<div class="key-takeaways"><ul><li>Juan F. Voltolini บรรยายสาธารณะครั้งแรกในงาน Startup Summit 2026 ณ เมืองฟลอเรียนอโปลิส</li><li>เนื้อหาหัวข้อ "Preço por token não é preço" เป็นผลงานเดิมของ Bruno Vilardi Bueno จาก Dati Labs</li><li>การส่งต่อความรู้ที่แท้จริงไม่ใช่แค่การอ่านสไลด์ แต่ต้องรันเดโมใหม่เพื่อให้เกิดการเข้าใจลึกซึ้ง</li><li>การทดลองรันระบบเองทำให้พบตัวเลขใหม่เรื่องการใช้โทเค็นที่แตกต่างกันระหว่างเวอร์ชัน</li></ul></div><p>ปลายเดือนสิงหาคมที่ผ่านมา Juan F. Voltolini ได้ก้าวขึ้นเวทีพูดต่อหน้าสาธารณชนเป็นครั้งแรก ณ บูธของ Dati Labs ภายในงาน Startup Summit 2026 ที่เมืองฟลอเรียนอโปลิส โดยมีการจัดบรรยายสองรอบในวันพุธและวันพฤหัสบดี พร้อมจอภาพขนาดใหญ่แสดงการทำงานของ Amazon Bedrock แบบสด ๆ ให้ผู้ชมรับชมผ่านหูฟัง</p><p>เนื้อหาการบรรยายในหัวข้อ "Preço por token não é preço" หรือแปลเป็นไทยว่าราคาต่อโทเค็นไม่ใช่ราคาที่แท้จริง เป็นผลงานของ Bruno Vilardi Bueno เพื่อนร่วมงานจาก Dati Labs ซึ่งเคยนำเสนอครั้งแรกในงานสัมมนาออนไลน์ของบริษัทเมื่อเดือนมิถุนายน โดยแพ็กเกจข้อมูลประกอบด้วยสไลด์ชุดนำเสนอ เดโมสองชุด บทพูด และภาคผนวกที่รวบรวมคำถามพบบ่อย</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/startup_summit_2026_ai_mu5s6xyf_inline_1_b7337aa25c.jpg" alt="Brazil technology seminar presentation screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ในมุมมองของการบริหารจัดการองค์กร เนื้อหาความรู้หรือโปรเจกต์ที่พึ่งพาบุคคลใดบุคคลหนึ่งเพียงลำพังย่อมกลายเป็นคอขวด แม้ว่าตัวผลงานหรือสไลด์นำเสนอจะสวยงามเพียงใดก็ตาม หากเจ้าของผลงานติดภารกิจ เนื้อหานั้นก็จะไม่สามารถนำไปใช้งานต่อได้ ซึ่งการนำเสนอเนื้อหาของ Bruno ในงานนี้ถือเป็นบททดสอบแรกของ Dati Labs ในการกระจายองค์ความรู้</p><div class="ai-insight"><p>การถ่ายทอดองค์ความรู้เชิงเทคนิคในองค์กรเทคโนโลยีมักประสบปัญหา "บุคคลสำคัญ" (Key-person dependency) ซึ่งการทำลายคอขวดนี้ไม่ได้อาศัยเพียงเอกสารคู่มือที่ดี แต่ต้องอาศัยกระบวนการ internalize หรือการที่ผู้รับสารนำข้อมูลมาย่อย ทดลอง และสร้างเป็นความเข้าใจของตนเอง เพื่อให้วงจรการเรียนรู้ในองค์กรเคลื่อนตัวไปข้างหน้าอย่างยั่งยืน</p></div><p>สิ่งที่ทำให้ Voltolini มีความมั่นใจในการตอบคำถามผู้ชมคือภาคผนวกที่มีการเตรียมคำตอบสำหรับประเด็นสำคัญไว้ล่วงหน้า เช่น ระยะเวลาในการวัดผล ความคุ้มค่าของการตั้งค่าระบบ และผลกระทบจากการเปลี่ยนโมเดลในภายหลัง ซึ่งเป็นจุดที่แทบไม่มีการจัดเตรียมในเอกสารทั่วไป</p><div class="stat-row"><div class="stat-item"><span class="stat-number">64%</span><span class="stat-label">ความต่างของโทเค็นในอินพุตเดียวกันข้ามโมเดล</span></div><div class="stat-item"><span class="stat-number">25%</span><span class="stat-label">โทเค็นเพิ่มขึ้นเมื่ออัปเดตตระกูลโมเดลค่ายเดียวกัน</span></div></div><p>ระหว่างกระบวนการศึกษาและทดลองรันเดโมด้วยบัญชีส่วนตัวเพื่อให้เข้าใจที่มาของตัวเลขอย่างถ่องแท้ Voltolini ได้พบกับข้อมูลเชิงประจักษ์ที่ไม่มีอยู่ในสไลด์ต้นฉบับ เมื่อทดส่งข้อความความยาว 11 คำภาษาโปรตุเกสเข้าไปยังโมเดลแปดตัวบน Amazon Bedrock พบว่าข้อความเดียวกันให้จำนวนโทเค็นแตกต่างกันถึง 64% และเมื่อทดสอบอัปเดตเวอร์ชันในตระกูล Anthropic เดียวกัน ปรากฏว่าจำนวนโทเค็นเพิ่มขึ้นถึง 25% แม้จะเป็นผู้ให้บริการรายเดิมก็ตาม</p><blockquote class="pull-quote"><p>"Preço por token não é preço"</p><cite>Bruno Vilardi Bueno</cite></blockquote><p>ตัวเลขใหม่นี้กลายเป็นจุดสนใจที่ทำให้ผู้ฟังในงานหันมาจดบันทึกทันที แสดงให้เห็นว่าการจำสไลด์มาพูดไม่สามารถสร้างความตื่นตัวหรือเจอข้อเท็จจริงใหม่ได้เท่ากับการลงมือทดลองด้วยตนเอง</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/juanf_voltolini/minha-primeira-palestra-nao-era-minha-3cof" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Juan F. Voltolini delivered his first public talk at the Dati booth during Startup Summit 2026 in Florianópolis.</li><li>The presentation titled "Preço por token não é preço" was originally created by Bruno Vilardi Bueno of Dati Labs.</li><li>True knowledge transfer requires running demos firsthand rather than simply memorizing presentation slides.</li><li>Hands-on testing revealed new token consumption metrics between different model versions.</li></ul></div><p>In late August, Juan F. Voltolini stepped onto a public stage for the very first time at the Dati booth during Startup Summit 2026 in Florianópolis, delivering two sessions across Wednesday and Thursday with a large screen showing live Amazon Bedrock operations while the audience listened via headsets.</p><p>The presentation topic, "Preço por token não é preço" (Price per token is not the price), was created by Bruno Vilardi Bueno, his colleague at Dati Labs, who first introduced it during a Dati webinar in June. The package included the slide deck, two live demos, a script, and an appendix addressing recurring questions.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/startup_summit_2026_ai_mu5s6xyf_inline_1_b7337aa25c.jpg" alt="Brazil technology seminar presentation screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>From an organizational perspective, any technical asset that relies solely on one specific individual creates a bottleneck, regardless of how polished the presentation slides might be. If the original author is unavailable, the content cannot be delivered. Bringing Bruno's talk to the summit served as Dati Labs' initial test to overcome this limitation.</p><div class="ai-insight"><p>Technical knowledge sharing within tech organizations frequently faces key-person dependencies. Overcoming this bottleneck requires more than documentation; it demands a process of internalizing information where the recipient reconstructs the knowledge into their own repertoire, ensuring sustainable organizational learning.</p><p>The inclusion of an appendix with prepared answers regarding measurement timelines, provisioning costs, and model switching gave Voltolini the confidence to handle live Q&amp;A sessions during both rounds.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">64%</span><span class="stat-label">Token variance across different models for identical input</span></div><div class="stat-item"><span class="stat-number">25%</span><span class="stat-label">Token increase when updating models within the same family</span></div></div><p>While thoroughly studying the material and running the demos in his own account to understand the underlying numbers, Voltolini uncovered new data absent from the original deck. Sending an 11-word Portuguese phrase across eight models on Amazon Bedrock resulted in a 64% difference in token count, while updating to a newer Anthropic model family increased the token count by 25% despite sharing the same pricing table.</p><blockquote class="pull-quote"><p>"Preço por token não é preço"</p><cite>Bruno Vilardi Bueno</cite></blockquote><p>This newly discovered metric became the highlight that engaged the audience during both sessions, proving that executing the demos firsthand yields insights that simple memorization misses.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/juanf_voltolini/minha-primeira-palestra-nao-era-minha-3cof" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_startup-summit-2026-ถอดบทเรียนการส่งมอบงานพูดคุย-ai-mu5s6xyf.jpg

small_startup-summit-2026-ถอดบทเรียนการส่งมอบงานพูดคุย-ai-mu5s6xyf.jpg

thumbnail_startup-summit-2026-ถอดบทเรียนการส่งมอบงานพูดคุย-ai-mu5s6xyf.jpg

startup-summit-2026-ถอดบทเรียนการส่งมอบงานพูดคุย-ai-mu5s6xyf.jpg

Juan F. Voltolini เล่าประสบการณ์ขึ้นบรรยายครั้งแรกด้วยเนื้อหาของเพื่อนร่วมทีมใน Startup Summit 2026 พร้อมเผยเหตุผลว่าทำไมการส่งต่อความรู้ต้องอาศัยการทำซ้ำจริง

