<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Piampoon Kay on Medium]]></title>
        <description><![CDATA[Stories by Piampoon Kay on Medium]]></description>
        <link>https://medium.com/@piampoon.kay?source=rss-1b626ae5d98d------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*P70Nay-lftUp7AfkCtTGJA.jpeg</url>
            <title>Stories by Piampoon Kay on Medium</title>
            <link>https://medium.com/@piampoon.kay?source=rss-1b626ae5d98d------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 07:28:50 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@piampoon.kay/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[The Architecture of Flow: ให้ AI เขียนโค้ดไป… ส่วนเราจะไปเป็นช่างประปา!]]></title>
            <link>https://medium.com/odds-team/the-architecture-of-flow-%E0%B8%8A%E0%B9%88%E0%B8%B2%E0%B8%87%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%9B%E0%B8%B2%E0%B8%81%E0%B9%87%E0%B8%99%E0%B9%88%E0%B8%B2%E0%B8%AA%E0%B8%99%E0%B9%83%E0%B8%88%E0%B8%99%E0%B8%B0-7adc9a8b1eef?source=rss-1b626ae5d98d------2</link>
            <guid isPermaLink="false">https://medium.com/p/7adc9a8b1eef</guid>
            <category><![CDATA[distributed-systems]]></category>
            <category><![CDATA[software-engineering]]></category>
            <category><![CDATA[software-architecture]]></category>
            <category><![CDATA[careers]]></category>
            <dc:creator><![CDATA[Piampoon Kay]]></dc:creator>
            <pubDate>Sun, 24 May 2026 10:24:40 GMT</pubDate>
            <atom:updated>2026-06-02T16:24:59.318Z</atom:updated>
            <content:encoded><![CDATA[<p>“ถ้าวันหนึ่ง AI แย่งงานเขียนโค้ดจนหมด เราจะไปทำอะไรดี?”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EOJxo2oonQd8lXygmRWlIg.png" /></figure><p>เมื่อไม่กี่วีคก่อน ระหว่างที่ผมนั่งแก้คอขวดในระบบที่ทำงานอยู่ดีๆ ก็เกิดความรู้สึกแปลกๆ ขึ้นมา</p><blockquote><em>“เดี๋ยวนะ… logic ที่ใช้อยู่ตอนนี้ มันเหมือนตอนรื้อระบบประปาที่บ้านเลยนี่หว่า”</em></blockquote><p>ย้อนไปเมื่อสองเดือนก่อน ผมเสนอแผน “รื้อระบบประปาทั้งบ้าน” และออกแบบใหม่ทั้งหมด เพราะทนปัญหาน้ำไหลไม่เป็นเวลาไม่ไหว ถามว่ามีพื้นฐานช่างประปาไหม? ตอบตรงๆ ว่า “ไม่เลยครับ ฮ่าๆ” แต่ผมมี Claude และ Gemini (My boys..)</p><p>ด้วยงานหลักวันๆ คือการจัดการปริมาณธุรกรรมที่ถาโถมเข้ามา ตอนทำโปรเจกต์ประปานั้นผมยังมองไม่ออกหรอกว่าเพิ่งสร้าง Distributed System ขนาดย่อมๆ ไป จนกระทั่งเห็นภาพซ้อนทับกันที่ทำงาน ถึงนึกขึ้นมาได้ว่า “น้ำในท่อ” หรือ “ข้อมูลในระบบ” มันมีความเป็นธรรมชาติที่เหมือนกันอยู่นะ</p><h3>1. End-to-End Flow: แกะรอยการไหลของน้ำ (และข้อมูล)</h3><p>ก่อนจะไปเจาะลึกแต่ละฟีเจอร์ ลองมาดู “เส้นทางการไหล” ของระบบประปาที่บ้านก่อน พอมานั่งวาดก็เห็นอะไรมากขึ้นและพบว่าระบบน้ำที่บ้านแทบจะกลายเป็น Architecture Diagram ของ Event-Driven System ได้เลย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hUSSJIpelY9AtCO5FVvTJw.png" /><figcaption>อันนี้ระบบน้ำใหม่ในบ้านที่ออกแบบร่วมกับ Gimmy:</figcaption></figure><ul><li><strong>Step 1: Ingestion (รับน้ำเข้า)</strong>: ปั๊มตัวแรกทำหน้าที่ดูดน้ำจากแหล่งน้ำดิบ เปรียบเหมือนจุดที่คอยรับข้อมูลเข้าสู่ระบบ</li><li><strong>Step 2: Raw Data Buffer (พักน้ำดิบ)</strong>: น้ำจะถูกส่งมาเก็บไว้ที่ถังพักก่อน เพื่อช่วยรับแรงกระแทกเวลาน้ำประปาหลักไหลไม่สม่ำเสมอ เปรียบเหมือน buffer หรือ queue ที่ช่วยไม่ให้ระบบพังเวลามีโหลดเข้ามาเป็นระลอก</li><li><strong>Step 3: Processing &amp; Sanitization (กรองน้ำ</strong>): ปั๊มตัวที่สองจะดึงน้ำดิบเข้าสู่กระบวนการกรอง คล้าย worker ที่คอย validate และ clean data ก่อนส่งต่อเข้า system หลัก</li><li><strong>Step 4: Processed Data Storage (พักน้ำดี)</strong>: เมื่อน้ำผ่านการกรองแล้วก็จะถูกเก็บไว้ในถังพักน้ำดี เปรียบเหมือน processed data storage ที่พร้อมให้ผู้ใช้งานเรียกใช้ได้ทันที</li><li><strong>Step 5: Consumption (จ่ายน้ำให้ผู้ใช้)</strong>: ปั๊มตัวสุดท้ายทำหน้าที่จ่ายน้ำเข้าก๊อกตามปริมาณการใช้งาน เปรียบเหมือน service layer ที่คอยส่งข้อมูลออกไปยังผู้ใช้งานอย่างพอดีกับโหลดที่เข้ามา</li></ul><h3>2. ทฤษฎีแรงดันน้ำ vs การหรี่คันเร่ง</h3><p>ตอนทำโปรเจกต์นี้ที่ต้องส่งคำสั่งทำธุรกรรมในจำนวนหลายล้านบัญชี ซึ่งเจอปัญหาใหญ่ตอนทำ Performance Test เราลองยิงโหลดไปที่ Core System ปลายทางรับได้น้อยมาก ตอนนั้นเขากำลังเจอปัญหาบางอย่างอยู่ ที่ทำให้ระบบตอบสนองต่อคำร้องขอไม่ทัน แต่นั่นนี่ไม่ใช่สิ่งที่จะแก้ไขได้ในทันที เราก็เลยต้องหาวิธีอื่นในการจัดการกับมัน โดยพยายามควบคุมปริมาณน้ำที่เราจะปล่อยไปแทน</p><p>ปัญหาคือตอนเราออกแบบระบบน้ำ ถ้าปั๊มน้ำ (Producer) แรงไป ท่อก็จะตัน น้ำท่วมถังพัก (Buffer) ผลลัพธ์คือท่อแตก…</p><p>สุดท้ายสิ่งที่ทำไม่ใช่การขยายท่อ แต่คือ “หรี่วาล์ว” หรือ Rate limiting เพื่อบีบโหลดให้เหลือจำนวน TPS ที่ต่ำลงยอมให้งานวิ่งยาวกว่าเดิม เพื่อแลกกับการไม่ทำให้ระบบหลักล่ม</p><p>ซึ่งจริงๆ มันก็คือ backpressure management นั่นเอง</p><h3>3. เมื่อถังพักน้ำคือ Message Queue</h3><p>ในตอนออกแบบระบบน้ำที่บ้าน “ทำไมต้องต่อถังพักตั้ง 2 ใบ?”</p><p>พอมานั่งคิดดีๆ มันก็คือแนวคิดเรื่อง decoupling นี่เอง — แยกส่วนที่ “ผลิต” ออกจากส่วนที่ “ใช้งาน” เพื่อไม่ให้ทุกอย่างพังพร้อมกัน</p><p>ถังแรกทำหน้าที่เก็บน้ำดิบ เปรียบเหมือน raw event queue ส่วนถังที่สองคือพื้นที่เก็บน้ำที่ผ่านการกรองแล้ว หรือ processed data storage</p><p>ข้อดีของการแยกแบบนี้คือ ถ้าปั๊มหรือระบบกรองมีปัญหา คนในบ้านก็ยังมีน้ำสำรองใช้งานได้ต่อ ไม่ต่างจากระบบ distributed systems ที่ใช้ queue หรือ Kafka เป็น buffer ระหว่าง producer และ consumer เพื่อลดผลกระทบเวลาระบบบางส่วนล่ม</p><h4>4. Idempotency กับ “วาล์วกันย้อนกลับ”</h4><p>กฎเหล็กของระบบการเงินคือ “ห้ามหักเงินลูกค้าซ้ำเด็ดขาด” เลยต้องออกแบบ <strong>Idempotency</strong> เพื่อกันไม่ให้เกิดการ Double Charge หากระบบเกิด Retry ขึ้นมา พอมาทำระบบประปาก็ต้องใส่อุปกรณ์ที่เรียกว่า <strong>“วาล์วกันกลับ”</strong> เพื่อป้องกันไม่ให้น้ำไหลย้อนกลับไปตีกับน้ำดี ตรรกะมันคือเรื่องคล้ายๆ กัน “สิ่งที่ผ่านไปแล้ว ต้องไม่ย้อนกลับมาทำซ้ำให้ระบบพัง”</p><h3>5. Multi-stage Filter &amp; Health Check: เมื่อระบบต้องป้องกันตัวเอง</h3><p>ในโลกอุดมคติ งานที่มีความสำคัญต่ำแต่มีจำนวนมหาศาลควรถูกแยกไปวิ่งที่ “ท่อสำรอง” แต่ในความเป็นจริง ด้วยข้อจำกัดหลายอย่างในครั้งนี้ทำให้ต้องปล่อยมันวิ่งบน “ทางสายหลัก” ปะปนไปกับ Traffic ของลูกค้าปกติ! ความระทึกตื่นเต้นในการจัดการการไหลของธุรกรรมจึงบังเกิด ฮ่าๆ</p><p>การต้องเอางานหนักๆ มาวิ่งบนท่อหลักทำให้ครั้งนี้</p><p>ต้องออกแบบระบบให้รัดกุมมาก มาก มาก มากกก เป็นพิเศษ เพราะถ้าพลาดนั่นหมายถึง SEV1 (Level 1 critical incident / ระบบหลักล่ม) และต้องไปนั่งตัวเย็นอธิบายในห้อง Postmortem แน่ๆ</p><p>เพื่อป้องกันหายนะ มันเลยมีแนวคิดเรื่อง Fail-safe และ Health Check มาใช้ ซึ่งมันสะท้อนออกมาในการออกแบบระบบน้ำที่บ้านเป๊ะๆ:</p><p><strong>Multi-stage Filtration</strong>: ท่ีบ้านเราจะมีระบบกรองไว้หลายชั้น เพราะถ้าฟิลเตอร์ตัวแรกเอาไม่อยู่ อย่างน้อยก็ยังมีอีกชั้นช่วยดักไว้ แนวคิดมันไม่ต่างจาก fail-safe ใน software system ที่ไม่ควรฝากความหวังไว้กับจุดป้องกันเพียงจุดเดียว</p><p><strong>Pump Control :</strong> มันเหมือนระบบที่คอยเช็กว่าระบบข้างเคียงที่เราใช้ยังตอบสนองอยู่ไหม ถ้าไม่ ก็หยุดทำงานทันทีแทนที่จะฝืนจนพังทั้งระบบ</p><h3>6. Smart Monitoring: เมื่อบ้านกลายเป็น Production</h3><p>การมีหน้าจอ Digital Display คอยบอกสถานะของปั๊มน้ำ ทำให้รู้สึกเหมือนกำลังนั่งเฝ้า dashboard ของระบบ production อยู่จริงๆ</p><p>สิ่งที่ทำให้ระบบน้ำที่บ้านดีขึ้นมากไม่ใช่แค่ปั๊มหรือฟิลเตอร์ แต่คือการ “มองเห็น” ว่าระบบกำลังเกิดอะไรขึ้นอยู่บ้าง โดยไม่ต้องเดินไปเปิดดูแท็งก์หลังบ้าน</p><p>เพราะถ้าไม่มี monitoring เวลาน้ำไม่ไหล เราก็ได้แต่นั่งเดาว่าเกิดจากน้ำหมดถัง ปั๊มเสีย หรือท่อมีปัญหากันแน่</p><p>การมี observability ทำให้เรารู้ตัวก่อนปัญหาจะลุกลาม อย่างน้อยก็ช่วยไม่ให้ต้องยืนสระผมแบบมีฟองแชมพูค้างอยู่กลางหัว ฮ่าๆ</p><h3>7. Kill Switch</h3><p>การปล่อย process หักเงินหลายล้านบัญชีพร้อมกันคือความเสี่ยงระดับก๊อตซิล่า เลยต้องมีปุ่ม Stop/Start หรือ Kill Switch ไว้สำหรับหยุดระบบทันทีหากเริ่มมีอะไรผิดปกติ</p><p>ควบคู่กันนั้นก็ต้องมีการทำ Dynamic Scaling เพื่อค่อยๆ ปรับ throughput หรือควบคุมปริมาณโหลดที่ปล่อยออกไป ไม่ให้ระบบปลายทางรับไม่ไหว</p><p>พอมาทำระบบประปาที่บ้าน สิ่งที่ภูมิใจที่สุดดันไม่ใช่ท่อที่ต่อสวยหรือปั๊มแรงแค่ไหน แต่เป็นสวิตช์ตัดไฟปั๊มน้ำแบบ manual ที่ติดไว้ข้างฝาบ้าน</p><p>มันคือ Manual Kill Switch ดีๆ นี่เอง</p><p>เพราะสุดท้ายแล้ว สิ่งที่ทำให้นอนหลับได้สนิท ไม่ใช่การเชื่อว่าระบบจะไม่มีวันพัง แต่คือการรู้ว่า ถ้ามันเริ่มพังขึ้นมา เราจะหยุดมันได้ทันก่อนทุกอย่างจะลุกลามไปมากกว่านี้</p><h3>บทสรุป</h3><p>ไม่ว่าจะเป็นน้ำ ไฟ รถ supply chain, traffic, transaction หรือคน สุดท้ายแล้วมันก็มักวนกลับมาที่เรื่อง flow control, queueing และการจัดการ failure อยู่ดี</p><p>พอมานั่งคิดดูแล้ว การรื้อระบบประปาครั้งนี้ก็ไม่ต่างจากตอนออกแบบ distributed systems เท่าไหร่เลย</p><p>อย่างน้อย… ถ้าวันหนึ่ง AI เขียนโค้ดแทนหมดจริงๆ ตอนนี้ก็มีอาชีพสำรองเพิ่มมาอีกหนึ่งละ ฮ่าๆ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7adc9a8b1eef" width="1" height="1" alt=""><hr><p><a href="https://medium.com/odds-team/the-architecture-of-flow-%E0%B8%8A%E0%B9%88%E0%B8%B2%E0%B8%87%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%9B%E0%B8%B2%E0%B8%81%E0%B9%87%E0%B8%99%E0%B9%88%E0%B8%B2%E0%B8%AA%E0%B8%99%E0%B9%83%E0%B8%88%E0%B8%99%E0%B8%B0-7adc9a8b1eef">The Architecture of Flow: ให้ AI เขียนโค้ดไป… ส่วนเราจะไปเป็นช่างประปา!</a> was originally published in <a href="https://medium.com/odds-team">odds.team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[When Systems Scale, Alignment Stops Being Simple]]></title>
            <link>https://medium.com/odds-team/when-systems-scale-alignment-becomes-the-hard-problem-937230a06aa5?source=rss-1b626ae5d98d------2</link>
            <guid isPermaLink="false">https://medium.com/p/937230a06aa5</guid>
            <category><![CDATA[organizational-culture]]></category>
            <category><![CDATA[software-engineering]]></category>
            <category><![CDATA[scalability]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[Piampoon Kay]]></dc:creator>
            <pubDate>Tue, 16 Dec 2025 03:02:08 GMT</pubDate>
