ข้ามไปที่เนื้อหา
เฉพาะ จากต้นทาง#บทสอน / ภาคปฏิบัติ
13 พฤศจิกายนวันศุกร์
  1. LiveKit Blog62

    LiveKit ทดสอบ Gemini 4 Hydrogen กับ 3.8 Flash ในวอยซ์เอเจนต์ที่มีเครื่องมือที่จงใจทำให้พัง

    LiveKit ทดสอบ Gemini 4 Hydrogen และ Gemini 3.8 Flash ผ่านปลั๊กอิน Google ตัวเดียวกันในวอยซ์เอเจนต์ผู้ช่วยท่องเที่ยว โดยมีเครื่องมือที่จงใจให้ล้มเหลว ผลปรากฏว่า Hydrogen รายงานการจองผิดพลาด 0 ครั้งจากบทสนทนา 54 รายการ เทียบกับ 2 ครั้งของ 3.8 Flash เมื่อใช้ Hydrogen ที่ระดับ high และ 3.8 Flash ที่ระดับ default ประโยคแรกของ Hydrogen มาถึงเร็วกว่า 1.2 วินาที (4.0 วินาที เทียบกับ 5.2 วินาที) และเมื่อใช้ระดับ low ทั้งคู่ เร็วขึ้น 1.7 วินาที (2.8 วินาที เทียบกับ 4.6 วินาที) ผู้เขียนแนะนำให้ใช้ระดับ thinking medium หรือ high สำหรับวอยซ์เอเจนต์ โดยระบุว่าที่ระดับ xhigh มีค่ามัธยฐาน 7.8 วินาทีถึงประโยคแรก และกรณีแย่ที่สุด 52 วินาที

    ทำไมเรื่องนี้สำคัญ: การทดสอบภาคปฏิบัติของ LiveKit แสดงให้เห็นว่า Gemini 4 Hydrogen รายงานทุกการเรียกเครื่องมือที่จงใจทำให้พัง และเริ่มตอบกลับเร็วกว่า 3.8 Flash พร้อมข้อมูลความหน่วงแยกตามระดับ thinking สำหรับวอยซ์เอเจนต์

  2. ElevenLabs Blog18

    7 ทักษะบริการลูกค้าที่เอเจนต์ทั้งมนุษย์และ AI ต้องมี

    ElevenLabs สรุปทักษะบริการลูกค้า 7 ประการ ได้แก่ การสื่อสาร การแก้ปัญหา การจัดการความขัดแย้ง ความเห็นอกเห็นใจ ความยืดหยุ่น การปรับให้เหมาะกับแต่ละบุคคล และความรู้เกี่ยวกับผลิตภัณฑ์ ซึ่งเอเจนต์สนับสนุนทั้งมนุษย์และ AI จำเป็นต้องมี โดยอ้างอิงการศึกษาของ Zendesk ที่พบว่าลูกค้ากว่า 50% เปลี่ยนไปใช้คู่แข่งหลังจากประสบการณ์แย่เพียงครั้งเดียว และการคาดการณ์ของ Gartner ว่าภายในปี 2028 ลูกค้าอย่างน้อย 70% จะเริ่มต้นการเดินทางด้วยอินเทอร์เฟซ AI คู่มือนี้เน้นย้ำการประเมินตัวชี้วัดการสนทนาระหว่างการฝึกอบรมและหลังการใช้งาน รวมถึงการส่งต่อให้มนุษย์อย่างราบรื่นเพื่อลดความตึงเครียด

  3. Databricks Blog36

    การตรวจจับการโจมตีที่ขับเคลื่อนด้วยข้อมูลรับรองบน Databricks ด้วยบันทึกการตรวจสอบแบบละเอียดและ Genie

    Databricks อธิบายรายละเอียดว่าการโจมตีที่ขับเคลื่อนด้วยข้อมูลรับรองเกิดขึ้นบนแพลตฟอร์มของตนอย่างไร และบันทึกการตรวจสอบแบบละเอียดพร้อม Genie สามารถตรวจจับการเปลี่ยนแปลงพฤติกรรมหลังจากการใช้ PAT, คุกกี้เซสชัน หรือข้อมูลรับรองของ service principal ที่ถูกขโมยได้อย่างไร โพสต์นี้แบ่งกิจกรรมของผู้โจมตีออกเป็นหกขั้นตอน ตั้งแต่การเข้าสู่ระบบครั้งแรกไปจนถึงการสำรวจสภาพแวดล้อม และครอบคลุมขั้นตอนการตอบสนองและการควบคุมที่จำกัดสิ่งที่ข้อมูลรับรองที่ถูกขโมยสามารถเข้าถึงได้

  4. Databricks Blog36

    Bright Machines ใช้ Debezium และ Iceberg เพื่อให้แดชบอร์ดแบบเรียลไทม์แก่ลูกค้าจากโรงงานที่แยกจากเครือข่าย

    Bright Machines มอบแดชบอร์ดข้อมูลโรงงานแบบเรียลไทม์ที่อยู่ภายใต้การกำกับดูแลให้แก่ลูกค้า โดยไม่ต้องเปิดการเข้าถึงขาเข้าใดๆ ระบบจับการเปลี่ยนแปลงของ PostgreSQL ที่ edge ด้วย Debezium เขียนเป็น Apache Iceberg ส่งออกผ่านช่องทางขาออกเดียวที่ตรวจสอบได้ และอ่านข้อมูล ณ ที่เดิมใน Databricks ผ่าน Unity Catalog federation แดชบอร์ดแรกที่ลูกค้ามองเห็นเปิดใช้งานประมาณสองเดือนหลังเริ่มโครงการ โดยแถวที่คอมมิตแล้วสามารถสอบถามได้ภายในหนึ่งถึงสองนาที และแดชบอร์ดรีเฟรชทุกสิบนาที

