เก็บข้อมูล 20 ส.ค. 2569 · AI Engineering ภาคสนาม EP.1

Andrew Ng กับ DeepLearning.AI ปล่อยแผนที่ทักษะ AI Engineering เมื่อ 14 สิงหาคม 2026 แล้วตามด้วยจดหมายอีกฉบับที่ขยายข้อแรกจากสี่ข้อ ¹²³⁴

สิ่งที่ทำให้แผนที่นี้ต่างจากบทความ "ทักษะ AI ที่ต้องมี" ทั่วไป คือมันไม่ได้มาจากความเห็น มันมาจากการขุดประกาศรับสมัครงานกว่าหมื่นตำแหน่ง

และสิ่งที่หายไปจากแผนที่ น่าสนใจกว่าสิ่งที่อยู่บนนั้น

นี่คือตอนแรกของซีรีส์ ผมจะไล่ทีละทักษะ โดยแต่ละตอนจะเอาสิ่งที่เกิดขึ้นจริงตอนผมลงมือทำมาวางคู่กับแผนที่ ตอนนี้เป็นตอนปูพื้น

แผนที่นี้สร้างจากประกาศงานหมื่นตำแหน่ง ไม่ใช่จากความเห็น

ก่อนจะเถียงกับเนื้อหา ต้องรู้ก่อนว่ามันมาจากไหน

วิธีเก็บข้อมูล และสิ่งที่ไม่ได้เปิดเผย

รายการ	สิ่งที่ระบุ
ประกาศรับสมัครงานที่วิเคราะห์	มากกว่า 10,000 ตำแหน่ง
การสัมภาษณ์เชิงโครงสร้าง	หลายสิบครั้ง กับผู้เชี่ยวชาญ AI ผู้จัดการฝ่ายจ้างงาน และ recruiter
แหล่งอื่น	แบบสำรวจ และการสังเคราะห์ข้อมูลออนไลน์
เผยแพร่	14 สิงหาคม 2026 โดย Andrew Ng และ DeepLearning.AI

อ่านแบบผู้บริหารองค์กร ฐานข้อมูลตลาดแรงงานจริงทำให้แผนที่นี้มีน้ำหนักกว่าบทความความเห็น แต่สิ่งที่ไม่ได้เปิดเผยก็สำคัญพอกัน ไม่มีการระบุว่าประกาศงานมาจากประเทศไหน เก็บช่วงเวลาใด สุ่มอย่างไร หรือแบบสำรวจมีผู้ตอบกี่คน แปลว่าตรวจสอบซ้ำไม่ได้ และต้องอ่านเป็นสัญญาณทิศทาง ไม่ใช่ข้อสรุปที่พิสูจน์แล้ว

สี่ทักษะชั้นบน

ข้อ	ทักษะ	สาระ
i	Building and deploying AI applications	ความเข้าใจ LLM, context engineering, RAG, agentic workflow, machine learning และเทคนิคเชิงสถิติสำหรับการกำกับ
ii	Software engineering fundamentals	การแลกเปลี่ยนระหว่างต้นทุน ความสามารถในการขยาย ความน่าเชื่อถือ ความเร็ว ความปลอดภัย และความเป็นส่วนตัว
iii	Using coding agents	การจัดการ context การแลกระหว่างการวางแผนกับการลงมือ การตรวจสอบ และการประสาน agent หลายตัว
iv	Shaping the build	product sense ความเข้าใจธุรกิจ กลยุทธ์ MVP และความเป็นเจ้าของโครงการ

อ่านแบบผู้บริหารองค์กร ข้อสังเกตที่ควรพูดตั้งแต่ตรงนี้คือ สามในสี่ข้อไม่ใช่ทักษะ AI เลย software engineering คือวิศวกรรมซอฟต์แวร์ธรรมดา shaping the build คือทักษะธุรกิจ และ using coding agents คือทักษะการใช้เครื่องมือ ผลที่ตามมาสำหรับคนที่วางแผนพัฒนาทีมคือ ถ้าจะสอนสี่ข้อนี้ มีแค่ข้อเดียวที่ต้องหาคนสอน AI จริง ๆ ที่เหลือหาครูได้ในองค์กรอยู่แล้ว

