เมื่อ AI สามารถเขียนโค้ดได้อย่างรวดเร็ว และก้าวสู่การเป็น AI Agent ที่สามารถวางแผน ตัดสินใจ และลงมือทำงานได้มากขึ้น ความท้าทายของนักพัฒนาจึงไม่ได้อยู่เพียงการสร้างซอฟต์แวร์ให้เร็วที่สุด แต่คือการทำอย่างไรให้ AI ทำงานได้ถูกต้องตามข้อกำหนด ตรวจสอบและแก้ไขข้อผิดพลาดได้ พร้อมรักษาคุณภาพ ความปลอดภัย และเสถียรภาพของระบบก่อนนำไปใช้งานจริง

ภายในงาน LINE THAILAND DEVELOPER CONFERENCE 2026 ภายใต้ธีม “Build the Next-Frontier” ผู้เชี่ยวชาญจาก LINE ประเทศไทยและองค์กรเทคโนโลยีชั้นนำร่วมถ่ายทอดองค์ความรู้ผ่าน 6 หัวข้อสำคัญในแทร็ก Deep Tech เจาะลึกแนวคิดการออกแบบระบบ AI Agent ตั้งแต่การเพิ่มประสิทธิภาพการพัฒนาซอฟต์แวร์ การสร้างกลไกตรวจสอบและควบคุมความปลอดภัย การบริหาร AI Infrastructure ในระดับองค์กร ไปจนถึงการเปลี่ยนข้อมูลและ Source Code ให้กลายเป็นองค์ความรู้ที่ AI และทีมงานสามารถนำไปใช้ประโยชน์ได้จริง

Agent Engineering: จาก AI ช่วยเขียนโค้ด สู่ AI ที่ทำงานตามมาตรฐานและตรวจสอบได้

ในวันที่ AI สามารถสร้างโค้ดได้จำนวนมากภายในเวลาอันสั้น ความท้าทายสำคัญกลับอยู่ที่การตรวจสอบคุณภาพและความถูกต้องก่อนนำไปใช้งานจริง ผู้เชี่ยวชาญทั้ง 3 เซสชันจึงนำเสนอแนวคิด Agent Engineering ที่ไม่ได้พึ่งพาเพียงความสามารถของ AI Model หรือการเขียน Prompt แต่เน้นการออกแบบกรอบการทำงาน เครื่องมือ และระบบตรวจสอบให้ AI สามารถทำงานได้อย่างมีประสิทธิภาพภายใต้การกำกับดูแลของนักพัฒนา

กิตติกร ประเสริฐศักดิ์ Microsoft MVP และเจ้าของเพจ BorntoDev ชี้ให้เห็นว่า เมื่อ AI Coding Agent ช่วยให้นักพัฒนาสร้างโค้ดและเปิด Pull Request (PR) ได้มากขึ้น คอขวดใหม่จึงกลายเป็นการตรวจสอบงานให้ทัน แนวทางสำคัญคือการออกแบบ Architecture และ Guardrails ให้ AI เข้าใจขอบเขตงานตั้งแต่ต้น ผ่านการกำหนด Context และมาตรฐานในไฟล์ AGENTS.md ที่สั้นกระชับ การบันทึกเหตุผลการตัดสินใจทางเทคนิคด้วย Architecture Decision Record (ADR) และการกำหนดเงื่อนไขการทำงานที่ชัดเจนผ่าน Contract และระบบ Types เพื่อให้ AI เข้าใจเงื่อนไขและผลลัพธ์ที่ต้องการที่ชัดเจนที่สุด 

พร้อมสร้างระบบคัดกรองข้อผิดพลาดก่อนถึงมือคน ด้วยการตรวจสอบโค้ดอัตโนมัติ เช่น การทำ Test-Driven Development (TDD) แบบแยกวงจร เพื่อกัน Agent เขียนโค้ดและแอบแก้เทสต์เองเพื่อให้รันผ่าน การจัดลำดับขั้นตอนตรวจสอบแบบ Fail-Fast ให้ระบบเอาเรื่องที่เร็วและถูกไว้ด่านแรก เรื่องช้าไว้หลังสุด การสร้าง SubAgent ไว้ช่วยรีวิวที่แยก Context ออกมาใหม่ เพื่อตรวจสอบความถูกต้องโดยไม่ลำเอียง ก่อนนำไปสู่การรีวิวโดยมนุษย์ตามระดับความเสี่ยงของงาน โดยเฉพาะระบบสำคัญอย่างการชำระเงินหรือการยืนยันตัวตนที่ยังต้องอาศัยผู้เชี่ยวชาญตรวจสอบอย่างรอบคอบ