  5. OpenRouter Announcements58

    OpenRouter ทดสอบ reranker 11 ตัวบนชุดทดสอบ RAG 274 คำถาม

    OpenRouter ทดสอบ reranker 11 ตัวบนชุดข้อมูล RAG สังเคราะห์ 274 คำถาม และพบว่าการ rerank ผู้สมัคร 30 อันดับแรกจาก vector search ด้วย voyageai/rerank-3-lite ช่วยเพิ่ม precision@1 จาก 81.0% เป็น 97.1% ด้วยต้นทุนประมาณ $0.10 ต่อ 1,000 คำถาม คู่มือแนะนำให้ดึงข้อมูลประมาณ 30 chunks แล้ว rerank จากนั้นส่งเฉพาะ 3 อันดับแรกให้ LLM ซึ่งในการทดสอบช่วยเพิ่มความแม่นยำของคำตอบเป็น 99.3% พร้อมลดต้นทุนการตอบจาก $0.22 เหลือ $0.16 ต่อ 1,000 คำถาม นอกจากนี้ยังชี้ให้เห็นโหมดความล้มเหลว: การละเว้นพารามิเตอร์ input_type ทำให้ precision@1 ลดลง 7 ถึง 12 คะแนน และ cohere/rerank-v3.5 เพิกเฉยต่อเนื้อหาที่เกินขีดจำกัด 4,096 โทเคนโดยไม่แจ้งเตือน

  6. GitHub Blog · AI & ML58

    คู่มือ GitHub อธิบายวิธีสร้างทักษะเอเจนต์ที่ทำงานข้าม Claude Code, Cursor และ Copilot

    GitHub เผยแพร่คู่มือปฏิบัติสำหรับทักษะเอเจนต์ ซึ่งเป็นไดเรกทอรีแบบมีเวอร์ชันที่ศูนย์กลางอยู่ที่ไฟล์ SKILL.md อธิบายว่าเมื่อใดและอย่างไรจึงจะทำงานที่ทำซ้ำได้ คู่มือใช้สองตัวอย่าง คือ Proof Agent สำหรับการตรวจสอบโค้ดที่สร้างโดย AI แบบปรปักษ์ และ Data Forge สำหรับไปป์ไลน์ข้อมูลหลายทักษะ เพื่อแสดงว่าทักษะแชร์แมนิเฟสต์ของโปรเจกต์ ใช้เส้นทางการทำงานเดียวร่วมกัน และวางการอนุมัติจากมนุษย์ในแต่ละระยะ นอกจากนี้ยังอธิบายสคริปต์แพ็กเกจจิงที่สร้างไฟล์เฉพาะไคลเอนต์สำหรับ Claude Code, Cursor และ GitHub Copilot จากแหล่งทักษะเดียว

  7. AWS Machine Learning Blog40

    Natera สร้าง SWARM ระบบ AI แบบเอเจนต์สำหรับปฏิบัติการแล็บบน Amazon Bedrock AgentCore ได้อย่างไร

    Natera สร้าง SWARM ระบบ AI แบบเอเจนต์สำหรับปฏิบัติการแล็บ บน Amazon Bedrock AgentCore ลดเวลาตอบสนองครั้งแรกได้ราว 130 เท่า และAutomateตั๋วสนับสนุนได้ 96.2 เปอร์เซ็นต์ ระบบนี้จับคู่ swarm-agent ที่ร่างรายงานวินิจฉัยก่อนที่วิศวกรจะเปิดตั๋ว กับ swarm-hive สำหรับการโต้ตอบกับวิศวกรแบบเรียลไทม์ ทั้งสองใช้ไลบรารีทักษะร่วมกันหนึ่งชุด ระบบจัดการตั๋ว Jira กว่า 65 ใบต่อวันในสามคิว ซึ่งก่อนหน้านี้ใช้เวลาเฉลี่ย 17.4 ชั่วโมงในการตอบสนองครั้งแรก

  8. Databricks Blog30

    Databricks หักล้างความเชื่อผิดๆ 4 ข้อเกี่ยวกับสถาปัตยกรรม Lakebase ของ LTAP

    Databricks ตอบโต้ต่อความเข้าใจผิดที่พบบ่อย 4 ประการเกี่ยวกับ LTAP ซึ่งเป็นสถาปัตยกรรม Lakebase ที่เก็บสำเนาข้อมูลปฏิบัติการชุดเดียวภายใต้การกำกับดูแล ให้บริการทั้ง Postgres และการวิเคราะห์โดยไม่ต้องใช้ CDC บทความระบุว่า LTAP ไม่ใช่การทำ replication: ชั้นต่างๆ ที่อยู่หน้าเลกนั้นเป็นแคช ไม่ใช่ฐานข้อมูลที่สองที่มีแคตตาล็อกของตัวเอง นอกจากนี้ยังระบุว่า heap pages และ Parquet เป็นการเข้ารหัสแบบไม่สูญเสียข้อมูลสองรูปแบบของแถวข้อมูลเดียวกัน ดังนั้น point lookup และ scan จึงอ่านเลย์เอาต์ที่เร็วสำหรับแต่ละแบบ

  9. AWS Machine Learning Blog38

    Tokenomics ในระดับสเกล: การติดตามและจำกัดการใช้จ่าย Amazon Bedrock ต่อ IAM Principal ด้วย CUR 2.0 และ AWS Budgets

    AWS แสดงวิธีติดตามและจำกัดการใช้จ่ายของ Amazon Bedrock generative AI ต่อ IAM principal โดยใช้เฉพาะฟีเจอร์ที่มีอยู่แล้ว: Bedrock บันทึก IAM user หรือ role โดยอัตโนมัติในทุกคำขอ inference และแท็กเหล่านั้นกลายเป็น cost allocation tags ที่อ่านได้ใน Cost Explorer หรือไฟล์ส่งออก CUR 2.0 AWS Budget ที่กำหนดขอบเขตไปที่ Bedrock และกรองตาม identity หรือค่าแท็กหนึ่งค่า สามารถแนบ budget action ที่ใช้ Deny IAM policy เมื่อข้ามเกณฑ์ โดยไม่ต้องเขียนโค้ดแอปพลิเคชันสำหรับกรณีทั่วไป

