Autonomous Pattern
4. Building Graph-Baesd RAG from documents with python
   1. What is RAG?
      1. Add Knowledge
      2. Query
      3. Choose the best Doc
      4. Generate Answer
   2. From Document to Vector
      1. Chunking
      2. Embedding
      3. Indexing
   3. Knowledge graph
   4. How we combine Graph & RAG

---

Life’s Missing Manual

Duration

โดยหนังสือเล่มนี้เป็นหนังสือที่ โค้ชหนุ่ม Money Coach ชวนแอดทอยเขียนเป็นเวลา 7 เดือน

---

Purpose

• โดยหนังสือเล่มนี้ เขียนเพื่อให้ลูกชายแอดทอยอ่านในตอนที่โตแล้ว

---

Description

1. ใช้เวลา 80 ปีที่มีชีวิตอยู่ให้มีความหมายที่สุด โดยเป็นตัวเองใน Version ที่ดีที่สุด
2. Eudaimonia คือแก่นกลางของปรัชญาจริยศาสตร์ของ อริสโตเติล (Aristotle) ซึ่งมองว่าเป็น เป้าหมายสูงสุดของชีวิตมนุษย์
3. โดยสิ่งที่สำคัญคือการชีวิตอยู่กับครอบครัวให้มากที่สุด ต้องมีชีวิตให้สมดุลกับครอบครัวและเงินที่หาได้

---

The 5 types of wealth

สมการความมั่งคั่งมีอยู่ 5 ข้อ

ความมั่งคั่ง = เวลา * สังคม * ความคิด * สุขภาพ * การเงิน

---

Time

โดยเวลาคือเรื่องที่สำคัญที่สุด เพราะสามารถสร้าง สังคม + ความคิด + สุขภาพ + การเงิน

---

Social and Relationship

1. เพราะสามารถสร้างความสัมพันธ์ที่ดีในสังคม
2. เปิดโอกาสเจอสังคมใหม่ๆ

---

Thinking

1. มีเวลาสร้างแนวคิดที่ดี
2. ไม่เสพ Social Media ด้านลบเยอะ

---

Health

1. รู้จักออกกำลังกาย
2. นอนหลับพักผ่อนให้เพียงพอ

---

Finance

1. รู้จักการหารายได้เพิ่ม
2. ลดรายจ่ายที่ไม่จำเป็น
3. นำเงินออมไปลงทุนในสินทรัพย์ที่มีความรู้

---

AI and Productivity

1. Thinking
2. AI
3. Productivity

Thinking → AI → Productivity

---

Thinking

• ต้องพยายามคิดให้แตกต่างจากคนทั่วไปในทางที่ดี

Thinking principle คือ ถ้าเขียน Content ด้วยตัวเองได้ไม่ดี AI ก็จะไม่สามารถทำสิ่งเหล่านี้ได้ดีด้วย

• ตัวอย่างของกระบวนการคิด เด็กเล็กสามารถเลือกเส้นทางได้ด้วยตัวเอง สำหรับเด็ก 1 ปี อยากจะเดินไปในก็ได้ แต่พอโตโดนหลากอย่างปิดกั้นทางเลือกตัวเองมากกว่า
• เด็กเล็กถึงจะล้มก็สามารถลุกขึ้นมาใหม่ได้ มนุษย์แม้จะล้มเหลวแต่สามารถลุกขึ้นมาใหม่ได้เช่นกัน

พยายามศึกษาทุกอย่างและเพิ่มความขีดความสามารถให้ตัวเอง

---

George Bernand Shaw คนที่พูดถึงเรื่อง thinking บ่อยๆ

Type of Person	Definition
คนส่วนใหญ่	คิดแบบจริงจังแค่ 2-3 ครั้งต่อปี
คนส่วนน้อย	คิดแบบจริงจัง 2-3 ครั้งต่อสัปดาห์ จะช่วยให้การดำเนินชีวิตดีขึ้น

Clear Thinking Book

• คนส่วนใหญ่เมื่ออายุเกิน 45 ปี ถ้าโดนไล่ออกจากงาน จะไม่ค่อยมีทางเลือกในการหางานใหม่และไม่รู้ว่าตัวเองควรเรียนเสริมอะไรถึงจะอยู่รอดได้
• คนเราควรเรียนรู้เพื่อประโยชน์ในอนาคตและพยายามคิดและเรียนรู้ Skill ใหม่ไปเรื่อยๆ

