โจทย์Problem

งานให้คำแนะนำลูกค้า การแจ้งเตือน และข้อมูลหุ้นกู้ กระจายอยู่หลายที่และพึ่งคนทำมือ ต้องการรวมเป็นระบบเดียวที่ทีมและลูกค้าใช้ร่วมกันได้Customer advisory, notifications, and debenture information lived in scattered manual processes, the client needed one system shared by staff and customers.

Solution

• Workflow ให้คำแนะนำการลงทุนสำหรับทีมที่ปรึกษาInvestment advisory workflow for the advisory team
• การสื่อสารและแจ้งเตือนลูกค้าผ่าน LINELINE-based customer communication and notifications
• พอร์ทัลลูกค้า Debenture CareDebenture Care customer portal
• ระบบจัดการฝั่ง Staff/Admin + สิทธิ์การเข้าถึงของลูกค้าStaff/Admin management plus customer access & permission control

Architecture / Flow

My Role

โจทย์Problem

เอกสารธุรกิจต้องให้คนอ่านแล้วคีย์ข้อมูลไปใช้ต่อ เป็นงาน manual ที่ช้าและพลาดได้ง่ายBusiness documents required manual reading and re-keying before the data could be used, slow and error-prone.

Solution

• OCR อ่านข้อมูลจากเอกสาร แล้วให้ AI วิเคราะห์และจัดโครงสร้างOCR reads the documents; AI analyzes and organizes the extracted data
• แปลงเป็น structured data พร้อมส่งต่อให้ระบบหรือคนใช้งานData converted to a structured format, ready for systems or people downstream
• มีขั้น validation ก่อนข้อมูลถูกนำไปใช้จริงทุกครั้งA validation step gates every record before the data is actually used

Architecture / Flow

My Role

โจทย์Problem

การจัดการร้านและการตรวจเอกสารสินเชื่อเบื้องต้นเป็นขั้นตอน manual ที่กินเวลาพนักงานStore management and preliminary loan-document checks were manual processes eating staff time.

Solution

• ระบบบริหารจัดการร้านค้าปลีกRetail store management system
• Workflow ตรวจความครบถ้วนของเอกสาร → AI ช่วยคัดกรองเบื้องต้นตาม business rules → ส่งต่อให้คนตรวจและอนุมัติDocument completeness check → AI-assisted preliminary screening against business rules → routed to human review and approval
• AI ทำหน้าที่คัดกรองเบื้องต้นเท่านั้น การตัดสินใจสุดท้ายเป็นของคนเสมอAI performs preliminary screening only. Final decisions always stay with people

Architecture / Flow

My Role

โจทย์Problem

ทีมขาย ทีมบริการ และฝ่ายปฏิบัติการใช้ข้อมูลสินค้า นโยบาย และคู่มือชุดเดียวกัน แต่ข้อมูลกระจายหลายระบบและมีเอกสารหลายเวอร์ชัน พนักงานต้องค้นเองหรือถามผู้เชี่ยวชาญ คำตอบจึงช้าและไม่สม่ำเสมอ ส่วนการโยนเอกสารทั้งหมดเข้า Chatbot ตรง ๆ เสี่ยงทั้งคำตอบผิดและการเห็นข้อมูลข้ามสิทธิ์Sales, service and operations teams share the same product data, policies and manuals, but they were spread across systems in several versions. Staff searched by hand or asked experts, so answers were slow and inconsistent. Dropping every document into a chatbot risked wrong answers and people seeing data outside their permissions.