ด้าน ธนิศร์พนธ์ ปาณิวรรณ CTO จาก Apppi และเจ้าของเพจ Mikelopster เปิดมุมมองการเพิ่มความเร็วของ AI Agent โดยไม่จำเป็นต้องใช้ AI Model ที่มีขนาดใหญ่หรือความสามารถสูงที่สุดในทุกขั้นตอน ผ่านแนวคิด Knowledge Distillation ที่ให้ AI Model ขนาดใหญ่ช่วยออกแบบ Agent Skills หรือคู่มือวิธีทำงาน และ Hooks หรือจุดตรวจสอบ ก่อนส่งต่อให้โมเดลขนาดเล็กที่ทำงานได้รวดเร็วกว่าดำเนินการตามขั้นตอนที่กำหนด 

แนวทางนี้ช่วยลดงานซ้ำและภาระการตรวจสอบ โดยเฉพาะงานที่มีรูปแบบชัดเจน พร้อมแนะนำให้เลือกใส่ Skills เท่าที่จำเป็น เพื่อหลีกเลี่ยงปัญหา Skill Hell จากคำสั่งจำนวนมากที่ซ้ำซ้อนหรือขัดแย้งกัน รวมถึงการใช้ Spec Template และ Acceptance Criteria (AC) กำหนดโจทย์ให้ชัดเจนก่อนอนุญาตให้ AI ลงมือแก้ไขโค้ด ช่วยลดความเสี่ยงจากการที่ AI จินตนาการเกินโจทย์จาก ‘Prompt บาป’ ที่กำกวม 

ขณะที่ โชคชัย ฟ้ารุ่งสาง Solution Engineer จาก LINE ประเทศไทย ถ่ายทอดประสบการณ์การใช้ Harness & Loop Engineering เพื่อพัฒนาซอฟต์แวร์ที่พร้อมใช้งานจริง โดย Harness คือการวางกรอบและข้อมูลที่ AI Agent ต้องรู้ก่อนเริ่มทำงาน ที่ควรครอบคลุมและชัดเจน ตั้งแต่กฎเหล็กของทีมผ่านไฟล์ AGENTS.md ที่ควรให้เป็นไฟล์แรกที่ Agent ทุกตัวต้องอ่านเพื่อเข้าใจมาตรฐานเดียวกัน Skills คู่มือขั้นตอนการทำงานเฉพาะทาง ไปจนถึงการเชื่อมต่อ AI กับข้อมูลจากระบบจริงอย่าง Jira, Confluence, GitHub และ Figma ผ่าน Model Context Protocol (MCP) เพื่อให้ AI Agent ทำงานบนข้อมูลที่ถูกต้องและเป็นปัจจุบัน

ส่วน Loop Engineering คือการสร้างวงจรตรวจสอบและแก้ไขข้อผิดพลาดอัตโนมัติ ผ่านเครื่องมืออย่าง Git Hook และระบบทดสอบที่ช่วยให้ AI ตรวจพบปัญหา แก้ไข และทดสอบซ้ำก่อนส่งงานถึงนักพัฒนา โดยแนะถึงการสร้าง Pre-commit Hook อย่างน้อย 1 ตัวใน Repo อยู่เสมอเพื่อตรวจสอบคุณภาพโค้ดก่อน commit หรือก่อน push ให้รันบนระบบหรือเบราว์เซอร์จริง พร้อมยกตัวอย่างแนวทางการตรวจสอบหน้าตา UI ของซอฟต์แวร์ โดยเปรียบเทียบกับต้นแบบจาก Figma ที่เชื่อมต่อผ่าน MCP เพื่อให้ผลงานตรงตามมาตรฐานที่กำหนด 

แนวทางดังกล่าวช่วยให้ทีมสามารถพัฒนาระบบขนาดใหญ่ที่ประกอบด้วย 23 Services ได้ภายใน 3 เดือน จากเดิมที่ต้องใช้เวลา 6-8 เดือน สะท้อนว่า หัวใจของการใช้ AI พัฒนาซอฟต์แวร์ไม่ได้อยู่ที่ความสามารถของโมเดลเพียงอย่างเดียว แต่คือการออกแบบระบบควบคุมและตรวจสอบที่ดี เพื่อให้ AI สร้างผลงานได้รวดเร็วและพร้อมใช้งานจริง

AI Agent Security: ควบคุมการเชื่อมต่ออย่างปลอดภัย โดยไม่จำกัดความสามารถของ AI

เมื่อ AI Agent สามารถเชื่อมต่อฐานข้อมูล API และบริการภายนอกเพื่อดำเนินงานได้ด้วยตนเอง ความเสี่ยงสำคัญจึงไม่ใช่เพียงความผิดพลาดของโค้ด แต่รวมถึงการเข้าถึงระบบที่ไม่ได้รับอนุญาตหรือการส่งข้อมูลออกนอกขอบเขตที่กำหนด องค์กรจึงควรต้องมีกลไกควบคุมการเชื่อมต่อที่รัดกุม โดยไม่จำกัดความสามารถในการทำงานที่จำเป็นของ AI 