Juan F. Voltolini shares his first public speaking experience using a teammate's material at Startup Summit 2026, highlighting the value of hands-on demo replication.

Startup Summit 2026: ถอดบทเรียนการส่งมอบงานพูดคุย AI

Startup Summit 2026: Sharing Technical Presentations

<div class="key-takeaways"><ul><li>งานเอเจนต์ทั่วไปต้องใช้การเรียกใช้งานเครื่องมือถึง 50 ครั้งต่อภารกิจ โดยมีอัตราส่วนโทเค็นอินพุตต่อเอาต์พุตราว 100:1</li><li>Deep Agents ตั้งกฎลดภาระด้วยการเขียนไฟล์ลงดิสก์เมื่อการตอบสนองเกิน 20,000 โทเค็น</li><li>Claude Code จำกัดหน่วยความจำอัตโนมัติไว้ที่ 200 บรรทัดแรกหรือ 25KB พร้อมเลื่อนการโหลดสีมาจนกว่าจะเรียกใช้งาน</li><li>Amazon Bedrock AgentCore ใช้โคออร์ดิเนเตอร์กระจายงานให้เบราว์เซอร์ซับเอเจนต์ทำงานขนานกัน 3 ตัวใน MicroVM</li></ul></div><p>บทความนี้พาไปสำรวจเบื้องหลังการทำงานของระบบเอเจนต์ปัญญาประดิษฐ์รุ่นใหม่ ซึ่งประกอบด้วยกลไกการบีบอัดข้อมูล กลยุทธ์หน่วยความจำ การจัดสรรงบประมาณบริบท และสถานะรายการสิ่งที่ต้องทำ โดยมีเครื่องมือชั้นนำอย่าง LangChain Deep Agents, Claude Code, Manus, OpenAI Codex และ Amazon Bedrock AgentCore เป็นกรณีศึกษาในการจัดการภาระงานระยะยาว</p><p>สำหรับวงรอบการทำงานของเอเจนต์แล้ว ปัญหาความจำล้นถือเป็นเรื่องท้าทายอย่างมาก โดยทาง Manus รายงานว่าภารกิจทั่วไปต้องเรียกใช้เครื่องมือประมาณ 50 ครั้ง และมีอัตราส่วนโทเค็นอินพุตต่อเอาต์พุตอยู่ที่ราว 100:1 ข้อมูลจากการสังเกตการณ์ทุกรายการจะถูกสะสมไว้ในหน้าต่างบริบท ทำให้คำสั่งเริ่มต้นถูกดันไปอยู่ตรงกลาง ซึ่งเป็นจุดที่ประสิทธิภาพการเรียกคืนข้อมูลลดลงอย่างเห็นได้ชัด การสูญเสียเป้าหมายจึงไม่ใช่แค่บั๊กของโมเดล แต่เป็นผลลัพธ์ที่พบได้ทั่วไปเมื่อปล่อยให้หน้าต่างบริบทไร้การควบคุมในงานที่มีความยาวต่อเนื่อง</p><p>งานแรกของระบบควบคุมคือการตัดสินใจว่าข้อมูลส่วนใดไม่ควรถูกนำเข้าสู่หน้าต่างบริบทตั้งแต่แรก โดย Deep Agents กำหนดกฎการถ่ายโอนข้อมูลออกภายนอกด้วยตัวเลขที่ชัดเจน เมื่อผลลัพธ์จากเครื่องมือเกิน 20,000 โทเค็น ข้อมูลจะถูกบันทึกรูปลงในระบบไฟล์และแทนที่ด้วยเส้นทางไฟล์พร้อมตัวอย่าง 10 บรรทัดแรก และเมื่อบริบทของเซสชันแตะระดับ 85% ของหน้าต่างโมเดล การเรียกใช้เครื่องมือเขียนและแก้ไขรุ่นเก่าๆ จะถูกตัดทอนให้เหลือเพียงพอยเตอร์</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/context_engineering_4_mtzpr81a_inline_1_e85cf1cf97.jpg" alt="software developer computer screen code workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><p>ในฝั่งของ Claude Code ใช้การจัดสรรงบประมาณในลักษณะเดียวกันกับข้อมูลที่โหลดก่อนพรอมต์แรก หน่วยความจำอัตโนมัติถูกจำกัดไว้ที่ 200 บรรทัดแรกหรือ 25KB สถาปัตยกรรมซับเอเจนต์ของ Anthropic แสดงให้เห็นถึงประสิทธิภาพของการจัดการนี้ โดยซับเอเจนต์แต่ละตัวอาจเผาผลาญโทเค็นนับหมื่นในการสำรวจ แต่จะส่งคืนเฉพาะสรุปที่กลั่นกรองแล้วราว 1,000 ถึง 2,000 โทเค็นเท่านั้น ขณะที่ระบบของ AWS AgentCore สามารถประสานงานให้เบราว์เซอร์ซับเอเจนต์ 3 ตัวทำงานแบบคู่ขนานใน MicroVM แยกกันได้</p><div class="stat-row"><div class="stat-item"><span class="stat-number">50</span><span class="stat-label">การเรียกเครื่องมือต่อภารกิจ</span></div><div class="stat-item"><span class="stat-number">100:1</span><span class="stat-label">อัตราส่วนอินพุตต่อเอาต์พุตโทเค็น</span></div><div class="stat-item"><span class="stat-number">85%</span><span class="stat-label">ขีดจำกัดบริบทเซสชันของ Deep Agents</span></div></div><p>เมื่อการถ่ายโอนข้อมูลออกภายนอกยังไม่เพียงพอ ระบบควบคุมจะหันมาใช้กระบวนการบีบอัดข้อมูล ซึ่งเป็นการสรุปบทสนทนาที่กำลังจะเต็มขีดจำกัดหน้าต่างและเริ่มบริบทใหม่ด้วยข้อมูลสรุปนั้น การดำเนินการนี้มีความเสี่ยงที่ข้อมูลสรุปแบบสูญเสียรายละเอียดจะทำให้ข้อจำกัดสำคัญหลุดหายไป แต่อุปกรณ์แต่ละตัวก็มีแนวทางรับมือที่แตกต่างกัน เช่น Claude Code ที่ช่วยรักษาการตัดสินใจทางสถาปัตยกรรมและบั๊กที่ยังไม่ถูกแก้ไขไว้</p><div class="ai-insight"><p>การทำ Context Engineering ในเอเจนต์ยุคใหม่สะท้อนให้เห็นว่า หน้าต่างบริบท (Context Window) ไม่ใช่พื้นที่เก็บข้อมูลแบบถาวร แต่เป็นทรัพยากรที่มีต้นทุนสูง การออกแบบระบบจึงต้องมองข้ามแค่ความสามารถของ LLM ไปสู่การสร้างโครงสร้างพื้นฐานภายนอก เช่น การใช้ระบบไฟล์ การทำซับเอเจนต์ และการเก็บบันทึกสถานะแยกต่างหาก เพื่อให้เอเจนต์สามารถทำงานต่อเนื่องหลายชั่วโมงโดยไม่สูญเสียทิศทาง</p></div><p>ด้าน OpenAI ได้นำการบีบอัดข้อมูลเข้าสู่ชั้น API ด้วยเช่นกัน โดยResponses API มีระบบบีบอัดฝั่งเซิร์ฟเวอร์ผ่าน parameter context_management ควบคู่กับจุดเชื่อมต่อ /responses/compact ที่ส่งคืนหน้าต่างบริบทแบบเข้ารหัส ขณะที่ในส่วนของสถานะรายการสิ่งที่ต้องทำ (todo-state) มีผลการประเมินที่หลากหลาย โดย Deep Agents เคยใช้เครื่องมือ write_todos เป็นค่าเริ่มต้นจนถึงเดือนกรกฎาคม 2026 ก่อนจะปรับให้เป็นแบบเลือกเปิดใช้งานภายหลังจากการประเมินพบว่าต้นทุนลดลงเมื่อปิดการใช้งานในบางประเภทงาน</p><p>โดยสรุปแล้ว รูปแบบเบื้องหลังกลไกเหล่านี้คือการทำให้เป้าหมายดำรงอยู่เป็นวัตถุที่สามารถปรับเปลี่ยนได้ แทนที่จะเป็นเพียงข้อความในประวัติการสนทนา ข้อความทั่วไปจะเสื่อมสภาพและถูกย่อสรุป แต่ไฟล์ที่ถูกเขียนทับทุกๆ ไม่กี่รอบการทำงานจะมีขนาดสั้นและคงอยู่เสมอไม่ว่าจะผ่านการรีเซ็ตระบบกี่ครั้งก็ตาม</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/12/context-engineering-inside-the-harness-4-mechanisms-that-beat-context-overflow-and-goal-loss-on-long-horizon-tasks/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>A typical agent task requires around 50 tool calls with an input-to-output token ratio near 100:1.