บทความวิจัย AI และข้อมูลเชิงลึก

ASEAN AIEnterprise AIAI Governance+5

ASEAN Enterprise AI Deployment Guide: Governance, Compliance, and Regional Scale

Deploying enterprise AI across ASEAN means operating under 10 different data protection regimes, 8 primary languages, 6 distinct cloud sovereignty requirements, and one shared expectation: that your AI system is explainable, auditable, and compliant at every step. This guide maps the ASEAN AI governance landscape onto practical deployment architecture.

Ittirit Saengow21 พ.ค. 2569

blog.cat.engineering9 นาทีอ่าน

Roadmap RCT Platform: จาก Public Alpha สู่ ASEAN Expansion

delentia-os v1.0.2a0 เปิดตัวแล้ว บทความนี้สรุปสิ่งที่ Ship แล้ว สิ่งที่กำลังดำเนินการ และแผนสำหรับ v1.0.3a0, v1.0.0 Stable, v1.1.0 Observability และ v1.2.0 ASEAN Expansion — รวมถึงสิ่งที่เราไม่ได้สร้างใน Open-source Tier อย่างชัดเจน

RCT PlatformPlatform RoadmapOpen Source+5

Ittirit Saengow20 พ.ค. 2569

งานวิจัย13 นาทีอ่าน

Regional Language Adapter: Thai NLP ในระบบ Enterprise AI

ภาษาไทยไม่ใช่แค่ภาษาที่ซับซ้อนกว่า — มันมีกฎ tokenization ที่แตกต่างอย่างสิ้นเชิง ไม่มีเว้นวรรค มีตัวอักษรซ้อน และข้อมูลส่วนบุคคลตาม PDPA ฝังอยู่ในชื่อและประโยคทั่วไป RCT Regional Language Adapter แก้ปัญหานี้ที่ระดับ Enterprise Layer โดยไม่กระทบขอบเขต Governance

Regional Language AdapterThai NLPEnterprise AI+5

Ittirit Saengow19 พ.ค. 2569

blog.cat.engineering14 นาทีอ่าน

สร้างระบบ AI Trading ระดับ Institutional บน RCT Platform

Blueprint สถาปัตยกรรมสำหรับการนำ FDIA, SignedAI และ Delta Engine ของ delentia-os ไปใช้กับ Institutional Trading บทความนี้ Map IntentLoop 7 สถานะเข้ากับ Trading Pipeline แบบสมบูรณ์ — ตั้งแต่การรับข้อมูลผ่านการกรองความเสี่ยงหลายโมเดลและการ Log ผลลัพธ์การเทรดลง RCTDB

Algorithmic TradingAI TradingFDIA+6

Ittirit Saengow17 พ.ค. 2569

งานวิจัย13 นาทีอ่าน

Specialist Studio: การ Orchestrate AI เฉพาะโดเมนในระบบ RCT Ecosystem

การ deploy enterprise AI ส่วนใหญ่ล้มเหลวที่ขอบเขตโดเมน — จุดที่ LLM ทั่วไปพบกับความรู้เชิงวิชาชีพเฉพาะทาง RCT Specialist Studio แก้ปัญหานี้ด้วย domain-specific orchestration ที่ route ทุก query ไปยัง genome, model และ verification tier ที่ถูกต้องโดยอัตโนมัติ

Specialist StudioDomain AIAI Orchestration+5

Ittirit Saengow17 พ.ค. 2569

blog.cat.engineering10 นาทีอ่าน

Knowledge Vault (Vault-1068): ชั้น Static Knowledge ใน RCT Ecosystem

Dynamic AI Memory ได้รับความสนใจมากที่สุด แต่การ Deploy AI ระดับองค์กรล้มเหลวบ่อยที่สุดกับ Static Knowledge — ข้อเท็จจริงที่ไม่เปลี่ยนแปลง กฎที่ต้องใช้เสมอ และความรู้องค์กรที่ต้องสอดคล้องกันข้าม Agent ทุกตัว Vault-1068 คือคำตอบของ RCT Ecosystem

