Khomkrit | Cloud & Infrastructure Architect

Accuracy Precision Recall

Mon, 08 Jun 2026 22:46:12 +0700

Confusion Matrix

ตัวอย่างผลการทำนายจาก Classification Model เราจะเริ่ม model ที่ใช้ทำนายแค่ 2 class ว่าผลที่ได้คือ positive หรือ negative

ถ้าเรากำหนดค่า positive threshold ไว้ที่ 0.5

ถ้าข้อมูลตัวอย่างเป็น 0.7 , 0.3, 0.6 , 0.7 , 0.8, 0.1 , 0.4

แปลงผลเป็น class ได้เป็น

1

positive, negative, positive, positive, positive, negative, negative

เราลองเอาผลการทำนาย กับ ค่าจริง จาก dataset (Ground truth) นำมาเปรียบเทียบกัน

Ground truth: positive, negative, negative, positive, positive, positive, negative Predicted: positive, negative, positive ,positive, positive, negative, negative การวัดผลการทำนายโดย Model จะอยู่ในรูปแบบของ confusion matrix ซึ่งจะมีหน้าตาประมาณนี้

Debug ยังไงดี ? เราไม่มี shell ใน container! วิธีใช้ kubectl debug ทะลวงเข้า Distroless Container ใน Kubernetes

Mon, 08 Jun 2026 22:46:12 +0700

ในการสร้าง Container Image ระดับ Production มาตรฐานที่เหล่า DevOps และ System Architect มักจะเลือกใช้กันคือการทำ Distroless Image หรือการใช้ FROM scratch เนื่องจากมันมอบข้อได้เปรียบที่สำคัญ 3 ประการให้กับระบบ:

🚀- Performance & Speed (ขนาดเล็ก โหลดไว): ตัด Component ของระบบปฏิบัติการที่พะรุงพะรังออกไป ทำให้ Image มีขนาดเล็กจิ๋ว ดึง (Pull) จาก Registry ได้ไว และ Start Container ได้รวดเร็ว

🛡️ - Security (ลดช่องโหว่): ลด Attack Surface หรือพื้นที่การโจมตีจากภายนอกได้อย่างชะงัด เพราะไม่มี Shell (/bin/bash หรือ /bin/sh) และไม่มี Utilities เครื่องมือแฮกใดๆ ติดมาใน Image เลย

Stability (ความเสถียรขั้นสุด): ตัดความซับซ้อนทิ้ง มีเฉพาะ Application Binary และ Dependencies ที่จำเป็นต่อการรันโปรแกรมเท่านั้น

Pain Point: ปลอดภัยสุดขีด แต่ Debug ชีวิตเปลี่ยน

ความปลอดภัยที่ได้มา แลกมากับความเจ็บปวดตอนที่ระบบมีปัญหาบน Production ครับ เพราะโดยปกติเวลาเราต้องการเข้าไปดู State ภายใน Pod เรามักจะใช้ท่ามาตรฐานคือ:

VectorMesh – ออกแบบระบบ Enterprise AI-RAG ที่รองรับ High Traffic และ Secure by Design

Tue, 12 May 2026 12:05:22 +0700

TL;DR: บทความนี้เจาะลึกแนวคิดการออกแบบและสร้าง VectorMesh ซึ่งเป็นสถาปัตยกรรมแพลตฟอร์ม AI-RAG (Retrieval-Augmented Generation) ระดับองค์กร โดยมุ่งเน้นแก้ปัญหาคอขวด (Bottleneck) ของการนำ AI ไปใช้งานจริง ผ่านการใช้ Rust, Microservices, Kubernetes (Istio + APISIX) และ Observability แบบเต็มสูบ

The Problem: เมื่อ AI ทั่วไป ไม่ตอบโจทย์ระดับ Enterprise

ปัจจุบันทุกองค์กรอยากนำ AI/LLM เข้ามาช่วยวิเคราะห์ข้อมูลและสร้าง Automated Workflow แต่ปัญหาที่มักเจอเมื่อนำไปขึ้น Production จริงคือ:

Security & Privacy: ข้อมูลความลับหลุดออกไปข้างนอก และการเชื่อมต่อภายในระบบไม่มีการเข้ารหัส
Scalability: ระบบล่มเมื่อมีผู้ใช้งานพร้อมกันจำนวนมาก (High Concurrent) โดยเฉพาะในส่วนของการทำ Text Embedding
Observability Blind Spots: เมื่อระบบประกอบด้วยหลาย Services เวลาระบบหน่วง ทีมหาจุดเกิดเหตุไม่เจอ

The Solution: VectorMesh Architecture

เพื่อแก้ปัญหาเหล่านี้ ผมจึงออกแบบ VectorMesh ให้เป็น Cloud-Native API Platform อย่างเต็มรูปแบบ โดยแยกส่วนประมวลผลออกจากกัน (Decoupling) เพื่อให้สามารถ Scale เฉพาะจุดที่โหลดหนักได้ นี่คือ Core Engineering Decisions ที่ผมเลือกใช้:

จ่ายแพงกว่าทำไม? เจาะลึกวิธีรัน Production บน K8s ด้วย Spot + On-Demand

Thu, 04 Jul 2024 21:32:12 +0700

Cloud Instance มีประเภทไหนบ้าง

Cloud Instance ภายใน Cloud Provider ชั้นนำอย่าง AWS, GCP หรือ Azure สามารถแบ่งประเภทการใช้งานหลักๆ ได้เป็น 2 รูปแบบ เพื่อตอบโจทย์ทั้งด้านความเสถียรและต้นทุน:

On-Demand Instance: เป็นรูปแบบการใช้งานมาตรฐานที่เราเช่าใช้แบบรายชั่วโมงหรือรายวินาที ให้ความมั่นใจในด้าน Availability สูงสุด (24/7) เหมาะสำหรับ Workload ที่ต้องการความเสถียรและรันต่อเนื่องตลอดเวลา
Spot Instance: ทางเลือกสำหรับสาย Optimized Cost ที่สามารถลดค่าใช้จ่ายได้ถึง 60 - 80% จากราคา On-Demand! แต่มาพร้อมกับข้อตกลงสำคัญคือ Cloud Provider มีสิทธิ์ ‘ยึดคืน’ (Preempt) Instance ของเราได้ตลอดเวลา หากระบบต้องการ Capacity ไปใช้ในส่วนอื่น ซึ่งหมายความว่าแอปพลิเคชันของเราต้องถูกออกแบบมาให้รองรับการหยุดทำงานหรือการย้าย Node ได้โดยไม่กระทบต่อภาพรวมระบบ

เราควรจัดการ Workload แบบไหนดีให้เหมาะสมที่สุด ?

The Golden Ratio: เล่าถึงสถาปัตยกรรมที่แบ่ง Node Pool เป็น 2 ส่วน:

On-Demand Pool: สำหรับ Core Services ที่ห้ามตายเด็ดขาด (เช่น APISIX Ingress, Database, StatefulSet, ETCD)
Spot Pool: สำหรับ Stateless Workloads(เช่น API Workers, AI Inference API, Background Jobs)

Prerequisites: สิ่งที่ต้องเตรียมตัวก่อนย้าย Workload ลง Spot

Stateless by Design: แอปพลิเคชันต้องไม่เก็บ State ไว้ใน Memory หรือ Local Disk หากถูกเตะออกกลางคัน State ต้องยังอยู่ใน Database (เช่น ScyllaDB หรือ Redis)