แผนที่ทักษะ AI Engineering ของ Andrew Ng

ถ้าคุณทำงานกับ AI อยู่ตอนนี้ คุณน่าจะเคยเจอคำถามเดียวกันกับที่เราเจอ คือควรลงแรงเรียนอะไรก่อน ในเมื่อทุกสัปดาห์มีของใหม่โผล่มาเสมอ และไม่มีใครบอกได้ว่าอันไหนจะยังอยู่ในอีก 6 เดือน

เมื่อวันที่ 14 สิงหาคม 2026 Andrew Ng เผยแพร่สิ่งที่เขาเรียกว่า AI Engineering Skills Map ซึ่งเป็นความพยายามตอบคำถามนั้นด้วยข้อมูลแทนความรู้สึก แล้วเมื่อวานเขาโพสต์ต่อ ขยายความข้อแรกในแผนที่ออกเป็น 6 ข้อย่อย บทความนี้ตั้งใจอธิบายพื้นฐานให้ครบก่อน ว่าแผนที่ทั้งใบพูดว่าอะไร มาจากไหน และแปลว่าอะไรกับคนที่ต้องทำงานจริง

ที่ Productize เราสร้างและดูแลระบบ AI agent ที่ทำงานอยู่ทุกวัน และเขียนบันทึกกระบวนการไว้เป็นบทความบนบล็อกนี้ ส่วนสุดท้ายจึงเป็นมุมของคนที่ใช้ของพวกนี้จริง ไม่ใช่บทวิจารณ์แผนที่

ช่วงที่ 1แผนที่ของ Andrew Ng พูดว่าอะไร

แผนที่แบ่งทักษะระดับบนสุดไว้ 4 ข้อ

ทั้ง 4 ช่องอ่านสั้นๆ ได้แบบนี้ สร้างและส่งแอป AI ขึ้นใช้งาน คือการทำของที่มีโมเดลอยู่ข้างในให้ใช้งานได้จริง พื้นฐานวิศวกรรมซอฟต์แวร์ คือทักษะเดิมของสายพัฒนาที่ไม่ได้หายไปไหน ทั้งการออกแบบระบบ การเขียนเทสต์ และการดูแลของที่ขึ้นแล้ว การใช้ coding agent คือการทำงานร่วมกับ AI ที่เขียนโค้ดแทนเราได้ ตั้งแต่การมอบงานให้ถูกขนาด การตรวจสิ่งที่มันส่งกลับมา ไปจนถึงการรู้ว่างานแบบไหนไม่ควรมอบให้ ซึ่งเป็นทักษะที่เมื่อ 3 ปีก่อนยังไม่มีตำแหน่งงานไหนต้องการ และ การกำหนดรูปของสิ่งที่จะสร้าง คือการตัดสินว่าจะสร้างอะไร แก้ปัญหาให้ใคร และแค่ไหนถึงพอ ซึ่งเป็นงานตัดสินใจมากกว่างานเทคนิค

ที่มาของแผนที่คือสิ่งที่ทำให้มันน่าเชื่อกว่าความเห็นส่วนตัวของใครคนหนึ่ง Andrew Ng ระบุว่าสังเคราะห์จากการวิเคราะห์ประกาศรับสมัครงานกว่า 10,000 ใบ บวกการสัมภาษณ์เชิงโครงสร้างกับผู้เชี่ยวชาญ ผู้จัดการที่รับคนเข้าทำงาน และนักสรรหาอีกหลายสิบราย รวมถึงข้อมูลจากแบบสำรวจ

เขาอธิบายด้วยว่าทำไมถึงเรียกว่าทักษะ ไม่ใช่ตำแหน่งงาน

I talk about AI Engineering skills rather than the "AI Engineer" role, because the former is much broader.

