Back to: AI Engineer 101 ปูพื้นฐานฉบับมือใหม่

1.1 AI Engineer คือใคร ต่างจาก Data Scientist / ML Engineer อย่างไร | AI Engineer เริ่มต้น

⚙ AI Engineer เริ่มต้น
บทที่ 1 · จากศูนย์สู่มืออาชีพ

ตอน 1 / 6 ในบทนี้

บทที่ 1 · ตอนที่ 1.1

AI Engineer คือใคร ต่างจาก Data Scientist / ML Engineer อย่างไร

ก่อนจะเริ่มลงมือสร้างอะไรสักอย่าง เรามาปูฐานให้ชัดกันก่อนว่า "AI Engineer" ที่เรากำลังจะเป็นกันในคอร์สนี้ คือใคร ทำงานกับอะไร และต่างจากสายอาชีพใกล้เคียงอย่างไร

⏱ อ่านประมาณ 22 นาที 📕 ระดับ: เริ่มต้น 🎯 ไม่ต้องมีพื้นฐานมาก่อน

จากรุ่นพี่ผู้สอน — ผมเจอคนถามผมบ่อยมากว่า "อยากเป็น AI Engineer ต้องเริ่มเรียน Machine Learning ก่อนไหม ต้องรู้คณิตศาสตร์ลึกแค่ไหน" คำตอบสั้นๆ คือ ไม่จำเป็นเท่าที่หลายคนคิด เพราะ AI Engineer ในความหมายปัจจุบัน เป็นบทบาทที่ต่างจาก Data Scientist และ ML Engineer พอสมควร ตอนนี้เราจะมาแยกให้ชัดกันก่อนที่จะเริ่มลงมือจริงในตอนถัดๆ ไปครับ

ทำไมคำว่า "AI Engineer" ถึงคลุมเครือ

ช่วงหลายปีที่ผ่านมา วงการ AI เติบโตเร็วมากจนตำแหน่งงานเกิดใหม่แทบทุกไตรมาส คำว่า "AI Engineer" ถูกใช้เรียกคนที่ทำงานหลากหลายรูปแบบมาก บางบริษัทใช้เรียกคนที่ train โมเดลเอง บางบริษัทใช้เรียกคนที่แค่เชื่อมต่อ API ของโมเดลสำเร็จรูป ความคลุมเครือนี้ทำให้มือใหม่จำนวนมากไม่รู้จะเริ่มเรียนอะไรก่อน

แต่ถ้าดูจากความต้องการของตลาดงานจริงในปี 2025-2026 คำว่า AI Engineer ในความหมายที่พบมากที่สุดตอนนี้ หมายถึงคนที่ สร้างแอปพลิเคชันโดยใช้โมเดล AI ที่มีอยู่แล้ว (ผ่าน API หรือ open-source model) ไม่ใช่คนที่ต้องมานั่ง train โมเดลตั้งแต่ศูนย์ นี่คือนิยามที่คอร์สนี้จะยึดเป็นหลัก

สามบทบาทที่คนมักสับสน

Data Scientist ทำอะไร

Data Scientist เน้นการวิเคราะห์ข้อมูลเพื่อหา insight สำหรับธุรกิจ ใช้สถิติ การทำ data visualization และบางครั้งก็สร้างโมเดลทำนายผล (predictive model) งานหลักมักจะจบที่รายงานหรือ dashboard ที่ช่วยให้คนตัดสินใจได้ดีขึ้น ไม่ได้เน้นการสร้างระบบที่ต้องรันจริงตลอดเวลา

ML Engineer ทำอะไร

ML Engineer เน้นการ train, tune และ deploy โมเดล machine learning ของตัวเอง ต้องเข้าใจ algorithm ลึกพอสมควร รู้เรื่อง data pipeline, feature engineering และมักต้องมีพื้นฐานคณิตศาสตร์ (linear algebra, สถิติ) ค่อนข้างแน่น เพราะต้องปรับแต่งโมเดลให้ทำงานได้แม่นยำและมีประสิทธิภาพ