            <atom:updated>2025-12-16T14:36:11.463Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*TC2eM8GhSNkEXzXI.jpg" /></figure><p>Most of the lessons in this essay were learned from production systems under load — from late-stage launches where small assumptions became large risks, and from working across teams that were all doing the “right” thing, just not always in the same direction.</p><p>Over the past few years, I’ve had the opportunity to work on systems where a single user-facing action could translate into millions of downstream events within minutes.</p><p>In those environments, scaling is never theoretical.<br>It shows up quickly, often uncomfortably, and rarely where you expect it.</p><p>What follows is not a case study of a specific product or company.<br>It is a set of patterns I’ve observed when systems grow faster than the shared understanding around them.</p><h3>Local correctness does not guarantee system correctness</h3><p>In multi-team environments, each team naturally optimizes for what it owns.</p><ul><li>Engagement teams optimize for reach and response</li><li>Product teams optimize for features and user experience</li><li>Backend teams optimize for correctness and throughput</li><li>Infrastructure teams optimize for capacity and reliability</li><li>Data teams optimize for freshness and ingestion guarantees</li></ul><p>From a local perspective, all of these optimizations are reasonable.</p><p>The problem appears when local correctness is mistaken for system correctness.</p><p>A single action — for example, triggering a large-scale user-facing event — may be correct within one domain.</p><p>When executed at scale, however, it can produce cascading effects across authentication, API gateways, downstream services, and storage layers.</p><p>At that point, the question is no longer <em>“Can we do this?”</em><br>It becomes <em>“What does this do to the system as a whole?”</em></p><h3>Performance rarely belongs to a single team</h3><p>One of the most persistent myths in large systems is that performance belongs to a specific function — SRE, infrastructure, or a designated “performance team.”</p><p>In reality, performance is an emergent property of decisions made across the entire system.</p><p>It is shaped by:</p><ul><li>How user journeys are designed</li><li>How events are triggered</li><li>How dependencies are chained</li><li>How data is accessed and retained</li><li>And how failure modes are handled</li></ul><p>Performance issues rarely originate from a single service in isolation.<br>They tend to emerge at the boundaries — where assumptions from different teams meet.</p><p>This is why performance cannot be fixed at the last stage of delivery.<br>By the time load testing begins, most of the performance profile has already been decided.</p><h3>Designing for real load means designing for real behavior</h3><blockquote><em>Synthetic load is easy to generate. <br>Real load is much harder to reason about.</em></blockquote><p>Real load includes:</p><ul><li>bursty access patterns</li><li>synchronized user behavior</li><li>cold starts</li><li>authentication bottlenecks</li><li>cascading cache misses</li><li>contention across shared resources</li></ul><p>The most useful performance discussions do not start with numbers like RPS or CPU usage.</p><p>They start with questions like:</p><ul><li>What does the real user journey look like?</li><li>Where do requests converge?</li><li>Which components amplify the load?</li><li>What assumptions break under concurrency?</li></ul><p>When teams reason together about real behavior instead of abstract metrics, performance stops being a downstream concern and becomes a design constraint.</p><h3>Large launches are system events, not feature events</h3><p>In large systems, a significant release is never just a feature rollout.<br>It is a system-level event.</p><p>Such launches stress:</p><ul><li>coordination between teams</li><li>operational readiness</li><li>observability</li><li>decision-making under uncertainty</li></ul><p>Treating launches as parallel efforts — each team with its own checklist and monitoring — often creates fragmented visibility.</p><p>When incidents occur, teams react to different signals and reach different conclusions.</p><p>The shift happens when teams align around a single operational narrative:</p><ul><li>shared timelines</li><li>shared readiness criteria</li><li>shared dashboards</li><li>shared rollback strategies</li></ul><p>This kind of alignment does not reduce complexity; it shifts where complexity lives.</p><p>It makes certain risks more visible and manageable, while introducing others — such as slower decision-making, increased coordination overhead, and tighter coupling between teams.</p><p>The goal is not perfect alignment, but sufficient alignment in areas where failure modes and blast radii are shared.</p><h3>Many risks appear at the boundaries</h3><p>In post-incident reviews, the root cause is often not a broken component.<br>It is a broken assumption between components.</p><p>For example, between:</p><ul><li>client behavior and backend capacity</li><li>business timing and system limits</li><li>data volume growth and storage characteristics</li><li>cleanup logic and operational load</li></ul><p>These risks are difficult to see when teams reason in isolation.<br> They become visible only when the system is viewed as a connected whole.</p><p>As engineers, the goal is not to eliminate these risks entirely.<br>It is to surface them early, discuss them explicitly, and design with them in mind.</p><h3>RCA is a communication tool before it is a technical one</h3><p>A strong Root Cause Analysis is not defined by how quickly it assigns blame or proposes fixes.</p><p>Its real value lies in how clearly it explains:</p><ul><li>what changed</li><li>what did not</li><li>how the system behaved over time</li><li>and why certain assumptions no longer held</li></ul><p>Good RCA documents allow engineers, product managers, and leadership to reason from the same facts — even when they disagree on next steps.</p><p>They turn production incidents into shared learning rather than isolated failures.</p><h3>Scaling systems requires scaling how teams think</h3><p>Infrastructure can be scaled with capacity planning and budget.<br> Team thinking cannot.</p><p>It requires:</p><ul><li>shared mental models</li><li>cross-team trust</li><li>and a willingness to reason beyond ownership boundaries</li></ul><p>Systems that scale sustainably are not the ones that never fail.</p><p>They are the ones where teams can:</p><ul><li>see the same system</li><li>interpret signals in similar ways</li><li>and take responsibility together when things go wrong</li></ul><p>While failures often surface as technical issues, many of the hardest constraints emerge from how teams coordinate, where assumptions are left implicit, and how alignment choices are made under pressure.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=937230a06aa5" width="1" height="1" alt=""><hr><p><a href="https://medium.com/odds-team/when-systems-scale-alignment-becomes-the-hard-problem-937230a06aa5">When Systems Scale, Alignment Stops Being Simple</a> was originally published in <a href="https://medium.com/odds-team">odds.team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[สุนทรพจน์ในพิธีรับปริญญาที่ MIT …จากแถวหน้าสุด]]></title>
            <link>https://medium.com/odds-team/%E0%B8%84%E0%B8%B3%E0%B8%9B%E0%B8%A3%E0%B8%B2%E0%B8%A8%E0%B8%A3%E0%B8%B1%E0%B8%A2%E0%B8%A3%E0%B8%B1%E0%B8%9A%E0%B8%9B%E0%B8%A3%E0%B8%B4%E0%B8%8D%E0%B8%8D%E0%B8%B2%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%9C%E0%B8%A1%E0%B9%84%E0%B8%94%E0%B9%89%E0%B8%A2%E0%B8%B4%E0%B8%99%E0%B8%97%E0%B8%B5%E0%B9%88-mit-%E0%B8%88%E0%B8%B2%E0%B8%81%E0%B9%81%E0%B8%96%E0%B8%A7%E0%B8%AB%E0%B8%99%E0%B9%89%E0%B8%B2%E0%B8%AA%E0%B8%B8%E0%B8%94-e014026dec55?source=rss-1b626ae5d98d------2</link>
            <guid isPermaLink="false">https://medium.com/p/e014026dec55</guid>
            <category><![CDATA[inspiration]]></category>
            <category><![CDATA[motivation]]></category>
            <category><![CDATA[software-engineering]]></category>
            <dc:creator><![CDATA[Piampoon Kay]]></dc:creator>
            <pubDate>Sat, 20 Sep 2025 09:50:19 GMT</pubDate>
            <atom:updated>2025-09-28T03:41:15.503Z</atom:updated>
