ค..ตนดูระบบคอม

  ในยุคที่องค์กรนำ AI Workflow และ AI Agent มาใช้ทำงานอัตโนมัติ ตั้งแต่การวิเคราะห์ข้อมูล การตอบคำถามลูกค้า การจัดการเอกสาร ไปจนถึงการสนับสนุนการตัดสินใจทางธุรกิจ ความท้าทายสำคัญไม่ได้อยู่ที่การทำให้ AI ทำงานได้เพียงอย่างเดียว แต่คือการทำให้ AI ทำงานอย่างปลอดภัย ตรวจสอบได้ และอยู่ภายใต้กฎเกณฑ์ที่องค์กรกำหนด แนวคิดที่เข้ามามีบทบาทสำคัญคือ AI Workflow Governance หรือการกำกับดูแลกระบวนการทำงานของ AI ซึ่งครอบคลุมตั้งแต่การกำหนดนโยบาย การควบคุมสิทธิ์ การจัดการข้อมูล การตรวจสอบผลลัพธ์ การบริหารความเสี่ยง ไปจนถึงการติดตามการทำงานของระบบ AI ตลอดวงจรชีวิต บทความนี้จะอธิบายความหมาย องค์ประกอบ สถาปัตยกรรม เครื่องมือ แนวทางการออกแบบ และการนำ AI Workflow Governance ไปใช้งานจริงในองค์กร เพื่อเป็นแนวทางสำหรับนักพัฒนา AI วิศวกรระบบ ผู้ดูแลข้อมูล และผู้บริหารที่ต้องการสร้างระบบ AI ที่พร้อมใช้งานในระดับ Production 1. AI Workflow Governance คืออะไร? AI Workflow Governance คือกรอบการกำกับดูแลนโยบาย กระบวนการ ข้อมูล โมเดล เครื่องมือ และการดำเนินงานของ AI Workflow เพื่อให้ระบบทำงานสอดคล้องกับเป้าหมายองค...

ตลอดหลายทศวรรษที่ผ่านมา มนุษย์พยายามหาวิธีสื่อสารกับคอมพิวเตอร์ให้มีประสิทธิภาพมากขึ้น ตั้งแต่การป้อนคำสั่งผ่าน Command Line การเขียนโปรแกรมด้วยภาษา C, C++, Java และ Python จนมาถึงการสั่งงาน Generative AI ด้วยภาษาธรรมชาติที่เรียกว่า Prompt Engineering หากพิจารณาเพียงผิวเผิน เราอาจมองว่า Prompt Engineering เป็นทักษะใหม่ที่เกิดขึ้นพร้อมกับ ChatGPT แต่หากมองในเชิงประวัติศาสตร์และวิศวกรรมคอมพิวเตอร์ จะพบว่าสิ่งนี้เป็นส่วนหนึ่งของพัฒนาการที่ยาวนานกว่า นั่นคือความพยายามลดช่องว่างระหว่างภาษาของมนุษย์กับภาษาที่เครื่องจักรสามารถประมวลผลได้ อย่างไรก็ตาม คำถามที่น่าสนใจกว่าการเรียนรู้วิธีเขียน Prompt คือ เรากำลังเข้าสู่ยุคที่ไม่จำเป็นต้องเขียนโปรแกรมอีกต่อไปแล้วจริงหรือ? 1. จาก Command Prompt สู่ Programming: ยุคที่มนุษย์ต้องเรียนรู้ภาษาเครื่อง ในยุคแรกของการใช้งานคอมพิวเตอร์ การสื่อสารกับเครื่องจักรต้องอาศัยคำสั่งที่มีรูปแบบและไวยากรณ์เฉพาะ ผู้ใช้ต้องเข้าใจว่าระบบต้องการข้อมูลแบบใด และต้องป้อนคำสั่งอย่างไร Command Prompt จึงเป็นมากกว่าเครื่องมือ แต่สะท้อนแนวคิดการควบคุมคอมพิวเตอร์ผ่านคำสั่...

Apache Hive คือ ระบบคลังข้อมูลแบบกระจาย (Distributed Data Warehouse) ที่สร้างขึ้นบน Apache Hadoop เพื่อช่วยในการอ่าน เขียน และจัดการชุดข้อมูลขนาดใหญ่ระดับเพตะไบต์ (Petabytes) โดยใช้ภาษาที่คล้ายกับ SQL เรียกว่า HiveQL คุณสมบัติหลัก HiveQL : แปลงคำสั่ง SQL ให้กลายเป็นงานประมวลผลบน Hadoop (เช่น Tez, MapReduce หรือ Apache Spark) เพื่อลดความซับซ้อนในการเขียน Java API Hive Metastore (HMS) : ส่วนกลางสำหรับจัดเก็บข้อมูลโครงสร้าง (Metadata) เช่น ตาราง คอลัมน์ และพาร์ติชัน   HiveServer2 (HS2) : รองรับการเชื่อมต่อพร้อมกันหลายผู้ใช้งาน ผ่าน JDBC และ ODBC รองรับหลากหลายรูปแบบไฟล์ : ทำงานร่วมกับไฟล์อย่าง ORC, Parquet, CSV และ TSV ได้ ความสามารถระดับองค์กร : รองรับระบบความปลอดภัย เช่น Kerberos, Apache Ranger และการทำธุรกรรมแบบ ACID โครงสร้างการทำงานภายใน (Architecture) การทำงานของ Hive ประกอบด้วย 3 ส่วนหลักที่ทำงานร่วมกัน: Hive Metadata (Metastore) ทำหน้าที่เก็บ "โครงสร้างของตาราง" (เช่น ชื่อตาราง มีคอลัมน์อะไรบ้าง ข้อมูลเก็บอยู่ที่โฟลเดอร์ไหนบน Hadoop) ส่วนใหญ่นิยมเก็บข้อมูลตรงนี้ไว้ใน Re...