นั่นแปลว่าแผนที่ใบนี้ไม่ได้เขียนไว้ให้เฉพาะคนที่มีคำว่า AI Engineer อยู่ในชื่อตำแหน่ง แต่เขียนไว้ให้ทุกคนที่ต้องสร้างของด้วย AI ไม่ว่าจะเรียกตัวเองว่าอะไร

สิ่งที่สังเกตได้ทันทีคือสิ่งที่ไม่อยู่บนแผนที่ ทั้ง 4 ช่องบนและ 6 ช่องล่าง ไม่มีช่องไหนชื่อ prompt engineering เลยสักช่อง ไม่ได้หายไปเพราะหมดความสำคัญ แต่ยุบตัวลงไปเป็นส่วนหนึ่งของทักษะที่ใหญ่กว่า คือการเลือกว่าจะป้อนอะไรเข้าไปให้โมเดล ซึ่งเป็นคนละขนาดกับ "เทคนิคการพิมพ์คำสั่ง" ที่คนพูดถึงกันเมื่อสองปีก่อน

ช่วงที่ 2ทำไมแผนที่ถึงออกมาหน้าตานี้

เหตุผลอยู่ในย่อหน้าเดียวที่ Andrew Ng เขียนไว้เอง และมันคือกุญแจของทั้งแผนที่ ความต่างสำคัญระหว่างแอปที่มี AI กับซอฟต์แวร์ทั่วไป คือผลลัพธ์ของตัวแรกเดาล่วงหน้าไม่ได้ คุณไม่รู้ว่าโมเดลจะตอบอะไรออกมา และไม่รู้ว่าโมเดลที่ฝึกมาแล้วจะทายอะไรกับตัวอย่างที่ไม่เคยเห็น

พอเดาผลล่วงหน้าไม่ได้ การวางแผนงานล่วงหน้าก็ทำได้น้อยลงตามไปด้วย งานจึงกลายเป็นการวนซ้ำ คือสร้างชิ้นหนึ่งขึ้นมา ดูผล แล้วตัดสินว่าจะลองอะไรต่อ โดยที่ก้าวถัดไปขึ้นกับผลของก้าวที่แล้วเสมอ

ทักษะที่แผนที่ใบนี้พยายามอธิบาย จึงไม่ใช่รายการเครื่องมือที่ต้องใช้เป็น แต่คือความสามารถในการตัดสินว่าจะลองอะไรต่อ เพราะนั่นคือสิ่งที่ทำให้สร้างระบบที่เชื่อถือได้ ขึ้นมาจากชิ้นส่วนที่เชื่อถือไม่ได้

เมื่อเข้าใจข้อนี้ ลำดับของ 6 ข้อย่อยก็อ่านง่ายขึ้นมาก ทุกข้อในนั้นคือความรู้ที่ทำให้ตัดสินใจก้าวถัดไปได้แม่นขึ้น ไม่ใช่ความรู้ที่ต้องท่องจำเอาไว้เฉยๆ

ช่วงที่ 3แปลว่าอะไรกับคนทำงาน

คำตอบสั้นที่สุดคือ แผนที่ใบนี้ขยายวงคนที่เกี่ยวข้องออกไปกว้างกว่าที่หลายคนคิด Andrew Ng เขียนไว้ชัดว่าทักษะพวกนี้จำเป็นกับ full-stack engineer, data engineer, DevOps, machine learning engineer และ AI engineer ไม่ใช่เฉพาะกลุ่มสุดท้าย

อีกข้อที่ควรอ่านให้ตรง คือแผนที่นี้มาจากประกาศรับสมัครงาน ซึ่งแปลว่ามันเป็นภาพของสิ่งที่บริษัทกำลังจ้าง ไม่ใช่คำพยากรณ์ว่าอนาคตจะเป็นยังไง ข้อดีคือวัดจากของจริงที่เกิดขึ้นแล้ว ข้อจำกัดคือตามหลังของที่เพิ่งเกิดอยู่เสมอ

ช่วงที่ 46 ข้อย่อยที่เพิ่งขยายเมื่อวาน

นี่คือส่วนที่ Andrew Ng เพิ่งเขียนเพิ่ม เป็นการซูมเข้าไปในช่องแรกของแผนที่ คือ "สร้างและส่งแอป AI ขึ้นใช้งาน" ทั้ง 6 ข้อไล่ตามลำดับที่เขาเขียนไว้