Knowledge VaultVault-1068Static Knowledge+5

Ittirit Saengow16 พ.ค. 2569

งานวิจัย16 นาทีอ่าน

RCT Control Plane: Governance at Runtime — How Constitutional AI Enforces Policy Every Millisecond

Most AI governance happens at deployment time: you write a system prompt, define usage policies, and hope the model stays within bounds. RCT's Control Plane enforces governance at runtime — every token, every agent call, every tool use — through 15 DSL modules that make 100% policy enforcement mathematically verifiable rather than probabilistically hoped for.

RCT Control PlaneAI GovernanceRuntime Policy+5

Ittirit Saengow14 พ.ค. 2569

งานวิจัย12 นาทีอ่าน

RCT Control Plane: ชั้น Governance ที่ควบคุมทุกการตัดสินใจของ AI

การ deploy enterprise AI ทุกระบบมีปัญหาซ่อนอยู่เดิมเสมอ: ใครควบคุมว่า AI ตัวไหนทำอะไรได้บ้าง ภายใต้เงื่อนไขใด กับข้อมูลชุดใด และมีอำนาจระดับใด? RCT Control Plane คือคำตอบ — ชั้น constitutional governance ที่นั่งอยู่เหนือ LLM ทุกตัว และบังคับ policy, routing, authorization, และ audit ในระดับระบบ

RCT Control PlaneAI GovernanceEnterprise AI+6

Ittirit Saengow14 พ.ค. 2569

blog.cat.engineering11 นาทีอ่าน

ระบบ 7 Genome: วิธีที่ทุก Module เชื่อมต่อกัน

ระบบ AI ส่วนใหญ่เป็นเพียง Components ที่ประกอบเข้าด้วยกัน ระบบ 7 Genome ของ RCT แตกต่างออกไป — เป็น Loop ทางชีวภาพแบบปิดที่แต่ละ Genome ป้อนข้อมูลให้ตัวถัดไป ตัวสุดท้ายป้อนข้อมูลให้ตัวแรก และระบบไม่หยุดวิวัฒนาการ

7 Genome SystemAI ArchitectureRCT Platform+5

Ittirit Saengow13 พ.ค. 2569

งานวิจัย13 นาทีอ่าน

Intent Farming: วิธีปลูกและเพาะ AI Context ให้เติบโตตามเวลา

Intent farming คือการสะสม จัดระเบียบ และเสริมคุณค่า AI context อย่างเป็นระบบตามเวลา — แปลง one-shot query เป็น session ที่ฉลาดขึ้นเรื่อยๆ บทความนี้อธิบาย architecture, memory layer ของ RCTDB และวิธีที่ intent farming เปลี่ยน economics ของ enterprise AI

Intent FarmingAI ContextEnterprise AI Memory+5

Ittirit Saengow10 พ.ค. 2569

Circuit Breaker PatternAI ReliabilityEnterprise AI+5

Circuit Breaker Pattern สำหรับระบบ AI: สร้าง AI Pipeline ที่ต้านทานความล้มเหลว

Circuit breaker pattern ที่ยืมมาจากวิศวกรรมไฟฟ้าคือ reliability layer ที่ขาดหายไปใน AI pipeline ขององค์กรส่วนใหญ่ บทความนี้อธิบายวิธีนำไปใช้กับระบบ AI สิ่งที่ RCT Platform implement แบบ native และวิธีป้องกัน cascading failure ใน multi-agent architecture

Ittirit Saengow7 พ.ค. 2569

MOIPMulti-Objective Intent PlanningPareto Optimization+5

MOIP: การวางแผนเจตนาหลายวัตถุประสงค์ค้นหาการตัดสินใจ AI ที่ดีที่สุดแบบ Pareto ได้อย่างไร