ดังนั้นคนเราควรพยายามคิดแบบ deep thinking ให้เยอะ เพื่อเพิ่มโอกาสในการอยู่รอดในอนาคตได้

---

AI

• Social Media มีทั้งดีและไม่ดี ขึ้นอยู่กับคนใช้ว่าใช้ได้ถูกวิธีหรือเปล่า
• เราต้องใช้ AI เพื่อเป็นคนสร้าง Content, Writing and Creator ให้เยอะ

AI เมื่อถึงจุดหนึ่งจะสามารถเก่งกว่าคนทั่วไป 99%

---

Productivity

Productivity คือ ความสามารถในการสร้างผลลัพธ์ ที่มีคุณค่า โดยใช้ทรัพยากร อย่างคุ้มค่าที่สุด

Activity	Process Work	Defintion
ทำงาน 9 ชม.	100%	ทำงานใช้เวลาเยอะกว่า งานไม่มีประสิทธิภาพ
ทำงาน 1 ชม.	100%	ทำงานใช้เวลาน้อยกว่า งานมีประสิทธิภาพ

1. แสดงว่าคนใช้เวลาทำงานน้อยกว่า มีประสิทธิภาพกว่า
2. งานที่เราทำปัจจุบัน ถ้าเราทำ 10% AI ทำ 90% แสดงว่า เราไม่มี Productivity หรือเปล่า เพราะ AI ทำเป็นส่วนใหญ่

การที่เราเข้าถึง productivity ต้องเข้าใจการ Thinking

---

Slow Productivity

• AI พอถึงจุดหนึ่งจะเก่งกว่าคนทั่วไป 99% ได้เลย ถ้าพัฒนาตัวเองสม่ำเสมอแล้วจะเป็นคนสุดท้ายที่โดนแทนที่

3 method of Slow Productivity

1. Do Fewer Things เช่น Sean D’souza เขียนบทความที่ดี 1 สัปดาห์ ผ่านไป 20 ปีเขียน 45 นาทีต่อ 1 บทความ
2. Work at a Natural Paces ถ้าเก่งมากขึ้นก็จะยิ่งทำงานได้เร็วขึ้น
3. Obess over quality ทำงานเน้นคุณภาพ

• คำถามที่ควรมีในใจ คือ ทำงานในตอนนี้ให้ดีขึ้นได้ยังไงบ้าง

---

Agency is Skill

• เป็น Skill ที่มนุษย์คนๆนึงควรจะมี
• เราควรจะคิดและทำสิ่งต่างๆ ที่จะทำได้ด้วยตัวเอง เช่น เลือกจะตื่นเช้า เพื่อทำสิ่งที่มีความหมาย
• คนส่วนใหญ่กลัวความล้มเหลว ปัญหาที่ยาก แต่คนที่รับมือปัญหาที่เพื่อจะเก่งขึ้นได้

เรียนรู้สิ่งใหม่ๆ โดยการเรียนรู้จากพื้นฐาน → จากเรื่องง่ายไปยังเรื่องที่ยากขึ้นเรื่อยๆ

---

AI Skills for jobs

4 ทักษะที่จำเป็นสำหรับโลก AI ควรเลือกที่จะเรียนทักษะอะไรถึงจะดีที่จำเป็นต่อการหาและสมัครงานต่าง ๆ

1. Resilience
2. Storytelling
3. Coaching
4. AI Skills

→ การเปลี่ยนแปลง ความไม่แน่นอน คือ ความแน่นอน มนุษย์ต้องรู้จักปรับตัว

IT Departments are becoming the HR of AI Agents

---

Resilience

Resilience skill คือ กระบวนการที่เป็นส่วนช่วยในการปรับตัวและทำให้เราสามารถรับมือกับเหตุการณ์ต่าง ๆ ที่เกิดขึ้นได้ในชีวิต

• การที่ล้มได้ ลุกไว สามารถเรียนรู้และเติบโตต่อไปได้จากความผิดพลาด
• ต้องรอด → ต่อยอด → สุดยอด