  10. AWS Machine Learning Blog36

    ตัวเลือกการอนุมานสี่แบบของ Amazon Bedrock ที่ส่งผลต่อค่าใช้จ่าย

    ระยะเวลาแคช ระดับบริการ ความพยายามในการให้เหตุผล และการตั้งค่า maxTokens ของ Amazon Bedrock สามารถเปลี่ยนค่าใช้จ่ายในการอนุมานโดยไม่ต้องเปลี่ยนโมเดลหรือพรอมต์ การเขียนแคช 5 นาทีบน Claude Sonnet 5 และ Claude Opus 5 มีค่าใช้จ่าย 1.25 เท่าของอัตราอินพุต การเขียนแคช 1 ชั่วโมงมีค่าใช้จ่าย 2 เท่า และการอ่านแคชมีค่าใช้จ่าย 0.1 เท่า คำขอระดับ Flex ไปยังโมเดลที่ไม่รองรับจะล้มเหลวด้วย ValidationException

  11. OpenAI News22

    Amplitude ส่งมอบการปรับปรุงผลิตภัณฑ์ภายใน 1–2 วันด้วย OpenAI อย่างไร

    Wave เอเจนต์ผลิตภัณฑ์เชิงรุกของ Amplitude ซึ่งสร้างขึ้นบนโมเดล OpenAI เป็นหลัก ระบุสิ่งที่ควรสร้าง ช่วยทีมส่งมอบการเปลี่ยนแปลงด้วยเอเจนต์เขียนโค้ด และวัดผลกระทบ การตั้งค่านี้ทำให้ Amplitude ส่งมอบการปรับปรุงผลิตภัณฑ์ได้ภายใน 1–2 วัน

  12. LangChain Blog45

    Eval-Driven Development คืออะไร? วิธีปรับปรุง AI Agents

    LangChain อธิบาย eval-driven development (EDD) กระบวนการสามขั้นตอนสำหรับการสร้าง AI agents: กำหนดว่าอะไรคือสิ่งที่ดี เขียน eval ก่อนที่จะสร้าง และเปรียบเทียบผลลัพธ์หลังการเปลี่ยนแปลงแต่ละครั้ง เนื่องจาก agents ไม่สามารถกำหนดผลลัพธ์ได้แน่นอน evals จึงให้คะแนนการทำงานข้ามชุดข้อมูลตัวอย่าง และสามารถใช้ LLM-as-a-judge โดยมีการทำงานจริงของ agent ใน LangSmith เป็นแหล่งของอินพุตสำหรับการทดสอบ

  13. Databricks Blog22

    Constellation สร้างรากฐานข้อมูลที่มีการกำกับดูแลบน Databricks อย่างไร

    Constellation ผู้ดำเนินการโรงไฟฟ้านิวเคลียร์รายใหญ่ที่สุดของสหรัฐฯ กำลังสร้างแพลตฟอร์มข้อมูลองค์กรที่มีการกำกับดูแลบน Databricks เพื่อให้ธุรกิจมีความหมายร่วมกันเพียงหนึ่งเดียวสำหรับข้อมูลของตน แพลตฟอร์มนี้ใช้ Unity Catalog สำหรับ lineage การเข้าถึงระดับละเอียด และโมเดลสิทธิ์เดียว พร้อมกับการสร้างแบบจำลอง Data Vault สำหรับเอนทิตีสำคัญที่นำกลับมาใช้ซ้ำได้ กรณีการใช้งานช่วงแรกประกอบด้วยผู้ช่วยวิศวกรรมนิวเคลียร์ที่สร้างด้วย Databricks Genie และการวางแผนช่วงหยุดเดินเครื่อง

  14. Databricks Blog25

    Eclipse Aerospace ใช้ Databricks PySpark custom data sources สำหรับการนำเข้าข้อมูลเที่ยวบิน

    Eclipse Aerospace กำลังใช้ Databricks PySpark custom data sources เพื่อนำเข้าข้อมูลเที่ยวบินเฉพาะของบริษัทเกือบ 20 ปี ปริมาณกว่า 3TB ครอบคลุมชั่วโมงบินกว่าหนึ่งล้านชั่วโมง โดยไม่ต้องใช้คอมพิวต์เฉพาะที่เปิดตลอดเวลา แพ็กเกจ Python ที่รองรับด้วย Rust ให้ประสิทธิภาพเป็นสองเท่าของ benchmark เมื่อเทียบกับ data source แบบ pure-Python ที่ใช้ PyArrow ในลักษณะเดียวกัน และเกือบ 20 เท่าของการใช้งานแบบ native Python ที่ไม่ใช้ Arrow API นี้ซึ่งเปิดตัวใน Apache Spark 4.0 และพร้อมใช้ใน Databricks Runtime 15.4 LTS แทนที่ไปป์ไลน์ Lambda-to-Avro เดิม

  15. AWS Machine Learning Blog34

    สร้าง LLM gateway แบบ self-service ด้วย Amazon Bedrock และ LiteLLM

    LLM gateway แบบ self-service ที่สร้างบน Amazon Bedrock Application Inference Profiles และ LiteLLM ที่รันบน AWS Fargate เปิดให้เข้าถึงโมเดลพื้นฐานของ Bedrock ผ่าน API ที่เข้ากันได้กับ OpenAI ทำให้นักพัฒนามี base URL เดียวและคีย์แยกตามผู้ใช้ การตั้งค่านี้เพิ่มการควบคุมค่าใช้จ่ายรายผู้ใช้ การแยกโควตาตามโมเดล และการสังเกตการณ์ RPM/TPM ผ่าน CloudWatch พร้อม Langfuse สำหรับ telemetry ระดับพรอมต์ การออกคีย์แบบ self-service ต้องใช้ LiteLLM Enterprise เนื่องจากแพ็กเกจฟรีจำกัดที่ห้าผู้ใช้