นิวตรอน เสามั่น Senior SRE จาก LINE ประเทศไทย นำเสนอแนวคิดการล็อกดาวน์เครือข่ายของ AI Agent ผ่านระบบ Egress Proxy ที่ทำหน้าที่เสมือน “ด่านตรวจ” ระหว่าง AI Agent กับอินเทอร์เน็ตภายนอก โดยใช้ Envoy เป็น Gateway สำหรับตรวจสอบและควบคุมการเชื่อมต่อ ให้ AI เข้าถึงได้เฉพาะเว็บไซต์หรือ API ที่อยู่ในรายการอนุญาต (Allowlist) เท่านั้น

พร้อมเผยแนวทางการพัฒนา Transparent Proxy ที่ช่วยบังคับให้การเชื่อมต่อจาก AI Agent ต้องผ่านระบบควบคุมความปลอดภัยโดยอัตโนมัติ โดยนักพัฒนาไม่จำเป็นต้องตั้งค่าเองในทุกครั้ง รวมถึงการตรวจสอบปลายทางของการเชื่อมต่อ HTTPS และการบันทึก Audit Log เพื่อให้ทีมดูแลระบบสามารถติดตามพฤติกรรมการเชื่อมต่อ ตรวจจับความผิดปกติ และจำกัดความเสี่ยงได้อย่างมีประสิทธิภาพ แนวคิดนี้สะท้อนหลักการสำคัญว่า การเปิดโอกาสให้ AI Agent ทำงานได้มากขึ้น ต้องมาพร้อมระบบที่กำหนดได้ชัดเจนว่า AI สามารถเข้าถึงอะไร และไม่ควรเข้าถึงอะไร

AI Governance at Scale: บริหาร AI หลายโมเดล หลายทีมให้คล่องตัว ควบคุมต้นทุนได้

การนำ AI มาใช้ในระดับองค์กรยังมีความท้าทายด้านการบริหารโมเดลจากผู้ให้บริการหลายราย ทั้งสิทธิ์การเข้าถึง การใช้งาน API Keys และค่าใช้จ่ายที่เพิ่มขึ้นตามจำนวนผู้ใช้ องค์กรจึงควรต้องสร้างสมดุลระหว่างการเปิดโอกาสให้ทีมงานทดลองเทคโนโลยีใหม่ กับการกำกับดูแลด้านความปลอดภัยและงบประมาณอย่างเหมาะสม

ขจรศักดิ์ พีรพัฒนานนท์ Engineering Partner จาก Fastwork นำเสนอแนวคิด Centralized Governance, Multiple Experiences การรวมระบบกำกับดูแล AI ไว้ส่วนกลาง ขณะที่แต่ละทีมยังสามารถเลือกใช้เครื่องมือ AI ให้เหมาะกับลักษณะงาน โดยใช้ LiteLLM เป็น AI Gateway เชื่อมต่อโมเดลจากผู้ให้บริการต่าง ๆ อาทิ OpenAI, Anthropic และ Google พร้อมบริหารสิทธิ์และงบประมาณการใช้งานได้ และใช้ Langfuse สำหรับติดตามประสิทธิภาพการทำงานของ AI หรือ Observability ทั้งจำนวน Token ต้นทุน ระยะเวลาประมวลผล และการจัดการเวอร์ชันของ Prompt ได้ 

 นอกจากนี้ ยังแนะนำการเลือกใช้เครื่องมือค้นหาข้อมูลให้เหมาะสมกับผู้ใช้แต่ละกลุ่ม เช่น Sourcebot สำหรับนักพัฒนาที่ต้องการค้นหา Source Code ภายในองค์กร และ Onyx สำหรับค้นหาข้อมูลจากเครื่องมือทำงานต่าง ๆ อย่าง Jira, Confluence, Slack และ GitHub โดยยังคงควบคุมสิทธิ์การเข้าถึงตามแหล่งข้อมูลต้นทาง และเบื้องหลังยังคงส่งคำสั่ง LLM ผ่าน LiteLLM แนวทางนี้ช่วยให้องค์กรสามารถเปิดพื้นที่ให้พนักงานเลือกใช้ AI ได้อย่างยืดหยุ่น ภายใต้มาตรฐานการกำกับดูแลเดียวกัน พร้อมมองเห็นภาพรวมการใช้งานและต้นทุน เพื่อวางแผนขยายการใช้ AI ได้อย่างมีประสิทธิภาพในระยะยาว

Product Second Brain: เปลี่ยน Source Code เป็นคลังความรู้ที่ AI และทีมงานใช้ประโยชน์ได้

อีกหนึ่งความท้าทายขององค์กรเทคโนโลยีคือการจัดการองค์ความรู้ที่กระจายอยู่ใน Source Code จำนวนมาก โดยเฉพาะระบบที่ประกอบด้วยหลาย Repo (Repository) ทำให้การค้นหาข้อมูลและทำความเข้าใจความสัมพันธ์ระหว่างบริการต่าง ๆ ใช้เวลานาน แม้จะมี AI เข้ามาช่วยก็ตาม 