            <content:encoded><![CDATA[<h3>สุนทรพจน์ในพิธีรับปริญญาที่ MIT …จากแถวหน้าสุด</h3><p>ผมยังจำภาพได้ชัด — ลานกลางแจ้งที่เต็มไปด้วยบัณฑิตในชุดครุยสีดำ เสียงปรบมือก้องสะท้อนทั่วทั้งทุกทิศทาง ก่อนที่ Mark Rober จะก้าวขึ้นมาในฐานะ Commencement Speaker ของ MIT Class ปี 2023 บรรยากาศตอนนั้นมันทั้งขลัง ทั้งอบอุ่น และเต็มไปด้วยความคาดหวัง</p><p>แต่เอาเข้าจริงแล้ว <strong>ผมไม่ได้เรียนจบจาก MIT หรอกครับ</strong> 😅 สิ่งที่เกิดขึ้นคือผมนั่งอยู่หน้าจอ กดหาคลิป Commencement Speech ของ MIT ดูเฉย ๆ</p><p>และเพราะผมติดตาม Mark Rober อยู่แล้ว ชอบวิธีที่เขาเล่าเรื่องวิศวกรรมศาสตร์ให้น่าสนุก เข้าใจง่าย และเต็มไปด้วยจินตนาการ (เผื่อว่าวันหนึ่งจะได้สร้างอะไรสนุก ๆ แบบนั้นและได้กลายเป็น <strong>&quot;ลุงคนโปรด&quot;</strong> ของหลาน ๆ บ้างฮ่า ๆ)</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F1UTjWy-vnOo%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D1UTjWy-vnOo&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F1UTjWy-vnOo%2Fhqdefault.jpg&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/2e2eac363d63577febdd298574542d27/href">https://medium.com/media/2e2eac363d63577febdd298574542d27/href</a></iframe><p>หลังจากฟังสุนทรพจน์นั้น มันทำให้รู้สึกเหมือนกำลังนั่งอยู่ในหมู่บัณฑิต MIT จริง ๆ และนั่นเองที่ทำให้อยากบันทึกสิ่งที่ได้เรียนรู้เอาไว้</p><h4>ก้าวออกจาก Comfort Zone</h4><p>Mark เริ่มต้นด้วยการเล่าว่า <em>“จริง ๆ แล้วผมไม่ชอบการพูดต่อหน้าคนเยอะ ๆ มันทำให้ผมประหม่า”</em></p><p>ตรงนี้เราเผลอยิ้มออกมาเลยภาพการขึ้นเวที pitching แรกของผมในสมัยเรียนมหาลัยมันย้อนกลับมาในหัว… เราสบายใจกับการนั่งคิด ออกแบบ และทำให้งานออกมา perfect อยู่ข้างหลัง มากกว่าการก้าวออกไปยืนอยู่ข้างหน้าให้คนจับตามอง แต่การที่ เขาเลือกจะยืนอยู่ตรงนั้น ทั้งที่รู้ตัวว่าไม่ถนัด มันทำให้เห็นชัดว่า <strong>การเติบโตเริ่มต้นจากการก้าวออกจาก comfort zone</strong></p><p>Mark ยังพูดถึงแรงกดดันของการเป็น Commencement Speaker ว่าเหมือนต้องหาคำแนะนำที่ <em>“เหนือกาลเวลา”</em> ทั้งที่โลกเปลี่ยนเร็วเหลือเกิน เขาแซวด้วยว่ารุ่นนี้คือ <strong>MIT Class of 2023</strong> ที่ไม่เพียงแค่ผ่านโควิด แต่ยังได้ฟัง Commencement Speech แรกที่ <em>“เขียนโดย ChatGPT”</em> อีกด้วย (ถ้าเกิดมีคำผิด หรือเผลอหลุดมาขู่ว่าจะทำลายมนุษยชาติ ก็เป็นเพราะเจ้า AI ไม่ใช่เขานะ 😂)</p><p>จากนั้นเขาก็บอกว่า เขาจะฝากบทเรียน 3 ข้อจากชีวิตของเขา…</p><h4>บทเรียนที่หนึ่งคือ Naive Optimism — ความเชื่อแบบเด็ก ๆ ที่ยังไม่รู้ทุกอย่าง แต่กลับช่วยให้เราเดินต่อได้</h4><p>เขาเล่าผ่านอุปมาเรื่องการ “ข้ามแม่น้ำด้วยก้อนหิน” เวลาจะข้าม เราไม่สามารถวางแผนทุกก้าวล่วงหน้าได้หรอก มองไปก็เห็นแค่ไม่กี่ก้อนหินแรก เราต้องเลือกก้อนแรกแล้วก้าวไปก่อน จากนั้นพอถึงตรงนั้น เราถึงจะเห็นหินก้อนถัดไปที่ก่อนหน้านี้ไม่เคยเห็น</p><p>บางทีเราเองก็มักกังวล อยากมีแผนที่ชัด ๆ แต่จริง ๆ แล้วทุกสิ่งที่ทำได้ก็แค่ก้าวไปบน “หินก้อนแรก” ก่อน แล้วค่อย ๆ มองหาเส้นทางใหม่ ๆ ที่จะโผล่มาตามทาง</p><p>Mark เล่าชีวิตตัวเอง: จาก NASA → Apple → สุดท้ายเป็น YouTuber เต็มตัว → มายืนบนเวที MIT วันนั้น เขาบอกว่ามันไม่ใช่ master plan เลย ณ เวลานั้นเราไม่มีทางรู้ได้เลยว่าหินแต่ละก้อนมันจะพาเราไปไหน แต่ที่เราทำได้คือหาหินที่มันคงพอ และ ก้าวไปทีละก้าวด้วยความเชื่อว่า <em>“มันต้องเวิร์ก”</em></p><p>มันเตือนผมว่าเราไม่จำเป็นต้องมีแผน 20 ปีเสมอไป บางทีการเชื่อแบบ “ไร้เดียงสา” นี่แหละ ที่ทำให้เรากล้าก้าวต่อ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qO-Ig9s1p20dGt-rChuZBA.png" /></figure><h4>บทเรียนที่สองคือ Frame Your Failures — มองความล้มเหลวเหมือนเล่นเกม</h4><p>Mark เล่าเรื่องการทดลอง puzzle ที่เขาให้คนเล่น 50,000 คน แล้วแบ่งเป็น 2 กลุ่ม: กลุ่มหนึ่งไม่เสียคะแนนเวลาแพ้ อีกกลุ่มเสียคะแนนเล็กน้อย ผลคือกลุ่มที่ไม่เสียคะแนนพยายามมากกว่า 2.5 เท่า และสำเร็จมากกว่า 16%</p><p>มันเหมือนกับตอนที่เราเล่น Super Mario Bros. ไม่มีใครตายตกหลุมแล้วเลิกเล่นไปเลย แต่เราจะบอกตัวเองว่า “โอเค คราวหน้ากระโดดให้ไกลกว่านี้” นี่คือพลังของการเปลี่ยนมุมมองต่อความล้มเหลว ถ้าเรามองมันเป็นแค่ด่านหนึ่งในเกม เราจะอยากลองใหม่และเล่นเก่งขึ้นเรื่อย ๆ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/980/0*-fN5aqX8tQZ6MHjY" /></figure><h4><strong>บทเรียนที่สามคือ “Foster Your Relationships” — </strong>ลงทุนในความสัมพันธ์อย่างจริงจัง</h4><p>พอเราโตขึ้น การจะมีมิตรภาพหรือความสัมพันธ์ลึก ๆ มันไม่ง่ายอีกต่อไป ยิ่งในโลกทุกวันนี้ที่การอยู่ลำพังสะดวกเสียจนแทบไม่ต้องออกไปเจอใคร ซึ่งนั่นไม่ดีเลยทั้งที่จริง ๆ มนุษย์เราเกิดมาเพื่อพึ่งพากัน</p><p>Mark แนะนำเคล็ดลับเล็กๆ ในการดูแลความสัมพันธ์คือ— เราเลือก framing ต่อคนรอบตัวได้เสมอ</p><p>เขาชวนให้ใช้ <em>confirmation bias</em> ในทางบวก: เลือกเชื่อก่อนว่าคนรอบตัวมีเจตนาดี สมองเราก็จะหาหลักฐานมายืนยันให้เอง เราจะเริ่มมองเห็นความตั้งใจดี ความเอื้อเฟื้อ หรือความพยายามเล็ก ๆ ของเขาชัดขึ้นทุกวัน จนกลายเป็น <em>positive feedback loop</em> — ยิ่งเราเชื่อด้านดี เราก็ยิ่งเห็นด้านดี และความสัมพันธ์ก็แข็งแรงขึ้น ตรงกันข้าม ถ้าเราเชื่อว่าอีกฝ่ายไม่แคร์ สมองก็จะหาหลักฐานมาย้ำด้านนั้นเหมือนกัน และเราก็ติดอยู่ในวงจรลบ</p><p>พูดง่าย ๆ คือ <em>confirmation bias</em> จะทำงานไปตามทิศทางที่เราเลือก ถ้าเราเลือกเชื่อว่าโลกและผู้คนยังมีด้านที่ดี มุมมองของเราก็จะอุ่นและเมตตามากขึ้น — ผมลองมองย้อนกลับไป ก็พบว่าหลายครั้งที่บรรยากาศดีขึ้น มักเริ่มจากการที่ผม “ตีความเจตนา” ของอีกฝ่ายในทางบวกก่อนเสมอ</p><p>และตอนท้าย Mark เล่าถึงคุณแม่ของเขา สำหรับผม นั่นคือหลักฐานชัดเจนว่า ความสัมพันธ์ส่งผลยาวไกลกว่าที่เราคิด แม่ของเขาอาจไม่ได้อยู่บนเวที แต่สิ่งที่เธอปลูกไว้คือพลังที่ทำให้เขาส่งต่อแรงบันดาลใจมาถึงผู้คนนับพัน — รวมถึงตัวผมที่นั่งฟังอยู่หน้าจอด้วย</p><p>หลายครั้ง เรามักมองข้ามความสัมพันธ์เล็ก ๆ ที่โอบอุ้มเราไว้ — เพื่อนที่ยื่นมือช่วยตอนล้มเหลว, รุ่นพี่ที่คอยให้คำแนะนำ, ครอบครัวที่ไม่พูดคำสวยหรูแต่ “อยู่ตรงนั้นเสมอ”, หรือแม้แต่คนที่เรารัก ที่เพียงรอยยิ้มหรือคำถามสั้น ๆ ก็มีพลังพอจะทำให้เราก้าวต่อไปได้</p><p>จากเรื่องนี้เราสรุปหนึ่งข้อชัด ๆ: อย่าลังเลที่จะทำดีกับคนใกล้ตัว เพราะมันไม่ต้องใช้ engineering thought process อะไรซับซ้อนเลย แต่กลับสามารถเปลี่ยนชีวิตใครบางคนให้ดีขึ้นได้จริง ๆ — และบางครั้งยังช่วยรักษาคนดี ๆ ให้อยู่ข้างเราได้นานขึ้นด้วย</p><h4>แถมบทเรียนข้อที่สี่ “Engage in Playful Anarchy” — ความสนุกเล็ก ๆ ที่นอกกรอบ</h4><p>ไหนบอกว่าจะมีแค่ 3 ข้อ แล้วข้อสี่นี่มันอะไร? ก็เพราะบางทีชีวิตมันก็ต้องมีการ “แหกกฎ” บ้าง ถึงจะได้เจอสิ่งที่ไม่คาดคิด</p><p>เขาแถมบทเรียนข้อสี่ว่า <strong>“Engage in Playful Anarchy </strong>แล้วก็โชว์หมวกบัณฑิตที่เขาดัดแปลงให้ “บินได้จริง” บนเวที</p><p>มันทั้งขำ ทั้งตื่นตา แต่ก็ทำให้ผมคิดว่า บางทีชีวิตไม่จำเป็นต้องเคร่งขรึมไปหมด ความสนุกเล็ก ๆ ที่เรากล้าสร้างขึ้นอาจเป็นสิ่งที่ทำให้เรามีความทรงจำที่ต่างออกไป และทำให้เรื่องราวของเรา “น่าเล่า” มากขึ้น</p><h3>Note จากแถวหน้าสุด</h3><p>สิ่งที่ Mark ฝากไว้กับ MIT Class of 2023 สำหรับผมสรุปได้ง่าย ๆ คือ: โลกนี้ไม่มีใครการันตีเส้นทางที่ราบรื่นได้ เราทำได้แค่กล้าที่จะก้าวแม้ยังไม่พร้อม มองความล้มเหลวเป็นแค่ด่านในเกม เลือก framing ที่ดีต่อความสัมพันธ์ และอย่าลืมเล่นสนุกกับชีวิต. — และทั้งหมดนี้แหละที่จะทำให้การเดินทางของเรา “คุ้มค่า” กว่าผลลัพธ์ปลายทาง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/686/1*lal1KhID86j-71v-U-a3hw.jpeg" /></figure><p>บทความนี้ก็เลยเหมือนบันทึกส่วนตัวเล็ก ๆ ของผมมากกว่า ถ้าใครได้อ่านแล้วไดอะไรไปด้วยก็ดีใจคับ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e014026dec55" width="1" height="1" alt=""><hr><p><a href="https://medium.com/odds-team/%E0%B8%84%E0%B8%B3%E0%B8%9B%E0%B8%A3%E0%B8%B2%E0%B8%A8%E0%B8%A3%E0%B8%B1%E0%B8%A2%E0%B8%A3%E0%B8%B1%E0%B8%9A%E0%B8%9B%E0%B8%A3%E0%B8%B4%E0%B8%8D%E0%B8%8D%E0%B8%B2%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%9C%E0%B8%A1%E0%B9%84%E0%B8%94%E0%B9%89%E0%B8%A2%E0%B8%B4%E0%B8%99%E0%B8%97%E0%B8%B5%E0%B9%88-mit-%E0%B8%88%E0%B8%B2%E0%B8%81%E0%B9%81%E0%B8%96%E0%B8%A7%E0%B8%AB%E0%B8%99%E0%B9%89%E0%B8%B2%E0%B8%AA%E0%B8%B8%E0%B8%94-e014026dec55">สุนทรพจน์ในพิธีรับปริญญาที่ MIT …จากแถวหน้าสุด</a> was originally published in <a href="https://medium.com/odds-team">odds.team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Why I Built TaskRunna: Turning Repetitive Batch Code into a Reusable Kotlin Framework]]></title>
            <link>https://medium.com/odds-team/why-i-built-taskrunna-turning-repetitive-batch-code-into-a-reusable-kotlin-framework-26aeb7dd078b?source=rss-1b626ae5d98d------2</link>
            <guid isPermaLink="false">https://medium.com/p/26aeb7dd078b</guid>
            <category><![CDATA[observability]]></category>
            <category><![CDATA[microservices]]></category>
            <category><![CDATA[kotlin]]></category>
            <category><![CDATA[batch-processing]]></category>
            <category><![CDATA[data-pipeline]]></category>
            <dc:creator><![CDATA[Piampoon Kay]]></dc:creator>
            <pubDate>Sat, 02 Aug 2025 07:52:14 GMT</pubDate>
            <atom:updated>2025-08-02T07:56:28.178Z</atom:updated>
            <content:encoded><![CDATA[<p><em>A journey from frustration to framework: A Kotlin framework born from one too many batch scripts — making asynchronous processing easier, safer, and reusable.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*z1c56e5cDpWPni1uupcRQg.gif" /></figure><h3>The Moment I Knew We Needed TaskRunna</h3><p>It started with something simple: we needed to batch and send messages reliably.</p><p>As I sat down to write the logic, I realized this wasn’t the first time. I had written similar code before — for retrying orders, reprocessing payments, and syncing users. Every time, I was reinventing the wheel.</p><p>That’s when it hit me:</p><blockquote><strong><em>“If I have to keep writing this from scratch, others probably do too.”</em></strong></blockquote><p>Batch processing in microservices shouldn’t be this painful. That moment sparked the idea for <strong>TaskRunna</strong> — a reusable, lightweight framework for building reliable batch jobs without the boilerplate.</p><h3>Why Batch Processing in Microservices is Harder Than It Should Be</h3><p>At first, I thought batch processing was simple: loop through data, call a service. Done. <strong>Wrong.</strong></p><h4>Hidden Complexity</h4><ul><li><strong>Memory</strong>: 100K records = OutOfMemoryError</li><li><strong>Pagination</strong>: Cursor vs offset — miss a beat, you duplicate or skip records</li><li><strong>Async Calls</strong>: ListenableFuture hell</li><li><strong>Error Handling</strong>: What happens at record #5,847?</li><li><strong>Observability</strong>: What’s done? What’s pending? Who knows?</li><li><strong>Resource Management</strong>: Threads. Connections. Shutdowns.</li></ul><h4>The Real-World Pain</h4><p>Retrying 50,000 failed payments:</p><ul><li>DB pagination</li><li>Async service calls (100–500ms)</li><li>Status updates, customer notifications, metrics</li><li>Memory-safe</li><li>Non-blocking</li><li>Real-time insights</li></ul><p>Our hacky script? Crashed. No metrics. Total chaos.</p><h3>From Frustration to Framework</h3><h4>The Thought Process</h4><blockquote>What if we had a reusable, resilient framework with:</blockquote><ul><li>Async processing</li><li>Memory efficiency</li><li>Built-in observability</li><li>Simplicity</li><li>Flexibility</li></ul><p>Instead of another brittle script, I started designing a <strong>framework</strong>.