  16. AWS Machine Learning Blog34

    การปรับต้นทุนต่องานให้เหมาะสมและการพิสูจน์ ROI ของเอเจนต์บน Amazon Bedrock

    โพสต์ของ AWS นี้โต้แย้งว่าควรตัดสินค่าใช้จ่ายของ Amazon Bedrock จากต้นทุนต่องานมากกว่าต้นทุนต่อโทเคน เนื่องจากประสิทธิภาพของ tokenizer ความยาวของเอาต์พุต จำนวนรอบของลูปเอเจนต์ และภาระจากการให้เหตุผล อาจทำให้โมเดลที่มีราคาถูกกว่ากลายเป็นมีต้นทุนสูงกว่า ตัวอย่างที่คำนวณจริงแสดงให้เห็นว่าโมเดลที่มีราคาตามรายการสูงกว่า 2 เท่าเสร็จสิ้นงานด้วยต้นทุนที่ถูกกว่า 65% ต่องาน และโพสต์ยังเพิ่มการแคช การกำหนดเส้นทาง และการจำกัดเอาต์พุต พร้อมด้วยสกอร์การ์ดห้ามิติสำหรับวัด ROI ของเอเจนต์เทียบกับฐานอ้างอิงจากมนุษย์

  17. Databricks Blog22

    H6.ai สร้างระบบอัตโนมัติทางการเงินที่ขับเคลื่อนด้วย AI ด้วย Lakebase Postgres ได้อย่างไร

    H6.ai ทำให้กระบวนการจ่ายเงินเจ้าหนี้เป็นอัตโนมัติบน ERP ที่มีอยู่ของลูกค้า โดยใช้ฐานข้อมูล Lakebase Postgres เฉพาะสำหรับลูกค้าแต่ละรายเป็นระบบบันทึกหลัก เนื่องจากข้อมูลใบแจ้งหนี้เปลี่ยนแปลงอยู่ตลอดเวลา ทีมจึงใช้สาขา copy-on-write ของ Lakebase เพื่อตรึงสแนปช็อตของฐานข้อมูลลูกค้าและรันการทดสอบถดถอยแต่ละครั้งบนสาขาอายุสั้นของตัวเอง ฐานข้อมูลที่ใช้งานจริงจึงไม่ถูกเขียนทับเลย แต่ละรอบการรันถูกตัดสินด้วยการตรวจสอบแบบกำหนดผลได้แน่นอนร่วมกับคณะผู้ตัดสิน AI จากผู้ให้บริการโมเดลที่แตกต่างกัน

  18. AWS Machine Learning Blog38

    Amazon Bedrock AgentCore Evaluations: ตัวประเมินในตัว, DeepEval และ AutoEval

    ขณะนี้ Amazon Bedrock AgentCore Evaluations ช่วยให้ทีมต่างๆ รันตัวประเมินในตัวของ AWS ควบคู่ไปกับเมตริก DeepEval และ AutoEval ที่ได้รับการจัดการ รวมถึงตัวประเมินแบบกำหนดเองที่ได้มาจากทั้งสองแบบ แคตตาล็อกในตัวครอบคลุมตัวประเมิน 15 ตัวในด้านคุณภาพการตอบสนอง ความสำเร็จของเป้าหมาย การใช้เครื่องมือ ทักษะ และความปลอดภัย พร้อมการตรวจสอบเส้นทางการทำงาน 3 รายการสำหรับเส้นทางเครื่องมือที่คาดหวัง DeepEval เพิ่มเมตริกแบบหลายรอบ เช่น ConversationCompleteness และ KnowledgeRetention ขณะที่ AutoEval มีส่วนช่วยในสัญญาณเฉพาะทางรวมถึงความปลอดภัย

  19. AWS Machine Learning Blog36

    สร้าง Daily Dependency Watcher ด้วย LangGraph และ Amazon Bedrock AgentCore Web Search

    Web Search API ใน Amazon Bedrock AgentCore พร้อมใช้งานแล้ว ช่วยให้เอเจนต์ได้รับผลการค้นหาเว็บล่าสุดผ่านการเรียก API เดียวที่ลงนามด้วย SigV4 ซึ่งให้บริการจากดัชนีเว็บที่ Amazon ดำเนินการเอง บทความแนะนำการสร้าง daily dependency watch ในรูปแบบกราฟ LangGraph ที่ค้นคว้า npm, PyPI และ container base images แบบขนาน โดยมี date windows, blocklists และ search budgets ถูกบังคับใช้ในโค้ด ในการทดสอบ สาขาทั้งสามเสร็จสิ้นใน 36 วินาที เทียบกับ 99 วินาทีเมื่อรันแบบลำดับ

  20. AWS Machine Learning Blog36

    AWS Quick AI-PDLC: หกเอเจนต์สำหรับการพัฒนาผลิตภัณฑ์ที่ขับเคลื่อนด้วย AI

    AWS Quick เปิดตัว AI-PDLC กรอบการทำงานของเอเจนต์เฉพาะทางหกตัว โดยมี Orchestrator เป็นผู้นำ ครอบคลุม Discovery, Prioritize, Working Backwards, Spec Generator และ Designer ซึ่งเปลี่ยนสัญญาณองค์กรที่กระจัดกระจายจาก Slack, Jira, Salesforce และ SharePoint ให้เป็น prototype_spec.md ที่ตรวจสอบย้อนกลับได้ ทุกขั้นตอนต้องได้รับการอนุมัติจากมนุษย์ และสามารถส่งสเปกให้เอเจนต์เขียนโค้ดอย่าง Kiro หรือ Claude Code ผ่าน Agent Client Protocol (ACP) แบบเปิดได้

  21. AWS Machine Learning Blog40

    AWS เปิดแคตตาล็อกสินทรัพย์ Generative AI แบบใช้ซ้ำได้ 23 รายการจาก Innovation Center

