เมื่อกี้เลื่อนๆ ไปเจอบทความหนึ่งบน Dev.to หัวข้อประมาณ "How to Hire AI/ML Developers for Enterprise Projects in 2026" คือมันเป็นไกด์ยาวมาก สอนฝั่งคนจ้างหรือคนที่จะสร้างทีม AI โดยเฉพาะ เขาบอกว่าปี 2026 นี้ AI มันไม่ใช่โปรเจคทดลองแล้ว แต่เป็นเทคโนโลยีหลักขององค์กรไปแล้ว ที่อ่านแล้วสะดุดคือช่วงที่เขาบอกว่า "AI developer" มันไม่ใช่ตำแหน่งเดียวตายตัวอีกต่อไป แต่มีตั้งแต่ ML Engineer, LLM Application Developer, AI Agent Developer, MLOps Engineer ไปจนถึง AI Architect ซึ่งแต่ละตัวงานมันคนละเรื่องเลย
ในบทความเขาละเอียดมากถึงขั้นแบ่งเป็น 12 ขั้นตอน เริ่มตั้งแต่การนิยามปัญหาก่อนโพสต์รับสมัคร ยกตัวอย่างว่า "เราต้องการ engineer ที่สร้าง RAG-based enterprise knowledge assistant ที่เชื่อมกับ SharePoint, Salesforce และ database ภายใน มี role-based access และ production deployment ที่ monitor ได้" แบบนี้ถึงจะรู้ว่าต้องจ้างใคร แล้วเขาก็มีส่วนที่บอกว่าให้ test ผู้สมัครด้วยโจทย์จริงๆ เช่น "ออกแบบ customer-support assistant ที่ retrieve ข้อมูลจากเอกสาร 100,000 ฉบับแล้วเชื่อมกับ CRM" แล้วให้เขาอธิบายสถาปัตยกรรม, การเลือกโมเดล, embedding strategy, vector database, เรื่อง security ไปจนถึง cost management
ส่วนตัวเราว่าบทความนี้ถูกต้องที่สุดในแง่ที่ว่ามันตอกย้ำว่า enterprise AI มันคือ software engineering จริงๆ ไม่ใช่แค่รู้จัก ChatGPT หรือเขียน prompt เป็น แล้วจบ หลายคนมองข้ามเรื่อง data engineering, MLOps, เรื่องการ integrate กับระบบเดิมอย่าง SAP, Oracle, ServiceNow ซึ่งของพวกนี้แหละที่ทำให้โปรเจคพัง ไม่ใช่ตัวโมเดล แต่ที่เรารู้สึกกังวลคือบทความนี้มันทำให้เห็นว่าความคาดหวังต่อ developer คนหนึ่งสูงมาก เขาบอกให้ระวังการจ้างคนที่เก่งแต่ buzzwords แต่ในทางกลับกัน รายการ skill ที่ต้องประเมินมันก็ยาวจนน่าตกใจ แทบจะต้องเป็นมนุษย์ห้าดาวที่เก่งทั้ง coding, cloud, data, security และคุยกับ business ได้ ซึ่งในความเป็นจริงหายากมาก และมันอาจทำให้บริษัทเล็กๆ ถึงขนาดต้องพึ่ง development partner อย่างที่ท้ายบทความเขาก็โปรโมท WeblineGlobal ซึ่งก็คือบริษัทรับจ้างพัฒนานั่นแหละ
ที่อยากชวนคุยคือเพื่อนๆ ที่ทำงานสายนี้หรือกำลังจะจ้างคน คิดว่าบทความนี้มัน realistic แค่ไหน? โดยเฉพาะประเด็นที่เขาว่าให้ test ด้วยโจทย์จริง 100,000 documents นี่เพื่อนๆ ว่าโอเคไหม หรือว่ามันโหดไปสำหรับการสัมภาษณ์? แล้วอีกอย่างคือระหว่างจ้าง ML Engineer ที่เก่งโมเดล กับ AI Engineer ที่เก่งเรื่อง RAG/Agent แต่โมเดลไม่ลึก เพื่อนๆ ว่าองค์กรบ้านเราส่วนใหญ่กำลังขาดคนแบบไหนมากกว่ากัน?
ในบทความเขาละเอียดมากถึงขั้นแบ่งเป็น 12 ขั้นตอน เริ่มตั้งแต่การนิยามปัญหาก่อนโพสต์รับสมัคร ยกตัวอย่างว่า "เราต้องการ engineer ที่สร้าง RAG-based enterprise knowledge assistant ที่เชื่อมกับ SharePoint, Salesforce และ database ภายใน มี role-based access และ production deployment ที่ monitor ได้" แบบนี้ถึงจะรู้ว่าต้องจ้างใคร แล้วเขาก็มีส่วนที่บอกว่าให้ test ผู้สมัครด้วยโจทย์จริงๆ เช่น "ออกแบบ customer-support assistant ที่ retrieve ข้อมูลจากเอกสาร 100,000 ฉบับแล้วเชื่อมกับ CRM" แล้วให้เขาอธิบายสถาปัตยกรรม, การเลือกโมเดล, embedding strategy, vector database, เรื่อง security ไปจนถึง cost management
ส่วนตัวเราว่าบทความนี้ถูกต้องที่สุดในแง่ที่ว่ามันตอกย้ำว่า enterprise AI มันคือ software engineering จริงๆ ไม่ใช่แค่รู้จัก ChatGPT หรือเขียน prompt เป็น แล้วจบ หลายคนมองข้ามเรื่อง data engineering, MLOps, เรื่องการ integrate กับระบบเดิมอย่าง SAP, Oracle, ServiceNow ซึ่งของพวกนี้แหละที่ทำให้โปรเจคพัง ไม่ใช่ตัวโมเดล แต่ที่เรารู้สึกกังวลคือบทความนี้มันทำให้เห็นว่าความคาดหวังต่อ developer คนหนึ่งสูงมาก เขาบอกให้ระวังการจ้างคนที่เก่งแต่ buzzwords แต่ในทางกลับกัน รายการ skill ที่ต้องประเมินมันก็ยาวจนน่าตกใจ แทบจะต้องเป็นมนุษย์ห้าดาวที่เก่งทั้ง coding, cloud, data, security และคุยกับ business ได้ ซึ่งในความเป็นจริงหายากมาก และมันอาจทำให้บริษัทเล็กๆ ถึงขนาดต้องพึ่ง development partner อย่างที่ท้ายบทความเขาก็โปรโมท WeblineGlobal ซึ่งก็คือบริษัทรับจ้างพัฒนานั่นแหละ
ที่อยากชวนคุยคือเพื่อนๆ ที่ทำงานสายนี้หรือกำลังจะจ้างคน คิดว่าบทความนี้มัน realistic แค่ไหน? โดยเฉพาะประเด็นที่เขาว่าให้ test ด้วยโจทย์จริง 100,000 documents นี่เพื่อนๆ ว่าโอเคไหม หรือว่ามันโหดไปสำหรับการสัมภาษณ์? แล้วอีกอย่างคือระหว่างจ้าง ML Engineer ที่เก่งโมเดล กับ AI Engineer ที่เก่งเรื่อง RAG/Agent แต่โมเดลไม่ลึก เพื่อนๆ ว่าองค์กรบ้านเราส่วนใหญ่กำลังขาดคนแบบไหนมากกว่ากัน?
ความคิดเห็น 1
กำลังโหลดความคิดเห็น...