</li><li>Deep Agents offloads tool responses exceeding 20,000 tokens directly to the filesystem.</li><li>Claude Code caps auto memory at the first 200 lines or 25KB while deferring MCP tool schemas.</li><li>AWS AgentCore coordinates 3 parallel browser subagents running in separate MicroVMs.</li></ul></div><p>This article explores the inner workings of advanced artificial intelligence agent systems, covering compaction, memory strategies, context budgeting, and todo-state management. Tools like LangChain Deep Agents, Claude Code, Manus, OpenAI Codex, and Amazon Bedrock AgentCore serve as key case studies in handling long-horizon workloads.</p><p>For an agent loop, context overflow poses a severe challenge. Manus reports that a typical task requires approximately 50 tool calls, with an input-to-output token ratio running near 100:1. Every observation lands in context and stays there, pushing the original instruction right into the middle of the window where recall degrades. Goal loss is consequently an expected outcome of unmanaged context during prolonged tasks.</p><p>The harness first determines what never enters the window at all. Deep Agents implements two strict offloading rules with hard numbers. When a tool response exceeds 20,000 tokens, it gets written to the filesystem and replaced by a file path and a 10-line preview. When session context crosses 85% of the model window, older write and edit tool calls are truncated to pointers.</p><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/context_engineering_4_mtzpr81a_inline_1_e85cf1cf97.jpg" alt="software developer computer screen code workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><p>Claude Code applies similar budgeting principles to data loaded before the first prompt. Auto memory remains capped at the first 200 lines or 25KB. Anthropic's subagent architecture demonstrates the effectiveness of this approach, where each subagent consumes tens of thousands of tokens exploring but returns a distilled summary of just 1,000 to 2,000 tokens. Meanwhile, AWS AgentCore coordinates three browser subagents running in parallel across separate MicroVMs.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">50</span><span class="stat-label">Tool calls per task</span></div><div class="stat-item"><span class="stat-number">100:1</span><span class="stat-label">Token input-to-output ratio</span></div><div class="stat-item"><span class="stat-number">85%</span><span class="stat-label">Deep Agents session context threshold</span></div></div><p>When offloading proves insufficient, the harness resorts to compaction. This practice summarizes conversations nearing window limits and reinitiates a fresh context. Compaction carries the risk of losing vital constraints through lossy summaries, prompting different platforms to implement specialized safeguards such as preserving architectural decisions and unresolved bugs in Claude Code.</p><div class="ai-insight"><p>Context engineering in modern agents highlights that the context window is not a permanent storage vault but a high-cost resource. System design must transcend raw LLM capability by building robust external infrastructure—such as filesystems, subagents, and separate state logs—allowing agents to run for hours without losing directional focus.</p></div><p>OpenAI has also integrated compaction into its API layer. The Responses API offers server-side compaction via context_management parameters alongside a standalone endpoint that returns an encrypted compaction item. Regarding todo-state handling, evaluations yielded mixed results; Deep Agents utilized write_todos by default until July 2026 before shifting it to opt-in based on evaluations showing lower costs with it disabled for specific tasks.</p><p>Ultimately, the underlying pattern across all these mechanisms is treating goals as mutable artifacts rather than static messages in history. While messages age and get summarized, files rewritten every few turns remain recent, concise, and resilient across resets.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/12/context-engineering-inside-the-harness-4-mechanisms-that-beat-context-overflow-and-goal-loss-on-long-horizon-tasks/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_context-engineering-4-กลไกแก้ปัญหาบริบทเต็มและเป้าหมายหลุด-mtzpr81a.jpg