ธัชคม พัฒนพูฒิ QA Engineer จาก LINE ประเทศไทย จึงนำเสนอแนวคิด Product Second Brain ผ่านการใช้ LLM Wiki เปลี่ยน Source Code ให้กลายเป็นคลังความรู้ที่มีโครงสร้างและค้นหาได้ โดยให้ AI Agent วิเคราะห์โครงสร้างซอฟต์แวร์ ความสัมพันธ์ระหว่าง Service และ Business Logic ก่อนเรียบเรียงเป็น Wiki ที่เชื่อมโยงข้อมูลข้าม Repo พร้อมอัปเดตเฉพาะส่วนที่เปลี่ยนแปลง แทนการประมวลผลข้อมูลทั้งหมดใหม่ทุกครั้ง 

ระบบยังสามารถเลือกวิธีค้นหาคำตอบตามความซับซ้อนของคำถาม พร้อมย้อนกลับไปตรวจสอบ Source Code ต้นทางได้ พร้อมใช้ Golden Set หรือชุดคำถามและคำตอบมาตรฐานที่มีหลักฐานอ้างอิง เพื่อลดความเสี่ยงจากการที่ AI สร้างคำตอบผิดพลาด (AI Hallucination)

จากผลการทดสอบที่นำเสนอ การใช้ Product Second Brain ร่วมกับ Sonnet 5.5 สามารถลดระยะเวลาในการค้นหาคำตอบได้ 38.4% และลดต้นทุนได้ 50.4% เมื่อเทียบกับการให้ AI อ่าน Source Code โดยตรง นอกจากนี้ ยังต่อยอดสู่ Bug Hunt Skill ที่ให้ AI Agent ช่วยตรวจหาข้อผิดพลาดของซอฟต์แวร์จากข้อกำหนดทางธุรกิจ เอกสารทางเทคนิค และ Source Code พร้อมระบุระดับความรุนแรง หลักฐานที่เกี่ยวข้อง และขั้นตอนการทำให้เกิดข้อผิดพลาดซ้ำ ก่อนส่งให้ทีม QA ตรวจสอบยืนยันอีกครั้ง ช่วยให้การตรวจสอบคุณภาพซอฟต์แวร์มีประสิทธิภาพมากขึ้นไปในตัว

จาก AI ที่เขียนโค้ดได้เร็ว สู่ระบบ AI ที่องค์กรไว้วางใจได้

ภาพรวมจากทั้ง 6 เซสชันในแทร็ก Deep Tech ในงาน LINE THAILAND DEVELOPER CONFERENCE 2026  สะท้อนให้เห็นว่า อนาคตการพัฒนาซอฟต์แวร์ด้วย AI Agent ไม่ได้ขึ้นอยู่กับการเลือกใช้โมเดลที่ฉลาดที่สุดเพียงอย่างเดียว แต่ต้องอาศัยการออกแบบระบบที่เชื่อมโยงข้อกำหนด กระบวนการทำงาน การทดสอบ ความปลอดภัย การกำกับดูแล และองค์ความรู้ เข้าด้วยกัน

ตั้งแต่การใช้ Agent Engineering ช่วยให้ AI ทำงานตามมาตรฐาน การสร้าง Security Guardrails เพื่อควบคุมความเสี่ยง การวางระบบ Governance ให้ AI สามารถขยายการใช้งานในองค์กรได้อย่างเหมาะสม ไปจนถึงการเปลี่ยนข้อมูลที่มีอยู่ให้เป็นองค์ความรู้ที่ AI และทีมงานนำไปใช้ต่อยอดได้จริง ทั้งหมดนี้คือรากฐานสำคัญของการสร้าง AI Agent ที่ทำงานได้อย่างรวดเร็ว แม่นยำ ปลอดภัย และตรวจสอบได้ โดยยังคงให้มนุษย์มีบทบาทสำคัญในการกำหนดทิศทางและรับผิดชอบต่อผลลัพธ์ เพื่อก้าวสู่ Next Frontier ของการพัฒนาซอฟต์แวร์ในยุค AI อย่างยั่งยืน

LINE Thailand Highlights Agent Engineering and Security Architectures at Developer Conference 2026

LINE Thailand hosted the LINE THAILAND DEVELOPER CONFERENCE 2026 under the theme Build the Next-Frontier, organizing six deep-tech sessions addressing production deployment challenges for artificial intelligence agents. Technical leads from the messaging platform alongside enterprise software partners outlined system-level engineering methods to transition AI coding agents into reliable, verified, and secure organizational workflows.

Engineering presentations addressed the operational bottleneck created when automated agents generate high volumes of code and pull requests. A technical lead and Microsoft MVP outlined architectural guardrails requiring concise context constraints defined in repository configuration files, structural decision logs, and type systems. Automated filtering processes isolate test-driven development environments so autonomous agents cannot rewrite tests to pass builds artificially, while independent sub-agents review code before escalating high-risk financial or identity functions to human engineers. To eliminate latency, an engineering partner proposed using large frontier models to generate operational skills and execution hooks before passing standard logic to compact models.

Within production deployments, a solution engineer from the host platform demonstrated how pairing strict execution frameworks with automated pre-commit loops accelerated development. Connecting agents to workflow data from Jira, Confluence, GitHub, and Figma through the Model Context Protocol enabled an engineering team to build a complex 23-service architecture within three months, cutting the previous six-to-eight-month timeline by more than half.