1. พื้นฐานโมเดลภาษาขนาดใหญ่

เข้าใจว่าโมเดลตัดข้อความเป็นหน่วยย่อยยังไง และสร้างคำตอบออกมายังไง เพื่อจะรู้ว่าเมื่อไหร่พึ่งได้ เมื่อไหร่มีโอกาสพลาด ความรู้ชุดนี้พาไปถึงการตัดสินใจประจำวันอีกหลายอย่าง เช่นเมื่อไหร่ควรใช้โมเดลที่รับภาพและเสียงได้ด้วย จะแลกอะไรกับอะไรในการเลือกว่าอะไรควรอยู่ใน context window รวมถึงการใช้แคช คือการวางคำสั่งให้ส่วนที่ซ้ำเดิมทุกครั้งอยู่ต้นข้อความ ผู้ให้บริการจะได้คิดเงินส่วนนั้นถูกลง นอกจากนี้ยังมีวันที่ความรู้ของโมเดลหยุดอัปเดต ระดับความพยายามในการคิดต่อหนึ่งคำตอบ ค่าที่คุมความสุ่มของคำตอบ และการเปิดให้โมเดลเรียกเครื่องมือเอง

รวบทั้งหมดเป็นประโยคเดียวคือ ยิ่งรู้ว่าโมเดลทำงานยังไงข้างใน ยิ่งเดาได้ล่วงหน้าว่ามันจะพลาดตรงไหน และเลือกโมเดลหรือส่วนผสมของโมเดลให้ตรงกับงานได้แม่นขึ้น

2. การป้อนข้อมูลให้โมเดล

โมเดลต้องได้ข้อมูลเข้าที่ดีถึงจะให้ผลที่ใช้ได้ การให้โมเดลไปค้นเอกสารของเราก่อนตอบ โดยค้นจากความใกล้เคียงของความหมาย ที่เรียกกันว่า RAG เป็นความพยายามยุคแรก แต่วิธีการป้อนข้อมูลขยายตัวไปไกลกว่านั้นมากแล้ว สิ่งที่ต้องตัดสินคือ อะไรใส่ลงไปในคำสั่งตรงๆ อะไรปล่อยให้โมเดลไปหยิบเองเมื่อต้องใช้ และข้อมูลของเราเหมาะกับการเก็บในรูปไหน จะเป็นดัชนีเวกเตอร์ (เก็บข้อความเป็นชุดตัวเลขเพื่อค้นด้วยความใกล้เคียงของความหมาย) กราฟความรู้ (เก็บเป็นจุดกับเส้นที่บอกว่าอะไรเกี่ยวกับอะไร) หรือชั้นความหมายที่วางทับข้อมูลที่มีโครงอยู่แล้ว เช่นการอธิบายให้โมเดลรู้ว่าคอลัมน์ไหนในทะเบียนลูกค้าแปลว่าอะไร รวมถึงงานแปลงเอกสาร PDF และภาพให้อยู่ในรูปที่โมเดลอ่านได้ และการทำท่อข้อมูลให้สะอาดและสดอยู่เสมอ

3. การสร้างระบบ agent

ระบบแบบนี้มีตั้งแต่ลำดับงานที่กำหนดขั้นตอนไว้ล่วงหน้า ไปจนถึงระบบที่ปล่อยให้โมเดลตัดสินก้าวถัดไปเองซ้ำๆ การตัดสินใจแรกคือเรื่องโครงสร้าง ว่าจะร้อยขั้นตอนไหนต่อกัน ขั้นไหนทำขนานได้ ตรงไหนใช้โค้ดตรงไหนใช้โมเดล และต้องมีทางสำรองเมื่อพลาด ตอนออกแบบลูปยังต้องตัดสินอีกว่าจะให้โมเดลเรียกเครื่องมืออะไรได้บ้าง จะออกแบบความจำยังไง จะจัดการบทสนทนาที่ยาวขึ้นเรื่อยๆ ยังไง และงานแบบไหนถึงต้องใช้หลาย agent แทนตัวเดียว