มีแบ่งออกเป็น 3 ขั้น

---

Roots

• มีกำลังใจดีๆในชีวิตของคุณ เช่น ครอบครัว เพื่อน ศาสนา ศิลปะ หรืออื่นๆ

ตัวอย่าง : การตระหนักถึงความสามารถและข้อดีของตนเอง (Self-Worth)

---

Heads

• เชื่อมั่นใน จุดแข็ง (Strength) หรือ ทักษะความสามารถ (Skills & Ability)

ตัวอย่าง : Head IT บางคนไม่ได้เขียน Code เก่งที่สุด แต่เป็นคนเห็นอกเห็นใจผู้อื่นก็เป็นดาวเด่นได้ตลอด

---

Fruits

• หมายถึง ผลลัพธ์ (result) หรือความสำเร็จ (Success) ที่คุณภูมิใจ
• การตัดสินใจที่จะลงมือทำเพื่อปรับปรุงสถานการณ์ให้ดีขึ้น แทนที่จะรอให้สิ่งภายนอกมาแก้ไขให้

ตัวอย่าง : คนเราต้องภูมิใจระหว่างทาง หรือ เขียนการ์ดขอบคุณใก้คนที่เรารัก

---

Storytelling

• มีทักษะเล่าเรื่องให้น่าสนใจ โน้มน้าวน่าจดจำ
• ไม่ว่าคุณจะมีผลไม้แห่งความสำเร็จมากมาย แต่ถ้าเล่าเรื่องไม่น่าสนใจคนก็ไม่อินด้วย

โดยสิ่งเหล่านี้จะมีพื้นฐาน 5 อย่าง

Context

บริบท คือ สร้างสถานการณ์ตั้งต้น โดยบอกว่า “เกิดอะไรขึ้นที่ไหน เมื่อไหร่ และทำไม” เพื่อให้ผู้ฟังเข้าใจสภาพแวดล้อมก่อนการเริ่มต้นของปัญหาหรือโครงการ

---

Challenge

เจอปัญหาที่ค้นพบ คือ ระบุปัญหาหลัก อุปสรรค ความขัดแย้ง หรือเป้าหมายที่ต้องการบรรลุ บอกว่า “ปัญหาคืออะไร และมันส่งผลกระทบอย่างไร” นี่คือจุดที่เรื่องราวน่าสนใจขึ้น

---

Action

สิ่งที่ทำ คือ อธิบายถึงขั้นตอนหรือการกระทำที่เราได้ทำลงไปเพื่อแก้ไขปัญหาหรือตอบสนองต่อความท้าทาย เน้นย้ำถึง “บทบาทของเรา” และความพยายามที่ใช้

---

Result

ผลลัพธ์ คือ สรุปผลที่ได้จากการดำเนินการของเรา เน้นผลลัพธ์ที่ วัดผลได้ และมีความชัดเจน (เช่น ตัวเลข, เปอร์เซ็นต์, การประหยัดเวลา/ต้นทุน)

---

Impact

ผลกระทบ คือ อธิบายถึงผลลัพธ์นั้นส่งผลต่อภาพรวมขององค์กร ลูกค้า หรือสถานการณ์ในระยะยาวอย่างไรบ้าง เช่น “ความเปลี่ยนแปลงที่ยิ่งใหญ่กว่าคืออะไร?” นี่คือส่วนที่สร้างความประทับใจและความหมายให้กับเรื่องเล่า

---

Coaching

• การตั้งคำถามเชิง Coaching
• คนถามคำถามเก่งจะถามได้ดีแบบ Google

เลือกทางที่ใช่ → เลือกทางที่ดีที่สุด

Goal	Reality	Option	Way Forward
ต้องการเดินทางไปไหน	อยู่ที่ไหน	ช่วยหาเส้นทางที่เหมาะสม	คุณตัดสินใจจะทำอะไรเป็นขั้นตอนต่อไป

→ จงเป็น Google map ให้คนรอบข้างที่ดี

---

AI Skills

• AI Skill การใช้งานที่ถูกวิธี
• ความสามารถ AI ในช่วงเวลานี้คือ Amazing Intern จบมาจากมหาลัยชั้นนำในต่างประเทศโดยที่ต้อง Prompt และตรวจสอบทุกครั้ง