Security sessions focused on network lockdown strategies to mitigate unauthorized data access as autonomous agents execute tools independently. A site reliability engineer outlined an egress proxy architecture using Envoy as an API gateway, restricting outbound agent connections exclusively to pre-approved domain lists. Transparent proxying enforces security policies without developer-side manual intervention, pairing destination checks with audit logging to monitor unusual outbound traffic patterns.

Governance and knowledge management frameworks rounded out the engineering tracks. Fastwork demonstrated multi-model cost tracking by deploying LiteLLM as an operational gateway alongside Langfuse for monitoring token usage, runtime latency, and prompt versions across internal code search tools. Additionally, a quality assurance engineer introduced the Product Second Brain framework using structured repository wikis to link cross-service logic. Paired with Sonnet 5.5, the retrieval architecture reduced code search intervals by 38.4 percent and cut operational inference costs by 50.4 percent compared to full source code ingestions.

เร้ดแฮท ผู้ให้บริการโซลูชันโอเพ่นซอร์สชั้นนำของโลก เปิดตัวศูนย์ความเป็นเลิศด้าน AI ประจำภูมิภาคเอเชียแปซิฟิก (APAC AI Centre of Excellence (CoE)) ของเร้ดแฮทในสิงคโปร์ ศูนย์แห่งนี้ได้รับการสนับสนุนจากคณะกรรมการพัฒนาเศรษฐกิจสิงคโปร์ (Singapore Economic Development Board: EDB) มีบทบาทในการช่วยให้องค์กรต่าง ๆ ก้าวจากการทดลองใช้ AI ไปสู่การนำไปใช้งานจริงในระดับปฏิบัติการ โดยอาศัยเทคโนโลยีโอเพ่นซอร์สและความเชี่ยวชาญทางวิศวกรรมของเร้ดแฮท

เร้ดแฮทจัดตั้งศูนย์แห่งนี้ขึ้นเพื่อรองรับความต้องการใช้งาน AI ระดับองค์กรที่มีความน่าเชื่อถือและพร้อมใช้งานจริง ซึ่งกำลังเติบโตอย่างต่อเนื่องในภูมิภาค โดยทีมวิศวกรของศูนย์ CoE จะช่วยองค์กรต่าง ๆ สามารถนำเวิร์กโฟลว์ AI เข้าสู่ระบบใช้งานจริงผ่านสองแนวทางที่เกื้อหนุนกัน ได้แก่ การพัฒนาสถาปัตยกรรมซอฟต์แวร์ที่นำกลับมาใช้ซ้ำได้เพื่อแก้โจทย์ความท้าทายทั่วไปในอุตสาหกรรม และการร่วมพัฒนาโค้ดให้กับโครงการโอเพ่นซอร์สต้นน้ำโดยตรง เพื่อตอบสนองความต้องการระดับองค์กร ทั้งด้านการติดตั้งระบบ การเพิ่มประสิทธิภาพขณะทำงาน (runtime) การบริหารจัดการแพลตฟอร์ม และอื่น ๆ

สำนักงานวิทยาศาสตร์และเทคโนโลยีด้านการป้องกันประเทศของสิงคโปร์ (DSTA) ร่วมมือกับเร้ดแฮทในการศึกษาและร่วมพัฒนาโซลูชันด้าน AI และคลาวด์เนทีฟ และดึงศักยภาพของศูนย์ CoE แห่งนี้มาใช้เสริมสร้างขีดความสามารถในด้านดังกล่าว ซึ่ง DSTA สามารถนำไปปรับใช้กับภารกิจด้านการป้องกันประเทศต่อไปได้

การตั้งฐานขีดความสามารถด้านวิศวกรรมนี้ในสิงคโปร์ช่วยลดระยะเวลาในการรับฟังและตอบสนองข้อมูลป้อนกลับ ระหว่างลูกค้า พันธมิตร และทีมพัฒนาผลิตภัณฑ์หลักของเร้ดแฮท การเชื่อมโยงนี้ช่วยให้โรดแมปต่าง ๆ สอดรับกับความต้องการที่แท้จริงของลูกค้า ช่วยเร่งกระบวนการส่งมอบโซลูชัน และเสริมขีดความสามารถในการสร้างนวัตกรรมร่วมกับองค์กรต่าง ๆ ในภูมิภาคนี้ของเร้ดแฮท 