สิ่งที่ไม่อยู่บนแผนที่ บอกอะไรมากกว่าสิ่งที่อยู่

นี่คือส่วนที่ผมคิดว่าเป็นข่าวจริงของเอกสารชิ้นนี้

คำที่หายไป

สิ่งที่คนพูดถึงบ่อยที่สุด	สถานะในแผนที่
Prompt engineering	ไม่ปรากฏเป็นทักษะเลย ทั้งสี่ข้อชั้นบนและหกข้อชั้นล่าง
RAG	ถูกลดเป็นเพียงความพยายามยุคแรก อยู่ใต้หัวข้อ grounding
การเลือก framework	ไม่ปรากฏ
Machine learning	ยังอยู่บนแผนที่ ทั้งที่กระแสบอกว่ายุคนี้ไม่ต้องรู้แล้ว
Evals	ถูกยกเป็นตัวชี้ขาดว่าใครเก่ง

สื่อที่รายงานเรื่องนี้จับประเด็นเดียวกัน คือ Ng ขุดประกาศงานกว่าหมื่นตำแหน่งเพื่อดูว่าตลาดจ้างอะไรจริง และคำตอบแทบไม่เกี่ยวกับ prompt engineering ⁵

อ่านแบบผู้บริหารองค์กร ข้อโต้แย้งที่ผมมีต่อการอ่านตารางนี้แบบง่าย ๆ คือ การที่คำหนึ่งไม่อยู่ในแผนที่ ไม่ได้แปลว่ามันไม่มีค่า มันแปลว่ามันไม่ใหญ่พอจะเป็นหมวดทักษะ การเขียน prompt ให้ดียังจำเป็น แต่มันกลายเป็นทักษะระดับเดียวกับการเขียน SQL ให้ถูก คือสมมติว่าทุกคนทำเป็น ไม่ใช่สิ่งที่เอาไปเขียนในประกาศรับสมัครงาน และนั่นคือสิ่งที่เกิดขึ้นกับทุกทักษะที่เคยใหม่แล้วกลายเป็นพื้นฐาน

RAG ที่ถูกลดชั้น

Ng เขียนตรง ๆ ว่า RAG ด้วย vector search เป็นความพยายามยุคแรกในการให้ context กับ LLM และชุดเทคนิคขยายไปมากแล้ว ตอนนี้ vector index เป็นเพียงหนึ่งในตัวเลือก ข้าง knowledge graph และ semantic layer เหนือข้อมูลที่มีโครงสร้าง เช่นระเบียนลูกค้า

คำถามที่แทนที่ RAG ไม่ใช่ใช้ vector database ตัวไหน แต่คือจะใส่อะไรใน prompt เอง และจะให้ LLM ดึงอะไรเองผ่าน tool

อ่านแบบผู้บริหารองค์กร เกณฑ์ตัดสินใจที่ผมได้จากตรงนี้คือ ถ้าทีมยังคุยกันด้วยคำว่าจะใช้ RAG หรือไม่ใช้ แปลว่ายังอยู่ในกรอบคิดของปีที่แล้ว คำถามที่โตกว่าคือข้อมูลของเราหน้าตาแบบไหน และคำค้นที่คนถามจริงหน้าตาแบบไหน แล้วค่อยเลือกวิธีแทนข้อมูลให้ตรงกับสองอย่างนั้น

หกทักษะย่อยคือแผนที่ของการตัดสินใจ ไม่ใช่ของเครื่องมือ

จดหมายฉบับที่สองขยายเฉพาะข้อ i ออกเป็นหกทักษะย่อย

ทั้งหกข้อ

ทักษะย่อย	แกนของมัน
LLM foundations	เข้าใจว่าโมเดล tokenize และ generate อย่างไร เพื่อรู้ว่าเมื่อไหร่พึ่งได้และเมื่อไหร่จะพลาด รวมถึง context window, cache hits, knowledge cutoff, reasoning effort, sampling parameters และ tool calling
Grounding models with data	เลือกวิธีแทนข้อมูลให้ตรงกับข้อมูลและคำค้น แปลงเอกสารเป็นอินพุตที่ใช้ได้ และทำ pipeline ให้ข้อมูลสะอาดและสด
Building agentic systems	เลือกสถาปัตยกรรม ออกแบบ agent loop tool memory และรู้ว่าเมื่อไหร่ต้องใช้ multi-agent แทน single-agent พร้อม guardrails
Evaluation-driven development	ขับ evals และ error analysis อย่างมีวินัยเพื่อกำหนดว่าจะทำอะไรต่อ
Operating in production	observability, drift, regression testing เชิงสถิติ และการจัดการต้นทุนกับ latency
Machine learning foundations	รู้ ML และ deep learning ในระดับหนึ่ง รวมถึง bias/variance และ error analysis