small_context-engineering-4-กลไกแก้ปัญหาบริบทเต็มและเป้าหมายหลุด-mtzpr81a.jpg

thumbnail_context-engineering-4-กลไกแก้ปัญหาบริบทเต็มและเป้าหมายหลุด-mtzpr81a.jpg

context-engineering-4-กลไกแก้ปัญหาบริบทเต็มและเป้าหมายหลุด-mtzpr81a.jpg

เจาะลึก 4 กลไกจัดการ Context ใน LangChain, Claude Code, Manus และ AWS เพื่อแก้ปัญหาความจำล้นและเป้าหมายหลุดในงานระยะยาว

An in-depth look at 4 context management mechanisms in LangChain, Claude Code, Manus, and AWS to solve overflow and goal loss.

Context Engineering: 4 กลไกแก้ปัญหาบริบทเต็มและเป้าหมายหลุด

Context Engineering: 4 Ways to Beat Context Overflow

<div class="key-takeaways"><ul><li>เพิ่มระบบ Semantic Search ใน DynamoDB ได้โดยไม่ต้องแยกบริการ</li><li>ใช้ Amazon Bedrock รุ่น Titan Text Embeddings V2 สร้างเวกเตอร์ 1024 มิติ</li><li>รวมฟิลด์ข้อมูลสูตรอาหารเป็นสตริงเดียวเพื่อรองรับการค้นหาที่ครอบคลุม</li><li>จัดการข้อมูลย้อนหลัง (Backfill) สำหรับตารางที่มีอยู่เดิมด้วยสคริปต์ครั้งเดียว</li></ul></div><p>การเพิ่มฟังก์ชันการค้นหาให้กับแอปพลิเคชันมักมาพร้อมกับความยุ่งยากในการจัดการคอมโพเนนต์ส่วนเกิน จุดที่อาจเกิดความผิดพลาด และปัญหาการซิงโครไนซ์ข้อมูล แต่ด้วยฟีเจอร์ Vector Search ใน DynamoDB นักพัฒนาสามารถเก็บเวกเตอร์ embeddings ควบคู่ไปกับข้อมูลเดิมและทำการค้นหาได้โดยตรง ทำให้ผู้ใช้งานสามารถค้นหาสูตรอาหารด้วยภาษามธรรมชาติได้ทันทีโดยไม่ต้องพึ่งพาการจับคู่คำสำคัญแบบเป๊ะๆ อีกต่อไป</p><p>ระบบตัวอย่างนี้ถูกพัฒนาขึ้นบนสถาปัตยกรรมแบบ Serverless โดยใช้ SAM สำหรับโครงสร้างพื้นฐาน, API Gateway, ฟังก์ชัน Lambda และ DynamoDB สำหรับจัดเก็บข้อมูลสูตรอาหารที่มีการทำงาน CRUD พื้นฐาน ความซับซ้อนในอดีตเกิดขึ้นเมื่อต้องการเพิ่มตัวกรองข้อมูลที่ต้องอาศัย Global Secondary Indexes (GSI) จำนวนมาก ซึ่งไม่สามารถขยายระบบได้อย่างมีประสิทธิภาพ จนกระทั่งการรองรับ Vector Index แบบเนทีฟเข้ามาช่วยแก้ปัญหานี้</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/semantic_search_dynamodb_vector_indexes_mt24rbux_inline_1_c08a385620.jpg" alt="database code developer screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>หัวใจสำคัญของการทำ Semantic Search คือการแปลงข้อความให้อยู่ในรูปของ embeddings ซึ่งเป็นชุดตัวเลขที่แสดงถึงความหมาย โดยผู้เขียนได้เลือกใช้โมเดล Amazon Bedrock Titan Text Embeddings V2 เนื่องจากให้เวกเตอร์ขนาด 1024 มิติที่มีการ normalized เรียบร้อยและทำงานร่วมกับ cosine similarity ได้เป็นอย่างดี การเลือกข้อความที่จะนำมาแปลงเป็นสิ่งสำคัญ โดยในกรณีนี้ได้รวมฟิลด์สำคัญ เช่น ชื่อ, คำอธิบาย, ประเภทอาหาร, ป้ายกำกับด้านอาหาร และส่วนผสม เข้าไว้ด้วยกันในสตริงเดียวเพื่อให้การค้นหาครอบคลุมทุกมิติ</p><div class="stat-row"><div class="stat-item"><span class="stat-number">1024</span><span class="stat-label">มิติเวกเตอร์ของ Titan V2</span></div><div class="stat-item"><span class="stat-number">100-150ms</span><span class="stat-label">ความหน่วงของการเรียก embedding</span></div></div><p>เนื่องจากในปัจจุบัน Vector Index ยังไม่รองรับการกำหนดค่าผ่าน CloudFormation จึงต้องใช้สคริปต์เสริมเพื่อรันคำสั่ง UpdateTable หลังการ deployment โดยดัชนีนี้ถูกสร้างขึ้นด้วยระยะทางแบบ cosine distance พร้อมกำหนดมิติ 1024 และเพิ่มการกรองแบบอินไลน์สำหรับประเภทอาหาร สำหรับแอปพลิเคชันที่ไม่สามารถรองรับความหน่วงระดับ 100-150 มิลลิวินาทีจากการเรียก embedding ได้โดยตรง จำเป็นต้องสร้าง embeddings แบบอะซิงโครนัสผ่าน DynamoDB Streams และ Lambda ฟังก์ชัน พร้อมระมัดระวังเรื่องลูปอนันต์ที่อาจเกิดขึ้นจากการอัปเดตไอเทม</p><blockquote class="pull-quote"><p>&quot;The biggest takeaway for me is that choosing what text to embed matters more than I expected.&quot;</p><cite>AWS Community Builder</cite></ul></blockquote><div class="ai-insight"><p>การนำ Vector Index มาใส่ใน DynamoDB โดยตรงช่วยตัดปัญหาเรื่องการดูแลรักษา Data Pipeline แยกต่างหาก ซึ่งปกติมักจะเป็นจุดตายของระบบค้นหาขนาดเล็ก การรวมข้อมูลหลายฟิลด์เข้าเป็นข้อความเดียวก่อนสร้าง embedding ถือเป็นเทคนิคที่มีประโยชน์อย่างมากในการเพิ่มความแม่นยำของการค้นหาเชิงความหมายโดยไม่ต้องออกแบบโครงสร้างฐานข้อมูลใหม่ทั้งหมด</p></div><p>สำหรับตารางที่มีข้อมูลอยู่เดิมซึ่งยังไม่มีการสร้าง embeddings จําเป็นต้องรันกระบวนการ Backfill เพื่อสแกนตารางและอัปเดตข้อมูลทีละรายการ หรือใช้งาน DynamoDB Export ไปยัง S3 ในกรณีที่ไม่สามารถสแกนข้อมูลทั้งหมดได้โดยตรง ทั้งหมดนี้ช่วยให้ระบบค้นหาเชิงความหมายสามารถทำงานอยู่บนฐานข้อมูลเดิมได้ทันทีโดยไม่ต้องเพิ่มโครงสร้างพื้นฐานอื่นให้ซับซ้อน</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/aws-builders/adding-semantic-search-to-an-existing-dynamodb-table-with-vector-indexes-4icj" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Add semantic search directly to DynamoDB without managing a separate search service.</li><li>Utilize Amazon Bedrock Titan Text Embeddings V2 for 1024-dimension vectors.</li><li>Combine multiple recipe fields into a single string for comprehensive search coverage.</li><li>Perform data backfills using scripts or S3 exports for tables with existing records.</li></ul></div><p>Adding search functionality to applications traditionally introduces extra components, failure points, and synchronization challenges. However, with the introduction of native vector search in DynamoDB, developers can store vector embeddings directly alongside their data and perform searches natively. This allows users to search recipes using natural language queries based on true meaning rather than exact keyword matches.</p><p>The reference architecture relies on a serverless setup utilizing SAM for infrastructure, API Gateway, Lambda functions, and DynamoDB for storage with standard CRUD operations. Managing filters previously required creating multiple Global Secondary Indexes, which quickly becomes unscalable. Native vector indexes eliminate this limitation by allowing direct similarity queries.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/semantic_search_dynamodb_vector_indexes_mt24rbux_inline_1_c08a385620.jpg" alt="database code developer screen" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Semantic search operates by transforming text into embeddings—lists of numbers representing semantic meaning. The author selected Amazon Bedrock's Titan Text Embeddings V2 model, producing normalized 1024-dimension vectors that pair naturally with cosine similarity. To maximize search accuracy, key fields including name, description, cuisine, dietary tags, and ingredients are concatenated into a single string representation.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">1024</span><span class="stat-label">Vector Dimensions</span></div><div class="stat-item"><span class="stat-number">100-150ms</span><span class="stat-label">Embedding Call Latency</span></div></div><p>Because vector indexes are not yet supported in CloudFormation, a post-deployment script using the UpdateTable command is required to create the index. It is configured with cosine distance, 1024 dimensions, and an inline filter on cuisine. Applications unable to absorb the 100-150ms embedding generation latency can generate embeddings asynchronously using DynamoDB streams and a Lambda function, while taking precautions against infinite loops.</p><blockquote class="pull-quote"><p>&quot;The biggest takeaway for me is that choosing what text to embed matters more than I expected.&quot;</p><cite>AWS Community Builder</cite></ul></blockquote><div class="ai-insight"><p>Integrating vector indexes directly into existing operational databases removes the operational overhead of maintaining a synchronized secondary search pipeline. Concatenating multiple attributes into a unified embedding text input significantly improves search relevance without requiring complex multi-attribute querying structures.</p></div><p>Tables with pre-existing data require a backfill process to generate and populate embeddings for historical records, which can be achieved via table scans or DynamoDB Export to S3. Ultimately, this approach lets developers implement powerful semantic search while keeping their data securely within their existing DynamoDB tables.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/aws-builders/adding-semantic-search-to-an-existing-dynamodb-table-with-vector-indexes-4icj" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_article-3592.jpg

small_article-3592.jpg

thumbnail_article-3592.jpg

article-3592.jpg

เจาะลึกวิธีเพิ่มระบบค้นหาเชิงความหมายลงในตาราง DynamoDB ที่มีอยู่แล้วโดยไม่ต้องพึ่งพาเซิร์ฟเวอร์แยกภายนอก พร้อมใช้ Amazon Bedrock

Learn how to add semantic search capabilities to an existing DynamoDB table using native vector indexes and Amazon Bedrock without external search stacks.