บ่มเพาะบุคลากรในท้องถิ่นเพื่อขับเคลื่อนระบบนิเวศ AI ให้เฟื่องฟู

ศูนย์ AI CoE จะช่วยให้องค์กรต่าง ๆ เข้าถึงความเชี่ยวชาญด้าน AI ไฮบริดคลาวด์ และวิศวกรรมแพลตฟอร์มของเร้ดแฮทได้ครอบคลุมยิ่งขึ้น ควบคู่ไปกับการเสริมแกร่งขีดความสามารถทางเทคนิคระดับภูมิภาคในสิงคโปร์ ศูนย์ CoE แห่งนี้ประกอบด้วยทีมนวัตกรรมเฉพาะทาง ซึ่งรวมถึงวิศวกร วิศวกรภาคสนามประจำหน้างาน สถาปนิก และผู้จัดการโครงการ ที่มุ่งผลักดันให้การติดตั้งใช้งาน AI/ML ในสภาพแวดล้อมของลูกค้าประสบความสำเร็จ นอกจากนี้ ศูนย์ดังกล่าวยังสนับสนุนการพัฒนาทักษะในสาขาที่มีความสำคัญต่อการติดตั้งระบบ AI ยุคใหม่ ไม่ว่าจะเป็นด้านวิศวกรรมซอฟต์แวร์ ระบบอัตโนมัติ การพัฒนาคลาวด์เนทีฟ และ DevSecOps เพื่อให้ลูกค้าและพันธมิตรสามารถสร้างและเสริมความแข็งแกร่งให้กับขีดความสามารถเฉพาะทางภายในองค์กรของตนเองได้

นำความพร้อมระดับการใช้งานจริงมาสู่ศูนย์แห่งนี้

องค์กรทั้งสองแห่งจะร่วมกันพัฒนาโซลูชันที่รองรับการขยายขนาด ทั้งในด้าน AI คลาวด์คอมพิวติ้ง การปรับปรุงแอปพลิเคชันให้ทันสมัย และเอดจ์คอมพิวติ้ง ผ่านการผสานความเชี่ยวชาญด้านโอเพ่นซอร์สของเร้ดแฮท เข้ากับขีดความสามารถทางวิศวกรรมและความรู้เฉพาะทางด้านการป้องกันประเทศของ DSTA เพื่อรองรับการทำงานบนสภาพแวดล้อมมัลติคลาวด์ ซึ่งครอบคลุมถึงการร่วมกันวางโครงสร้างสถาปัตยกรรมและแนวปฏิบัติสำหรับ DevSecOps ตลอดจนการบริหารจัดการระบบหลังการติดตั้ง (day 2 operations) สำหรับระบบ AI และคลาวด์ขนาดใหญ่ ทั้งในสภาพแวดล้อมภายในองค์กร (on-premise) และนอกองค์กร (off-premise) 

ความมุ่งมั่นเหล่านี้มีเป้าหมายเพื่อเร่งการพัฒนาและติดตั้งใช้งานโซลูชัน AI ในวงกว้าง ซึ่งจะช่วยให้ DSTA มีความคล่องตัว ในการคาดการณ์และรับมือกับความต้องการด้านการป้องกันประเทศที่เปลี่ยนแปลงอย่างต่อเนื่องในยุค AI ไดมากขึ้น

ศูนย์ความเป็นเลิศด้าน AI ประจำภูมิภาคเอเชียแปซิฟิกของเร้ดแฮท สอดรับกับยุทธศาสตร์ AI แห่งชาติของสิงคโปร์ โดยร่วมสนับสนุนระบบนิเวศ AI ของประเทศในภาพรวม ทั้งด้านการพัฒนาบุคลากร เทคโนโลยี และกรณีการใช้งานจริง ทั้งนี้ การสนับสนุนศูนย์แห่งนี้ จากคณะกรรมการพัฒนาเศรษฐกิจสิงคโปร์ (EDB) ผนวกกับความเชี่ยวชาญด้าน AI แบบโอเพ่นซอร์สของเร้ดแฮท และความร่วมมือด้านวิศวกรรมร่วมกับ DSTA ถือเป็นโมเดลต้นแบบในการเปลี่ยนการเสริมสร้างขีดความสามารถด้าน AI ให้กลายเป็นนวัตกรรมที่นำไปใช้งานได้จริง ทั้งในสิงคโปร์และทั่วภูมิภาคเอเชียแปซิฟิก

 คำกล่าวสนับสนุน

แดเนียล ออ รองประธานและผู้จัดการทั่วไป ประจำภูมิภาคเอเชียแปซิฟิก ของเร้ดแฮท

“การนำ AI มาปรับใช้กำลังเปลี่ยนผ่านจากช่วงของการทดลองไปสู่การลงมือปฏิบัติจริงอย่างรวดเร็ว องค์กรต่าง ๆ จำเป็นต้องมีแพลตฟอร์มแบบเปิดและความเชี่ยวชาญทางวิศวกรรมที่ลงลึกในระดับปฏิบัติการ เพื่อขับเคลื่อนการเปลี่ยนผ่านนี้อย่างมีความรับผิดชอบ เร้ดแฮทกำลังขยายขีดความสามารถดังกล่าวในสิงคโปร์ ผ่านศูนย์ AI CoE ประจำภูมิภาคเอเชียแปซิฟิกของบริษัทฯ การสนับสนุนจาก EDB ช่วยให้เราพัฒนาศูนย์แห่งนี้ให้เติบโตขึ้นที่นี่ ขณะที่การร่วมพัฒนาเชิงวิศวกรรมกับ DSTA ก็สะท้อนให้เห็นถึงแนวทางการนำเทคโนโลยีไปประยุกต์ใช้กับโจทย์ที่ซับซ้อนในสถานการณ์จริงได้อย่างเป็นรูปธรรม”