ไม่ว่าจะอายุเท่าไร อาชีพอะไร ก็สามารถสร้างทักษะใหม่ๆได้

---

The 6 Most Common AI Usage Categories

AI ที่ปัจจุบันคนนิยมใช้มีดังนี้

Personal & Professional Support

• การสนับสนุนส่วนบุคคลและอาชีพ มีอัตราส่วน 31%
• ใช้เพื่อเสริมทักษะ Soft Skills เช่น การให้คำปรึกษาเรื่องส่วนตัว เช่น ดูดวง, การพัฒนาส่วนบุคคล
• AI : Chatgpt Copilot gemini
• TIPS : Prompts บอก AI ให้ GROW Model ในการ Coach ของคุณ

---

Content Creation & Editing

• การสร้างและแก้ไขเนื้อหา มีอัตราส่วน 18%
• การผลิตเนื้อหา เช่น การเขียน, การออกแบบ, การทำสื่อการสอน, หรือการตลาดเนื้อหา (Content Marketing)
• AI : Gemini Pro

---

Learning & Education

• การเรียนรู้และการให้ความรู้ อัตราส่วน 16%
• เรียนรู้สิ่งใหม่ตลอดเวลา หรือ สอนความรู้ให้อื่น
• AI : Deep Research

---

Technical & Know-How Assistance

• ความช่วยเหลือด้านเทคนิคและความรู้เฉพาะทาง มีอัตราส่วน 15%
• ใช้เพื่อเสริมทักษะ Hard Skills เช่น แก้ปัญหาทางเทคนิคการเขียน coding เชิงลึก
• AI : Claude

---

Creativity & Recreation

1. ความคิดสร้างสรรค์และสันทนาการ มีอัตราส่วน 11%
2. สร้างงานที่มีความคิดสร้างสรรค์ต่างๆ เช่น รูปภาพ และ วิดีโอ
3. AI : Gemini banana

---

Research & Analysis

1. การวิจัยและการวิเคราะห์ มีอัตราส่วน 9%
2. เป็นการค้นคว้าข้อมูลเพื่อสนับสนุนงานต่างๆ เช่น การหาข้อมูลเพื่อสร้างเนื้อหาในการเขียน content
3. AI : Claude

---

Building AI Agents with Microsoft Agent Framework

Framework สำหรับ Building AI Agents คือการสร้างสิ่งที่ไม่เคยมีมาก่อน ให้เกิดขึ้นมาโดยที่เส้นทางเหล่านั้นสะดวกกับการใช้งาน เพื่อสร้างสิ่งต่างๆได้อย่างใจคิด

Stack App

Stack App คือ Framework ที่ใช้สำหรับสำรวจการทำงานของ AI

AI App -> Model -> Azure AI Foundry

---

AI App

AI App คือ แอปพลิเคชันที่ผู้ใช้งานอย่างเราโต้ตอบด้วย

• เป็นสิ่งที่เราเห็นและสัมผัส เช่น ที่สามารถพิมพ์ถามได้ (แบบ ChatGPT), แอปแต่งรูป AI (banana), หรือโปรแกรมแปลภาษา (gemini pro)

---

Model

Model เป็น อัลกอริทึมที่ถูกฝึกฝนด้วยข้อมูลมหาศาลเพื่อให้มีความสามารถเฉพาะทาง (เช่น เข้าใจภาษา, สร้างภาพ, วิเคราะห์ข้อมูล)

• โดยที่ Model พวกนี้คือจุดเริ่มต้นที่เลียนแบบเทคโนโลยีมาใช้ โดยที่จริงแล้ว AI ไม่ฉลาด แต่เลียนแบบมนุษย์ได้ เพื่อโต้ตอบของมนุษย์ได้ โดยการเลียนแบบวิธีการสังเคราะห์ ให้แต่งประโยคได้เหมือนมนุษย์ที่เป็นอุปกรณ์ชื่อ Azure AI Foundry

---

Azure AI Foundry

เป็น “Catelog” ที่ Microsoft รวบรวมสุดยอด AI Model เก่งๆ จากหลายค่าย (เช่น claude, gemini, OpenAI และของ Microsoft เอง) มาไว้ในที่เดียว เช่น

• มี AI Agent ที่สามารถสร้าง Agent เป็น Booking Assistant, เป็น HR Position, เป็น Marketing Position และ brief งาานได้นำมา เพื่อประยุกต์ใช้ในงานต่างๆได้ มอบหมายหน้าที่ได้รับมอบหมาย