MOIP (Multi-Objective Intent Planning) แก้ปัญหาที่ทุกองค์กรต้องเผชิญ: วัตถุประสงค์หลายอย่างที่ขัดแย้งกันจนไม่สามารถเพิ่มประสิทธิภาพทุกอย่างพร้อมกันได้ ด้วยการวิเคราะห์ Pareto frontier MOIP ระบุการตัดสินใจที่ดีที่สุดทางคณิตศาสตร์

Ittirit Saengow23 เม.ย. 2569

งานวิจัย12 นาทีอ่าน

MEE: เครื่องยนต์วิวัฒนาการเมตา สร้าง AI ที่พัฒนาตัวเองได้อย่างไร

MEE (Meta Evolution Engine) คือแกนกลางการเรียนรู้ด้วยตัวเองของ RCT Ecosystem ที่สร้าง ปรับปรุง และพัฒนาอัลกอริทึมโดยอัตโนมัติผ่านวงรอบวิวัฒนาการเชิงรัฐธรรมนูญ — โดยไม่ต้องมีการ retrain ด้วยมือ

MEE AlgorithmMeta Evolution EngineAI พัฒนาตัวเอง+4

Ittirit Saengow22 เม.ย. 2569

blog.cat.engineering8 นาทีอ่าน

delentia-os v1.0.2a0: Public Alpha บน GitHub ภายใต้ Apache 2.0

delentia-os v1.0.2a0 พร้อมให้ดาวน์โหลดบน GitHub ภายใต้ Apache 2.0 แล้ว SDK มาพร้อม 723 tests ที่ผ่านทั้งหมด coverage 89% microservice อ้างอิง 5 รายการ และ FDIA + JITNA reference implementation แบบเต็ม — ไม่ต้องใช้ API key ในการเริ่มต้น

Open SourceSDKApache 2.0+6

Ittirit Saengow22 เม.ย. 2569

งานวิจัย16 นาทีอ่าน

ระบบ AI แบบหลาย Agent: สถาปัตยกรรม โปรโตคอล และการติดตั้งในองค์กร

ระบบ AI แบบ Multi-Agent ประสานโมเดลหลายตัวผ่าน protocol เพื่อแก้งานที่โมเดลเดียวไม่สามารถทำได้อย่างน่าเชื่อถือ บทความนี้อธิบายสถาปัตยกรรม JITNA Protocol การตรวจสอบ consensus และสิ่งที่ต้องพิจารณาในการติดตั้งสำหรับองค์กร

Multi-Agent AIAgentic AIJITNA Protocol+4

Ittirit Saengow1 เม.ย. 2569

งานวิจัย11 นาทีอ่าน

Constitutional AI vs RAG: สถาปัตยกรรมไหนป้องกัน Hallucination ได้จริง?

RAG (Retrieval-Augmented Generation) ลด Hallucination ด้วยการ ground คำตอบในเอกสารที่ดึงมา ส่วน Constitutional AI ป้องกัน Hallucination ผ่านข้อจำกัดเชิงสถาปัตยกรรม บทความนี้อธิบายความแตกต่างพื้นฐาน ข้อมูลประสิทธิภาพ และว่าควรใช้แนวทางไหน — หรือทั้งสอง

Constitutional AIRAGHallucination+3

Delta EngineMemory CompressionAI Infrastructure+3

งานวิจัย8 นาทีอ่าน

Delta Engine: Delentia Labs บรรลุการบีบอัด Memory 74% และ Recall ใต้ 50ms ได้อย่างไร