    AWS ได้เผยแพร่แคตตาล็อกสินทรัพย์ Generative AI แบบโอเพนซอร์สที่พร้อมใช้งานจริงจำนวน 23 รายการจาก Generative AI Innovation Center ซึ่งปัจจุบันเป็นส่วนหนึ่งของ AWS Frontier AI Engineering & Services บล็อกพื้นฐานเหล่านี้ครอบคลุมไปป์ไลน์ RAG ตัวประมวลผลเอกสาร โครงสร้างเอเจนต์ และเฟรมเวิร์กการประเมินผล และ AWS ระบุว่าสามารถลดระยะเวลาการพัฒนาจากหลายเดือนเหลือหลายสัปดาห์ DoorDash รายงานว่าความสามารถในการทดสอบเพิ่มขึ้น 50 เท่า และ Ricoh รายงานว่าปริมาณงานเพิ่มขึ้น 7 เท่าหลังจากสร้างบนสินทรัพย์เหล่านี้

  22. AWS Machine Learning Blog38

    DXC Technology สร้างฐาน AI แบบหลายโมเดลบน Amazon Bedrock ได้อย่างไร

    DXC Technology สร้างฐานโมเดลสำหรับระบบปฏิบัติการไอที DXC OASIS บน Amazon Bedrock โดยเข้าถึง Anthropic Claude, Amazon Nova, Meta Llama และโมเดลแบบเปิดน้ำหนักผ่านอินเทอร์เฟซที่จัดการแบบครบวงจรเดียว Amazon Bedrock Guardrails ใช้การกรองเนื้อหา การปกปิดข้อมูลส่วนบุคคล และนโยบายหัวข้อที่ถูกห้ามอย่างสม่ำเสมอในทุกโมเดล ขณะที่ AWS PrivateLink รักษาการรับส่งข้อมูลการอนุมานให้อยู่ภายใน VPC ของลูกค้า DXC OASIS พร้อมใช้งานทั่วไปตั้งแต่เดือนมีนาคม 2026 และลดเวลาการแก้ไขลงได้โดยเฉลี่ย 95% จาก 56 กรณีการใช้งานที่วัดผล

  23. AWS Machine Learning Blog40

    Agent DLC: วิศวกรรมเอเจนต์ AI จากต้นแบบสู่โปรดักชัน

    AWS เปิดตัว Agent Development Lifecycle (Agent DLC) กรอบการทำงานที่มีหนึ่งวงจรชีวิต สองลูป และมาตรฐานชัดเจนเพียงหนึ่งเดียวสำหรับตัดสินทุกการเปลี่ยนแปลงของเอเจนต์ โดยแก้ปัญหาคุณสมบัติสามประการของเอเจนต์ที่ทำให้ CI/CD แบบเดิมใช้ไม่ได้ ได้แก่ ความไม่แน่นอนของผลลัพธ์ พรอมต์ในฐานะซอร์สโค้ด และ dependencies ที่เคลื่อนที่อย่างอิสระ ตัวอย่างผู้ช่วยนโยบาย HR แบบอ้างอิงแสดงความแม่นยำการดึงข้อมูลระดับชังก์ที่ 1.00 across ทั้งสามคำถามทดสอบ ขณะที่ความแม่นยำระดับข้อเท็จจริงลดลงเหลือ 0.09 และความครอบคลุมการดึงข้อมูลแตะ 0.00 ในหนึ่งคำถาม

  24. AWS Machine Learning Blog36

    การควบคุมการเข้าถึงแบบละเอียดสำหรับเครื่องมือ Amazon Bedrock Managed Knowledge Base

    AWS แสดงวิธีให้เอเจนต์ AI ที่ใช้ร่วมกันสามารถเข้าถึงเอกสารรายผู้ใช้บน Amazon Bedrock Managed Knowledge Base โดยเปิดเผยการค้นหาเป็นเครื่องมือ MCP ผ่าน AgentCore Gateway ตัวดักจับคำขอจะฉีดอีเมลของผู้ใช้ที่ผ่านการตรวจสอบจาก Cognito JWT ลงใน userContext และการรับรู้ ACL จะคืนเฉพาะเอกสารที่ผู้ใช้นั้นมีสิทธิ์ดูเท่านั้น นโยบาย Cedar ใน AgentCore และนโยบายตามทรัพยากรบนฐานความรู้เพิ่มการป้องกันชั้นที่สองต่อการค้นหาที่ปลอมแปลงหรือไม่ได้รับอนุญาต

  25. AWS Machine Learning Blog58

    AWS อธิบายการสร้างระบบหลายเอเจนต์ข้ามองค์กรด้วย A2A

    AWS เผยแพร่สถาปัตยกรรมอ้างอิงที่ orchestrator องค์กรซึ่งใช้ LangChain บน Amazon ECS เรียกเอเจนต์ SaaS ด้าน compliance ที่ใช้ Strands Agents บน Amazon Bedrock AgentCore ผ่านโปรโตคอล A2A โดยทั้งสองฝ่ายอยู่ในบัญชี AWS แยกกันและไม่มีการแชร์ secret ร่วมกัน แต่ละฝ่ายยืนยันตัวตนด้วยโทเคนจาก Amazon Cognito user pool ของตนเอง และเอเจนต์ SaaS เรียกกลับไปยังเอเจนต์บริบทองค์กรเพื่อขอ metadata ของบัญชี เอเจนต์จึงทำหน้าที่เป็น peer มากกว่าจะเป็น client กับ server ระบบนี้ติดตั้งจาก Jupyter notebook สามไฟล์ซึ่ง provision CloudFormation stack ห้าแห่ง และรันการทดสอบแบบ end-to-end พร้อมการตรวจสอบขอบเขตความเชื่อถือเจ็ดรายการ