เยว่ ชิน เซียะ รองประธาน Digital Industry Singapore

“ศูนย์ AI CoE ประจำภูมิภาคเอเชียแปซิฟิกของเร้ดแฮท ช่วยยกระดับขีดความสามารถของสิงคโปร์ในด้านโอเพ่นซอร์ส AI ระดับองค์กรให้ลึกซึ้งยิ่งขึ้น ทั้งยังตอกย้ำบทบาทของสิงคโปร์ในฐานะศูนย์กลาง AI ที่สำคัญ ซึ่งสร้างโอกาสให้บุคลากรในท้องถิ่นได้เสริมแกร่งศักยภาพทางวิศวกรรมของตนเอง เรามีความยินดีเป็นอย่างยิ่งที่ได้ร่วมงานกับเร้ดแฮท เพื่อต่อยอดขยายผลโซลูชัน AI ไปทั่วภูมิภาคเอเชียตะวันออกเฉียงใต้และภูมิภาคอื่น ๆ” 

เกล ชาน รองประธานเจ้าหน้าที่บริหารฝ่ายสารสนเทศ สำนักงานวิทยาศาสตร์และเทคโนโลยีด้านการป้องกันประเทศ, สิงคโปร์

“DSTA เสาะแสวงหาแนวทางใหม่ ๆ อย่างต่อเนื่องเพื่อเสริมสร้างขีดความสามารถที่ใช้สนับสนุนภารกิจด้านการป้องกันประเทศของสิงคโปร์ เรามุ่งหวังที่จะร่วมกันพัฒนาทางวิศวกรรมและขยายผลโซลูชันด้าน AI และคลาวด์เนทีฟที่ตอบโจทย์ความต้องการทางเทคโนโลยีของเราผ่านความร่วมมือกับเร้ดแฮทภายใต้ศูนย์ AI CoE แห่งนี้ ทั้งในสภาพแวดล้อมคลาวด์และ on-premises และ เมื่อภัยคุกคามมีความซับซ้อนมากขึ้น เราจำเป็นต้องก้าวข้ามขีดจำกัดด้านเทคโนโลยีและนวัตกรรมอย่างไม่หยุดยั้ง เพื่อก้าวล้ำนำหน้าอยู่เสมอ”

Red Hat Opens Asia-Pacific AI Centre of Excellence in Singapore with EDB and DSTA Support

Red Hat has launched its Asia-Pacific AI Centre of Excellence in Singapore to help enterprises transition artificial intelligence workloads from experimental deployments into production operations. Supported by the Singapore Economic Development Board, the facility applies open-source technologies and engineering resources to address regional demand for enterprise-grade AI infrastructure.

Engineers assigned to the facility will assist organizations by establishing reusable software architectures for industry-specific operational challenges and directly submitting code upstream to open-source repositories covering runtime optimization, deployment pipelines, and platform management. In defense applications, Singapore’s Defence Science and Technology Agency has partnered with the open-source provider to co-develop artificial intelligence and cloud-native solutions, integrating architectures for DevSecOps and day 2 operational management across hybrid multi-cloud environments.

Establishing an engineering base in Singapore directly links regional customer feedback with core product engineering teams to accelerate technical delivery cycles. The center houses specialized innovation teams consisting of engineers, field engineers, system architects, and project managers who guide client implementations while providing technical training in software engineering, automation, and DevSecOps.

Daniel Aw, Vice President and General Manager for Asia Pacific at Red Hat, stated that enterprise AI adoption is moving from experimentation into active implementation, requiring open platforms and deep engineering expertise to steer transitions responsibly. The executive noted that EDB support enables facility growth locally, while technical cooperation with DSTA demonstrates the practical application of open-source frameworks against complex operational environments.

The facility aligns with Singapore’s National AI Strategy by building local engineering capacity, software tooling, and verified production use cases across regional markets.

บริษัท เมโทรซิสเต็มส์คอร์ปอเรชั่น จำกัด (มหาชน) หรือ MSC ร่วมกับพันธมิตรเทคโนโลยี GitLab, Nutanix และ Commvault จัดงาน “Metro Forge 2026” ภายใต้แนวคิด “Build. Run. Protect. Forging the Modern Enterprise” เมื่อวันพฤหัสบดีที่ 17 กันยายน 2569 ณ JW Marriott Hotel Bangkok เพื่อถ่ายทอดแนวทางเตรียมความพร้อมให้องค์กรก้าวสู่ Modern Digital & AI-Ready Enterprise ผ่านการบรรยายจากผู้เชี่ยวชาญ กรณีใช้งานจริง การจัดแสดงโซลูชัน และแนวทางวางแผนปรับระบบองค์กร