เพิ่ม Semantic Search ให้ DynamoDB ด้วย Vector Indexes

Adding Semantic Search to DynamoDB with Vector Indexes

<div class="key-takeaways"><ul><li>AWS ขึ้นแท่นพาร์ทเนอร์คลาวด์และ AI เชิงกลยุทธ์หลักของ Novo Nordisk</li><li>เปิดตัวศูนย์นวัตกรรมร่วมในลอนดอนผสานทีมนักวิจัยและวิศวกร AWS</li><li>นำ Amazon Bio Discovery และ AI Agents มาใช้ในการออกแบบตัวยาและระบุเป้าหมาย</li><li>เอกสารการทดลองทางคลินิกใช้เวลาลดลงเหลือเพียงไม่กี่นาทีด้วยเทคโนโลยี Generative AI</li></ul></div><p>โนโว นอร์ดิสค์ (Novo Nordisk) ประกาศขยายการใช้งานเครื่องมือปัญญาประดิษฐ์ของแอมะซอน เว็บ เซอร์วิสเซส (AWS) สู่กระบวนการค้นหาและพัฒนายาเชิงลึก ครอบคลุมตั้งแต่การระบุเป้าหมายโรค การออกแบบวิธีรักษา ไปจนถึงการยกระดับขั้นตอนการทำวิจัย โดยภายใต้ข้อตกลงดังกล่าว AWS จะเข้ามาเป็นผู้ให้บริการคลาวด์หลักและพาร์ทเนอร์ AI เชิงกลยุทธ์ให้กับบริษัทยายักษ์ใหญ่รายนี้ พร้อมทั้งมีการจัดตั้งศูนย์นวัตกรรมร่วมกัน (co-innovation hub) ณ สำนักงานในกรุงลอนดอน สหราชอาณาจักร</p><p>ศูนย์วิจัยแห่งใหม่ในลอนดอนนี้ จะเป็นสถานที่ทำงานร่วมกันโดยตรงระหว่างทีมนักวิจัย เจ้าหน้าที่ R&amp;D ของโนโว นอร์ดิสค์ กับวิศวกรผู้เชี่ยวชาญด้าน AI และทีมนักวิทยาศาสตร์ข้อมูลจาก AWS โดยมีเป้าหมายสำคัญเพื่อลดช่องว่างและขั้นตอนการส่งต่องานระหว่างการวิเคราะห์ด้วยคอมพิวเตอร์และการทดลองในห้องปฏิบัติการให้สั้นลง เมื่อตัวยา candidate เคลื่อนผ่านขั้นตอนการพัฒนาช่วงต้น</p><p>ทิลเด ฮัมเมล บอเกเบียร์ก (Thilde Hummel Bøgebjerg) รองประธานบริหารฝ่าย Enterprise IT &amp; Quality ของโนโว นอร์ดิสค์ ระบุว่า ความร่วมมือครั้งนี้เป็นการผสานศักยภาพด้าน AI เข้ากับความเชี่ยวชาญทางวิทยาศาสตร์เชิงลึกของบริษัท เพื่อมุ่งเน้นผลลัพธ์ที่ตอบโจทย์ผู้ป่วยอย่างแท้จริง ด้าน แดน ชีแมน (Dan Sheeran) รองประธานและผู้จัดการทั่วไปฝ่าย Healthcare and Life Sciences ของ AWS เสริมว่า ความร่วมมือนี้มุ่งเน้นการใช้ Agentic AI เพื่อขจัดคอขวดในกระบวนการค้นคว้ายา</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/novo_nordisk_aws_agentic_ai_msoi206k_inline_1_e77d4e3c77.jpg" alt="United Kingdom London tech office collaboration meeting" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="ai-insight"><p>การนำ Agentic AI หรือระบบเอเจนต์อัจฉริยะมาใช้ในการค้นคว้ายานั้น ถือเป็นก้าวสำคัญที่ก้าวข้ามจากการใช้ AI แบบถาม-ตอบทั่วไป สู่ความสามารถในการวางแผนและดำเนินงานหลายขั้นตอนต่อกันได้เอง (multi-step workflows) ซึ่งช่วยเชื่อมโยงข้อมูลชีวสารสนเทศขนาดใหญ่เข้ากับการทดลองทางห้องปฏิบัติการได้อย่างไรรอยต่อ ลดเวลาและความซ้ำซ้อนในกระบวนการวิจัยทางเภสัชกรรมที่ปกติใช้เวลาหลายปี</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">90%+</span><span class="stat-label">ลดเวลาจัดทำเอกสารคลินิก</span></div><div class="stat-item"><span class="stat-number">25,000+</span><span class="stat-label">พนักงานใช้งานแชทบอทบน Bedrock</span></div></div><p>ก่อนหน้าข้อตกลงนี้ โนโว นอร์ดิสค์ เคยนำเทคโนโลยีของ AWS ไปใช้ภายในองค์กรมาแล้ว โดยมีพนักงานมากกว่า 25,000 คนใช้งานแพลตฟอร์ม Generative AI บน Amazon Bedrock สร้างแชทบอทรองรับกว่า 2,500 Use Cases นอกจากนี้ ระบบดังกล่าวยังช่วยลดระยะเวลาในการจัดทำเอกสารการศึกษาทางคลินิกบางประเภทลงได้มากกว่าร้อยละ 90 จากเดิมที่เคยต้องใช้ทีมงาน 40 ถึง 50 คนใช้เวลาถึง 15 สัปดาห์ ให้เหลือเพียงไม่กี่นาทีสำหรับทีมงาน 3 คน ภายใต้การตรวจสอบความถูกต้องโดยบุคลากรทางการแพทย์</p><p>ภายใต้ความร่วมมือรอบใหม่นี้ เทคโนโลยีที่จะถูกนำมาใช้งานเพิ่มเติม ได้แก่ Amazon Bio Discovery ซึ่งออกแบบมาเพื่อสนับสนุนงานชีววิทยาเชิงคำนวณผ่านโมเดล AI กว่า 40 โมเดล รวมถึงการใช้ AI Agents ในการประสานการทำงานหลายขั้นตอน นอกจากนี้ บริษัทยังเตรียมใช้ Amazon Bedrock AgentCore เพื่อดำเนินงานข้ามชุดข้อมูลองค์กร และใช้งานซูเปอร์คอมพิวเตอร์ Gefion ในเดนมาร์กควบคู่กันไปสำหรับการพัฒนาโมเดล AI ที่มีความซับซ้อนสูง</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/novo-nordisk-ai-drug-discovery-aws/" target="_blank" rel="noopener noreferrer">AI News</a></p>

<div class="key-takeaways"><ul><li>AWS becomes Novo Nordisk's preferred cloud and strategic AI partner</li><li>A new co-innovation hub in London brings together pharma scientists and AWS engineers</li><li>Amazon Bio Discovery and AI agents deployed for target identification and therapy design</li><li>Clinical documentation generation time slashed by over 90% using generative AI</li></ul></div><p>Novo Nordisk is scaling up its utilization of Amazon Web Services artificial intelligence tools across the drug discovery pipeline, spanning target identification, therapy design, and research workflows. Under the newly announced agreement, AWS has been appointed as Novo Nordisk's preferred cloud provider and strategic AI partner, alongside the establishment of a co-innovation hub at the pharmaceutical company's facility in London, United Kingdom.</p><p>The London-based hub will unite Novo Nordisk R&amp;D staff with AWS engineers, AI specialists, applied scientists, and professional services teams. According to AWS, this arrangement is structured to minimize handoffs between computational analysis and laboratory experimentation as candidate drugs advance through early-stage development phases.</p><p>Thilde Hummel Bøgebjerg, executive vice president of Enterprise IT &amp; Quality at Novo Nordisk, stated that the partnership merges advanced artificial intelligence with the company's deep scientific expertise to focus on patient impact. Dan Sheeran, vice president and general manager of Healthcare and Life Sciences at AWS, emphasized that the collaboration centers on applying agentic AI to eliminate persistent bottlenecks across the drug discovery process rather than merely observing them.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/novo_nordisk_aws_agentic_ai_msoi206k_inline_1_e77d4e3c77.jpg" alt="United Kingdom London tech office collaboration meeting" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="ai-insight"><p>The integration of agentic AI systems into pharmaceutical research marks a critical evolution from standard conversational chatbots to autonomous, multi-step workflows. By seamlessly bridging computational biology models with physical laboratory testing and enterprise datasets, these technologies aim to drastically shorten the notoriously lengthy and high-attrition timelines inherent in bringing new medications to clinical trials.</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">90%+</span><span class="stat-label">Reduction in clinical doc time</span></div><div class="stat-item"><span class="stat-number">25,000+</span><span class="stat-label">Employees using Bedrock chatbots</span></div></div><p>Prior to this broader agreement, Novo Nordisk had already deployed AWS technologies internally. An AWS case study highlights that over 25,000 employees have utilized a generative AI platform built on Amazon Bedrock to power chatbots addressing more than 2,500 use cases. Furthermore, a deployment utilizing Anthropic's Claude 3.5 on Bedrock reduced the time required to generate specific clinical study documentation by over 90%, shrinking a task that previously took 40 to 50 people up to 15 weeks down to just minutes for a team of three, subject to medical professional oversight.</p><p>The expanded partnership extends generative AI deeper into actual drug research through tools such as Amazon Bio Discovery, which provides researchers access to over 40 biological AI models orchestrated by AI agents. Additionally, Novo Nordisk plans to leverage Amazon Bedrock AgentCore to execute multi-step workflows across enterprise systems, while maintaining separate collaborations with entities like OpenAI and utilizing Denmark's Gefion supercomputer for intensive data workloads.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/novo-nordisk-ai-drug-discovery-aws/" target="_blank" rel="noopener noreferrer">AI News</a></p>

medium_novo-nordisk-aws-agentic-ai-msoi206k.jpg

small_novo-nordisk-aws-agentic-ai-msoi206k.jpg

thumbnail_novo-nordisk-aws-agentic-ai-msoi206k.jpg

novo-nordisk-aws-agentic-ai-msoi206k.jpg

โนโว นอร์ดิสค์ ขยายความร่วมมือกับ AWS แต่งตั้งเป็นพาร์ทเนอร์คลาวด์และ AI เชิงกลยุทธ์ พร้อมตั้งศูนย์นวัตกรรมในลอนดอนเพื่อเร่งกระบวนการคิดค้นยาด้วยปัญญาประดิษฐ์

Novo Nordisk expands its partnership with AWS, naming it preferred cloud and strategic AI provider while establishing a co-innovation hub in London to accelerate pharmaceutical research.