</p><h4>🏗️ Core Architecture</h4><ol><li>BaseBatchIterator&lt;T&gt; – cursor-based pagination</li><li>BatchJobProcessor&lt;T,R&gt; – async job handling</li><li>BatchMetrics – built-in observability</li></ol><blockquote><strong>Key Insight</strong>: Decouple data iteration from processing logic.</blockquote><h4>🛠️ Tech Stack</h4><ul><li><strong>Kotlin</strong>: Coroutines &amp; JVM support</li><li><strong>Guava</strong>: ListenableFuture</li><li><strong>Micrometer + Prometheus</strong>: Metrics</li><li><strong>Cursor Pagination</strong>: Stable under scale</li></ul><h3>TaskRunna in Action</h3><p><em>1. Simple data iteration with automatic pagination</em></p><pre>abstract class BaseBatchIterator&lt;T&gt;(private val batchSize: Int = 10_000) {<br>abstract fun loadNextBatch(afterCursor: String, batchSize: Int): Collection&lt;T&gt;<br>abstract fun extractCursorFrom(item: T): String</pre><p><em>2. Async processing with comprehensive callbacks</em></p><pre>class BatchJobProcessor&lt;T, R&gt;(<br>  private val iterator: BaseBatchIterator&lt;T&gt;,<br>  private val submitJob: (T) -&gt; ListenableFuture&lt;R&gt;,<br>  private val onSuccess: (T, R?) -&gt; Unit = { _, _ -&gt; },<br>  private val onFailure: (T, Throwable) -&gt; Unit = { _, _ -&gt; },<br>  private val metrics: BatchMetrics = NoOpBatchMetrics.INSTANCE<br>)</pre><h3><strong>How It Works</strong></h3><p>The magic happens in the processing flow:</p><p>1. <strong>Load Batch</strong>: The Iterator loads the next chunk of data using cursor-based pagination</p><p>2. <strong>Submit Jobs</strong>: Each item is submitted for async processing (non-blocking)</p><p>3. <strong>Wait for Completion</strong>: The Framework waits for all items in the batch to complete</p><p>4. <strong>Handle Results</strong>: Success/failure callbacks are invoked appropriately</p><p>5. <strong>Record Metrics</strong>: Comprehensive metrics are automatically collected</p><p>6. <strong>Repeat</strong>: Move to the next batch until no more data</p><h3>The Setup</h3><pre>// 1. Define your data source<br>class FailedOrderIterator : BaseBatchIterator&lt;Order&gt;() {<br>    override fun loadNextBatch(afterCursor: String, batchSize: Int): List&lt;Order&gt; {<br>    return orderRepository.findFailedOrders(<br>      afterId = afterCursor.takeIf { it.isNotEmpty() },<br>      limit = batchSize<br>    )<br>  }<br>  override fun extractCursorFrom(order: Order) = order.id<br>}<br><br>// 2. Define your async processing logic<br>class OrderRetryService {<br>  fun retryOrderAsync(order: Order): ListenableFuture&lt;PaymentResult&gt; {<br>    return paymentService.retryPayment(order.paymentData)<br>  }<br>}</pre><h3>The Processing</h3><pre>// 3. Wire it all together with metrics<br>val metrics = PrometheusConfig.createBatchMetrics(&quot;order_retry&quot;)<br>val processor = BatchJobProcessor(<br>      iterator = FailedOrderIterator(),<br>      submitJob = { order -&gt; orderRetryService.retryOrderAsync(order) },<br>      onSuccess = { order, result -&gt;<br>      orderRepository.markAsProcessed(order.id)<br>      customerNotificationService.sendSuccessEmail(order.customerId)<br>      logger.info { &quot;✅ Order ${order.id} processed successfully&quot; }<br>    },<br>    onFailure = { order, error -&gt;<br>      orderRepository.incrementRetryCount(order.id)<br>      logger.error(error) { &quot;❌ Order ${order.id} failed retry&quot; }<br>    },<br>    metrics = metrics,<br>    jobName = &quot;order_retry_job&quot;<br>)<br><br>// 4. Run it!<br>processor.run()</pre><h3>Under the Hood: Technical Highlights</h3><p><strong>Async Job Coordination</strong></p><ul><li>Fixed thread pool</li><li>Submits tasks</li><li>Awaits completion per batch</li><li>Non-blocking &amp; memory-safe</li></ul><p><strong>Metrics:</strong></p><ul><li>Task duration</li><li>Batch counts</li><li>Success/failure counters</li></ul><p><strong>Cursor-Based Pagination</strong></p><ul><li>Avoids offset pitfalls</li><li>Efficient with large, shifting datasets</li></ul><h3>What’s Next</h3><ul><li>Retry policies (exponential backoff, circuit breaker)</li><li>Concurrent batch processing</li><li>Spring Boot auto-config</li><li>Reactive support</li></ul><h3>Try It Yourself</h3><pre>git clone https://github.com/thisKK/taskrunna-framework.git<br>cd taskrunna-framework<br>./gradlew :taskrunna-examples:run</pre><p>Live demo:</p><ul><li>http://localhost:8080/metrics → Prometheus</li><li>taskrunna-examples → Simulates realistic order retries</li></ul><p>Or add to your project and try it out!</p><pre>dependencies {<br>  implementation(&quot;com.taskrunna:taskrunna:1.1.2&quot;)<br>}</pre><h3>Final Thoughts</h3><p>TaskRunna wasn’t built in a vacuum. It came from real pain when we needed to patch some data, and needed to sit and write the same code to handle the batch process</p><p>If it helps you avoid those moments, then it’s already worth it.</p><p><strong>🔗 Links</strong></p><ul><li>📚 <a href="https://thiskk.github.io/taskrunna-framework/">Documentation</a></li><li>🔧 <a href="https://github.com/thisKK/taskrunna-framework">GitHub</a></li><li>☕ <a href="https://www.buymeacoffee.com/thiskk">Support</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=26aeb7dd078b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/odds-team/why-i-built-taskrunna-turning-repetitive-batch-code-into-a-reusable-kotlin-framework-26aeb7dd078b">Why I Built TaskRunna: Turning Repetitive Batch Code into a Reusable Kotlin Framework</a> was originally published in <a href="https://medium.com/odds-team">odds.team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[เรากำลังสร้าง “ทีมแบบไหน” กันแน่?]]></title>
            <link>https://medium.com/odds-team/%E0%B9%80%E0%B8%A3%E0%B8%B2%E0%B8%81%E0%B8%B3%E0%B8%A5%E0%B8%B1%E0%B8%87%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87-%E0%B8%97%E0%B8%B5%E0%B8%A1%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%84%E0%B8%AB%E0%B8%99-%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B9%81%E0%B8%99%E0%B9%88-7ea66b736aae?source=rss-1b626ae5d98d------2</link>
            <guid isPermaLink="false">https://medium.com/p/7ea66b736aae</guid>
            <category><![CDATA[teamwork]]></category>
            <category><![CDATA[team-development]]></category>
            <category><![CDATA[organizational-culture]]></category>
            <category><![CDATA[growth]]></category>
            <category><![CDATA[leadership]]></category>
            <dc:creator><![CDATA[Piampoon Kay]]></dc:creator>
            <pubDate>Fri, 04 Jul 2025 00:51:02 GMT</pubDate>
            <atom:updated>2025-07-06T13:45:37.616Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*_ESpUWhFy-0GvWmIQE5kpA.png" /></figure><p>ในช่วงของการเปลี่ยนแปลงโครงสร้างครั้งใหญ่ เรารวมทีมที่มีบริบทการทำงานใกล้เคียงกันเข้าด้วยกัน เพื่อเพิ่มความเร็วในการตอบโจทย์ธุรกิจ โครงสร้างใหม่นี้ประกอบด้วย 7–8 ทีมย่อย ทีมละราว 7 คน (+/-2)</p><p>ระหว่างการพูดคุยมีคำถามหนึ่งที่เกิดขึ้นซ้ำ ๆ คือ…</p><blockquote><strong><em>“เราควร shuffle ทีมดีไหม?”</em></strong></blockquote><h3>Shuffle คืออะไร?</h3><p>การ shuffle คือการสับเปลี่ยนสมาชิกระหว่างทีม เพื่อเปิดโอกาสให้คนได้เรียนรู้สิ่งใหม่ พบเจอผู้คนใหม่ ๆ และออกจาก comfort zone ซึ่งฟังดูดี — แต่ก็อาจไม่ใช่คำตอบที่เหมาะเสมอไป</p><p>แต่คำถามที่ย้อนกลับมาสะกิดในใจผมตลอดการคุยครั้งนั้นคือ… <strong>“สุดท้ายแล้วเรากำลังสร้างทีมแบบไหนกันแน่?”</strong></p><blockquote>- ทีมที่เติบโตไปด้วยกันในระยะยาว (Long-lasting team)?</blockquote><blockquote>- หรือทีมที่เคลื่อนย้ายได้เสมอเพื่อความยืดหยุ่น (Fluid team)?</blockquote><h3>Long-lasting team ไม่ได้แปลว่า “อยู่แบบคงที่”</h3><p>แต่มันคือการที่เราอยู่ในบริบทเดิมนานพอ จนสามารถเข้าใจบริบทได้ลึก สร้างความไว้วางใจ และทำงานได้ลื่นไหล โดยไม่ต้อง reset ความสัมพันธ์ใหม่ทุกครั้ง</p><p>ในขณะที่การ shuffle บ่อย ๆ แม้จะมีข้อดี เช่น:</p><ul><li>เปิดมุมมองใหม่ ๆ</li><li>กระจายความรู้</li><li>ลด silo และ dependency</li><li>ส่งเสริม โดยเฉพาะคนที่อยากเติบโตแบบกว้างเช่น ได้ลองหลายบทบาทหรือหลายมุมของระบบ</li></ul><p>แต่ก็มีความเสี่ยงที่ต้องระวัง:</p><ul><li>ทีมสูญเสีย momentum และ maturity</li><li>กลับไปเริ่มจาก storming phase อีกครั้ง (ช่วงที่ทีมยังไม่ลงตัว มีการปะทะทางความคิด ตาม Tuckman’s Model)”</li><li>ขาด sense of ownership → เกิด “code orphan” หรือโค้ดที่ไม่มีเจ้าของชัดเจน เพราะสมาชิกย้ายทีมไปแล้ว</li><li>ลด motivation โดยไม่ตั้งใจ</li></ul><h3>แล้วเราจะ balance ยังไง?</h3><p>แทนที่จะ shuffle ทั้งหมด องค์กรสามารถสร้างพื้นที่การเติบโตแบบไม่ต้องย้ายทีม เช่น:</p><ul><li><strong>Internal Rotation</strong>: เปลี่ยนบทบาทหรือ module ภายในทีม</li><li><strong>Guild / Chapter / CoP</strong>: แชร์ความรู้ข้ามทีม</li><li><strong>Co-dev Sprint / Hackathon</strong>: สร้างงานข้ามทีมแบบชั่วคราว</li><li><strong>Enabling Team</strong>: ส่งผู้เชี่ยวชาญเฉพาะด้านเข้ามาถ่ายทอดประสบการณ์</li><li>หรือ <strong>Shuffle แบบมีเป้าหมาย</strong> สำหรับคนที่ต้องการเติบโตนอกกรอบเดิมจริง ๆ</li></ul><h3>แล้วควร shuffle เมื่อไหร่?</h3><p>เมื่อเราพบว่า:</p><ul><li>ทีมหมด passion หรือไม่มี challenge ใหม่</li><li>มี dependency / friction ระหว่างทีม</li><li>มีคนอยากเติบโต แต่ไม่มีพื้นที่ให้ในบริบทเดิม</li></ul><p>แต่ถ้า:</p><ul><li>ทีมยัง energized</li><li>ยังมี roadmap ท้าทาย</li><li>คนยัง enjoy กับสิ่งที่ทำอยู่</li></ul><p><strong>“การไม่เปลี่ยนอะไร” ก็อาจเป็นคำตอบที่ดีที่สุดในช่วงนั้นก็ได้</strong></p><h4>แล้วอยู่ทีมเดิมนาน ๆ จะตันมั้ย?</h4><p>เป็นคำถามที่หลายคน — including ตัวผมเอง ด้วย — เพราะความรู้สึกว่า “นิ่งเกินไป” มักถูกตีความว่า “ไม่มีการพัฒนา” โดยเฉพาะเมื่อบริบทของทีมไม่ได้เปลี่ยนแปลง หรือไม่มีโอกาสใหม่ ๆ เข้ามาเติมอย่างต่อเนื่อง</p><p>แต่เมื่อขยับออกมามองในระดับองค์กร คำถามที่สำคัญกว่าอาจไม่ใช่แค่ “จะตันไหม?” แต่คือ: <strong>“เราจะออกแบบระบบยังไง ให้คนเติบโตไปพร้อมกับทีมเดิมได้ โดยไม่ต้องโยกย้ายบริบททุกครั้ง?”</strong></p><p>เพราะการจัดทีม ไม่ใช่แค่โครงสร้าง แต่สะท้อนว่าองค์กรมองเห็นคน และศักยภาพของเขาแบบไหน</p><p>สรุป</p><p>Long-lasting team ไม่ได้แปลว่า “คงที่” แต่มันคือความมั่นคงใน <strong>ownership และบริบท </strong>โดยที่เรายังสามารถเติม “<strong>ความใหม่</strong>’ เข้าไปได้ในหลากหลายรูปแบบ</p><p>ไม่มีสูตรสำเร็จตายตัวว่าแบบไหนดีที่สุด เพราะแต่ละทีมและองค์กรมีบริบทต่างกัน<br>แต่คำถามที่สำคัญกว่าคือ… <strong>เราควรตอบให้ได้ว่ากำลังพยายามแก้ปัญหาอะไรกันอยู่จริง ๆ?</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7ea66b736aae" width="1" height="1" alt=""><hr><p><a href="https://medium.com/odds-team/%E0%B9%80%E0%B8%A3%E0%B8%B2%E0%B8%81%E0%B8%B3%E0%B8%A5%E0%B8%B1%E0%B8%87%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87-%E0%B8%97%E0%B8%B5%E0%B8%A1%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%84%E0%B8%AB%E0%B8%99-%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B9%81%E0%B8%99%E0%B9%88-7ea66b736aae">เรากำลังสร้าง “ทีมแบบไหน” กันแน่?</a> was originally published in <a href="https://medium.com/odds-team">odds.team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Leaky Abstraction: จุดเริ่มของหนี้เทคนิคที่ไม่มีใครตั้งใจจะสร้าง]]></title>