อ่านแบบผู้บริหารองค์กร สังเกตรูปประโยคของทั้งหกข้อ เกือบทุกข้อเขียนในรูปรู้ว่าเมื่อไหร่ควรเลือกอะไร ไม่ใช่ใช้เครื่องมือนี้เป็น นี่คือความต่างที่สำคัญตอนออกแบบการอบรม เพราะทักษะการตัดสินใจสอนด้วยคอร์สไม่ได้ ต้องสอนด้วยการให้ทำแล้วรีวิว ซึ่งแพงกว่าและช้ากว่าการซื้อคอร์สมาก

ประโยคที่เป็นแกนของทั้งแผนที่

Ng อธิบายว่าความต่างสำคัญระหว่างซอฟต์แวร์ AI กับซอฟต์แวร์ทั่วไป คือผลลัพธ์ของอย่างแรกทำนายล่วงหน้าไม่ได้ จากตรงนั้นเขาสรุปว่าการสร้างระบบ AI เป็นกระบวนการวนซ้ำมากกว่า และวางแผนล่วงหน้าได้ยากกว่า

ความสามารถในการตัดสินใจว่าจะทำอะไรต่อ คือสิ่งที่ทำให้คุณสร้างระบบที่เชื่อถือได้จากชิ้นส่วน AI ที่เชื่อถือไม่ได้

อ่านแบบผู้บริหารองค์กร ประโยคนี้อธิบายว่าทำไมโครงการ AI ถึงประเมินเวลายาก และทำไมการขอ timeline แบบเดิมถึงได้คำตอบที่ไม่มีความหมาย ในงานที่ขั้นตอนถัดไปถูกกำหนดโดยผลลัพธ์ของขั้นก่อนหน้า สิ่งที่วางแผนได้คือจำนวนรอบที่จะลอง ไม่ใช่วันที่จะเสร็จ ผู้บริหารที่เข้าใจข้อนี้จะถามหาจังหวะการรีวิว แทนที่จะถามหาวันส่งมอบ

ข้อที่ Ng ให้น้ำหนักสูงสุด

จากหกข้อ Ng ยกข้อเดียวขึ้นมาพูดเป็นบุคคลที่หนึ่ง

จากประสบการณ์ของผม คุณสมบัติสำคัญที่สุดที่แยกคนที่เก่งเรื่องการสร้างระบบ AI ออกมา คือความสามารถในการขับ evals และ error analysis อย่างมีวินัย

และเขายอมรับว่าเป็นทักษะที่ฝึกยาก เพราะวิธีที่ถูกต้องต่างกันมากตามโครงการ และแม้แต่ตามระยะของโครงการเดียวกัน

อ่านแบบผู้บริหารองค์กร ข้อนี้เป็นข้อที่พูดง่ายที่สุดและทำยากที่สุดในหกข้อ และเป็นข้อที่ผมมีของจริงให้เล่า ทั้งตัววัดที่เขียนแล้วไม่ได้ใช้ และตัววัดที่จับของพังได้ก่อนมันขึ้นไปอยู่หน้าเว็บ

ตลาดไทยไม่ได้อยู่ในข้อมูลชุดนี้

ข้อนี้ต้องพูดให้ชัด เพราะแผนที่ทั้งอันสร้างจากประกาศงานที่เกือบแน่นอนว่าไม่ใช่ของไทย

ตัวเลขฝั่งไทยที่ควรวางคู่กัน

ตัวชี้วัด	ค่า
องค์กรไทยที่ระบุว่าการขาดบุคลากรเทคโนโลยีคืออุปสรรคอันดับหนึ่งของการนำ AI มาใช้	51%
แรงงานทักษะสูงที่ไทยต้องการใน 5 ปี ใน 10 อุตสาหกรรมเป้าหมาย	1.08 ล้านคน
แรงงานการศึกษาสูงที่ทำงานในตำแหน่งทักษะต่ำถึงกลาง	34% มากกว่าค่าเฉลี่ย OECD กว่าเท่าตัว
เงินเดือน machine learning engineer เฉลี่ยในไทย	ราว 1,266,418 บาทต่อปี
ระดับเริ่มต้น 1 ถึง 3 ปี	ราว 892,638 บาทต่อปี
ระดับอาวุโส 8 ปีขึ้นไป	ราว 1,463,008 บาทต่อปี
การเติบโตของความต้องการ	ราว 15% ต่อปี