Novo Nordisk ผจับมือ AWS นำ Agentic AI ลุยพัฒนายา

Novo Nordisk and AWS team up to bring agentic AI to drug discovery

<div class="key-takeaways"><ul><li>Superblocks ทำข้อตกลงร่วมมือทางการตลาดหลายปีกับ AWS</li><li>แอปพลิเคชันทำงานบนคลาวด์ส่วนตัวของบริษัท ป้องกันข้อมูลรั่วไหล</li><li>เชื่อมต่อกับ Amazon Aurora และ Amazon Bedrock โดยตรง</li><li>สะท้อนเทรนด์คลาวด์ใหญ่ดึงลูกค้าแยกโมเดล AI ออกจากโครงสร้างพื้นฐาน</li></ul></div><p>วงการสตาร์ทอัพสาย Vibe-coding ได้รับความสนใจครั้งใหญ่เมื่อ Superblocks ประกาศข้อตกลงร่วมมือทางการตลาดระยะเวลาหลายปีกับ Amazon Web Services หรือ AWS ความร่วมมือครั้งนี้เปิดทางให้เครื่องมือของ Superblocks สามารถนำไปฝังไว้ภายในระบบคลาวด์ส่วนตัวของลูกค้า AWS ได้โดยตรง ส่งผลให้องค์กรที่ใช้บริการ AWS และเป็นสมาชิกของ Superblocks สามารถนำกระบวนการ Vibe-coding ไปให้ผู้ใช้งานทั่วไปภายในบริษัทได้ใช้งานอย่างปลอดภัย</p><p>ความโดดเด่นของแนวทางนี้คือ แอปพลิเคชันที่สร้างขึ้นมาจะไม่ส่งข้อมูลหรือสารสนเทศออกไปภายนอกยังผู้ให้บริการโมเดลหรือฐานข้อมูลภายนอก โดยตัวแอปจะทำการเรียกใช้งานฐานข้อมูล Amazon Aurora ภายในคลาวด์ส่วนตัวของบริษัทเอง แทนที่จะเป็นการสร้างฐานข้อมูลภายนอกอย่าง Supabase ซึ่งเป็นฐานข้อมูลยอดนิยมสำหรับสาย Vibe-coding นอกจากนี้ แอปเหล่านี้ยังสามารถบูรณาการเข้ากับ Amazon Bedrock ซึ่งเป็นแพลตฟอร์มการพัฒนาแอป AI เกตเวย์ และการอนุมานของยักษ์ใหญ่คลาวด์รายนี้ได้ทันที ทำให้แอปพลิเคชันอยู่ภายใต้การจัดการและมาตรการรักษาความปลอดภัยของฝ่ายไอทีองค์กรโดยอัตโนมัติ ไม่กลายเป็นแอปพลิเคชันนอกลู่นอกทาง</p><div class="ai-insight"><p>กลยุทธ์การฝังเครื่องมือลงในคลาวด์ส่วนตัวนี้สะท้อนให้เห็นถึงความพยายามของ AWS ในการอุดช่องว่างของตนเอง เนื่องจากปัจจุบัน AWS ยังไม่มีเอเจนต์ Vibe-coding ระดับผู้ใช้งานทั่วไปที่เป็นของตนเอง แม้จะมี Kiro สำหรับนักพัฒนา หรือ Quick สำหรับผู้ใช้งานทั่วไปที่ทำหน้าที่คล้าย Microsoft Copilot แต่ก็ยังไม่ใช่เครื่องมือประเภท Vibe-coding แบบแท้จริง ความร่วมมือกับ Superblocks ที่มีพนักงาน 50 คนและระดมทุนไปแล้ว 60 ล้านดอลลาร์ในรอบ Series A เมื่อเดือนพฤษภาคม 2025 จึงช่วยเติมเต็มส่วนนี้ได้อย่างลงตัว</p></div><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/aws_superblocks_vibe_coding_msdu1vs6_inline_1_d6e66b0bb3.jpg" alt="artificial intelligence dashboard software interface" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><p>ยิ่งไปกว่านั้น ความเคลื่อนไหวดังกล่าวถือเป็นสัญลักษณ์ที่บ่งบอกถึงเทรนด์ที่กำลังเติบโตอย่างรวดเร็ว ซึ่งผู้ให้บริการคลาวด์รายใหญ่ต่างกระตุ้นให้ลูกค้าองค์กรทำการแยกโมเดล AI ของตนออกจากองค์ประกอบอื่นๆ ที่จำเป็นต่อการรัน AI และให้ทำสิ่งเหล่านี้บนคลาวด์ของพวกเขาเอง แทนที่จะพึ่งพาผู้ให้บริการแนวหน้าเพียงรายเดียว โดยบริษัทคลาวด์ต้องการให้องค์กรซื้อเครื่องมือจัดการ AI หรือเอเจนต์แอพพลิเคชันจากพวกเขาโดยตรง</p><p>แนวทางนี้สอดคล้องกับสิ่งที่ Satya Nadella ซีอีโอของ Microsoft ได้ออกมากล่าวกับลูกค้าองค์กรในช่วงไม่กี่สัปดาห์ที่ผ่านมา โดยแนะนำให้ใช้งานโมเดลหลากหลายเพื่อลดต้นทุนและหลีกเลี่ยงการผูกขาด พร้อมทั้งเตือนว่าห้องปฏิบัติการ AI อาจมีความน่าเชื่อถือไม่เพียงพอสำหรับการจัดการเอเจนต์หรือโครงสร้างระดับแอปพลิเคชัน เนื่องจากข้อมูลดังกล่าวอาจถูกนำไปศึกษาและใช้เป็นคู่แข่งในอนาคต</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=techcrunch.com&sz=64" alt="TechCrunch" class="source-logo" width="16" height="16" /> <a href="https://techcrunch.com/2026/08/03/aws-is-helping-vibe-coding-startup-superblocks-and-the-implications-is-big/" target="_blank" rel="noopener noreferrer">TechCrunch</a></p>

<div class="key-takeaways"><ul><li>Superblocks secures a multiyear joint marketing agreement with AWS</li><li>Applications run inside company private clouds to prevent data leakage</li><li>Direct integration with Amazon Aurora and Amazon Bedrock</li><li>Reflects the broader cloud trend of separating AI models from scaffolding</li></ul></div><p>The vibe-coding startup Superblocks has announced a major multiyear joint marketing agreement with Amazon Web Services, allowing its development tool to be embedded seamlessly within the private clouds of AWS customers. This means that enterprise clients subscribing to Superblocks can offer vibe-coding capabilities directly to their internal business users while keeping all data secure within their own infrastructure.</p><p>Under this arrangement, applications built through the platform will not send data externally to model providers or third-party databases. Instead, these apps will spin up Amazon Aurora databases inside the enterprise's private cloud rather than utilizing external databases like Supabase. Furthermore, the applications will integrate directly with Amazon Bedrock, AWS's AI app development and inference platform, ensuring they fall squarely under corporate IT management and security protocols rather than operating as rogue applications.</p><div class="ai-insight"><p>This partnership serves as a strategic boost for Superblocks, an early-stage startup with 50 employees that raised a total of $60 million as of its Series A in May 2025. For AWS, filling the gap in the vibe-coding sector—where it currently lacks a dedicated non-developer vibe-coding agent despite having tools like Kiro for developers and Quick for business users—is a crucial step in matching enterprise demand.</p></div><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/aws_superblocks_vibe_coding_msdu1vs6_inline_1_d6e66b0bb3.jpg" alt="artificial intelligence dashboard software interface" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><p>More importantly, the move highlights a growing industry trend where hyperscaler cloud providers urge enterprise customers to decouple their AI models from the scaffolding required to run enterprise AI workloads. Cloud giants want organizations to purchase AI harnesses, orchestration, and security tools directly from them rather than relying entirely on frontier model providers.</p><p>This philosophy echoes recent statements from Microsoft CEO Satya Nadella, who has advised enterprise customers to utilize multiple models to reduce costs and avoid vendor lock-in. Nadella has emphasized that AI labs may not be trustworthy enough to handle agent orchestration or application-level harnesses, as data could potentially be harvested to train competing services.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=techcrunch.com&sz=64" alt="TechCrunch" class="source-logo" width="16" height="16" /> <a href="https://techcrunch.com/2026/08/03/aws-is-helping-vibe-coding-startup-superblocks-and-the-implications-is-big/" target="_blank" rel="noopener noreferrer">TechCrunch</a></p>