            <link>https://medium.com/odds-team/leaky-abstraction-%E0%B8%88%E0%B8%B8%E0%B8%94%E0%B9%80%E0%B8%A3%E0%B8%B4%E0%B9%88%E0%B8%A1%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%AB%E0%B8%99%E0%B8%B5%E0%B9%89%E0%B9%80%E0%B8%97%E0%B8%84%E0%B8%99%E0%B8%B4%E0%B8%84%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B8%A1%E0%B8%B5%E0%B9%83%E0%B8%84%E0%B8%A3%E0%B8%95%E0%B8%B1%E0%B9%89%E0%B8%87%E0%B9%83%E0%B8%88%E0%B8%88%E0%B8%B0%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87-de9e6e922981?source=rss-1b626ae5d98d------2</link>
            <guid isPermaLink="false">https://medium.com/p/de9e6e922981</guid>
            <category><![CDATA[technical-debt]]></category>
            <category><![CDATA[leaky-abstraction]]></category>
            <category><![CDATA[firebase]]></category>
            <category><![CDATA[clean-code]]></category>
            <category><![CDATA[software-architecture]]></category>
            <dc:creator><![CDATA[Piampoon Kay]]></dc:creator>
            <pubDate>Thu, 15 May 2025 09:02:41 GMT</pubDate>
            <atom:updated>2025-06-01T08:26:37.372Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*2WMWAGmoM8gudmqRaZbIZw.png" /></figure><h4>และทำไมถึงไม่ควรปล่อยให้ชื่อจาก Vendor ลามเข้าไปทำลายสถาปัตยกรรม</h4><blockquote><em>เมื่อค่าคอนฟิกธรรมดา ๆ กลายเป็นภัยเงียบของระบบ — ไม่ใช่เพราะมันผิด แต่เพราะมัน </em>เข้าใจผิด</blockquote><p>วันหนึ่งนั่งรีวิวโค้ดชุดหนึ่งแล้วสังเกตเห็นมีการเพิ่มโค้ดบรรทัดนี้ขึ้นมา</p><pre>IntFeatureFlag(&quot;CARD_CAROUSEL_MAXIMUM&quot;)</pre><p>เพื่อใช้ควบคุมจำนวน card item ที่แสดงใน UI carousel ซึ่งนั่นฟังดูโอเคใช่ไหม?</p><p>ตอนนั้นหยุด แล้วถามกับตัวเองว่า: <strong>“นี่มันอะไรนะ ตกลงนี่มัน Feature Flag จริง ๆ หรืออะไรกันนะ” </strong>แล้วเริ่มตะงิดๆ ใจไล่ดูทั้ง codebase มีใครใช้แบบนี้บ้างๆ ซึ่งพบว่ามีอีกหลายๆ ที่มีการใช้งานลักษณะแบบนี้เหมือนกัน</p><p>เรามักพบปัญหาแบบนี้ได้บ่อย ถ้ามีการใช้ software บางอย่างจาก vendor ซึ่ง root cause ของปัญหานี้เกิดขึ้นจากเรื่อง <strong>Leaky Abstraction </strong>เดี๋ยวมาขยายความให้ว่ามันคืออะไร</p><h3>ก่อนอื่น: Feature Flag กับ Remote Config ต่างกันยังไง?</h3><p>ถ้าใครเคยใช้ Firebase Remote Config (หรือเครื่องมือคล้ายกัน) เราจะคุ้นกับ pattern แบบนี้:</p><pre>final cardCarousalMaximum = IntFeatureFlag(&quot;CARD_CAROUSEL_MAXIMUM&quot;).value;</pre><p>ดูไม่ผิดเลย… แต่จริง ๆ แล้วมันสื่อว่า <em>“นี่คือ toggle สำหรับเปิด/ปิดฟีเจอร์”</em></p><p>ในขณะที่ CARD_CAROUSEL_MAXIMUMจริง ๆ อาจจะเป็นแค่ตัวเลขธรรมดา</p><h3>ตารางเปรียบเทียบระหว่าสองคำนี้:</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*4d-Pwx63JwUtW0lf" /></figure><p>แม้ทั้งคู่จะใช้ Firebase ก็จริงแต่ <strong>เจตนา</strong> ที่อยู่เบื้องหลังมันต่างกันมากๆ เลย</p><h3>💥 ปัญหาจริง ๆ คือ “การรั่วของ abstraction จาก vendor”</h3><p>เวลาเราใช้เครื่องมือจาก third-party เช่น Firebase เราไม่ได้แค่ใช้ code แต่เรา<strong>กำลังรับเอาภาษาที่เค้าใช้เข้ามาด้วย</strong></p><p>Firebase เรียกสิ่งนี้ว่า “Feature Flag” แล้วเราก็เริ่มเรียกตาม แม้จะเป็น…</p><ul><li>ค่าตัวเลข</li><li>ค่าที่อยู่ตลอดชีพในระบบ</li><li>หรือแค่ limit ที่ไม่เกี่ยวกับการเปิด/ปิดอะไรเลย</li></ul><p>นี่คือสิ่งที่เราเรียกว่า <strong>“Leaky Abstraction” คือ </strong>เมื่อคำศัพท์ของ Vendor ลามเข้าไปในโดเมนของระบบ จนทำให้คนเขียนต่อสับสนว่า “ค่านี้จริง ๆ ใช้ทำอะไร”</p><h3>🧪 สัญญาณที่บอกว่าระบบกำลังรั่ว:</h3><ul><li>มี class ชื่อ FeatureFlag แต่ค่าข้างในเป็นตัวเลข</li><li>UI layer หรือ Bloc เรียก Firebase ตรง ๆ</li><li>เปลี่ยนไปใช้ Harness หรือ LaunchDarkly แล้วต้อง refactor ยกแผง</li><li>มี toggle ที่ไม่มีใครกล้าลบ เพราะไม่รู้ว่ามัน “เปิดอะไรอยู่”</li></ul><h3>✅ แล้วควรทำยังไง?</h3><h4>1. ตั้งชื่อให้สื่อเจตนา ไม่ใช่ชื่อจาก SDK</h4><pre>// ❌ อย่าแบบนี้<br>final cardCarousalMaximum = IntFeatureFlag(&quot;CARD_CAROUSEL_MAXIMUM&quot;).value;<br><br>// ✅ ทำแบบนี้ดีกว่า<br>final cardCarousalMaximum = cardCarousalConfig.getMaximum();</pre><p>หรือแยก abstraction ไปเลย:</p><pre>class CardCarousalService {<br>  int getMaximum() =&gt; remoteConfig.getInt(&quot;CARD_CAROUSEL_MAXIMUM&quot;);<br>}</pre><h4>2. แยก Firebase ออกจาก domain logic ให้ชัด</h4><p>พยายามอย่าให้ UI เรียก FirebaseRemoteConfig ตรง ๆ ให้ผ่านชั้น service หรือ repository แทน</p><pre>UI → Stage Management → ConfigService → Firebase</pre><blockquote><em>ทำแบบนี้จะทำให้เปลี่ยนเครื่องมือได้ง่ายและช่วยให้ logic ไม่ผูกกับภาษาของ vendor และยังช่วยป้องกัน vendor lock-in อีก</em></blockquote><h3>แล้วทำไมเรื่องนี้ สำคัญกับ Architecture มากกว่าแค่ชื่อ?</h3><h4>1. เพราะ abstraction จะเริ่ม “พูดไม่รู้เรื่อง”</h4><p>ชื่อคลุมเครือ = ทีมเข้าใจผิด<br>เข้าใจผิด = เทสผิด, ใช้ผิด, คาดการณ์ผิด<br>สุดท้ายก็เป็น legacy ที่ไม่มีใครกล้ายุ่ง ทำให้เราต้องมาเสีย efforts ในอนาคตเพื่อมา dealing with legacy code</p><h4>2. เพราะเรากำลังผูก Architecture กับ Firebase โดยไม่รู้ตัว</h4><p>พอ logic ไปผูกกับ Firebase ตรง ๆ วันหนึ่งจะย้าย service = เจ็บปวดระดับ full-body refactor<br>ยิ่งคุณให้ Firebase อยู่ทุกชั้นของระบบ…</p><p>คุณก็ยิ่งเปลี่ยนใจได้ยากขึ้นเกิดเป็นปัญหา vendor lock-in ที่เคยเล่าไป ทั้งที่มีของดีกว่าให้ใช้ แต่เปลี่ยนไม่ได้เพราะ cost ในการเปลี่ยนสูงเกินไป</p><h4>3. เพราะเรากำลังสะสม “หนี้” ที่ดูเหมือนแค่ตัวแปรธรรมดา</h4><p>เท่าที่เห็นมันอาจแค่ตัวแปรเดียว<br>แต่ความเข้าใจผิดที่มันแบกไว้ = องค์กรต้องเสียเวลาทั้ง dev, QA, PM<br>เพียงเพราะตอนแรกเราตั้งชื่อว่า FeatureFlag โดยไม่ได้คิดให้ดี</p><h4>4. เพราะกำลังปล่อยให้ “วิธีคิดแบบ vendor” มาแทน “วิธีคิดของทีมเอง”</h4><p>สิ่งที่อันตรายที่สุดไม่ใช่ code ที่พังแต่คือ code ที่ “อยู่ได้” ด้วย assumption ผิด ๆ</p><p>ถ้าทุกคนเริ่มถามว่า…</p><p><em>“Firebase ทำได้มั้ย?” แทนที่จะถามว่า “เราต้องการให้ระบบทำอะไร?”</em></p><blockquote>…นั่นแหละ สัญญาณว่าระบบเริ่ม “คิดแทน” แล้ว เราก็จะได้ solutions ที่ยึดติดกับ tools แทนที่จะ base จาก root cause ของปัญหาที่จะแก้ไข</blockquote><h3>สุดท้าย</h3><p><em>ไม่ใช่ว่าต้องเลิกใช้ Firebase แต่เราต้องเลิกให้ Firebase เป็นคนตั้งชื่อให้ระบบของเรา</em></p><p>ระบบที่ดี = พูดภาษาของธุรกิจ ไม่ใช่ภาษาของ SDK ที่เราใช้</p><p>ระบบที่ maintain ได้ = ใช้ชื่อที่บอกได้ว่า logic นี้ “ตั้งใจจะทำอะไร” “show your intention” ไม่ใช่ กำลังใช้ class ไหนของ Firebase อยู่</p><p>สถาปัตยกรรมส่วนใหญ่ <strong>ไม่ได้พังในวันเดียว </strong>แต่มันค่อย ๆ เน่าด้วยคำที่ว่า “ไม่เป็นไรหรอก” เดี๋ยวทำทีหลัง</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=de9e6e922981" width="1" height="1" alt=""><hr><p><a href="https://medium.com/odds-team/leaky-abstraction-%E0%B8%88%E0%B8%B8%E0%B8%94%E0%B9%80%E0%B8%A3%E0%B8%B4%E0%B9%88%E0%B8%A1%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%AB%E0%B8%99%E0%B8%B5%E0%B9%89%E0%B9%80%E0%B8%97%E0%B8%84%E0%B8%99%E0%B8%B4%E0%B8%84%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B8%A1%E0%B8%B5%E0%B9%83%E0%B8%84%E0%B8%A3%E0%B8%95%E0%B8%B1%E0%B9%89%E0%B8%87%E0%B9%83%E0%B8%88%E0%B8%88%E0%B8%B0%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87-de9e6e922981">Leaky Abstraction: จุดเริ่มของหนี้เทคนิคที่ไม่มีใครตั้งใจจะสร้าง</a> was originally published in <a href="https://medium.com/odds-team">odds.team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[เมื่อระบบตอบโจทย์ “ฟีเจอร์” แต่ลืมตอบ “ความตั้งใจ” ของลูกค้า]]></title>
            <link>https://medium.com/odds-team/%E0%B9%80%E0%B8%A1%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%9A%E0%B8%95%E0%B8%AD%E0%B8%9A%E0%B9%82%E0%B8%88%E0%B8%97%E0%B8%A2%E0%B9%8C-%E0%B8%9F%E0%B8%B5%E0%B9%80%E0%B8%88%E0%B8%AD%E0%B8%A3%E0%B9%8C-%E0%B9%81%E0%B8%95%E0%B9%88%E0%B8%A5%E0%B8%B7%E0%B8%A1%E0%B8%95%E0%B8%AD%E0%B8%9A-%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%95%E0%B8%B1%E0%B9%89%E0%B8%87%E0%B9%83%E0%B8%88-%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%A5%E0%B8%B9%E0%B8%81%E0%B8%84%E0%B9%89%E0%B8%B2-eac7f1f471e9?source=rss-1b626ae5d98d------2</link>
            <guid isPermaLink="false">https://medium.com/p/eac7f1f471e9</guid>
            <category><![CDATA[human-centered-design]]></category>
            <category><![CDATA[product-thinking]]></category>
            <category><![CDATA[retention-strategies]]></category>
            <category><![CDATA[ux-research]]></category>
            <category><![CDATA[user-motivation]]></category>
            <dc:creator><![CDATA[Piampoon Kay]]></dc:creator>
            <pubDate>Sat, 26 Apr 2025 11:10:01 GMT</pubDate>