ที่มาของตัวเลขเงินเดือนคือฐานข้อมูลค่าตอบแทนเชิงพาณิชย์ ส่วนตัวเลขตลาดแรงงานมาจากรายงานภาพรวมของไทย ⁶⁷⁸

อ่านแบบผู้บริหารองค์กร ตัวเลขที่ผมให้น้ำหนักคือช่องว่างระหว่างระดับเริ่มต้นกับระดับอาวุโส ซึ่งอยู่ที่ราว 64% สำหรับสายที่ทุกรายงานบอกว่าขาดคน ช่องว่างขนาดนี้แคบผิดปกติ เพราะในตลาดที่ขาดแคลนจริง ค่าตัวของคนที่ทำได้จริงควรถ่างจากคนที่เพิ่งเริ่มมากกว่านี้ ผลที่ตามมาคือคนเก่งจะถูกดึงออกไปตลาดนอกประเทศ ซึ่งเป็นสิ่งที่เกิดขึ้นอยู่แล้ว

คอขวดที่ตรงกันพอดี

รายงานตลาดงานไทยระบุว่า MLOps กำลังกลายเป็นคอขวด และองค์กรลงทุนกับการพัฒนาคนภายในมากขึ้นเพราะการจ้างจากภายนอกแพงและยาก ⁷

อ่านแบบผู้บริหารองค์กร MLOps ที่รายงานไทยชี้ ตรงกับข้อ operating in production ในแผนที่ของ Ng พอดี ซึ่งเป็นสัญญาณว่าสองชุดข้อมูลที่ไม่เกี่ยวกันกำลังบอกเรื่องเดียวกัน คือคอขวดไม่ได้อยู่ที่การสร้างต้นแบบ แต่อยู่ที่การทำให้มันอยู่รอดใน production ถ้าจะเลือกลงทุนพัฒนาคนแค่เรื่องเดียวในปีหน้า ผมจะเลือกเรื่องนี้

ภาคผนวก

ศัพท์เฉพาะ

คำ	ความหมาย
Tokenize	การหั่นข้อความเป็นหน่วยย่อยที่โมเดลประมวลผล ซึ่งเป็นเหตุผลที่โมเดลนับตัวอักษรผิดได้
Context window	ปริมาณข้อความสูงสุดที่โมเดลรับเข้าไปพิจารณาได้ในครั้งเดียว
Knowledge cutoff	วันที่ข้อมูลฝึกของโมเดลสิ้นสุด หลังจากนั้นโมเดลไม่รู้จักเหตุการณ์ใหม่
Cache hit	การที่ระบบใช้ผลที่คำนวณไว้แล้วซ้ำ ทำให้เร็วขึ้นและถูกลง
Sampling parameters	ค่าที่คุมความสุ่มของคำตอบ เช่น temperature
Tool calling	ความสามารถของโมเดลในการเรียกใช้ฟังก์ชันหรือระบบภายนอก
RAG	retrieval-augmented generation การดึงข้อมูลที่เกี่ยวข้องมาใส่ให้โมเดลก่อนตอบ
Vector index	วิธีเก็บข้อมูลที่ค้นด้วยความใกล้เคียงเชิงความหมาย
Knowledge graph	การแทนข้อมูลเป็นเครือข่ายของสิ่งของและความสัมพันธ์
Semantic layer	ชั้นที่แปลข้อมูลมีโครงสร้างให้เป็นแนวคิดเชิงธุรกิจที่ระบบเข้าใจได้
Agent harness	โครงที่ให้โมเดลตัดสินใจขั้นถัดไปของตัวเองซ้ำ ๆ ต่างจาก workflow ที่กำหนดลำดับไว้ล่วงหน้า
MCP	Model Context Protocol มาตรฐานเชื่อมโมเดลกับเครื่องมือและแหล่งข้อมูลภายนอก
Guardrails	กลไกจำกัดพฤติกรรมของระบบไม่ให้ออกนอกขอบเขตที่ยอมรับได้
Data exfiltration	การที่ข้อมูลถูกดึงออกจากระบบโดยไม่ได้รับอนุญาต
Evals	การประเมินคุณภาพผลลัพธ์ของระบบอย่างเป็นระบบ
LLM-as-a-judge	การใช้โมเดลอีกตัวมาให้คะแนนผลลัพธ์
Drift	การที่ประสิทธิภาพของระบบเปลี่ยนไปตามเวลาเพราะข้อมูลจริงเปลี่ยน
Prompt injection	การใส่คำสั่งแฝงในอินพุตเพื่อหลอกให้โมเดลทำสิ่งที่ไม่ควรทำ
Distillation	การย่อโมเดลใหญ่ให้เล็กลงโดยรักษาความสามารถไว้
MLOps	วินัยการนำโมเดลขึ้น production และดูแลตลอดวงจรชีวิต
Bias/variance	กรอบคิดที่ใช้วินิจฉัยว่าโมเดลพลาดเพราะเรียบง่ายเกินไปหรือจำข้อมูลฝึกมากเกินไป