medium_article-1406.png

small_article-1406.png

thumbnail_article-1406.png

article-1406.png

Amazon Web Services ประกาศความร่วมมือกับ Superblocks สตาร์ทอัพสาย Vibe-coding เพื่อฝังเครื่องมือลงในคลาวด์ส่วนตัวของลูกค้าองค์กร พร้อมความปลอดภัยสูงสุด

Amazon Web Services announces a multiyear joint marketing agreement with Superblocks, enabling its tool to be embedded directly within customer private clouds.

AWS จับมือ Superblocks ดันสตาร์ทอัพ Vibe-coding สู่ระบบคลาวด์องค์กร

AWS Partners with Vibe-Coding Startup Superblocks for Enterprise Cloud Integration

<div class="key-takeaways"><ul><li>Guardoc Health ประมวลผลเอกสารคลินิกกว่า 1 ล้านฉบับต่อวันผ่านโมเดล Amazon Nova บน Amazon Bedrock</li><li>ระบบช่วยลดข้อผิดพลาดในการจัดทำเอกสารลง 46 เปอร์เซ็นต์ และลดค่าปรับจากการตรวจสอบลง 70 เปอร์เซ็นต์</li><li>สถาปัตยกรรมระบบออกแบบด้วยตรรกะการแบ่งระดับต้นทุน ผสานการทำงานของ Amazon Textract, Titan และ Nova Pro</li><li>การจัดการเอกสารที่ซับซ้อน เช่น ลายมือแพทย์และแบบฟอร์มหลากหลายรูปแบบ ช่วยป้องกันความเสี่ยงด้านการรักษาพยาบาลและการเบิกจ่าย</li></ul></div><p>การนำปัญญาประดิษฐ์หรือ AI เข้ามาประยุกต์ใช้กับเอกสารทางคลินิกถือเป็นเรื่องของการคำนวณความเสี่ยงที่แม่นยำ หากระบบทำงานผิดพลาด ความเสียหายจะสะสมกลายเป็นปัญหาใหญ่ เช่น การถูกปฏิเสธการเบิกจ่าย Medicare ภายใต้โมเดลการจ่ายเงินตามอาการผู้ป่วย (Patient-Driven Payment Model) ค่าปรับจากการตรวจสอบ การถูกฟ้องร้อง และในกรณีที่แย่ที่สุดคือการวินิจฉัยโรคตกหล่นซึ่งส่งผลโดยตรงต่อแนวทางการรักษาผู้ป่วย</p><p>ในทางกลับกัน หากระบบทำงานได้อย่างถูกต้อง ผลลัพธ์ที่ได้คือการแก้ไขข้อมูลที่ลดลง การย้ายผู้ป่วยไปโรงพยาบาลน้อยลง และต้นทุนการปฏิบัติตามกฎระเบียบที่ลดต่ำลง โดยทาง Guardoc Health บริษัทผู้พัฒนาซอฟต์แวร์จัดทำเอกสารสำหรับผู้ให้บริการดูแลผู้ป่วยระยะยาว ได้เผยแพร่ตัวเลขการใช้งานที่สะท้อนถึงความสำเร็จในด้านดังกล่าว</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/guardoc_health_amazon_nova_bedrock_ms4x0edb_inline_1_2c0452a805.jpg" alt="healthcare ai software clinical documentation" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>กระบวนการทำงานของ Guardoc Health ต้องรองรับเอกสารที่เข้ามาเกือบทุกรูปแบบที่สถานพยาบาลจะผลิตขึ้นได้ ไม่ว่าจะเป็นไฟล์ PDF หลายหน้าที่มีลายมือแพทย์เขียนทับข้อความพิมพ์ แบบฟอร์มขออนุมัติล่วงหน้าที่สถานะของช่องทำเครื่องหมายเพียงอย่างเดียวสามารถตัดสินการคุ้มครองได้ รายการยาที่ปรากฏเป็นตารางสะอาดในชาร์ตหนึ่งแต่กลับเป็นข้อความอิสระในชาร์ตถัดไป รวมถึงแบบฟอร์มรับผู้ป่วยที่ผสมผสานระหว่างช่องพิมพ์ ตราประทับยาง และลายมือเขียนหน้าเดียวกัน</p><div class="stat-row"><div class="stat-item"><span class="stat-number">46%</span><span class="stat-label">ลดข้อผิดพลาดในการจัดทำเอกสาร</span></div><div class="stat-item"><span class="stat-number">70%</span><span class="stat-label">ลดค่าปรับจากการตรวจสอบ</span></div><div class="stat-item"><span class="stat-number">$400,000+</span><span class="stat-label">ผลตอบแทนจากการลงทุนต่อปีต่อแห่ง</span></div></div><p>งานวิจัยที่ตีพิมพ์ในวารสาร BMJ Quality and Safety ระบุว่าจำนวนผู้ป่วยนอกในสหรัฐอเมริกาที่ได้รับผลกระทบจากข้อผิดพลาดในการวินิจฉัยโรคมีอยู่ราว 12 ล้านคนต่อปี โดยมีความล้มเหลวในการจัดการข้อมูลเป็นหนึ่งในปัจจัยร่วม และด้วยปริมาณงานที่ Guardoc ประมวลผล หากอัตราความผิดพลาดในการตรวจหาภาวะโรคอยู่ที่เพียงหนึ่งเปอร์เซ็นต์ ก็จะสร้างบันทึกที่ไม่ถูกต้องหลายพันรายการต่อวัน ซึ่งแต่ละรายการล้วนส่งผลกระทบต่อความปลอดภัยของผู้ป่วยหรือการปฏิบัติตามกฎระเบียบทั้งสิ้น</p><p>Guardoc รายงานว่าระบบสามารถลดข้อผิดพลาดในการจัดทำเอกสารลง 46 เปอร์เซ็นต์ ลดค่าปรับจากการตรวจสอบลง 70 เปอร์เซ็นต์ และสร้างผลตอบแทนจากการลงทุน (ROI) มากกว่า 400,000 ดอลลาร์ต่อปีสำหรับสถานที่เพียงแห่งเดียว แม้จะไม่ได้เผยแพร่ช่วงเวลาพื้นฐานหรือระเบียบวิธีเบื้องหลังการคำนวณเหล่านั้นก็ตาม ทั้งนี้ในการใช้งานไตรมาสหนึ่งซึ่งครอบคลุมสถานพยาบาล 2 แห่งและผู้ป่วย 200 คน บริษัทระบุว่าระบบขับเคลื่อนการแก้ไขเอกสาร 847 ครั้ง ทำเครื่องหมายประเด็นที่ผูกพันกับความถูกต้องในการเบิกจ่าย PDPM จำนวน 86 ประเด็น และเชื่อมโยงกับการลดการส่งตัวผู้ป่วยไปโรงพยาบาลลง 74 เปอร์เซ็นต์ต่อการรับผู้ป่วย 100 ราย</p><div class="ai-insight"><p>การนำ AI มาใช้กับเอกสารทางการแพทย์มีความซับซ้อนสูง เนื่องจากข้อมูลผู้ป่วยมักกระจัดกระจายและมีรูปแบบที่ไม่เป็นทางการ เช่น ลายมือเขียนหรือตารางข้อมูลที่ถูกแฟกซ์ส่งต่อกันหลายทอด การออกแบบสถาปัตยกรรมแบบแบ่งระดับต้นทุน (Cost-tiering) จึงเป็นแนวทางสำคัญในการบริหารจัดการทรัพยากรประมวลผล โดยให้โมเดลราคาประหยัดคัดกรองข้อมูลปริมาณมากก่อน แล้วจึงส่งเฉพาะข้อมูลที่ซับซ้อนจริงๆ ไปให้โมเดล Multimodal ขั้นสูงวิเคราะห์ เพื่อรักษาสสมดุลระหว่างความแม่นยำและต้นทุนการดำเนินงาน</p></div><p>สถาปัตยกรรมของ Guardoc ดำเนินการจำแนกประเภทภาวะโรคผ่านการสร้างการเพิ่มด้วยการดึงข้อมูล (Retrieval-Augmented Generation - RAG) โดยดึงหลักฐานจากเอกสารของผู้ป่วยเองก่อนที่จะใช้เหตุผลประมวลผลเพื่อหาคำตอบสุดท้าย โดยขั้นตอนแรก Amazon Textract จะดึงข้อความและข้อมูลเมตาเชิงโครงสร้างจากแต่ละหน้าเข้ามาในต้นทุนต่อหน้าที่ต่ำที่สุด จากนั้นจึงแบ่งข้อมูลออกเป็นส่วนๆ ตามขอบเขตทางคลินิกเพื่อให้รายการยาหรือส่วนการวินิจฉัยยังคงอยู่ครบถ้วน</p><p>แต่ละส่วนจะถูกแปลงเป็นเวกเตอร์ด้วย Amazon Titan Text Embeddings V2 และจัดเก็บไว้ใน Amazon DynamoDB โดยแบ่งพาร์ติชันตามผู้ป่วยเพื่อความปลอดภัย ตัวกรองล่วงหน้าแบบกำหนดเองจะช่วยจำกัดชุดข้อมูลตามประเภทเอกสารและความสดใหม่ ก่อนที่การค้นหาแบบ k-nearest neighbour จะดึงข้อมูลส่วนที่เกี่ยวข้องมากที่สุดเพื่อรักษาความเบาของการถ่ายโอนข้อมูล จากนั้น Amazon Nova 2 Lite จะทำหน้าที่คัดกรองข้อความเพื่อตัดรายการที่ไม่เกี่ยวข้องออก เหลือเพียงหน้าเอกสารที่ผ่านทุกตัวกรองที่จะส่งต่อไปยัง Amazon Nova Pro เพื่อวิเคราะห์เลย์เอาต์ ลายมือ ลายเซ็น และตราประทับเชิงลึก</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/guardoc-health-processes-clinical-documentation-using-amazon-nova-models/" target="_blank" rel="noopener noreferrer">AI News</a></p>