---

Framework of Azure AI Foundry

มี 3 รูปแบบ (Patterns) หลักในการสร้างแอปพลิเคชัน Generative AI ซึ่งเป็นแนวคิดพื้นฐานที่เครื่องมืออย่าง Azure AI Foundry ถูกสร้างขึ้นมาเพื่อรองรับครับ โดยมี 3 ระดับของ ความฉลาด และ ความเป็นอิสระ ของ AI จากง่ายไปยาก

Retrieval Pattern

• รูปแบบการดึงข้อมูล เป็นการตอบโดยให้ AI ไปค้นหาคำตอบจากหนังสือหรือแหล่งที่มาอื่นๆ
• เพื่อให้ได้คำตอบที่ ถูกต้อง แม่นยำ และอ้างอิงได้ จากข้อมูลเฉพาะของคุณ เช่น เอาข้อมูลวันลาของพนักงานได้
• AI : RAG, Azure AI Search

---

Task Pattern

• รูปแบบการทำงานเฉพาะอย่าง
• งานเดี่ยว (Single Task): สั่งให้ “สรุป” บทความ
• งานต่อเนื่อง (Task Chaining): สร้างลำดับงานที่ตายตัว

---

Process of Task Pattern

1. รับไฟล์เสียง (Input)
2. ใช้ AI ถอดเสียง เป็นข้อความ (Task 1)
3. ใช้ AI แปล ข้อความเป็นภาษาอังกฤษ (Task 2)
4. ใช้ AI สรุป ใจความสำคัญ (Task 3) รวมทั้งหมดเป็น Automate workflow

---

Autonomous Pattern

• มี AI Agent เป็นผู้ช่วยส่วนตัว
• plan ตั้งเงื่อนไขไว้ว่า Chatgpt จะทำงานเมื่อไร สามารถใส่ AI Agent ได้มากกว่า 1 ตัวมากกว่า 1 Application ด้วย code 3 บรรทัด สามารถเชื่อมกับการ deploy ผ่าน Azure AI Foundry
• สามารถเรียนรู้เพิ่มเติมผ่าน Website นี้

https://learn.microsoft.com/en-us/azure/ai-foundry/what-is-azure-ai-foundry

---

Process of Autonomous Pattern

1. ผู้ใช้ตั้ง “เป้าหมาย” (เช่น “วางแผนทริปเที่ยวญี่ปุ่นให้ 5 วัน งบ 50,000 บาท”)
2. AI “คิดวิเคราะห์” (Reasoning) ว่าต้องทำอะไรบ้าง (1. หาเที่ยวบิน 2. หาโรงแรม 3. วางแผนการเดินทาง 4. คุมงบ)
3. AI “เลือกใช้เครื่องมือ” (Tool Use) ที่จำเป็น เช่น เรียก API ของเว็บจองตั๋ว, ค้นหาเว็บรีวิว, ใช้เครื่องคิดเลข
4. AI ทำงานเป็น “วงจร” (Loop) จนกว่าเป้าหมายจะสำเร็จ และอาจ “แก้ไข” แผนของตัวเองได้ถ้าระหว่างทางเจอปัญหา

ถ้าหากลองให้ Azure AI Foundry ทำงานดู ก็จะรู้ได้ว่า AI ทำงานผิดพลาดและ AI กำลังเติบโตไปพร้อมๆกับเรา เหมือนกับที่เราผ่าน Computer, Smartphone เพราะปัจจุบันคนต้องการคนที่สร้างและสอน AI อีกมาก

---

Building Graph-Baesd RAG from documents with python

• โดยความเป็นจริงแล้วเบื้องหลังการทำ AI คือไปทำ Search ว่า AI สามารถค้นข้อมูลได้ยังไง

What is RAG?