Solution

• RAG pipeline ครบวงจร: ingestion, chunking, embeddings, vector index ไปจนถึง hybrid search และ reranking ที่ค้นได้ทั้งคำถามภาษาไทยและอังกฤษEnd-to-end RAG pipeline: ingestion, chunking, embeddings and vector indexing through hybrid search and reranking, for Thai and English questions
• จัด metadata (แผนก เจ้าของข้อมูล เวอร์ชัน วันที่มีผล) และกรองสิทธิ์ก่อนข้อมูลเข้าสู่บริบทของ LLMMetadata for department, owner, version and effective date, with permission filtering before anything reaches the LLM context
• Structured output แยกคำตอบ หลักฐาน และข้อมูลที่ยังขาด ถ้าหลักฐานไม่พอ ระบบตอบว่าไม่ทราบหรือส่งต่อผู้รับผิดชอบ แทนการเดาStructured outputs separate the answer, the evidence and what is missing. Without enough evidence the system says it does not know or hands off to the owner instead of guessing
• เทียบ Hosted LLM กับ Open-weight model ที่รันภายใน ด้วยคุณภาพภาษาไทย ความเป็นส่วนตัว latency และต้นทุนรวมCompared hosted LLMs with self-hosted open-weight models on Thai quality, privacy, latency and total cost
• Evaluation set ที่ทำร่วมกับผู้เชี่ยวชาญ ทดสอบ prompt injection และการเข้าถึงเกินสิทธิ์ มี quality gate ก่อนเปิดใช้ และติดตามต้นทุนต่อคำถามหลังส่งมอบEvaluation set built with domain experts, prompt-injection and over-permission tests, quality gates before launch, and cost-per-query tracking after handover

Architecture / Flow

วัดผลด้วยEvaluated on

My Role

โจทย์Problem

เมื่อมีรายการผิดปกติ เช่น สินค้าไม่พอ คำสั่งซื้อข้อมูลไม่ครบ หรือเงื่อนไขไม่ตรงนโยบาย เจ้าหน้าที่ต้องเปิดหลายระบบ ตรวจข้อมูล และประสานหลายฝ่ายก่อนทำต่อ งานจึงค้างและตรวจย้อนหลังยาก ปัญหาไม่ได้อยู่ที่หน้าจอ ERP แต่อยู่ที่การเชื่อมข้อมูลและการตัดสินใจขั้นต่อไประหว่างระบบWhen an exception hit (short stock, an incomplete order, terms outside policy), staff had to open several systems, check the data and chase several teams before acting, so work piled up and was hard to audit. The gap was not another ERP screen; it was joining the data and deciding the next step across systems.

Solution

• LLM แปลงคำขอภาษาธรรมชาติเป็น structured task แล้วเรียกเครื่องมือผ่าน function calling หรือ MCP เพื่ออ่านคำสั่งซื้อ สต็อก และสถานะงานจาก APIThe LLM turns a plain-language request into a structured task and calls tools through function calling or MCP to read orders, stock and job status from the APIs
• Agentic workflow ที่มี task state ชัด: รับเรื่อง ตรวจข้อมูล ตรวจเงื่อนไข เสนอแผน ขออนุมัติ และบันทึกผลAgentic workflow with explicit task states: intake, data check, rule check, proposed plan, approval, recorded outcome
• ยอดเงิน จำนวนสินค้า และเงื่อนไขตายตัวตรวจด้วยโค้ดจากข้อมูลต้นทาง LLM ไม่คำนวณหรือตัดสินแทน ส่วนนโยบายและขั้นตอนค้นด้วย RAGAmounts, quantities and hard rules are checked in code against source data, never by the LLM; policies and procedures come from RAG
• แยกเครื่องมืออ่านกับเขียนตามบทบาท และบังคับให้คนอนุมัติที่ฝั่ง backend ก่อนแก้ข้อมูลหรือสร้างรายการRead and write tools split by role, with human approval enforced in the backend before any data is changed or created
• รองรับ API ล่ม timeout retry และ idempotency กันทำรายการซ้ำ พร้อม audit trail ว่าใครขอ agent เรียกอะไร และใครอนุมัติHandles API failures, timeouts, retries and idempotency so nothing runs twice, with an audit trail of who asked, what the agent called and who approved
• เทียบกับ workflow ที่ไม่ใช้ AI แล้วใช้ agent เฉพาะขั้นที่ต้องตีความคำขอหรือรวบรวมบริบทBenchmarked against a no-AI workflow and used the agent only where a request must be interpreted or context gathered

Architecture / Flow

วัดผลด้วยEvaluated on

My Role