<div class="key-takeaways"><ul><li>Guardoc Health processes over one million clinical documents daily using Amazon Nova models via Amazon Bedrock.</li><li>The system achieves a 46 percent reduction in documentation errors and a 70 percent drop in audit fines.</li><li>The pipeline architecture utilizes a cost-tiering logic combining Amazon Textract, Titan, and Nova Pro models.</li><li>Complex documentation handling, such as physician handwriting and varied form formats, mitigates clinical and financial risks.</li></ul></div><p>Integrating artificial intelligence into clinical documentation ultimately boils down to a precise calculation of risk. Handle it incorrectly, and errors compound into denied Medicare claims under the Patient-Driven Payment Model, audit fines, litigation exposure, and in severe cases, missed medical conditions that alter patient treatment paths.</p><p>Conversely, getting it right yields payoffs reflected in fewer corrections, reduced hospital transfers, and lower compliance costs. Guardoc Health, a company building documentation software for long-term care providers, has published deployment figures it asserts support those positive outcomes.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/guardoc_health_amazon_nova_bedrock_ms4x0edb_inline_1_2c0452a805.jpg" alt="healthcare ai software clinical documentation" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>The operational pipeline built by Guardoc must handle documents arriving in nearly every format a clinical environment can generate: multi-page PDFs featuring handwritten physician annotations layered over printed text, prior authorisation forms where a single checkbox state dictates coverage decisions, medication lists appearing as clean tables in one chart and free-text entries in the next, alongside patient intake forms mixing typed fields with rubber stamps and handwriting.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">46%</span><span class="stat-label">Reduction in documentation errors</span></div><div class="stat-item"><span class="stat-number">70%</span><span class="stat-label">Drop in audit fines</span></div><div class="stat-item"><span class="stat-number">$400,000+</span><span class="stat-label">Annual ROI for a single facility</span></div></div><p>Research published in BMJ Quality and Safety estimates that approximately 12 million US outpatients are affected by diagnostic errors annually, with information-handling failures cited as a contributing factor. At the operational volume Guardoc processes, even a one percent error rate in condition detection alone would generate thousands of incorrect records daily, carrying severe patient safety and compliance consequences.</p><p>Guardoc reports a 46 percent reduction in documentation errors, a 70 percent drop in audit fines, and over $400,000 in annual ROI for a single facility, though without publishing the baseline period or methodology behind those calculations. During a quarterly deployment spanning two facilities and 200 patients, the company states its system drove 847 documentation corrections, flagged 86 issues tied to PDPM reimbursement accuracy, and correlated with a 74 percent reduction in hospital transfers per 100 admissions.</p><div class="ai-insight"><p>Implementing AI within medical documentation is notoriously challenging due to unstructured data formats like handwritten notes and multi-faxed records. Adopting a cost-tiering architecture represents an effective strategy for optimizing computational resources, allowing economical models to filter high-volume workloads while reserving advanced multimodal reasoning exclusively for final, complex analysis steps.</p></div><p>Guardoc's architectural design runs condition classification through retrieval-augmented generation, extracting evidence from a patient's individual documentation before reasoning across it. First, Amazon Textract extracts text and structural metadata at the lowest per-page cost point, chunking the output along clinical boundaries so medication lists and diagnosis sections remain intact.</p><p>Each chunk is embedded via Amazon Titan Text Embeddings V2 and stored in Amazon DynamoDB, partitioned strictly by patient boundaries. A custom pre-filter narrows candidate sets by document type and recency before a k-nearest neighbour search retrieves relevant chunks, returning only page references. Amazon Nova 2 Lite then performs an initial text-based pass to remove non-matches, leaving surviving pages to reach Amazon Nova Pro, which processes raw PDF bytes and reasons over layouts, handwriting, signatures, and stamps.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/guardoc-health-processes-clinical-documentation-using-amazon-nova-models/" target="_blank" rel="noopener noreferrer">AI News</a></p>

medium_guardoc-health-amazon-nova-bedrock-ms4x0edb.jpg

small_guardoc-health-amazon-nova-bedrock-ms4x0edb.jpg

thumbnail_guardoc-health-amazon-nova-bedrock-ms4x0edb.jpg

guardoc-health-amazon-nova-bedrock-ms4x0edb.jpg

Guardoc Health ใช้โมเดล Amazon Nova ผ่าน Amazon Bedrock ประมวลผลเอกสารทางการแพทย์กว่า 1 ล้านฉบับต่อวัน ช่วยลดข้อผิดพลาดและต้นทุนการปฏิบัติตามกฎระเบียบ

Guardoc Health processes over one million clinical documents daily using Amazon Nova models via Amazon Bedrock to reduce documentation errors and compliance costs.

Guardoc Health ประมวลผลเอกสารคลินิกด้วยโมเดล Amazon Nova ผ่าน Bedrock

Guardoc Health processes clinical documentation using Amazon Nova models

Inewgen

Inewgen

#Amazon Bedrock

Startup Summit 2026: ถอดบทเรียนการส่งมอบงานพูดคุย AI

Inewgen

Context Engineering: 4 กลไกแก้ปัญหาบริบทเต็มและเป้าหมายหลุด

Inewgen

เพิ่ม Semantic Search ให้ DynamoDB ด้วย Vector Indexes

Inewgen

Novo Nordisk ผจับมือ AWS นำ Agentic AI ลุยพัฒนายา

Inewgen

AWS จับมือ Superblocks ดันสตาร์ทอัพ Vibe-coding สู่ระบบคลาวด์องค์กร

Inewgen

Guardoc Health ประมวลผลเอกสารคลินิกด้วยโมเดล Amazon Nova ผ่าน Bedrock

Inewgen