            <atom:updated>2025-04-28T06:10:51.660Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/540/0*MN8tDj7wGuWx4O5q.jpg" /></figure><p>ไม่ใช่ทุกการจากไปของลูกค้า เกิดจากฟีเจอร์ที่ขาด แต่เพราะความตั้งใจของเขา…ถูกเราลืม.</p><p>เมื่อนานมาแล้วต้องขอบคุณทางทีม business ได้แชร์ข้อมูลเกี่ยวกับ metric และ insights ต่างๆ จากการที่ไป acquisition ผู้ใช้งานจากช่องทางต่างๆ มา ที่เขากำลังติดตาม และหนึ่งในประเด็นสำคัญที่ชัดขึ้นจากการแลกเปลี่ยนครั้งนี้ คือความท้าทายในการรักษาอัตราการคงอยู่ (Retention) ของลูกค้า</p><p>เลยทำให้ผมเกิดไอเดียเขียนบทความในครั้งนี้จากการที่ได้เสนอมุมมองเสริมกลับไปพร้อมกับเหตุผลเบื้องหลังปัญหานี้ตามความเข้าใจ</p><p>ในโลกของการพัฒนาโปรดักต์ เราพูดถึง conversion funnel, engagement rate, retention curve กันจนเป็นเรื่องคุ้นเคย แต่มีบางอย่างที่มักถูกละเลย ทั้งที่เป็นต้นทางของทุกการตัดสินใจของผู้ใช้ สิ่งนั้นคือ…</p><blockquote><strong><em>“แรงจูงใจแรกเริ่ม” ของลูกค้าที่เลือกใช้ระบบของเรา</em></strong></blockquote><h4>ลูกค้าไม่ได้เหมือนกันหมด</h4><p>แม้จะใช้แอปเดียวกัน แต่ผู้ใช้งานแต่ละคนกลับมาด้วยความตั้งใจที่ต่างกัน:</p><ul><li>บางคนมาจากแอปที่เน้นการลงทุน</li><li>บางคนมาจากแพลตฟอร์มร้านค้าออนไลน์</li><li>บางคนดาวน์โหลดโดยตรงเพื่อจัดการการเงินส่วนบุคคล</li></ul><p>แม้จะอยู่ในระบบเดียวกัน แต่ <strong>แต่ละคนไม่ได้มองแอปในแบบเดียวกันเลย</strong></p><p>และเมื่อเราสร้างประสบการณ์การใช้งานแบบเดียวให้กับทุกคน สิ่งที่เรากำลังทำจริงๆ อาจไม่ใช่การ “รวม” user base แต่เป็นการ “ละเลย” ความตั้งใจของใครบางคนไปโดยไม่รู้ตัว</p><h4>นี่คือความคลาดเคลื่อนที่เกิดขึ้นอย่างเงียบๆ</h4><p>เราวัดทุกอย่างตามสูตร: คนสมัครมากี่คน? กี่เปอร์เซ็นต์กลับมาใช้ซ้ำ? ทำไมถึง churn? แต่เรากลับลืมถามคำถามที่สำคัญที่สุดว่า…</p><blockquote><strong><em>“ระบบของเรายังสอดคล้องกับแรงจูงใจตั้งต้นของลูกค้าอยู่หรือเปล่า?”</em></strong></blockquote><p>ลูกค้าที่อยากติดตามพอร์ตลงทุน กลับเจอหน้า UI ที่เน้นการโอนจ่าย<br>ลูกค้าร้านค้าเล็กๆ ที่อยากเห็นเงินหมุนเวียน กลับเจอหน้าสรุปการออมส่วนบุคคล<br>ลูกค้าที่อยากวางแผนการเงิน กลับเจอเพียงยอดบัญชีรวมที่ไม่ได้บอกอะไรเกี่ยวกับแผนในอนาคตของเขาเลย</p><h4><strong>การเข้าใจว่า “เขาทำอะไร” ยังไม่พอ — ต้องเข้าใจว่า “เขารู้สึกยังไง” ด้วย</strong></h4><p>ที่นี่เองที่แนวคิด “Job to Be Done” (JTBD) หรือ “งานที่ผู้ใช้ต้องการให้สำเร็จ” เข้ามามีบทบาท:</p><p>เพราะในความจริงแล้ว ความต้องการของผู้ใช้งานไม่ได้หยุดอยู่แค่ “ทำอะไรได้” (Functional Job) แต่ยังครอบคลุมถึง “เขารู้สึกอย่างไรกับสิ่งที่ทำ” (Emotional Job) และ “เขาสะท้อนตัวตนแบบไหนผ่านการใช้งานนั้น” (Social Job)</p><p>การใช้โมเดลนี้ช่วยให้เราเข้าใจความต้องการของผู้ใช้ได้ครบมุมยิ่งขึ้น — จากระดับพื้นฐานที่สุด (Functional) ไปจนถึงระดับที่ขับเคลื่อนการตัดสินใจลึกๆ (Emotional และ Social)</p><pre>| Level      | คำถามที่ผู้ใช้ถามในใจ      | ตัวอย่าง                        |<br>|------------|-----------------------|-------------------------------|<br>| Functional | ฉันทำสิ่งนี้ได้ไหม?         | โอนเงิน, ตั้งงบประมาณ, เช็คยอดบัญชี |<br>| Emotional  | ฉันรู้สึกอย่างไรกับสิ่งที่ทำ?   | รู้สึกมั่นคง, ควบคุมเงินได้, ไม่พลาด   |<br>| Social     | ฉันดูเป็นใครเมื่อใช้สิ่งนี้?    | ดูจัดการเงินเป็น, แชร์เทคนิคกับเพื่อน  |</pre><p><strong>เมื่อเรามองเห็นทั้งสามชั้นพร้อมกัน</strong> เราจะสามารถออกแบบประสบการณ์ที่ตอบทั้งเหตุผลและความรู้สึกได้จริงๆ และนั่นคือกุญแจสำคัญที่เปลี่ยนโปรดักต์จากแค่ “ใช้งานได้” เป็น “อยากกลับมาใช้อีก” — <strong>ซึ่งไม่มี Dashboard ตัวไหนบอกเราได้ตรงๆ ถ้าเราไม่ตั้งใจมองมันเอง</strong></p><h4>แล้วจะวาง product ให้สอดคล้องกับความตั้งใจผู้ใช้ได้อย่างไร?</h4><p>หนึ่งในแนวคิดที่ช่วยได้คือ…</p><blockquote>“Platform ที่ดี ควรเป็น Home Screen ของความตั้งใจของผู้ใช้”</blockquote><p>พูดง่ายๆ คือ ไม่ใช่แค่ “ทำธุรกรรม” หรือ “ทำภารกิจ” แล้วจบไป แต่ต้อง:</p><ul><li><strong>ตอบรับความตั้งใจดั้งเดิมของผู้ใช้</strong></li><li><strong>เติมเต็มความรู้สึกว่าเขากำลังควบคุมชีวิตของตัวเองได้</strong></li><li><strong>สนับสนุนเส้นทางที่เขาอยากเติบโตไปข้างหน้า</strong></li></ul><p><strong>ยกตัวอย่างเช่น:</strong></p><ul><li>ผู้ใช้ที่เข้ามาเพื่อ “ตั้งเป้าหมายชีวิต” → ระบบอาจช่วยออกแบบ <strong>แผนที่เส้นทาง (Goal Roadmap)</strong> ที่ปรับเปลี่ยนได้ตามสภาพจริง ไม่ใช่แค่สรุปตัวเลข</li><li>ผู้ใช้ที่อยาก “พัฒนาทักษะใหม่ๆ” → อาจมี <strong>พื้นที่เก็บผลงานส่วนตัว (Personal Progress Gallery)</strong> ให้เขาเห็นความคืบหน้าแบบจับต้องได้ลูกค้าที่ตั้งใจออมเงิน</li><li>ผู้ใช้ที่ตั้งใจ “สร้างภาพลักษณ์ตัวเอง” → อาจเปิดโอกาสให้ <strong>แชร์ความสำเร็จ</strong> หรือ milestone ที่ทำได้ในชุมชนที่ปลอดภัย</li></ul><p><strong>สุดท้ายแล้ว</strong><br>ลูกค้ามาเพราะเขา “อยากทำบางอย่าง” แต่เขาอยู่ต่อเพราะเขา “รู้สึกได้ถึงบางอย่าง”</p><p>และถ้าเราไม่รู้ว่า “บางอย่างนั้น” คืออะไร เราก็อาจพลาดโอกาสสร้างความสัมพันธ์ระยะยาวไป ทั้งที่เรามีฟีเจอร์ครบทุกอย่างอยู่ตรงหน้าแล้ว</p><p>และไม่ใช่ว่าแนวคิด “Job To Be Done” จะเป็นคำตอบครอบจักรวาลสำหรับทุกโจทย์เสมอไป ผมอาจผิดก็ได้</p><p>เพราะในความจริงแล้วไม่ว่ากรอบคิดไหน – จะ JTBD, Emotional Mapping, Service Design, หรือวิธีคิดอื่น ๆ</p><p>เป็นเพียง “เครื่องมือ” เพื่อเข้าใจ “ความจริง” ที่ซ่อนอยู่ในใจของลูกค้าเท่านั้น สิ่งสำคัญที่สุดไม่ใช่ว่าเราใช้เครื่องมืออะไร</p><p>แต่คือการไม่หลงลืมว่าเบื้องหลังตัวเลข เบื้องหลัง feature คือ “มนุษย์” ที่มีแรงจูงใจ มีความหวัง และมีเส้นทางของตัวเอง</p><p>และตราบใดที่เรายังตั้งต้นจากความเข้าใจนี้</p><p>เราก็มีโอกาสสร้างโปรดักต์ที่ ไม่ใช่แค่ทำงานได้ – แต่ สร้างคุณค่าและความสัมพันธ์ที่ยืนยาว ได้จริง ๆ.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=eac7f1f471e9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/odds-team/%E0%B9%80%E0%B8%A1%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%9A%E0%B8%95%E0%B8%AD%E0%B8%9A%E0%B9%82%E0%B8%88%E0%B8%97%E0%B8%A2%E0%B9%8C-%E0%B8%9F%E0%B8%B5%E0%B9%80%E0%B8%88%E0%B8%AD%E0%B8%A3%E0%B9%8C-%E0%B9%81%E0%B8%95%E0%B9%88%E0%B8%A5%E0%B8%B7%E0%B8%A1%E0%B8%95%E0%B8%AD%E0%B8%9A-%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%95%E0%B8%B1%E0%B9%89%E0%B8%87%E0%B9%83%E0%B8%88-%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%A5%E0%B8%B9%E0%B8%81%E0%B8%84%E0%B9%89%E0%B8%B2-eac7f1f471e9">เมื่อระบบตอบโจทย์ “ฟีเจอร์” แต่ลืมตอบ “ความตั้งใจ” ของลูกค้า</a> was originally published in <a href="https://medium.com/odds-team">odds.team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Circuit Breaker และบทเรียนจากสายพานการผลิตของ Toyota]]></title>
            <link>https://medium.com/odds-team/circuit-breaker-%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9A%E0%B8%97%E0%B9%80%E0%B8%A3%E0%B8%B5%E0%B8%A2%E0%B8%99%E0%B8%88%E0%B8%B2%E0%B8%81%E0%B8%AA%E0%B8%B2%E0%B8%A2%E0%B8%9E%E0%B8%B2%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%9C%E0%B8%A5%E0%B8%B4%E0%B8%95%E0%B8%82%E0%B8%AD%E0%B8%87-toyota-20eb1b8cdcbe?source=rss-1b626ae5d98d------2</link>
            <guid isPermaLink="false">https://medium.com/p/20eb1b8cdcbe</guid>
            <category><![CDATA[distributed-systems]]></category>
            <category><![CDATA[software-architecture]]></category>
            <category><![CDATA[toyota-production-system]]></category>
            <category><![CDATA[software-engineering]]></category>
            <category><![CDATA[design-patterns]]></category>
            <dc:creator><![CDATA[Piampoon Kay]]></dc:creator>
            <pubDate>Mon, 21 Apr 2025 00:17:43 GMT</pubDate>
            <atom:updated>2025-06-03T08:27:22.628Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_x15UZxbQR5r0yM6" /></figure><p>ช่วงที่ทำงานกับ distributed backend system ที่ต้องประมวลผล message จำนวนมหาศาล ในระหว่างที่คิดภาพระบบอยู่ก็มีแนวคิดหนึ่งแว๊บเข้ามาในหัว</p><p>ซึ่งจริง ๆ ผมเคยได้ยินมานานแล้วจาก Terry Yin แห่ง Odd-e Singapore ตอนที่ไปเรียนมา Terry เคยยกตัวอย่างกระบวนการพัฒนา software ทั้ง lifecycle แล้วเชื่อมโยงกับแนวคิดของ Toyota Production System (TPS) อย่างลึกซึ้ง</p><p>บทความนี้เลยอยากหยิบประเด็นหนึ่งจากนั้นมาเล่าเชื่อมกับปัญหาที่กำลังเผชิญในตอนนี้</p><h3>บทเรียนจาก Toyota: Jidoka</h3><p>ในสายพานผลิตของ Toyota มีหลักคิดสำคัญที่เรียกว่า Jidoka หรือ “หยุดเมื่อมีสิ่งผิดปกติ” แนวคิดนี้คือการตรวจจับปัญหาในกระบวนการผลิต แล้วหยุดสายพานทันทีเพื่อแก้ไขที่ต้นเหตุ ก่อนจะกลับมาทำงานต่อ</p><p>Jidoka เป็นการวางกลไกไว้ในกระบวนการผลิตให้สามารถหยุดตัวเองได้เมื่อเกิดสิ่งผิดปกติ เช่น หากพบชิ้นส่วนเสียในระบบ เราจะหยุดการผลิตทันทีทั้งสายพานทันที เพื่อให้ทีมวิศวกรเข้ามาแก้ไขก่อน จากนั้นจึงค่อยเริ่มเดินสายพานต่ออีกครั้ง</p><h3>แล้วถ้าเราไม่หยุดล่ะ?</h3><p>ลองนึกภาพสายพานการผลิตที่ยังคงเดินหน้าผลิตชิ้นส่วนที่ผิดพลาดซ้ำ ๆ โดยไม่มีใครรู้ตัวว่ามีของเสียถูกผลิตขึ้นมาอยู่ ของเสียเหล่านั้นก็จะถูกส่งต่อไปยังขั้นตอนถัด ๆ ไป จนกลายเป็นปัญหาที่ลุกลาม ทำให้ต้องเสียทั้งเวลาและต้นทุนในการย้อนกลับมาแก้ไขในภายหลัง</p><p>การหยุดอย่างชาญฉลาดนี้มีประโยชน์มาก เพราะช่วยป้องกันไม่ให้ของเสียถูกผลิตซ้ำ ๆ และไหลไปถึงลูกค้า ช่วยให้สามารถแก้ปัญหาที่ต้นเหตุได้ทันที และสร้างมาตรฐานคุณภาพให้ทุกขั้นตอนของการผลิต</p><figure><img alt="" src="https://cdn-images-1.medium.com/proxy/0*q1poF2MBleO_aJ2V" /></figure><h3>แล้วสิ่งนี้ประยุกต์ใช้กับการออกแบบได้ยังไง?</h3><p>ในโลกของระบบซอฟต์แวร์ที่ซับซ้อนและเชื่อมโยงกันมากขึ้น เราไม่สามารถคาดหวังให้ทุกอย่างทำงานได้ราบรื่นตลอดเวลา การคิดแบบ System Architecture จึงเป็นหัวใจของการออกแบบที่ไม่ใช่แค่ “ใช้งานได้” แต่ต้อง “อยู่รอดได้” เมื่อความผิดพลาดเกิดขึ้นจริง เช่น บริการบางส่วนล่ม ระบบภายนอกล่าช้า หรือโหลดพุ่งสูงจนระบบตอบสนองไม่ทัน</p><p>การออกแบบที่ดี คือการเตรียมพร้อมต่อสิ่งที่ผิดพลาด และนั่นคือเหตุผลที่แนวคิดด้านนี้มีบทบาทสำคัญอย่างมากในการรับมือกับระบบที่มีความซับซ้อนสูง</p><p>สมมติว่า service หนึ่งสามารถประมวลผลได้ 20 ข้อความต่อวินาที ถ้าระบบต้องการ uptime 99.999% จะหมายถึง downtime ที่ยอมรับได้ในหนึ่งปีคือ 5.256 นาที ซึ่งเท่ากับการยอมให้ message loss ได้ราวๆ 4,415 message ต่อปี</p><p>แต่ในความเป็นจริง การ maintain uptime 99.999% นั้นเป็นเรื่องที่ยากมาก</p><p>ความเป็นจริงแล้วอาจมากกว่านั้นเช่น ล่มสัก 15 นาทีนั้นหมายความว่าเราจะสูญเสียข้อมูลเกิน 60,000 message ได้ง่าย ๆ</p><p>ซึ่งหาก service ตัวหนึ่งล่ม แต่ระบบยังคงเรียกใช้งานซ้ำเรื่อย ๆ จะเกิด latency, timeout และ message loss สุดท้ายอาจนำไปสู่ cascading failure ที่ลุกลามทั่วทั้งระบบได้</p><h3>งั้นลองเอาแนวคิดจาก Toyota มาปรับใช้</h3><p>เพื่อป้องกันความเสียหายที่ลุกลาม เราสามารถนำแนวคิดแบบเดียวกับ Jidoka มาใช้กับระบบซอฟต์แวร์ โดยเรารู้จักมันในชื่อของ <strong>Circuit Breaker Design Pattern</strong></p><h3>Circuit Breaker คืออะไร?