Skip to main content

Machine Learning

หมวดหมู่ Machine Learning รวม AI/ML services ตั้งแต่ platform สร้าง models เองไปจนถึง pre-built AI APIs ที่ใช้งานได้ทันที

Amazon SageMaker​

คืออะไร: Platform ครบวงจรสำหรับ build, train และ deploy machine learning models รองรับทุก framework (TensorFlow, PyTorch, scikit-learn)

ราคา:

  • Notebook: ml.t3.medium ~$0.046/ชั่วโมง
  • Training: ml.c5.xlarge ~$0.272/ชั่วโมง
  • Inference endpoint: ml.t2.medium ~$0.056/ชั่วโมง
  • Free Tier: 250 ชั่วโมง notebook + 50 ชั่วโมง training (2 เดือนแรก)

เหมาะสำหรับ:

  • Data scientist ที่ต้องการ managed ML platform
  • Training large models บน GPU clusters
  • Deploy ML models เป็น production API

Use Case ตัวอย่าง:

ทีม Data Science ของธนาคารใช้ SageMaker train credit scoring model บน 10 ล้าน records ใช้เวลา 2 ชั่วโมงบน ml.p3.2xlarge (GPU) deploy เป็น endpoint ที่ให้ credit decision แบบ real-time

Amazon Rekognition​

คืออะไร: Computer vision API ที่ analyze รูปภาพและวิดีโอ ตรวจจับ objects, faces, text, scenes โดยไม่ต้องมี ML expertise

ราคา:

  • Object/Scene detection: $1/1,000 images (แรก 1M)
  • Face analysis: $1/1,000 images
  • Text detection: $1/1,000 images

เหมาะสำหรับ:

  • ระบบยืนยันตัวตนด้วยใบหน้า
  • Content moderation สำหรับ user-uploaded content
  • ระบบ security camera analytics

Use Case ตัวอย่าง:

แอป fintech ใช้ Rekognition ยืนยัน identity ผ่านการเปรียบเทียบใบหน้า user กับภาพถ่าย ID card แบบ real-time ลด KYC process จาก 3 วันเหลือ 5 นาที

Amazon Comprehend​

คืออะไร: Natural Language Processing (NLP) service วิเคราะห์ text หา sentiment, entities, key phrases, language detection

ราคา:

  • Sentiment Analysis: $0.0001/unit (100 chars = 1 unit)
  • Entity Recognition: $0.0001/unit

เหมาะสำหรับ:

  • Analyze customer reviews/feedback
  • Document classification
  • Customer support routing

Use Case ตัวอย่าง:

E-commerce วิเคราะห์ review ลูกค้า 1 ล้านรายการ ด้วย Comprehend sentiment analysis พบว่า 30% ของ negative review พูดถึงการส่งของช้า ทำให้ทีม identify และแก้ปัญหาได้ตรงจุด

Amazon Textract​

คืออะไร: Extract text และ data จากเอกสาร (PDF, รูปภาพ) โดยอัตโนมัติ เข้าใจ structure ของ forms และ tables

ราคา:

  • Text detection: $1.50/1,000 pages
  • Form/Table extraction: $15/1,000 pages

เหมาะสำหรับ:

  • Process เอกสาร สัญญา invoices อัตโนมัติ
  • Digitize historical paper documents
  • Automate data entry จาก forms

Use Case ตัวอย่าง:

บริษัท insurance ใช้ Textract process claim forms อัตโนมัติ 1,000 ฉบับ/วัน สกัดข้อมูลจาก PDF แบบ handwritten และ printed เข้าสู่ database โดยไม่ต้องมีคน key ข้อมูลเลย

Amazon Polly​

คืออะไร: Text-to-Speech service แปลง text เป็นเสียงพูดคุณภาพสูง รองรับกว่า 60 เสียงใน 30+ ภาษา

ราคา:

  • Standard voices: $4/million characters
  • Neural voices: $16/million characters
  • Free Tier: 5 million characters/เดือน (1 ปีแรก)

เหมาะสำหรับ:

  • Accessibility features สำหรับ visually impaired
  • E-learning content
  • IVR (Interactive Voice Response) systems

Use Case ตัวอย่าง:

แอป e-learning สำหรับเด็กใช้ Polly แปลงบทเรียนเป็นเสียง content audio ใหม่พร้อมภายในนาที แทนที่จะต้อง record เสียงนักพากย์ทีละ lesson

Amazon Transcribe​

คืออะไร: Speech-to-Text service แปลงเสียงพูดเป็น text อัตโนมัติ รองรับหลายภาษา รวมถึงภาษาไทย

ราคา:

  • Standard: $0.024/นาที
  • Medical: $0.075/นาที

เหมาะสำหรับ:

  • Transcribe meeting recordings
  • Call center analytics
  • Video subtitles/captions

Use Case ตัวอย่าง:

Call center ใช้ Transcribe + Comprehend วิเคราะห์ทุก call อัตโนมัติ แปลงเสียงเป็น text แล้ว detect sentiment ของลูกค้า ช่วย supervisor ระบุ calls ที่ลูกค้าไม่พอใจและ follow up

Amazon Bedrock​

คืออะไร: Managed service สำหรับ access และ customize Foundation Models (LLMs) จากหลายบริษัท เช่น Anthropic Claude, Meta Llama, Mistral ผ่าน API เดียว

ราคา:

  • Claude 3 Haiku: $0.25/million input tokens, $1.25/million output tokens
  • Claude 3.5 Sonnet: $3/million input, $15/million output
  • ราคาแตกต่างตาม model

เหมาะสำหรับ:

  • สร้าง Generative AI applications
  • RAG (Retrieval-Augmented Generation) chatbot
  • Content generation, summarization

Use Case ตัวอย่าง:

บริษัท SaaS สร้าง AI assistant ให้ลูกค้าถามเกี่ยวกับ product documentation โดยใช้ Bedrock + Knowledge Base (RAG) ลูกค้าได้คำตอบที่ accurate จาก document จริง ลด support tickets ลง 40%