Delta Engine คือระบบบีบอัดและ recall หน่วยความจำที่เป็นแกนกลางของ RCT Ecosystem โดยการจัดเก็บเฉพาะการเปลี่ยนแปลงของสถานะ (delta) แทนที่จะเป็น snapshot สถานะเต็ม ระบบบรรลุการบีบอัดแบบ lossless 74% และ warm recall ใต้ 50 มิลลิวินาที ลดต้นทุนต่อ request เหลือเกือบศูนย์สำหรับรูปแบบที่ซ้ำ

evaluationLLM testingquality assurance+5

งานวิจัย12 นาทีอ่าน

Evaluation Harnesses สำหรับ Enterprise LLMs: เกินกว่าแค่ Vibe-Testing

ทีม AI ส่วนใหญ่ยังพึ่ง vibe-testing บทความนี้อธิบาย evaluation harness ที่เข้มงวดและใช้ snapshot แบบ enterprise-private 4,849 tests ของ RCT Ecosystem เป็นตัวอย่างด้าน methodology ไม่ใช่ public proof ของ SDK

FDIAConstitutional AIสมการ+3

สมการ FDIA อธิบาย: F = (D^I) × A ขับเคลื่อน Constitutional AI อย่างไร

FDIA คือรากฐานทางคณิตศาสตร์ของ Delentia Labs ซึ่งเป็นสมการสี่ตัวแปรที่ควบคุมวิธีที่ระบบ AI ผลิตผลลัพธ์ที่น่าเชื่อถือ บทความนี้อธิบายทุกส่วนประกอบ ทำไม Intent ทำหน้าที่เป็นตัวยก และ FDIA บรรลุความแม่นยำ 0.92 เทียบกับ baseline อุตสาหกรรม ~0.65 ได้อย่างไร

HexaCoreMulti-LLMAI Infrastructure+3

งานวิจัย10 นาทีอ่าน

HexaCore: โครงสร้างพื้นฐาน AI 7 โมเดลพร้อมความสมดุลทางภูมิรัฐศาสตร์

HexaCore คือโครงสร้างพื้นฐาน AI หลายโมเดลที่เป็นหัวใจของ RCT Ecosystem บทความนี้อธิบายว่า AI 7 โมเดล (3 ตะวันตก + 3 ตะวันออก + 1 ไทย) ถูกเลือก สมดุล และตรวจสอบอย่างไรเพื่อบรรลุ hallucination 0.3% และประหยัดต้นทุน 30-40% เทียบกับการ deploy โมเดลเดียว

intent OSAI operating systemorchestration+5

ปรัชญา14 นาทีอ่าน

Intent Operating System: ทำไม Enterprise AI จึงต้องการ Orchestration Layer

LLM ไม่ใช่ operating system มันคือ application Enterprise AI ต้องการสิ่งที่ enterprise software ทุกระบบต้องการ: orchestration layer ที่จัดการทรัพยากร บังคับใช้ policies route task และรักษา state นี่คือสิ่งที่ Intent OS มีให้ และทำไม RCT Ecosystem จึงสร้างเป็นหนึ่ง

Delentia Labs28 มี.ค. 2569

PDPA และการปฏิบัติตามกฎหมาย AI ในไทย: คู่มือองค์กรปี 2026

พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) ของไทยกำหนดข้อกำหนดที่เข้มงวดสำหรับระบบ AI ที่ประมวลผลข้อมูลส่วนบุคคล คู่มือนี้อธิบายภาระผูกพันหลัก ช่องว่างการปฏิบัติตามกฎหมายทั่วไป และวิธีที่ Constitutional AI Framework ของ Delentia Labs แก้ไขข้อกำหนด PDPA ในเชิงสถาปัตยกรรม

PDPAไทยAI Compliance+3

งานวิจัย7 นาทีอ่าน

4,849 Tests, 0 Failures: วิธีที่ Delentia Labs ยืนยันทุกอย่าง

บทความนี้บันทึก methodology ที่อยู่เบื้องหลัง snapshot แบบ enterprise-private 4,849 tests ของ RCT Ecosystem ควรอ่านเป็นเอกสารด้านกระบวนการและสถาปัตยกรรม ไม่ใช่ public proof lane ของ open SDK