AI Engineer ทำอะไร

AI Engineer ในความหมายที่คอร์สนี้ใช้ คือคนที่ นำโมเดล AI ที่มีอยู่แล้ว (เช่น Large Language Model ผ่าน API) มาประกอบเป็นผลิตภัณฑ์หรือฟีเจอร์ที่ใช้งานได้จริง งานหลักคือการออกแบบ prompt, เชื่อมต่อระบบผ่าน API, สร้างระบบค้นหาข้อมูล (RAG), ออกแบบ Agent ที่ทำงานหลายขั้นตอน และดูแลให้ระบบ deploy ได้อย่างมั่นคงและคุ้มค่า ใช้ทักษะวิศวกรรมซอฟต์แวร์เป็นหลัก มากกว่าทักษะ train โมเดล

ด้าน	Data Scientist	ML Engineer	AI Engineer
โฟกัสหลัก	วิเคราะห์ข้อมูล หา insight	Train / Tune โมเดลเอง	สร้างแอปด้วยโมเดลที่มีอยู่
ทักษะแกนกลาง	สถิติ, Data Viz	ML Algorithm, Math	API, Software Eng, Prompting
ผลลัพธ์งาน	รายงาน / Dashboard	โมเดลที่ train เอง	ฟีเจอร์ / แอปที่ใช้งานได้จริง
คณิตศาสตร์ที่ต้องใช้	ปานกลาง-สูง	สูง	พื้นฐาน (เน้นวิศวกรรมมากกว่า)

💡 ลองคิดดู

ระหว่างอ่านตารางด้านบน คุณรู้สึกสนใจงานแบบไหนมากที่สุด — การวิเคราะห์ข้อมูลให้ธุรกิจ การ train โมเดลให้แม่นยำขึ้น หรือการเอาโมเดลที่มีอยู่มาสร้างเป็นผลิตภัณฑ์จริง? คำตอบของคุณจะช่วยยืนยันว่าเส้นทาง AI Engineer ที่กำลังจะเรียนนี้ตรงกับที่คุณตามหาไหม

AI Engineer ทำงานกับอะไรบ้างในแต่ละวัน

ถ้าจะให้เห็นภาพชัดขึ้น ลองดู "สแต็กทักษะ" ที่ AI Engineer ใช้งานจริงในแต่ละวัน ซึ่งจะเป็นโครงหลักของคอร์สนี้ทั้งหมด:

Prompt Engineering — ออกแบบคำสั่งให้โมเดลตอบสิ่งที่ต้องการอย่างแม่นยำ
API Integration — เชื่อมต่อแอปพลิเคชันเข้ากับโมเดล AI ผ่าน API
RAG (Retrieval-Augmented Generation) — ทำให้ AI ตอบจากข้อมูลของเราเองได้
Tool Use / Function Calling — ให้ AI เรียกใช้เครื่องมือหรือระบบภายนอกได้
Agent Orchestration — ออกแบบให้ AI คิดและทำงานหลายขั้นตอนอัตโนมัติ
Deployment & Monitoring — ดูแลให้ระบบทำงานจริงได้อย่างมั่นคงและคุ้มต้นทุน

ตัวอย่างงานจริง

โจทย์: บริษัท e-commerce อยากมี AI ช่วยตอบคำถามลูกค้าเรื่องสถานะพัสดุ

สิ่งที่ AI Engineer ต้องทำ:
1. ออกแบบ system prompt ให้ AI ตอบสุภาพ ตรงประเด็น
2. เชื่อมต่อ API เพื่อดึงข้อมูล order status จากระบบบริษัท (Tool Use)
3. ทำ RAG ดึงนโยบายการคืนสินค้ามาตอบคำถามที่ซับซ้อนขึ้น
4. Deploy เป็น chat widget บนเว็บไซต์ พร้อม monitor การใช้ token

⚡ เคล็ดลับ

ไม่ต้องรอให้เก่งคณิตศาสตร์หรือ Machine Learning ลึกซึ้งก่อนเริ่ม สิ่งที่ช่วยให้ไปได้เร็วที่สุดในสายนี้คือพื้นฐาน Python และความเข้าใจเรื่อง API ซึ่งเราจะเริ่มลงมือกันตั้งแต่บทที่ 2 เลยครับ