</h3><p>Circuit Breaker เป็น design pattern ที่ทำหน้าที่ตรวจจับความผิดพลาดของ service หากพบว่ามีการล้มเหลวเกิดขึ้นซ้ำ ๆ ระบบจะ “เปิดวงจร” หรือหยุดเรียกใช้งาน service นั้นชั่วคราวเพื่อป้องกันไม่ให้สถานการณ์แย่ลง และเมื่อระบบกลับมาพร้อมอีกครั้ง Circuit Breaker ก็จะ “ปิดวงจร” และกลับมาใช้งานได้เหมือนเดิม</p><p>แนวคิดนี้เหมือนกับเบรกเกอร์ไฟในบ้าน ที่เมื่อเกิดไฟฟ้าลัดวงจรจะตัดไฟทันทีเพื่อไม่ให้เกิดเพลิงไหม้ หรือในสายการผลิตก็จะเป็นการหยุดสายพานทั้งระบบ เพื่อให้ทีมเข้ามาแก้ไขก่อนกลับมาผลิตต่อ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*vvSWB3jl3E690u9o.jpg" /><figcaption>เผื่อนึกภาพไม่ออกว่า Circuit Breaker หน้าตาเป็นยังไง</figcaption></figure><h3>Protect your home &amp; your family</h3><p>ตัวอย่างเช่น ถ้า service ตัวหนึ่งที่สำคัญกับระบบเรา ล่มขึ้นมา Circuit Breaker จะเปิดและหยุดการเรียกใช้งาน service ตัวนั้นทันที เพื่อลดภาระที่จะทำให้ล่มหนักขึ้น พร้อมทั้งสามารถ fallback, retry หรือ queue ข้อมูลไว้ก่อน</p><p>ระบบ downstream ก็ไม่ต้องรอการตอบกลับที่ไม่มีวันมาถึง ช่วยลดโอกาสการสูญเสียข้อมูล และทำให้ระบบสามารถให้บริการต่อได้ในรูปแบบที่ degrade gracefully</p><h3>ถ้าคิดไว้แล้วตั้งแต่แรก เราจะรอดกว่าเดิม</h3><p>ลองนึกภาพว่าเราวางระบบรองรับความล้มเหลวไว้ตั้งแต่ต้น มี fallback queue และ Circuit Breaker คอยป้องกันไว้ เราก็จะไม่ต้องสูญเสีย message หลักหมื่น และที่สำคัญ</p><p>เราจะได้ไม่ต้องตื่นมาตอนตี 4 ในเหตุการณ์ที่สามารถป้องกันได้ตั้งแต่ day one ฮ่าๆ</p><p>วันนี้เลยฝากไว้ว่า:</p><blockquote><strong><em>“Failure isn’t a surprise in distributed systems. Not planning for it is.”</em></strong></blockquote><p>แนวคิดเรื่อง Jidoka จาก Toyota ไม่ใช่แค่เรื่องของสายพานหรือโรงงาน แต่มันคือหลักการสากลของ “การหยุดเพื่อป้องกันความเสียหายลุกลาม” ที่เราสามารถนำมาใช้ในการออกแบบซอฟต์แวร์ได้อย่างทรงพลัง</p><p>Circuit Breaker คือตัวอย่างที่หนึ่งว่า หากเราวางระบบให้รู้จัก “หยุดให้เป็น” ระบบของเราก็จะทนทาน ยืดหยุ่น และดูแลได้ง่ายขึ้นในระยะยาว</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=20eb1b8cdcbe" width="1" height="1" alt=""><hr><p><a href="https://medium.com/odds-team/circuit-breaker-%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%9A%E0%B8%97%E0%B9%80%E0%B8%A3%E0%B8%B5%E0%B8%A2%E0%B8%99%E0%B8%88%E0%B8%B2%E0%B8%81%E0%B8%AA%E0%B8%B2%E0%B8%A2%E0%B8%9E%E0%B8%B2%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%9C%E0%B8%A5%E0%B8%B4%E0%B8%95%E0%B8%82%E0%B8%AD%E0%B8%87-toyota-20eb1b8cdcbe">Circuit Breaker และบทเรียนจากสายพานการผลิตของ Toyota</a> was originally published in <a href="https://medium.com/odds-team">odds.team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Graceful Degradation: ความล้มเหลวที่เต็มใจ]]></title>
            <link>https://medium.com/odds-team/graceful-degradation-%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%A5%E0%B9%89%E0%B8%A1%E0%B9%80%E0%B8%AB%E0%B8%A5%E0%B8%A7%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%80%E0%B8%95%E0%B9%87%E0%B8%A1%E0%B9%83%E0%B8%88-0fabbff22d00?source=rss-1b626ae5d98d------2</link>
            <guid isPermaLink="false">https://medium.com/p/0fabbff22d00</guid>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[system-design-concepts]]></category>
            <category><![CDATA[life]]></category>
            <dc:creator><![CDATA[Piampoon Kay]]></dc:creator>
            <pubDate>Thu, 27 Mar 2025 01:48:23 GMT</pubDate>
            <atom:updated>2025-03-28T05:44:02.650Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/478/1*JpXo3MRE8V7oGeN3E-vCBA.jpeg" /><figcaption>Image credit: Tyrone Siu/Reuters</figcaption></figure><p>เมื่อความล้มเหลวสามารถออกแบบได้</p><p>มีวลีหนึ่งที่ชอบมาก เคยได้ยินจากนักฟิสิกส์คนหนึ่งเมื่อนานมาแล้วมันคือกฎของเมอร์ฟี่ หรือ Murphy’s Law ซึ่งบอกไว้ว่า:</p><blockquote><strong><em>“Anything that can go wrong, will go wrong.”<br></em></strong><em> “ทุกสิ่งที่สามารถผิดพลาดได้ — จะผิดพลาดแน่นอน”</em></blockquote><p>กฎข้อนี้ฟังดูเหมือนประชดชีวิตว่าไหม แต่กลับรู้สึกว่ามัน <em>จริงเหลือเกิน</em>โดยเฉพาะในเวลาที่เราทุ่มสุดตัว วางแผนทุกอย่างอย่างละเอียด หวังให้ทุกอย่างออกมาสมบูรณ์แบบ …และสุดท้าย มันก็มักจะมีบางอย่างที่ผิดพลาดอยู่ดี</p><p><strong>การป้องกันไม่ให้เกิดความผิดพลาดเลย</strong> อาจเป็นเรื่องที่ยากมาก<br>หรือบางครั้ง — ก็แทบจะเป็นไปไม่ได้เลยด้วยซ้ำ</p><p>ซึ่งในโลกของการออกแบบระบบซอฟต์แวร์ก็เหมือนกัน เราจึงมีแนวคิดบางอย่างเพื่อรับมือกับปัญหานี้เราเรียกมันว่า<br><strong>Graceful Degradation</strong> — การยอมรับว่า <em>“บางอย่างจะพลาดแน่นอน”</em> แต่เราจะไม่ยอมปล่อยให้มันทำ<em>พังไปทั้งระบบ</em></p><p>ซึ่งในที่นี้ไม่ได้หมายความว่าเราจะละเลย หรือไม่รับผิดชอบต่อสิ่งที่พังนะครับ <strong>การออกแบบให้ล้มได้ในทิศทางที่ต้องการ</strong> ไม่ใช่การปล่อยปละ แต่คือการเตรียมรับมือมันอย่างรับผิดชอบ</p><p>ยกตัวอย่างเช่น ว่าถ้า <strong>Recommendation Engine</strong> ล่ม — ระบบไม่สามารถแนะนำสินค้าได้ตามพฤติกรรมของผู้ใช้ แต่ผู้ใช้งานยัง สามารถเลือกสินค้าเอง หยิบใส่ตะกร้า และจ่ายเงินได้ตามปกติ แม้ประสบการณ์จะไม่สมบูรณ์แบบแต่ “ระบบยังไม่ล่มทั้งหมด” นี่เป็นตัวอย่างของการปรับใช้แนวคิดนี้ในการออกแบบ</p><p>เพราะสิ่งที่สำคัญจริง ๆ คือ <strong>“การซื้อของได้”</strong> ไม่ใช่ <strong>“การได้รับคำแนะนำที่ฉลาด”</strong></p><p><strong>“Core Functionality”</strong> จึงยังต้องทำงานได้ แม้ Feature เสริม จะพัง ซึ่งเราในฐานะคนออกแบบระบบ เรารู้อยู่แล้วว่าในวันหนึ่งมันจะต้องผิดพลาดอย่างแน่นอน ไม่ทางใดก็ทางหนึ่ง</p><p><strong>แต่คำถามคือเราอยากจะให้มันผิดพลาดออกมาในรูปแบบไหน?</strong></p><p>ช่วงหลายปีที่ผ่านมา ผมสังเกตว่า แนวคิดหลายอย่างในการออกแบบซอฟต์แวร์ มักได้แรงบันดาลใจมาจากสิ่งรอบตัวเรานี่แหละ — ไม่ว่าจะเป็นโครงสร้างของธรรมชาติ หรือแม้แต่เรื่องราวเล็ก ๆ ในชีวิตประจำวัน เพราะถ้ามองให้ลึกดี ๆ แล้ว… ชีวิตเราก็ไม่ต่างจากระบบเท่าไหร่นัก</p><p>บางครั้งแผนที่วางไว้อย่างดีอาจผิดพลาด บางเรื่องอาจพังลงอย่างไม่ทันตั้งตัว แต่ถ้าเรายังรักษา ‘ฟังก์ชันหลัก’ ของตัวเองไว้ได้ — สิ่งสำคัญจริง ๆ ในชีวิต เราก็ยังไปต่อได้เสมอ และลุกขึ้นมาแก้ไขสิ่งที่พลาดไปได้เร็วขึ้น</p><p>เพราะงั้น เราอาจไม่จำเป็นต้องแข็งแรงทุกวันก็ได้ ไม่ต้อง perfect ทุกเรื่องก็ได้ แต่แค่ต้อง “อยู่ได้” ในวันที่มีบางอย่างพังลงไป ถึงแม้เราจะไม่อยากให้มันพังเลยก็ตาม…</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0fabbff22d00" width="1" height="1" alt=""><hr><p><a href="https://medium.com/odds-team/graceful-degradation-%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%A5%E0%B9%89%E0%B8%A1%E0%B9%80%E0%B8%AB%E0%B8%A5%E0%B8%A7%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%80%E0%B8%95%E0%B9%87%E0%B8%A1%E0%B9%83%E0%B8%88-0fabbff22d00">Graceful Degradation: ความล้มเหลวที่เต็มใจ</a> was originally published in <a href="https://medium.com/odds-team">odds.team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Transformative Experience with Generative AI]]></title>
            <link>https://medium.com/odds-team/transformative-experience-with-generative-ai-d2b2dd1c2434?source=rss-1b626ae5d98d------2</link>
            <guid isPermaLink="false">https://medium.com/p/d2b2dd1c2434</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[user-experience]]></category>
            <category><![CDATA[genrative-ai]]></category>
            <category><![CDATA[technology]]></category>
            <category><![CDATA[paradigm-shift]]></category>
            <dc:creator><![CDATA[Piampoon Kay]]></dc:creator>
            <pubDate>Fri, 29 Nov 2024 03:12:00 GMT</pubDate>
            <atom:updated>2024-11-29T03:12:00.296Z</atom:updated>
            <content:encoded><![CDATA[<p>Web Summit Lisbon 2024</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fQoRELxklLehW5a0NKY3mA.jpeg" /></figure><p>ในงาน <strong>Keynote</strong> วันแรกที่ผมได้เข้าร่วม บรรยากาศในเวทีหลักเต็มไปด้วยผู้ชมที่ตื่นเต้นตั้งตารอฟัง <strong>Cristiano Amon</strong> ซีอีโอของ Qualcomm บริษัทผู้พัฒนา <strong>ชิป Snapdragon</strong> ที่หลายคนคงเคยได้ยินชื่อหรือใช้งานกันมาแล้ว</p><p>ซึ่งครั้งนี้ของเขาเล่าภาพที่น่าตื่นเต้นเกี่ยวกับอนาคตของเทคโนโลยีที่กำลังจะเป็นไปจากมุมมองที่เขาเห็นและได้มีโอกาสอยู่ใน Technology Industry มากกว่า 20 ปี</p><h4><strong>The Shift Towards Lightweight AI Models</strong></h4><p>เป้าหมาย Qualcomm ในตอนนี้คือ การนำพลังการประมวลผลที่มีประสิทธิภาพไปสู่ในทุกๆ อุปกรณ์ ไม่ว่าจะเป็นมือถือ แล็ปท็อป หรือแท็บเล็ต โดยเฉพาะในยุคนี้ที่ทุกสิ่งทุกอย่างเชื่อมโยงกันอย่างไร้รอยต่อ</p><p>ทุกวันนี้เราคงจะได้ยินคำว่า <strong>AI</strong> หรือ <strong>Generative AI, ChatGPT </strong>กันบ่อย ๆ แล้ว วันนี้ผมจะไม่ได้มาพูดถึงเรื่องว่ามันทำงานยังไงหรือใช้ยังไง แต่เป็นแชร์มุมมองที่ได้รับมาจาก Keynote ใน talk นี้กัน</p><p>เริ่มด้วยทุกวันนี้อย่างที่เราเห็น การพัฒนาของ AI แบบ Lightweight Models หรือ model ที่มีขนาดเล็กมากๆ ที่สามารถทำงานบนอุปกรณ์ส่วนตัวของเราได้ เช่น มือถือหรือแท็บเล็ต ทำให้จากที่ต้องพึ่งพาดาต้าเซ็นเตอร์ในการประมวลผลเพื่อใช้งาน AI กำลังถูกพัฒนาให้มาอยู่ในอุปกรณ์รอบตัวกันมากขึ้น ซึ่ง AI ในรูปแบบนี้มีจุดเด่นคือ:</p><ul><li><strong>รวดเร็วและเชื่อถือได้</strong>: ทำงานแบบเรียลไทม์ ไม่ต้องรอโหลดจากคลาวด์ (Cloud)</li><li><strong>เฉพาะบุคคล</strong>: ปรับการทำงานให้เหมาะกับผู้ใช้แต่ละคน (Personalization)</li><li><strong>เป็นส่วนตัว</strong>: ข้อมูลทั้งหมดถูกเก็บไว้ในอุปกรณ์ของเราเองทำให้ไม่ต้องส่งขึ้นไปประมวลผลบนคลาวด์ (Privacy)</li></ul><blockquote>เสริมเรื่อง<strong> Carbon Efficiency </strong>ถ้าการประมวลผลมีประสิทธิภาพมากขึ้นก็จะ ส่งผลให้การปล่อยคาร์บอนในระบบลดลง โดยเฉพาะการประมวลผลยังพึ่งพาแหล่งพลังงานจากฟอสซิล</blockquote><blockquote><em>ปล. </em><strong><em>Green Software </em></strong><em>ต้องมาแล้วไว้มาเขียนเรื่องนี้เพิ่ม</em></blockquote><p>ลองนึกภาพว่า AI ในมือถือของคุณรู้ว่าคุณชอบอะไร ใช้งานแอปแบบไหน และปรับการทำงานให้ตรงใจคุณ โดยที่ยังเก็บข้อมูลของคุณไว้อย่างปลอดภัย เหมือนเราได้ ผู้ช่วยส่วนตัวดีๆ คนหนึ่งเลยที่ค่อยช่วยให้เราทำงาน หรือ ทำให้เราใช้ชีวิตได้ดีขึ้น</p><h4><strong>Data Centers and On-Device AI: A Collaborative Future</strong></h4><p>ในอีกมุมนอกจาก AI บนอุปกรณ์แล้ว ดาต้าเซ็นเตอร์ก็จะยังคงยังมีบทบาทสำคัญต่อโลกยุคใหม่ นั่นเป็นเหตุว่าทำไมหลายบริษัท เช่น Google ประกาศลงทุนสร้างดาต้าเซ็นเตอร์ในต่างประเทศ การลงทุนนี้ไม่ได้แค่เพิ่มจำนวนผู้ใช้งาน