ส่วนที่ Andrew Ng ย้ำคือการเปลี่ยนต้นแบบที่ดูมีอนาคต ให้กลายเป็นของที่ปลอดภัยพอจะใช้จริง ซึ่งต้องเข้าใจเรื่องรั้วกันพลาด คำสั่งที่ถูกแทรกเข้ามาเพื่อหลอกระบบ และความเสี่ยงอย่างข้อมูลรั่วออกนอกระบบ

4. การพัฒนาที่ขับด้วยการวัดผล

ข้อนี้ Andrew Ng เขียนยาวที่สุด และบอกตรงๆ ว่าจากประสบการณ์ของเขา นี่คือสิ่งที่แยกคนที่เก่งเรื่องนี้ออกจากคนที่ไม่เก่ง คือความสามารถในการเดินลูปวัดผลและวิเคราะห์ข้อผิดพลาดอย่างมีวินัย เพื่อให้ลงแรงถูกทางมากขึ้นเรื่อยๆ

การสร้างเกณฑ์วัดที่ดีเป็นทักษะเชิงเทคนิคที่ลึกในตัวเอง ต้องดูร่องรอยการทำงานและผลลัพธ์จริง สำรวจข้อมูล แล้วเอาความเข้าใจเรื่องผลิตภัณฑ์กับธุรกิจมาประกอบว่าควรวัดอะไร และต้องรู้ว่าเมื่อไหร่ใช้การตรวจแบบตายตัวด้วยโค้ด เมื่อไหร่ให้โมเดลอีกตัวเป็นผู้ตัดสิน เมื่อไหร่ต้องมีคนอยู่ในลูป และจะประเมินตัวเกณฑ์วัดเองยังไงเพื่อให้มันดีขึ้นตามไปด้วย

5. การดูแลระบบตอนใช้งานจริง

ต่างจากซอฟต์แวร์ทั่วไปเพราะความไม่แน่นอน ต้นทุน และเวลาตอบสนอง สิ่งแรกคือต้องมองเห็นว่าระบบทำงานยังไงกับการใช้งานจริง ติดตามผล จับอาการที่เพี้ยนไปจากเดิม และตอบสนองได้เร็วเมื่อโมเดลพลาดหรือเจอเหตุด้านความปลอดภัย การทำเทสต์กันของเก่าพังและระบบส่งงานอัตโนมัติ ก็ต้องอาศัยการวัดเชิงสถิติมากกว่าซอฟต์แวร์ทั่วไป และควรลงแรงตรวจให้สมกับความเสียหายถ้าพลาด นอกจากนี้ยังต้องเลือกส่วนผสมของเทคนิคให้ถูก เช่นการเลือกโมเดล การย่อโมเดลใหญ่ให้เล็กลง และการลดความซับซ้อนของลำดับงาน เพื่อคุมต้นทุนและความเร็ว

6. พื้นฐาน machine learning

โมเดลสมัยใหม่สร้างขึ้นด้วยเทคนิค machine learning ทั้งแบบเรียนจากตัวอย่างที่มีเฉลย และแบบเรียนจากผลตอบรับ Andrew Ng เขียนไว้ว่าวิศวกรทุกคนที่เขารู้จักและเก่งเรื่องการสร้างของด้วย LLM ล้วนเข้าใจ machine learning ในระดับที่ลึกพอสมควร และงานอีกจำนวนมากยังต้องใช้โมเดลแบบเดิมอยู่ ไม่ว่าจะเป็นโมเดลที่คนอื่นฝึกไว้หรือฝึกเอง

แนวคิดพื้นฐานอย่างการแลกกันระหว่างความเอนเอียงกับความแปรปรวน การวิเคราะห์ข้อผิดพลาด และการจัดการข้อมูล ยังเป็นกรอบคิดหลักในการทำงานกับระบบที่ผลลัพธ์ไม่แน่นอน