TestingQualityMicroservices+3

RCTDBMemory ArchitectureAI Infrastructure+3

RCTDB v2.0: Universal Memory Schema 8 มิติสำหรับระบบ AI

RCTDB คือสถาปัตยกรรมหน่วยความจำสากลของ RCT Ecosystem — schema 8 มิติที่ออกแบบสำหรับ AI memory ที่มีโครงสร้าง, การติดตาม provenance เต็มรูปแบบ และสิทธิการลบข้อมูลตาม PDPA บทความนี้อธิบาย schema, สาม storage zone และเหตุใด traditional vector database จึงไม่เพียงพอสำหรับ AI องค์กร

Reverse Component ThinkingRCTMethodology+3

ปรัชญา7 นาทีอ่าน

Reverse Component Thinking: ปรัชญาวิศวกรรมที่อยู่เบื้องหลัง Delentia Labs

Reverse Component Thinking (RCT) คือระเบียบวิธีวิศวกรรมที่เป็นแกนกลางของ Delentia Labs แทนที่จะสร้างไปข้างหน้าจาก features RCT เริ่มต้นจากผลลัพธ์ที่ต้องการและแยกย้อนกลับเพื่อหาชิ้นส่วนที่เล็กที่สุดที่ verify ได้ บทความนี้อธิบายว่าทำไมการกลับด้านนี้จึงเปลี่ยนสิ่งที่คุณสร้าง

SignedAIMulti-LLMฉันทามติ+3

SignedAI: ฉันทามติหลาย LLM เพื่อป้องกัน Hallucination ในระดับองค์กร

SignedAI คือระบบตรวจสอบฉันทามติหลายโมเดลของ RCT Ecosystem แทนที่จะเชื่อถือผลลัพธ์ของโมเดล AI เดียว SignedAI ส่งคำถามสำคัญผ่าน 4-8 โมเดลพร้อมกันและต้องการข้อตกลงอย่างเป็นทางการก่อนปล่อยผลลัพธ์ใดๆ ลด hallucination 95% เมื่อเทียบกับระบบโมเดลเดียว

Vision 2030AI ไทยEnterprise AI+3

ข่าวสาร6 นาทีอ่าน

วิสัยทัศน์แพลตฟอร์ม AI ไทย 2030: สร้างโครงสร้างพื้นฐานระดับชาติ 50-100 พันล้านบาท

Delentia Labs ถูกสร้างขึ้นด้วยวิสัยทัศน์ระยะยาวที่เฉพาะเจาะจง: กลายเป็นมาตรฐาน Constitutional AI สำหรับองค์กรไทยกว่า 1,000 แห่งภายในปี 2030 สร้างมูลค่าเศรษฐกิจของชาติ 50-100 พันล้านบาท บทความนี้อธิบายวิสัยทัศน์ รากฐานทางเทคนิคที่ทำให้มันน่าเชื่อถือ และบทบาทของมาตรฐานเปิดในการบรรลุเป้าหมาย

VerificationPrompt EngineeringConstitutional AI+3

งานวิจัย8 นาทีอ่าน

Verification vs Prompt Engineering: ทำไม Constitutional AI จึงเปลี่ยนสมการ

Prompt engineering บอก model ว่าต้องทำอะไร Constitutional AI verification ทำให้ระบบสามารถทำได้เฉพาะสิ่งที่ได้รับอนุญาตเท่านั้น บทความนี้อธิบายความแตกต่างพื้นฐาน — ว่าทำไม verification ถึงเป็น deterministic และ prompt engineering เป็น probabilistic — และความหมายของสิ่งนี้ต่อการ deploy AI ระดับองค์กร

Constitutional AI ไทยAI ไทยPDPA+2

งานวิจัย10 นาทีอ่าน

Constitutional AI สำหรับไทย: คู่มือการปรับใช้จริงสำหรับองค์กร

คู่มือเชิงปฏิบัติสำหรับการปรับใช้ Constitutional AI ในไทย ผสมผสานกรอบการกำกับดูแลระดับโลกกับข้อกำหนดในท้องถิ่นด้านการควบคุมข้อมูล การดำเนินงานสองภาษา และความเชื่อถือขององค์กร