Retrieval-Augmented Generation (RAG) เป็น Framework ที่ออกแบบมาเพื่อเพิ่มขีดความสามารถของโมเดลภาษาขนาดใหญ่ (LLMs) โดยการผสานการค้นคืนข้อมูลจากแหล่งภายนอกเข้ากับกระบวนการสร้างคำตอบ แม้ว่า LLMs แบบดั้งเดิมจะมีประสิทธิภาพสูง แต่ก็มีข้อจำกัดที่ข้อมูลที่ใช้ในการฝึกฝน ซึ่งอาจล้าสมัยหรือขาดความรู้เฉพาะทางอย่างรวดเร็ว RAG แก้ไขข้อจำกัดเหล่านี้โดยการนำข้อมูลที่ทันสมัยและเฉพาะทางจากแหล่งภายนอกมาใช้ ทำให้โมเดลสามารถสร้างคำตอบที่ทั้งทันสมัยและตรงกับบริบทได้

Add Knowledge

• ระบุ AI ที่ต้องการให้ความรู้ไปก่อน โดยเรานำเอกสาร (หนังสือ) ไปให้ AI เรียนรู้และจัดเก็บใน “ฐานข้อมูลความรู้ AI”

---

Query

• ให้ AI หาหนังสือจาก ฐานข้อมูลความรู้ AI

---

Choose the best Doc

• หาหนังสือที่ดี

---

Generate Answer

• ตอบคำถามให้กับเรา

---

From Document to Vector

Chunking

1. Chunking คือ การแบ่งเอกสาร
2. จากหนังสือ เราไม่สามารถนำหนังสือทั้งเล่มและป้อนให้ AI ตรงๆ ได้ เพราะมันใหญ่เกินไป
3. เราจึงต้อง “หั่น” (Chunk) หนังสือนั้นให้เป็น “เอกสาร” ชิ้นเล็กๆ เช่น ทีละย่อหน้า หรือทีละ 1,000 ตัวอักษร
4. (เป็น: เอกสาร) เราจะได้เอกสารชิ้นเล็กๆ หลายพันชิ้น

---

Embedding

• การแปลงเป็น Vector
• จากเอกสาร เรานำเอกสารชิ้นเล็กๆ แต่ละชิ้น ป้อนเข้า “Embedding Model“ (นี่คือ AI อีกตัวที่ทำหน้าที่ “แปลง” โดยเฉพาะ)
• (เป็น: Vector) Model นี้จะ “อ่าน” เอกสารแต่ละชิ้น แล้ว “สร้าง” Vector (ชุดตัวเลข) ที่แทนความหมายของชิ้นนั้นๆ ออกมา
• ผลลัพธ์: เราจะได้ Vector หลายพันชุด ที่คู่กับเอกสารต้นฉบับของมัน

---

Indexing

• การจัดเก็บ
• เรานำ Vector ทั้งหมดนี้ไปเก็บใน “Vector Database” (ฐานข้อมูลเวกเตอร์)
• ฐานข้อมูลนี้เปรียบเหมือน “คลังความรู้” (Knowledge Base) หรือ “ห้องสมุด” ที่จัดเรียงหนังสือตาม “พิกัดความหมาย” ทำให้ค้นหาได้เร็วมาก

---

Knowledge graph

การสร้างกราฟความรู้ (Knowledge Graph) จากเอกสารโดยอัตโนมัติ โดยใช้ LLM (Large Language Model) คือกระบวนการ เปลี่ยนข้อความ ให้กลายเป็น “ฐานข้อมูลเชิงสัมพันธ์” (Graph Database) ที่แสดงว่าอะไรเชื่อมโยงกับอะไรบ้าง

1. Doc (เอกสาร): คือเอกสารต้นฉบับของคุณ (เช่น หนังสือ, บทความวิจัย, เอกสารนโยบาย) ซึ่งเป็นข้อมูลที่ยังไม่มีโครงสร้าง (Unstructured Data)
2. Chunk (ส่วนย่อย): เอกสารถูกแบ่งออกเป็นชิ้นเล็กๆ (เหมือนในระบบ RAG) เพื่อให้ LLM สามารถประมวลผลได้ง่ายขึ้น
3. LLM (สมอง): นี่คือส่วนที่ฉลาดที่สุด LLM จะ “อ่าน” ข้อความในแต่ละ Chunk และ “สกัด” (Extract) ความสัมพันธ์ที่ซ่อนอยู่ออกมา
4. Edge List (รายการเส้นเชื่อม):
   1. Edge List คือผลลัพธ์ ที่ LLM สกัดออกมา
   2. มันคือรายการของ Triplets (ชุดข้อมูล 3 ส่วน) ที่อยู่ในรูปแบบ (Subject, Predicate, Object) หรือ (สิ่งหนึ่ง, ความสัมพันธ์, อีกสิ่งหนึ่ง)
   3. จากตัวอย่างในภาพ:
      • (Paper_A, Method_A, use) หมายความว่า Paper_A ใช้ Method_A
      • (Method_A, Method_B, relate_to) หมายความว่า “Method_A เกี่ยวข้องกับ Method_B”
      • (Method_A, Value_1, result) หมายความว่า “Method_A มีผลลัพธ์เป็น Value_1″
5. Knowledge Graph (กราฟความรู้):
   • คือการที่เรานำ Edge List ทั้งหมดมาประกอบร่างสร้างเป็นเครือข่าย
   • Nodes (โหนด): คือ “สิ่งของ” หรือ “แนวคิด” (วงกลมสีต่างๆ เช่น Paper_A, Method_A)
   • Edges (เส้นเชื่อม): คือ “ความสัมพันธ์” ที่เชื่อมโยงโหนดเข้าด้วยกัน (ลูกศรที่มีป้ายกำกับ เช่น use, relate)