  26. AWS Machine Learning Blog34

    การย้ายไปยัง Amazon Bedrock Managed Knowledge Base ด้วย coding agent

    AWS เพิ่มคู่มือการย้ายฐานความรู้ไปยัง amazon-bedrock skill ใน Agent Toolkit for AWS ทำให้ coding agent สามารถวางแผนการย้ายจากฐานความรู้ที่ลูกค้าจัดการเองไปยัง Amazon Bedrock Managed Knowledge Base โดย agent จะเริ่มจากการค้นหาแบบอ่านอย่างเดียวและแผนที่ผ่านการตรวจทานทีละบรรทัด จากนั้นสร้างฐานความรู้และแหล่งข้อมูลใหม่เคียงข้างของเดิม หรือเขียนเทมเพลต IaC ที่ย้ายแล้ว Managed Knowledge Base เพิ่มโควตาเริ่มต้นเป็น 200 แหล่งข้อมูลต่อฐานความรู้ และ 10,000 ฐานความรู้ต่อบัญชีต่อ Region และเพิ่มการดึงข้อมูลแบบ agentic การผสานรวม AgentCore Gateway และนโยบายตามทรัพยากร

12 พฤศจิกายนวันพฤหัสบดี
  1. LangChain Blog40

    GTM Agent ของ LangChain สร้างสรรค์ผลงานการขายที่มีคุณภาพสม่ำเสมอได้อย่างไร

    GTM Agent ภายในของ LangChain สร้างผลงานการขาย 1,540 ชิ้นภายใน 12 สัปดาห์ ช่วยประหยัดเวลาให้ตัวแทนขาย 337 ชั่วโมงสำหรับเอกสารเช่น แผนบัญชีลูกค้าและชุดสไลด์ข้อเสนอ 47% ของดีลที่มีการส่งผลงานไปยัง progressed ไปสู่ขั้นถัดไป เทียบกับ 16% ของดีลที่จับคู่กันโดยไม่มีผลงาน และ 46% ของผลงานมีการโทรหาลูกค้าตามมาภายใน 14 วัน เอเจนต์นี้ทำงานบน Deep Agents harness ซึ่งมี sandbox, skills, memory และ scheduled runs ให้ใช้ใน Managed Deep Agents

  2. AWS Machine Learning Blog36

    สร้าง AI agent แบบอัตโนมัติด้วย Amazon Bedrock และ Spring AI

    AWS แสดงให้นักพัฒนาชาว Java เห็นวิธีสร้าง AI agent แบบอัตโนมัติโดยใช้ Spring AI และ AgentCore ของ Amazon Bedrock พร้อมการผสานรวม spring-ai-agentcore โดยมีรายละเอียดระบบอ้างอิงสองระบบ ได้แก่ ผู้ช่วยท่องเที่ยวแบบ agent เดี่ยวที่รองรับ tool calling และ memory และแพลตฟอร์มประมวลผลเอกสารอัจฉริยะแบบหลาย agent ที่มี agent ผู้เชี่ยวชาญห้าตัว มี rules engine และการแจ้งเตือน สแตกนี้ต้องใช้ JDK 21, Spring Boot 4.1 กับ Spring AI 2.0 และติดตั้งผ่าน AgentCore runtime บนคอนเทนเนอร์ ARM64

  3. OpenRouter Announcements58

    OpenRouter เปรียบเทียบต้นทุน LLM แบบโฮสต์เองกับ API ด้วยการคำนวณจุดคุ้มทุนตามโหลด

    OpenRouter เผยแพร่การวิเคราะห์จุดคุ้มทุนที่แสดงว่าเมื่อใดการโฮสต์ LLM แบบเปิดน้ำหนักเองมีต้นทุนต่ำกว่าการเรียกผ่าน API โดยใช้ราคาต่อผู้ให้บริการ ณ วันที่ 8 ตุลาคม 2026 ที่ราคาดังกล่าว Qwen3.8 27B บน RTX 3090 เช่าเครื่องละ 0.50 ดอลลาร์ต่อชั่วโมงคุ้มทุนที่โหลด 6 ถึง 12% ขณะที่ DeepSeek V4.1 Flash บน H200 สี่ตัวไม่เคยเอาชนะ endpoint แบบ zero-data-retention ที่ถูกที่สุดได้ โพสต์ยังระบุว่า provider.zdr และโดเมน EU และ US ครอบคลุมความต้องการด้านความเป็นส่วนตัวส่วนใหญ่ได้โดยไม่ต้องโฮสต์เอง และแนะนำให้รันโหลดพื้นฐานsteady ไว้ในเครื่องท้องถิ่นพร้อมส่งช่วงพีคไปที่ API

  4. OpenRouter Announcements58

    OpenRouter เผยแพร่บทแนะนำ: วิธีป้องกันไม่ให้ AI Agent ติดอยู่ในลูปไม่สิ้นสุด

    OpenRouter เผยแพร่คู่มือเกี่ยวกับการหยุด AI agent ที่ติดอยู่กับการลองใช้เครื่องมือที่ล้มเหลวซ้ำแล้วซ้ำเล่า โดยใช้ตัวป้องกันสี่ชั้นที่ทดสอบกับโมเดลปัจจุบันหกตัว เมื่อเปิดใช้การตรวจจับ doomLoop โมเดลทั้งหกถูกบล็อกในการเรียกเครื่องมือแบบเดียวกันครั้งที่สาม และจากการรัน 18 ครั้ง จำนวนการเรียกเครื่องมือลดลงจาก 314 เหลือ 64 ขณะที่ค่าใช้จ่ายลดลงจาก $0.29 เหลือ $0.05 คู่มือนี้เพิ่ม loopKey เพื่อปรับอาร์กิวเมนต์ให้เป็นมาตรฐาน กำหนดเพดาน stopWhen สำหรับจำนวนขั้นและค่าใช้จ่าย และจำกัดเครดิตของ API key ที่ส่งคืน 402 พร้อม limit_source openrouter_key_limit