ทำไมตอนนี้เป็นเวลาที่ดีในการเป็น AI Engineer

เมื่อก่อนการสร้างระบบ AI ต้องอาศัยทีมที่มีความรู้ ML ลึกและทรัพยากรมหาศาลในการ train โมเดล แต่ทุกวันนี้บริษัทผู้พัฒนาโมเดลชั้นนำเปิด API ให้ใครก็ตามที่มีทักษะวิศวกรรมซอฟต์แวร์พื้นฐาน สามารถสร้างผลิตภัณฑ์ AI ที่ทรงพลังได้โดยไม่ต้องเริ่มจากศูนย์ นี่คือเหตุผลที่ตำแหน่ง AI Engineer เติบโตเร็วมาก และเป็นเส้นทางที่มือใหม่เข้าถึงได้จริง ถ้ามีพื้นฐานการเขียนโปรแกรมและความเข้าใจหลักการทำงานของ AI ที่ถูกต้อง

📝 สรุปจำง่าย

Data Scientist = วิเคราะห์ข้อมูล · ML Engineer = สร้างโมเดลเอง · AI Engineer = เอาโมเดลที่มีอยู่มาสร้างเป็นผลิตภัณฑ์จริง

สรุปท้ายตอน

AI Engineer คือคนที่สร้างแอปพลิเคชันโดยใช้โมเดล AI ที่มีอยู่แล้ว ไม่ใช่คน train โมเดลเอง
ต่างจาก Data Scientist ที่เน้นวิเคราะห์ข้อมูล และ ML Engineer ที่เน้น train โมเดล
ทักษะหลักคือวิศวกรรมซอฟต์แวร์ + prompt engineering มากกว่าคณิตศาสตร์เชิงลึก
สแต็กทักษะที่จะเรียนในคอร์สนี้: Prompting, API, RAG, Tool Use, Agent, Deployment

1. AI Engineer ในความหมายของคอร์สนี้เน้นทำอะไรเป็นหลัก?

2. บทบาทใดที่ต้องใช้ความรู้คณิตศาสตร์เชิงลึกมากที่สุด?

3. ทักษะใดที่ทำให้ AI ตอบคำถามโดยอ้างอิงจากข้อมูลของบริษัทเราเองได้?

4. เหตุผลหลักที่ทำให้ตอนนี้เป็นเวลาที่ดีในการเริ่มเป็น AI Engineer คืออะไร?

ก่อนไปต่อในตอนถัดไป ลองเขียนคำตอบสั้นๆ ใส่สมุดหรือไฟล์ text ของคุณเอง (ไม่ต้องส่งใคร) เพื่อให้คุณเห็นเป้าหมายของตัวเองชัดขึ้นตลอดคอร์สนี้:

จากสแต็กทักษะ 6 อย่างที่กล่าวถึง (Prompting, API, RAG, Tool Use, Agent, Deployment) อย่างไหนที่คุณสนใจที่สุด เพราะอะไร
ลองนึกถึงปัญหาจริงในชีวิตหรือที่ทำงานของคุณ 1 ข้อ ที่คิดว่า AI Engineer แบบที่เรียนในคอร์สนี้น่าจะช่วยแก้ได้
ตั้งเป้าหมายสั้นๆ ว่าอยากสร้างอะไรให้เสร็จภายในตอนจบคอร์ส (จะได้เจอกันอีกทีในตอน Capstone บทที่ 10)

ดูตัวอย่างคำตอบ

ตัวอย่าง: "ผมสนใจ RAG กับ Agent มากที่สุด เพราะที่ทำงานมีเอกสาร SOP เยอะมาก พนักงานใหม่ต้องถามรุ่นพี่ตลอด อยากลองสร้าง AI ที่ตอบคำถามจากเอกสาร SOP ได้เอง เป้าหมายตอนจบคอร์สคืออยากสร้างระบบถาม-ตอบ SOP ต้นแบบให้ทีมลองใช้จริง"