ช่วงที่ 5คนที่ทำงานด้วย agent จริง มองยังไง

เราไม่มีอะไรจะแย้งกับแผนที่ใบนี้ สิ่งที่อยากเติมคือ 3 ข้อที่เห็นจากการใช้ของพวกนี้ทุกวัน

ข้อแรก ข้อ 4 มาก่อนข้ออื่นในทางปฏิบัติ Andrew Ng เรียงการวัดผลไว้เป็นข้อที่ 4 ตามลำดับของเนื้อหา แต่ถ้าถามว่าควรลงแรงข้อไหนก่อนเมื่อเวลามีจำกัด เราตอบว่าข้อนี้ เพราะมันเป็นข้อเดียวที่บอกได้ว่าอีก 5 ข้อควรลงแรงตรงไหนต่อ ถ้าขาดข้อนี้ การเลือกที่เหลือคือการเดา และเป็นการเดาที่รู้สึกเหมือนกำลังคืบหน้า

ข้อสอง ประโยคที่ Andrew Ng เขียนไว้สั้นๆ ว่าต้องประเมินตัวเกณฑ์วัดเองด้วย คือประโยคที่กินเวลาเรามากที่สุด ตัวตรวจที่เราเขียนเองไม่มีใครมาตรวจต่อ มันจึงเป็นชิ้นส่วนที่ควรสงสัยที่สุดในระบบ ไม่ใช่ชิ้นที่เชื่อได้มากที่สุด และวิธีเดียวที่จะรู้ว่าตัวตรวจยังทำงานอยู่ คือจงใจทำให้มันแดงให้ดูสักครั้ง

ข้อสาม ข้อ 6 คือข้อที่เราบางที่สุด เราไม่มีพื้นฐาน machine learning ในระดับที่ Andrew Ng หมายถึง และผลของการไม่มีเห็นได้จริงในงานประจำวัน เวลาผลการวัดออกมาแปลก เราแยก "โมเดลทำงานผิด" ออกจาก "ตัวอย่างที่เอามาวัดเอียง" ได้ช้ากว่าที่ควร เขียนไว้ตรงนี้เพราะแผนที่ทักษะที่ติ๊กถูกทุกช่องไม่ได้ช่วยใครวางแผน ช่องที่ยังว่างต่างหากที่บอกว่าควรเดินต่อไปทางไหน

เอาแผนที่ไปใช้กับงานของคุณ

1. เอาแผนที่มาไล่ทีละช่องกับของที่ทำอยู่ แล้วให้คะแนนตัวเองแบบหยาบว่าช่องไหนพอใช้ ช่องไหนว่าง อย่าเพิ่งวางแผนก่อนเห็นภาพนี้
2. ถามว่าถ้าของที่ทำอยู่ตอบผิดวันนี้ คุณจะรู้ตอนไหน ถ้าคำตอบคือตอนที่มีคนมาบอก ช่องที่ควรลงแรงก่อนคือการวัดผล ไม่ใช่โมเดลตัวใหม่
3. เลือกช่องที่บางที่สุด 1 ช่อง แล้วทำให้พอใช้ ไม่ใช่ทำให้เก่ง ครบทุกช่องในระดับพอใช้ มีประโยชน์กว่าเก่ง 2 ช่องและว่างอีก 4
4. จดช่องที่ยังว่างไว้ด้วย แผนที่ที่ซื่อสัตย์ใช้วางแผนได้จริง

แผนที่ใบนี้มีประโยชน์ตรงที่เปลี่ยนคำถาม "ควรเรียนอะไรก่อน" ให้กลายเป็นคำถามที่ตอบได้ด้วยการดูของที่ตัวเองทำอยู่ ไม่ใช่ด้วยการไล่ตามของใหม่ที่โผล่มาทุกสัปดาห์

อ่านต่อในแนวเดียวกัน: รีวิว openworker: AI coworker ของ Andrew Ng · รีวิว Andrej Karpathy Skills · AI Product Management: งานที่เหลือของ PM · ทำไมเทสต์ที่ไม่เคยพังถึงพิสูจน์อะไรไม่ได้