  5. OpenRouter Announcements28

    วิธี Benchmark LLMs: คู่มือการให้คะแนนด้วยโค้ดจาก OpenRouter

    OpenRouter เผยแพร่คู่มือสำหรับการ benchmark LLMs ด้วยอินพุตของแอปพลิเคชันของคุณเอง ให้คะแนนเอาต์พุตด้วยโค้ด และเปรียบเทียบความแม่นยำ ค่าใช้จ่ายที่เรียกเก็บ และเวลาที่ใช้ในการร้องขอ บนงานสังเคราะห์ 60 งาน GPT-6.1 Sol ผ่าน 180/180 ครั้งจากการทำซ้ำสามรอบ ขณะที่ DeepSeek มีค่าใช้จ่ายในการตอบสนองต่ำที่สุดที่ 180 ครั้งผ่าน 157 ครั้ง ความสอดคล้องกับอันดับสาธารณะอยู่ในระดับต่ำ โดยมีสหสัมพันธ์สเปียร์แมนที่ 0.109

  6. vLLM Blog72

    vLLM ให้บริการ DeepSeek-V4.1-Flash บน Vera Rubin NVL72 ด้วยปริมาณงาน吞吐 58 เท่าของ GB300 NVL72

    vLLM รายงานการให้บริการ DeepSeek-V4.1-Flash บนตู้แร็ค NVIDIA Vera Rubin NVL72 เพียงตู้เดียวที่ 1.7M โทเคน/วินาที ต่อ GPU และ 387 โทเคน/วินาที ต่อผู้ใช้ คิดเป็น 58 เท่าของ GB300 NVL72 โดยพุ่งสูงสุดที่ 2.52M โทเคน/วินาที และ 1,810 โทเคน/วินาทีสำหรับผู้ใช้รายเดียว ผลตอบแทนเหล่านี้มาจากเคอร์เนลที่สร้างใหม่สำหรับโดเมนหน่วยความจำแยกส่วนและเทนเซอร์คอร์ FP4 ของ Rubin เส้นทางการถอดรหัส TP8 เฉพาะทาง และพูล KV และ Engram ทั่วทั้งแร็คที่แชร์ผ่าน NVLink ด้วยการรวมคำนำหน้า (prefix) ทั่วทั้งแร็คและการกำหนดเส้นทางตามภาระงานของ Dynamo อัตราการเข้าถึงคำนำหน้าจึงคงอยู่ที่ 96.5-97% แม้ในสภาวะที่มีการทำงานพร้อมกันสูง

    ทำไมเรื่องนี้สำคัญ: โพสต์ที่สามของ vLLM เกี่ยวกับ DeepSeek-V4.1-Flash อธิบายรายละเอียดว่าเคอร์เนลเฉพาะสำหรับ Rubin และการรวมหน่วยความจำทั่วทั้งแร็คช่วยเพิ่มปริมาณงาน吞吐ได้ 58 เท่าเมื่อเทียบกับ GB300 NVL72 ซึ่งเป็นข้อมูลอ้างอิงที่เป็นรูปธรรมสำหรับการปรับแต่งการให้บริการในระดับขนาดใหญ่

  7. Hugging Face Blog36

    Hugging Face เปิดตัวคู่มือและสคริปต์ปรับแต่งโมเดลสำหรับ TRELLIS.2 ด้านการสร้างภาพ 3D

    Hugging Face เผยแพร่สคริปต์และคอนเทนเนอร์สำหรับปรับแต่งโมเดล TRELLIS.2 ซึ่งเป็นโมเดลสร้างภาพ 3D ที่สามารถรันได้ในเครื่องหรือบน Hugging Face Jobs คู่มือนี้ใช้ LoRA adapters ผ่านไลบรารี PEFT เฉพาะบน sparse-structure flow DiT และ shape flow DiT โดยคงขั้นตอนวัสดุ (material stage) ไว้ไม่เปลี่ยนแปลง บนชุดย่อยรองเท้า 188 ชิ้นจากชุดข้อมูล GSO โมเดลที่ผ่านการฝึกมาก่อนมักเรนเดอร์พื้นรองเท้าไม่ถูกต้อง ซึ่งการปรับแต่งด้วย LoRA มุ่งแก้ไขปัญหานี้

  8. AWS Machine Learning Blog36

    การรัน OpenAI Codex บน Amazon Bedrock: เส้นทางการเข้าถึงและคู่มือการเริ่มใช้งาน

    โพสต์นี้อธิบายวิธีกำหนดเส้นทางคำขอโมเดล OpenAI Codex ไปยัง Amazon Bedrock โดยใช้แนวปฏิบัติด้านข้อมูลระบุตัวตน IAM ระดับภูมิภาค และการสังเกตการณ์ของ AWS ที่มีอยู่ แนะนำให้เริ่มต้นด้วย Native AWS Access สำหรับการนำร่องขนาดเล็กแบบ least-privilege โดยมี AgentCore Gateway หรือ LLM Gateway เป็นทางเลือก และอธิบายขั้นตอนการลงชื่อเข้าใช้ IAM Identity Center พร้อมการตรวจสอบ Bedrock Runtime โดยตรงด้วย GPT-5.6 Sol

  9. AWS Machine Learning Blog34

    การเปรียบต่างเชิงความหมายของนโยบายเชิงรูปแบบด้วยแอนติ-ยูนิฟิเคชัน

    เอนจินโอเพนซอร์สคำนวณการเปรียบต่างเชิงความหมายของนโยบายเชิงรูปแบบโดยใช้แอนติ-ยูนิฟิเคชันบนอีกราฟ แสดงโครงสร้างที่ใช้ร่วมกันเพียงครั้งเดียวและเก็บทั้งสองเวอร์ชันของแต่ละส่วนที่แตกต่างกัน โดยมุ่งเป้าไปที่ผลลัพธ์ของการทำให้เป็นรูปแบบอัตโนมัติในนโยบาย SMT-LIB, Cedar, Dogwood, OpenShell และ CEL ซึ่ง LLM เขียนอาร์ติแฟกต์แต่ไม่มีส่วนในการคำนวณการเปรียบต่าง