การนำ AI มาประยุกต์ใช้เกี่ยวข้องกับความพร้อมหลายด้าน ตั้งแต่กระบวนการพัฒนาซอฟต์แวร์ ระบบรองรับแอปพลิเคชันและข้อมูล ไปจนถึงการป้องกันและฟื้นตัวจากภัยคุกคามทางไซเบอร์ การวางแผนองค์ประกอบเหล่านี้ร่วมกันจึงเป็นพื้นฐานสำคัญในการเชื่อมการลงทุนด้านเทคโนโลยีกับเป้าหมายทางธุรกิจ งาน Metro Forge 2026 มุ่งนำเสนอแนวทางดังกล่าวผ่าน 3 เสาหลัก ได้แก่ Build, Run และ Protect

สาระสำคัญภายในงานครอบคลุม 3 ด้าน ได้แก่ Build  AI-Powered Software Delivery นำเสนอแนวทางจาก GitLab โดยผู้เชี่ยวชาญจาก Get On Technology ในการใช้ AI สนับสนุนการพัฒนาและส่งมอบซอฟต์แวร์ภายใต้แนวทาง DevSecOps; Run  Modern Infrastructure for Apps & AI โดย Nutanix ถ่ายทอดแนวทางปรับโครงสร้างพื้นฐานสำหรับแอปพลิเคชันและ AI รวมถึงการบริหารจัดการ Hybrid Multicloud; และ Protect – Building Cyber Resilience โดย Commvault นำเสนอการปกป้องและกู้คืนข้อมูล ตลอดจนการเตรียมพร้อมรับมือภัยคุกคามทางไซเบอร์

นอกจากนี้ ยังมีหัวข้อ “AI in Action: Real-World Modernization Stories” โดยคุณพุทธศักดิ์ กัณหดิลก Senior Presales Manager ของ MSC ถ่ายทอดกรณีศึกษาและประสบการณ์การประยุกต์ใช้เทคโนโลยี และหัวข้อ “Forge Your Modernization Roadmap” โดยคุณณัฐดนัย วิทยาศิริกุล Senior System Engineer Manager ของ MSC เพื่อเชื่อมองค์ความรู้สู่แนวทางวางแผน Modernization สำหรับองค์กร

ภายในงานมี Technology Showcase เปิดโอกาสให้ผู้เข้าร่วมสำรวจโซลูชันและแลกเปลี่ยนข้อคิดเห็นกับทีมผู้เชี่ยวชาญจาก MSC และพันธมิตรอย่างใกล้ชิด เพื่อประกอบการพิจารณาแนวทางพัฒนาระบบให้เหมาะกับความต้องการทางธุรกิจ

บริษัท เมโทรซิสเต็มส์คอร์ปอเรชั่น จำกัด (มหาชน) หรือ MSC ดำเนินธุรกิจด้านเทคโนโลยีสารสนเทศและโซลูชันสำหรับองค์กร โดยประสานความเชี่ยวชาญของทีมงานกับเทคโนโลยีจากพันธมิตร เพื่อสนับสนุนการพัฒนาระบบไอทีให้สอดคล้องกับความต้องการทางธุรกิจ

สอบถามข้อมูลเกี่ยวกับงานและโซลูชันที่นำเสนอได้ที่ อีเมล epismkt@METROSYSTEMS.CO.TH

MSC Partners with GitLab, Nutanix and Commvault on Three-Pillar Framework for AI-Ready Enterprises

Metro Systems Corporation Public Company Limited, or MSC, partnered with GitLab, Nutanix and Commvault to organize Metro Forge 2026, presenting a three-pillar framework for preparing enterprise systems for AI. The Build, Run and Protect pillars cover software delivery, infrastructure, and cyber protection and data recovery.

Held on September 17, 2026, at JW Marriott Hotel Bangkok under the theme “Build. Run. Protect. Forging the Modern Enterprise,” the event focused on connecting technology investment with enterprise modernization plans and business objectives, rather than treating AI as an isolated component.

The Build pillar, presented under the topic AI-Powered Software Delivery, examined how AI can support software development and delivery within a DevSecOps approach. The session featured GitLab technology and insights from specialists at Get On Technology.

Run, under the topic Modern Infrastructure for Apps & AI, addressed infrastructure modernization for applications and AI workloads. Nutanix presented an approach to Hybrid Multicloud management intended to help organizations align resources and data with their operational requirements.

The Protect pillar focused on Building Cyber Resilience. Using Commvault solutions, the session covered data protection and recovery, as well as preparations for responding to and recovering from cyber threats.

The event also featured “AI in Action: Real-World Modernization Stories,” presented by Puttasak Kanhadilok, Senior Presales Manager at MSC, who shared modernization use cases and implementation experience. Nattadanai Wittayasirikul, Senior System Engineer Manager at MSC, presented “Forge Your Modernization Roadmap,” connecting the event’s technology themes with enterprise modernization planning.

MSC and its partners also hosted a Technology Showcase, allowing participants to explore solutions and discuss their business and system requirements with specialists. Further information about the event and the featured solutions is available via epismkt@METROSYSTEMS.CO.TH.