Low Hallucination AIAI EvaluationGenerative AI+2

การออกแบบ AI ให้มี Hallucination ต่ำ: สิ่งที่ลด Failure Rate ได้จริง

AI Hallucination ไม่ใช่ปัญหาของโมเดล — มันเป็นปัญหาของระบบ ห้าแหล่งที่มาหลักของ hallucination ไม่ได้อยู่ใน weights ของโมเดล และวิธีที่ดีที่สุดในการลด failure rate ก็ไม่ใช่การเปลี่ยนโมเดล

Enterprise AI GovernanceNIST AI RMFOECD AI Principles+2

งานวิจัย10 นาทีอ่าน

Enterprise AI Governance Playbook 2026: จาก Policy Principles สู่ Operating Controls

Playbook การกำกับดูแล AI สำหรับองค์กรที่แปล NIST AI RMF, OECD AI Principles และ EU AI Act เป็น operating controls, review loop และ deployment gate ที่ใช้งานได้จริง

AI Memory SystemsEnterprise AI MemoryContext Engineering+2

Enterprise AI Memory Systems อธิบาย: สิ่งที่ทีมส่วนใหญ่เข้าใจผิดเกี่ยวกับ Context, Recall และ Trust

ทีมส่วนใหญ่ implement AI memory ด้วยการ store conversation history ใน database นั่นไม่ใช่ memory system — มันคือ log system สี่งานหลักที่ AI memory ต้องทำ และทำไม memory ถึงแยกไม่ออกจาก trust

Enterprise AI PlatformAI ProcurementAI Evaluation+2

งานวิจัย8 นาทีอ่าน

วิธีประเมิน Enterprise AI Platform ก่อนจัดซื้อ

ทีมจัดซื้อ Enterprise AI ส่วนใหญ่ถามคำถามผิด — พวกเขาถามว่า platform ใช้โมเดลอะไร แทนที่จะถามว่า platform จัดการ governance, hallucination, memory และ reliability อย่างไร นี่คือ 7 คำถามที่ควรถามก่อนซื้อ

ReleasePlatformEnterprise+2

รีลีส5 นาทีอ่าน

2026.03 Snapshot: ความน่าเชื่อถือของแพลตฟอร์ม ความพร้อมสาธารณะ และความสอดคล้องสำหรับ Enterprise

ใน Q1 2026 RCT Ecosystem ผ่านเกณฑ์สำคัญในการพิสูจน์ความน่าเชื่อถือต่อสาธารณะ — 4,849 tests ผ่าน, 0 ล้มเหลว, 62 components ทำงาน, SLA 99.98% uptime บทความนี้อธิบาย snapshot ของ Q1 2026 และสิ่งที่กำลังสร้างต่อไป

Ittirit Saengow11 มี.ค. 2569

blog.cat.engineering8 นาทีอ่าน

วิธีลด AI Hallucination: แนวทาง FDIA

คู่มือ step-by-step สำหรับการลด AI hallucination ใน production LLM ด้วยสมการ FDIA เรียนรู้กลยุทธ์ที่ใช้ได้จริงสำหรับการประเมินความเสี่ยง สถาปัตยกรรม memory และการ benchmark validation อย่างต่อเนื่อง

AI HallucinationFDIALLM Safety+2

Delentia Labs15 ก.พ. 2569

งานวิจัย11 นาทีอ่าน

JITNA — Just In Time Nodal Assembly: โปรโตคอลสื่อสารสำหรับ Agentic AI

JITNA (Just In Time Nodal Assembly) คือโปรโตคอลสื่อสาร agent-to-agent แบบเปิดของ RCT Ecosystem — เปรียบได้กับ HTTP ของ Agentic AI บทความนี้อธิบาย RFC-001 specification, กระบวนการ negotiation และความแตกต่างระหว่าง JITNA กับ tool-calling API ทั่วไป

JITNAProtocolRFC-001+3

Ittirit Saengow1 ก.พ. 2568