---

How we combine Graph & RAG

1. User (ผู้ใช้): ผู้ใช้ถามคำถามที่ซับซ้อน เช่น Method_A ให้อะไร และมันเกี่ยวกับอะไรบ้าง?
2. LLM (สมองตัวที่ 1 – ตัววางแผน): LLM วิเคราะห์คำถาม แล้วคิดว่า “ฉันต้องไปหาข้อมูลเกี่ยวกับ Method_A
3. VectorDB (ตัวค้นหา): LLM ส่งคำค้นหาไปที่ VectorDB (ซึ่ง VectorDB นี้ อาจเก็บ Vector ของ “โหนด” ต่างๆ ในกราฟ) เพื่อค้นหาว่า “โหนด” ไหนใน Knowledge Graph ที่ “เกี่ยวข้อง” กับคำถามมากที่สุด
4. Knowledge Graph (ดึงข้อมูล):
   1. VectorDB “ชี้เป้า” ไปที่โหนด Method_A
   2. ระบบจึงทำการ “ดึง” (Retrieve) “กราฟย่อย” (Sub-Graph) ที่อยู่รอบๆ Method_A ออกมา (ส่วนที่อยู่ใน กรอบสีเขียว)
   3. นี่คือหัวใจสำคัญ: แทนที่เราจะได้ “ข้อความ” (Text) เรากลับได้ “ข้อมูลเชิงโครงสร้าง” (Structured Data) ที่บอกว่า:
      • Method_A ถูกใช้ (use) โดย Paper_A และ Paper_B
      • Method_A เกี่ยวข้อง (relate) กับ Method_B
      • Method_A มีผลลัพธ์ (result) เป็น … (วงกลมสีชมพู)
5. LLM (สมองตัวที่ 2 – ตัวสร้างคำตอบ): LLM (ตัวเดิมหรือตัวใหม่ก็ได้) รับ “กราฟย่อย” ที่แม่นยำนี้มาเป็น “บริบท” (Context)
6. Answer (คำตอบ): LLM สร้างคำตอบที่ถูกต้องและครบถ้วนโดย “อ่าน” จากความสัมพันธ์ในกราฟนั้น เช่น Method_A ถูกใช้ใน Paper_A และ B, มีความเกี่ยวข้องกับ Method_B และให้ผลลัพธ์ที่ต้องการ

---

โดยสรุปบทความนี้ชี้ให้เห็นว่าการจะประสบความสำเร็จในยุค AI นั้น ต้องเริ่มต้นจากการปรับ กระบวนการคิด และพัฒนา ทักษะ 4 ด้านที่จำเป็น (Resilience, Storytelling, Coaching, AI Skill) ในขณะเดียวกัน ฝั่ง นักพัฒนา ก็ต้องอัปเดตเครื่องมือใหม่ๆ อย่าง Microsoft Agent Framework เพื่อสร้างระบบ Multi-agent และเรียนรู้เทคนิคขั้นสูงอย่าง Graph-based RAG เพื่อสร้าง AI ที่ชาญฉลาดและตอบโจทย์ได้แม่นยำที่สุด หวังว่าบทความนี้จะเป็นประโยชน์กับทุกท่านครับ

ขอบคุณ SCBxtech Next Tech StackZero Meetup ที่จัดกิจกรรมดีๆให้ครับ

---