แต่ยังช่วยให้ระบบคลาวด์รองรับปริมาณการใช้งานที่เพิ่มขึ้น และสนับสนุนการพัฒนา AI ที่มีความสามารถเพิ่มมากขึ้นในอนาคต</p><p>ทำให้เกิดการลงทุนมหาศาลในพื้นที่ที่พลังงานราคาถูก เช่น แถวๆ ตะวันออกกลาง เพื่อช่วยลดต้นทุนในระยะยาว</p><p>แต่สิ่งที่ Qualcomm สนใจคืออยากที่จะนำ AI ที่มีความสามารถไปสู่อยู่ใกล้มนุษย์ให้ได้มากที่สุด ไปไว้ตรงหน้าของเรา เพื่อให้เกิดการใช้งานส่วนตัว ซึ่งการใช้งานแบบนี้จะช่วยลดภาระค่าใช้จ่ายในการใช้ AI มหาศาล โดยเฉพาะในพวก <strong>Generative AI</strong> เพราะว่าเราใช้มันบนอุปกรณ์ของเราเอง ไม่ต้องจ่ายเพิ่มเพื่อเช่าพลังการประมวลผลสูงๆ สำหรับการทำสิ่งนั้น</p><p>นั่นเป็นเหตุให้ประสิทธิภาพของชิปการประมวลผลที่มีประสิทธิภาพมีความสำคัญมากๆ ในยุคนี้</p><h4>Historical Lessons: มองอดีต สู่อนาคต</h4><p>เมื่อถึงเวลาที่โครงสร้างพื้นฐาน (Infrastructure) พร้อม เรามักเริ่มเห็นการเปลี่ยนแปลงเกิดขึ้น แม้ยังไม่ชัดเจน แต่สิ่งที่ตามมามักเป็น <strong>การเปลี่ยนแปลงครั้งใหญ่</strong> ลองสังเกตุดูโดยเฉพาะการเปลี่ยนแปลงในเทคโนโลยีที่เกี่ยวข้องกับ<strong>อุปกรณ์ส่วนตัว</strong>ของเรา</p><p>มาลองมองย้อนอดีตของการเปลี่ยนแปลงครั้งใหญ่ ในยุคของเทคโนโลยีไร้สาย(Wireless) ทุกครั้งที่การเปลี่ยนผ่าน เช่น จาก <strong>2G สู่ 3G</strong> หรือ <strong>4G สู่ 5G </strong>ทุกๆ ครั้งจะมีการเปลี่ยนแปลงครั้งใหญ่เกิดขึ้นเสมอ ๆ โดยเฉพาะช่วงที่<strong>คอมพิวเตอร์พกพา</strong>เกิดขึ้น</p><p>เมื่อ <strong>อินเทอร์เน็ตความเร็วสูง </strong>(Broadband) เกิดขึ้นและถูกผนวกเข้ากับ <strong>4G</strong> มันได้เชื่อมต่อกับโทรศัพท์มือถือ (Cell Phone) จนกลายเป็นคอมพิวเตอร์พกพาที่เรารู้จักในนาม <strong>Personal Computer</strong> ก่อนที่จะพัฒนาไปสู่ <strong>Smartphone Revolution</strong> ที่เปลี่ยนแปลงวิถีชีวิตของเราอย่างสิ้นเชิง ทุกวันนี้สมาร์ทโฟนกลายเป็นสิ่งที่ขาดไม่ได้ และแต่ละคนล้วนมีอุปกรณ์ส่วนตัวที่ตอบโจทย์การใช้งานในแบบของตนเอง</p><p>พอมองย้อนกลับเราจะเห็นสิ่งที่ทับซ้อนกัน 3 สิ่งที่สร้างให้เรามาถึงจุดๆ นี้</p><ol><li><strong>การเชื่อมต่ออินเทอร์เน็ตความเร็วสูง </strong>โทรศัพท์มือถือเปลี่ยนจากอุปกรณ์สำหรับโทรและส่งข้อความ ไปเป็นอุปกรณ์ที่รองรับการใช้งานหลากหลาย</li><li><strong>คอมพิวเตอร์พกพา </strong>โทรศัพท์มือถือกลายเป็นคอมพิวเตอร์พกพาที่รองรับแอปพลิเคชันและระบบปฏิบัติการขั้นสูง</li><li><strong>ประสบการณ์ผู้ใช้งาน (User Experience) </strong>การเปลี่ยนแปลงครั้งสำคัญใน ประสบการณ์ของผู้ใช้งาน ความสามารถในการ<strong>สัมผัสหน้าจอ</strong>และโต้ตอบโดยตรงเปลี่ยนแปลงวิธีที่เราสื่อสารกับอุปกรณ์</li></ol><p>ทั้งสามสิ่งนี้ได้รวมกันเปลี่ยน <strong>Feature Phone</strong> ที่มีเพียงฟังก์ชันพื้นฐาน ให้กลายเป็น <strong>Smartphone</strong> ที่มีความสามารถหลากหลาย และทุกวันนี้เราแทบจะขาดไม่ได้ ความก้าวหน้าของ <strong>5G</strong> ยังเข้ามาเสริมสร้างประสบการณ์ใหม่ให้กับ <em>User Interface (UI)</em> ที่ตอบสนองได้รวดเร็วและลื่นไหลยิ่งขึ้น</p><blockquote><em>User Interface (UI) คือส่วนที่ผู้ใช้งานโต้ตอบกับระบบหรืออุปกรณ์ ไม่ว่าจะเป็นหน้าจอสัมผัส, ปุ่มกด, หรือการสั่งงานด้วยเสียง UI เป็นตัวกลางที่สำคัญในการเชื่อมโยงมนุษย์กับเทคโนโลยี</em></blockquote><p>ลองย้อนกลับไปในยุค <strong>4G</strong> ที่เราเริ่มคุ้นเคยกับระบบปฏิบัติการ (OS), App Store, และแอปพลิเคชันที่ใช้งานในชีวิตประจำวัน แต่หากย้อนกลับไปก่อนหน้านั้น เราไม่ได้พูดถึง “แอปพลิเคชัน” เลยด้วยซ้ำ ทุกสิ่งยังถูกเรียกว่า “โปรแกรม” ที่ทำงานบนคอมพิวเตอร์เท่านั้น</p><p>ความแตกต่างในตอนนี้คือ <strong>“แอปพลิเคชัน” ไม่ได้เป็นเพียงโปรแกรม แต่กลายเป็นประสบการณ์</strong> ที่ออกแบบมาเพื่อตอบสนองความต้องการเฉพาะบุคคลและกลมกลืนไปกับชีวิตประจำวันของเราโดยสมบูรณ์</p><p><strong>AI: จุดเริ่มต้นของ Paradigm Shift</strong></p><p>แล้วถ้าเราลองนึกถึงบทบาทของ <strong>AI</strong> ในฐานะ <strong>User Interface</strong> รูปแบบใหม่หล่ะ?</p><p>เรากำลังจะเห็นว่าโครงสร้าง การที่เราโต้ตอบกับ <strong>Interface</strong> กำลังเปลี่ยนแปลงไปอย่างสิ้นเชิง ในช่วงเริ่มต้นอาจเป็นเรื่องยากที่จะมองเห็นทิศทางของการเปลี่ยนแปลงนี้ แต่ตัวอย่างต่อไปนี้จะช่วยให้ภาพชัดเจนขึ้น</p><p>นี่คือการเปลี่ยนแปลงครั้งสำคัญในกระบวนทัศน์ (Paradigm Shift) ที่เปิดโอกาสใหม่ ๆ ให้เราได้ <strong>สร้างมูลค่า</strong> และ <strong>ประสบการณ์ใหม่ ๆ</strong> ซึ่งหัวใจของการเปลี่ยนแปลงนี้ในยุคปัจจุบันคือ <strong>AI</strong></p><blockquote><strong>“AI is the new user interface”</strong></blockquote><p>เพราะว่าในตอนนี้ มนุษย์สามารถสื่อสารกับคอมพิวเตอร์ให้เข้าใจกันได้โดยตรงผ่าน <strong>ภาษาของมนุษย์แล้ว </strong>หรือ พูดอีกนัยหนึ่งคือ ตอนนี้<strong>คอมพิวเตอร์เข้าใจ</strong>ที่จะสื่อกับมนุษย์ด้วยภาษาเดียวกันแล้ว</p><p>ลองพิจารณาถึงการเปลี่ยนแปลงของแอปพลิเคชันที่เราใช้อยู่ในปัจจุบัน ไม่ว่าจะเป็นในโทรศัพท์มือถือหรือคอมพิวเตอร์ การพัฒนานี้จะนำพาแอปพลิเคชันเข้าสู่ยุคของ <strong>AI-First Experiences</strong> ซึ่ง AI จะเป็นตัวกลางที่สำคัญในการสร้างประสบการณ์การใช้งานที่ตอบสนองกับมนุษย์ได้อย่างลึกซึ้ง</p><p>ตัวอย่างเช่น <strong>Banking Application</strong> ซึ่งเป็นสิ่งที่แทบทุกคนใช้งาน และแต่ละคนก็มีแอปพลิเคชันที่เชื่อมโยงกับบัญชีของตัวเอง คุณอาจคุ้นเคยกับการ <strong>ดีไซน์หน้าจอ</strong> แบบดั้งเดิม เช่น:</p><ul><li>แสดงยอดเงินในบัญชี บนหน้าจอหลัก</li><li>เมนูต่าง ๆ เพื่อให้ผู้ใช้งานเข้าถึงฟังก์ชัน เช่น การโอนเงิน ชำระบิล หรือดูรายการธุรกรรม</li><li>รายการธุรกรรมล่าสุด ที่ช่วยให้ผู้ใช้ติดตามการเคลื่อนไหวในบัญชี</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*A2KEjpheh7abph2hXbuvLA.jpeg" /></figure><p>นี่คือรูปแบบที่เราคุ้นเคยในปัจจุบัน แต่ด้วยการเข้ามาของ <strong>AI</strong> วิธีการทำงานของแอปพลิเคชันเหล่านี้จะเปลี่ยนไปอย่างมาก</p><p>ในอนาคต <strong>AI</strong> จะเปลี่ยนประสบการณ์การใช้งาน <strong>Banking Application</strong> ให้ล้ำหน้ามากขึ้น โดย <strong>User Interface (UI)</strong> ที่จะเปลี่ยนแปลงไปจากเดิมอย่างสิ้นเชิง เราอาจไม่ต้องเปิดแอปพลิเคชันเพื่อใช้งานอีกต่อไป <strong>การสื่อสารโดยตรงกับ AI</strong> ผ่านคำถามหรือคำสั่งง่าย ๆ โดยไม่จำเป็นต้องแตะหน้าจอด้วยซ้ำ</p><p>ลองจินตนาการถึงการใช้งานในชีวิตประจำวัน เช่น:</p><p><strong>สอบถามธุรกรรม</strong></p><ul><li><strong>User:</strong> “ธุรกรรมล่าสุดของฉันมีอะไรบ้าง?”</li><li><strong>Banking App:</strong> “คุณซื้อของ 200 บาท โอนเงิน 3,000 บาท และจ่ายบิล 300 บาท”</li></ul><p><strong>ตรวจสอบเป้าหมายการเงิน</strong></p><ul><li><strong>User:</strong> “การพัฒนาของเงินเก็บของฉันเป็นยังไง?”</li><li><strong>Banking App:</strong> “สุดยอดด! เงินออมเพิ่มขึ้น 20% จากเดือนที่แล้วแหนะ”</li></ul><p><strong>เปลี่ยนประสบการณ์การชำระเงิน</strong></p><p>สมมติว่าเรากำลังจะซื้อของบางอย่างใน <strong>Shopping App</strong> แต่ไม่แน่ใจว่ายอดเงินในบัญชีเดบิตพอหรือไม่:</p><ul><li><strong>User:</strong> “ฉันมีเงินพอสำหรับซื้อของชิ้นนี้ไหม?”</li><li><strong>Banking App:</strong> “ใช่มีเงินพอสำหรับของชิ้นนี้ ซื้อเลย ของมันต้องมี!”</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WCjRN10NpNosY3rGYK6kbw.jpeg" /></figure><p>ยังไม่รวมเมื่อพูดถึงการใช้งานร่วมกับ <strong>Multi-Model AI</strong> หรือระบบ AI ที่ผสานความสามารถของโมเดลหลากหลายประเภทเพื่อทำงานร่วมกันอย่างมีประสิทธิภาพ ตัวอย่างเช่น การนำคลิปวิดีโอส่งให้ ChatGPT วิเคราะห์และสรุปเนื้อหา ไม่ว่าจะเป็นการระบุว่าในวิดีโอมีใครอยู่, เกิดเหตุการณ์อะไรขึ้น, ที่ไหน และเมื่อใด ซึ่งการประมวลผลนี้ต้องอาศัย AI หลายโมเดลร่วมกัน เช่น:</p><ul><li>โมเดลประมวลผลภาพ (Computer Vision)</li><li>โมเดลประมวลผลเสียง (Speech Recognition)</li><li>โมเดลประมวลผลภาษา (Natural Language Processing)</li></ul><p>การผสมผสานความสามารถนี้ทำให้ Multi-Model AI สามารถตอบโจทย์การใช้งานที่ซับซ้อนได้ครบถ้วนในระบบเดียว</p><p>เช่น เราต้องการจ่ายบิล เราแค่เพียงแค่ยกมือถือขึ้นเพื่อสแกนบิล แล้วสั่งจ่ายบิล AI ที่เป็นผู้ช่วยเราก็จะมาแจ้งเรากลับทันทีเมื่อการทำรายการสำเร็จ</p><p>Multi-Model AI ไม่ใช่แค่การรวม AI หลายประเภทเข้าด้วยกัน แต่คือการสร้าง <strong>โครงสร้างใหม่ที่ยืดหยุ่นและทรงพลัง</strong> ที่สามารถตอบสนองความต้องการของผู้ใช้งานได้อย่างแท้จริง ทั้งหมดนี้คือจุดเริ่มต้นของการเปลี่ยนผ่านสู่ยุค<strong> AI-First Experiences</strong> ที่จะเข้ามาเป็นส่วนหนึ่งของชีวิตเราอย่างลึกซึ้งในอนาคต</p><p><strong>Looking Ahead: The Beginning of a New Era</strong></p><p>เราอยู่ในจุดเริ่มต้นของการเปลี่ยนแปลงครั้งใหญ่นี้เท่านั้นที่ AI กำลังกลายเป็นส่วนหนึ่งของชีวิตเรา โดยเฉพาะกับแนวคิด AI-First Experiences ซึ่งจะเปลี่ยนวิธีที่เราสื่อสารและใช้งานเทคโนโลยีอย่างสิ้นเชิง</p><p><strong>Lightweight AI</strong> และ <strong>Computing Power On-Device</strong> มีบทบาทสำคัญในความก้าวหน้านี้ ด้วยจุดเด่นที่ช่วยให้การประมวลผลเป็นไปอย่างรวดเร็ว ปลอดภัย และประหยัดพลังงาน ทั้งยังลดการพึ่งพาคลาวด์ ทำให้อุปกรณ์ส่วนตัว เช่น สมาร์ทโฟนและแท็บเล็ต สามารถมอบประสบการณ์ที่ปรับแต่งเฉพาะบุคคลได้ดียิ่งขึ้น</p><p>นี่คือก้าวสำคัญของเทคโนโลยี ที่จะยกระดับการใช้งานในชีวิตประจำวัน พร้อมทั้งสร้างสมดุลระหว่าง <strong>ประสิทธิภาพ</strong>, <strong>ความเป็นส่วนตัว</strong>, และ <strong>การเข้าถึง</strong> เพื่อให้ AI เป็นส่วนหนึ่งที่ขาดไม่ได้ในโลกยุคใหม่</p><p>ส่วนตัวผมชอบคำที่ อาจารย์​ <strong>Andrew Ng</strong> บอกอยู่เสมอๆ</p><blockquote><strong>“Artificial intelligence is the new electricity” — Andrew Ng</strong></blockquote><p>และในตอนนี้ผมยังนึกชื่ออุตสาหกรรมที่ไม่มีไฟฟ้ามาเกี่ยวข้องไม่ออก พอเป็นตัวอย่างรูปแบบนี้เลย เลยเห็นภาพคำๆ นี้ชัดขึ้น แล้วก็ตื่นเต้นมากๆ กับโลกต่อจากนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/735/0*cxmDxR66bD3CwCJD.jpg" /></figure><h4>Key takeaway</h4><ul><li>Common Languest For Human And Computer</li><li>Hyper Personalized</li><li>AI-First Experiences</li><li>Personal Ageist</li></ul><p><strong><em>ต้องขอขอบคุณ ODDS-TEAM ที่ให้โอกาสลองออกไปท่องโลกกว้างครั้งนี้</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5juVG5kTzWOa-sKVYq_BOQ.jpeg" /><figcaption>Portugal On Tour By <a href="https://medium.com/u/d7043bcaee72">RuufimoN</a></figcaption></figure><p>เป็นการท่องโลกที่สนุกมากครับ ปิดด้วยรูปนี้ ฮ่าๆ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d2b2dd1c2434" width="1" height="1" alt=""><hr><p><a href="https://medium.com/odds-team/transformative-experience-with-generative-ai-d2b2dd1c2434">Transformative Experience with Generative AI</a> was originally published in <a href="https://medium.com/odds-team">odds.team</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>