  10. AWS Machine Learning Blog46

    การตรวจจับและกู้คืนจากความเสียหายของข้อมูลแบบเงียบบน Amazon SageMaker HyperPod

    ลูปการฝึก PyTorch DDP บน Amazon SageMaker HyperPod ได้รับการตรวจสอบสามรายการที่จับความเสียหายของข้อมูลแบบเงียบ: การตรวจสอบเกรเดียนต์ที่ไม่ใช่ค่าจำกัด การตรวจสอบการเล่นซ้ำแบบริงที่เปรียบเทียบบิตของ loss และลายนิ้วมือของเกรเดียนต์ข้ามโหนด และการเปรียบเทียบลายนิ้วมือของน้ำหนักหลังขั้นตอนออปติไมเซอร์ ทดสอบด้วยข้อบกพร่องที่ใส่เข้าไปโดยซอฟต์แวร์บนอินสแตนซ์ ml.p5.48xlarge จำนวน 4 เครื่อง (GPU NVIDIA H100 จำนวน 32 ตัว) การตรวจสอบเหล่านี้ระบุแรงก์ที่น่าสงสัย แมปไปยังโหนด และให้ HyperPod แทนที่โหนดและดำเนินการต่อจากเช็กพอยต์

  11. AWS Machine Learning Blog12

    AWS re:Invent 2026 สาย AI/ML: คู่มือสำหรับผู้เข้าร่วม

    AWS จะจัดการประชุม re:Invent ประจำปีระหว่างวันที่ 30 พฤศจิกายนถึง 4 ธันวาคม โดยสาย AI/ML มีเซสชันที่ไม่ซ้ำกันกว่า 140 เซสชันจากเซสชันการเรียนรู้ทั้งหมดกว่า 2,000 เซสชัน คู่มือนี้จับคู่เซสชันกับสแตก AI ของ AWS ครอบคลุมตั้งแต่ชิป AI (AWS Trainium และ NVIDIA GPUs) โมเดลและการอนุมานบน Amazon Bedrock และ SageMaker AI ไปจนถึงการพัฒนาเอเจนต์ด้วย Amazon Bedrock AgentCore เซสชันถูกจัดเรียงตั้งแต่เนื้อหาสำหรับผู้เริ่มต้นไปจนถึงการเจาะลึกเชิงเทคนิค และหลายเซสชันสามารถรับชมแบบ on demand ได้

  12. AWS Machine Learning Blog28

    การอัปเดต AWS Agent Registry โดยอัตโนมัติด้วยสถาปัตยกรรมแบบ push-based

    AWS นำเสนอไปป์ไลน์ที่ขับเคลื่อนด้วยเหตุการณ์ ซึ่งช่วยให้บันทึก AWS Agent Registry สำหรับเซิร์ฟเวอร์ MCP เป็นปัจจุบันโดยไม่ต้องอัปเดตด้วยตนเอง AWS CloudTrail ดักจับการเรียก API UpdateAgentRuntime, Amazon EventBridge ส่งต่อการเรียกเหล่านั้นข้ามบัญชี และฟังก์ชัน Lambda จะสอบถามเครื่องมือของเซิร์ฟเวอร์ MCP ผ่านโทเค็น OAuth ของ AgentCore Identity จากนั้นเปรียบเทียบและอัปเดตบันทึก registry ที่ตรงกัน ตัวอย่างนี้อัปเดตเฉพาะบันทึกที่มีอยู่และรองรับทั้งการตั้งค่าแบบบัญชีเดียวและหลายบัญชี

  13. Amazon Science36

    ใช้คณิตศาสตร์ตรวจสอบการกำหนดค่าเครือข่าย: AWS Tiros สำหรับการตรวจสอบการแบ่งส่วน

    AWS ใช้เครื่องมือตรวจสอบอัตโนมัติ Tiros ของตนเพื่อตรวจสอบการแบ่งส่วนเครือข่ายแบบสแตติกในทุกเส้นทางที่จำลองขึ้น แทนการพึ่งพาการสุ่มตัวอย่างแพ็กเก็ต Tiros แปลงการกำหนดค่า Cloud WAN จากตารางเส้นทาง สิ่งที่เชื่อมต่อ และเอกสารนโยบายให้เป็นข้อเสนอเชิงตรรกะ จากนั้นตรวจสอบว่าไม่มีเส้นทางใดอยู่ระหว่างส่วนที่ถูกประกาศห้ามโดยนโยบาย โดยดำเนินการวิเคราะห์บ่อยครั้งถึงทุกชั่วโมง

  14. Meta Engineering Blog40

    Meta Intelligent Delivery: ระบบ ML ที่จัดสรรพลังประมวลผลสำหรับการจัดอันดับโฆษณา

    Meta ให้รายละเอียดเกี่ยวกับ Intelligent Delivery ซึ่งเป็นระบบที่ขับเคลื่อนด้วย ML ที่จัดสรรพลังประมวลผลทั่วทั้งสแต็กการให้บริการโฆษณาไปสู่จุดที่เหมาะสมที่สุดในระดับระบบ โดยมีส่วนช่วยให้ประสิทธิภาพการจัดอันดับเพิ่มขึ้นประมาณ 10% นอกเหนือจากความก้าวหน้าของโมเดลและระบบตั้งแต่ปี 2017 ถึงครึ่งแรกของปี 2026 Resource Core Model ของระบบใช้พารามิเตอร์แบบ sparse 6B และ dense 20M เพื่อคาดการณ์อรรถประโยชน์ส่วนเพิ่มของแต่ละคำขอ และ Meta ระบุว่าช่วยปรับปรุงการระบุคำขอโฆษณาที่มีผลกระทบสูงได้ประมาณ 20% ในการทดสอบ基準แบบออฟไลน์ ระบบยังพึ่งพากลไกการจัดสรรหลายชั้นและ AI แบบ agentic ที่เพิ่มขึ้นเพื่อปรับตัวตามการเปลี่ยนแปลงของโมเดลและฮาร์ดแวร์