สูตรและสมมติฐาน

บทความนี้ยกตัวเลขมาจากแหล่งโดยตรงทั้งหมด มีตัวเดียวที่คำนวณเอง

ช่องว่างค่าตอบแทนระหว่างระดับอาวุโสกับระดับเริ่มต้นในไทย
  1,463,008 ÷ 892,638 = 1.639  →  รายงานเป็น "ราว 64%"
  ทั้งสองค่ามาจากฐานข้อมูลเดียวกัน จึงเทียบกันได้
  แต่เป็นค่าเฉลี่ยของช่วงประสบการณ์ ไม่ใช่เส้นทางค่าตอบแทนของคนคนเดียว

วิธีเก็บข้อมูลและข้อจำกัด

บทความนี้สรุปจากจดหมายสองฉบับของ Andrew Ng และ DeepLearning.AI พร้อมตัวเลขตลาดแรงงานไทยจากแหล่งอื่นที่ระบุไว้ในอ้างอิง ไฟล์วิจัยต้นทางเก็บอยู่ในที่เก็บงานส่วนตัว ⁹

• แหล่งหลักคืองานเขียนของคนคนเดียว ไม่ใช่งานวิจัยที่ผ่าน peer review และไม่ใช่การสำรวจวรรณกรรม
• Andrew Ng และ DeepLearning.AI ขายคอร์สในหัวข้อเหล่านี้โดยตรง แผนที่ที่ชี้ว่าควรเรียนอะไรจึงเป็นทั้งงานวิเคราะห์ตลาดและเครื่องมือทางการตลาดในเวลาเดียวกัน ควรอ่านโดยรู้ข้อนี้
• วิธีการเปิดเผยไม่ครบ ไม่ระบุประเทศ ช่วงเวลา วิธีสุ่ม จำนวนผู้ตอบแบบสำรวจ หรือวิธีให้น้ำหนัก จึงตรวจสอบซ้ำไม่ได้
• แทบแน่นอนว่าเป็นข้อมูลตลาดตะวันตก ไม่มีอะไรบ่งชี้ว่ามีประกาศงานไทยอยู่ในชุดข้อมูล ห้ามอนุมานว่าลำดับความสำคัญเดียวกันใช้กับตลาดไทยได้ตรง ๆ
• ตัวเลขเงินเดือนไทยมาจากฐานข้อมูลเชิงพาณิชย์ที่ไม่เปิดเผยขนาดตัวอย่างและวิธีเก็บ และแหล่งต่าง ๆ ให้ค่าไม่ตรงกัน ใช้ดูทิศทางได้ แต่ยังทำ business case ตรง ๆ ไม่ได้
• แผนที่ยังไม่สมบูรณ์ Ng ขยายไปแล้วหนึ่งข้อจากสี่ข้อ อีกสามข้อยังมีเพียงคำอธิบายสั้น
• ข้อจำกัดที่ใหญ่ที่สุดคือ แผนที่นี้บอกว่าตลาดจ้างอะไร ไม่ได้บอกว่าอะไรทำให้โครงการสำเร็จ ซึ่งเป็นคนละคำถาม และยังไม่มีใครเผยแพร่ข้อมูลติดตามผลของทีมที่มีกับไม่มีทักษะเหล่านี้