ช่วงนี้ผมกำลังทดลองสร้าง AI Chatbot โดยใช้ AWS เป็น Backend หลัก
โจทย์ไม่ได้ซับซ้อนมาก
ผมต้องการ Chatbot ที่รับคำถามจากหน้าเว็บ เช่น
“IMOTIF ให้บริการอะไรบ้าง?”
แล้วส่งคำถามไปให้ AI ประมวลผล ก่อนส่งคำตอบกลับมาแสดงบนหน้าเว็บ
Architecture ที่ใช้ตอนนี้ประมาณนี้
Next.js → API Gateway → AWS Lambda → Amazon Bedrock
ข้อดีคือไม่ต้องเปิด Server รันตลอดเวลา และแต่ละส่วนสามารถแยกออกจากกันได้ค่อนข้างชัดเจน
1. Amazon Bedrock ทำหน้าที่เป็น AI Engine
Amazon Bedrock เป็นบริการของ AWS สำหรับเรียกใช้งาน Foundation Model ผ่าน API
แทนที่จะต้องติดตั้งหรือ Host LLM เอง เราสามารถส่ง Prompt ไปยัง Model แล้วรับคำตอบกลับมาได้เลย
Concept ง่าย ๆ คือ
User Question
↓
Amazon Bedrock
↓
AI Response
แต่ในระบบจริง เราไม่ควรให้ Browser เรียก Bedrock โดยตรง
เพราะจะมีเรื่อง Credentials, Security และ Business Logic เข้ามาเกี่ยวข้อง
จึงต้องมี Backend คั่นกลาง
2. ใช้ AWS Lambda เป็น Backend
ใน POC นี้ผมเลือกใช้ AWS Lambda
Lambda คือ Serverless Compute ของ AWS
เราเขียน Function ขึ้นมา เช่น
POST /chat
เมื่อได้รับข้อความ
{
"message": "IMOTIF ให้บริการอะไรบ้างครับ"
}
Lambda จะนำข้อความไปเรียก Amazon Bedrock
แล้วคืน Response กลับมา
ตัวอย่าง
{
"answer": "IMOTIF ให้บริการ Odoo ERP, Software Development, Cloud Service และ AI Integration"
}
ข้อดีของ Lambda สำหรับงานลักษณะนี้คือ
- ไม่ต้องดูแล Server
- ไม่ต้องเปิด EC2 ทิ้งไว้
- Scale ตาม Request
- เหมาะกับ Prototype และ API ที่ไม่ได้มี Traffic ตลอดเวลา
สำหรับการเริ่มทำ AI Application ผมมองว่านี่เป็น Architecture ที่ค่อนข้างน่าสนใจ
3. ใช้ API Gateway เปิด Endpoint ให้ Frontend เรียก
Lambda อย่างเดียว Browser ยังเรียกใช้งานได้ไม่สะดวก
จึงใช้ Amazon API Gateway เป็นตัวรับ HTTP Request
Architecture จึงกลายเป็น
Next.js
↓
POST /chat
↓
API Gateway
↓
Lambda
↓
Amazon Bedrock
ในกรณีนี้ผมใช้ HTTP API
สำหรับ API เล็ก ๆ แบบ Chat Endpoint ผมมองว่า HTTP API เพียงพอ และ Setup น้อยกว่า REST API
เมื่อ Deploy แล้วจะได้ URL ลักษณะประมาณ
https://xxxxx.execute-api.ap-southeast-7.amazonaws.com/default/chat
เราสามารถ Test ด้วย curl ก่อนต่อ Frontend
curl -X POST \
https://xxxxx.execute-api.ap-southeast-7.amazonaws.com/default/chat \
-H "Content-Type: application/json" \
-d '{"message":"IMOTIF ให้บริการอะไรบ้างครับ"}'
ถ้าได้ Response กลับมา แปลว่า Backend Pipeline ทำงานแล้ว
4. ทำไมต้อง Test ด้วย curl ก่อน
จุดนี้สำคัญกว่าที่คิด
ตอนแรกผมพยายามต่อ Frontend เลย
ผลคือ
Bad Request
แล้วก็เริ่มไล่ดู Next.js
ไล่ดู Environment Variable
ไล่ดู API Gateway
ไล่ดู Lambda
ทั้งที่วิธี Debug ที่ง่ายกว่าคือแยกระบบออกเป็นชั้น ๆ
เริ่มจาก
Lambda → Bedrock
ให้ทำงานก่อน
จากนั้น
API Gateway → Lambda → Bedrock
แล้ว Test ด้วย curl
เมื่อ Backend ทำงานแน่นอนแล้ว ค่อยต่อ
Next.js → API Gateway
วิธีนี้ลดพื้นที่ในการหา Bug ได้เยอะมาก
เป็นหลักพื้นฐาน แต่พอทำระบบหลาย Layer พร้อมกัน เรามักลืมมัน
5. ต่อ Next.js เป็น Chat UI
เมื่อ API ใช้งานได้แล้ว Frontend ค่อนข้างตรงไปตรงมา
Concept คือ
const response = await fetch(`${apiBaseUrl}/chat`, {
method: "POST",
headers: {
"Content-Type": "application/json",
},
body: JSON.stringify({
message,
}),
});
รับ JSON กลับมา
const data = await response.json();
แล้วแสดง
data.answer
แค่นี้เราก็ได้ AI Chatbot พื้นฐานที่ Frontend และ Backend แยกออกจากกันแล้ว
6. โครงสร้างนี้เหมาะกับ Production ไหม
ถ้าเป็น POC หรือ MVP ผมคิดว่าเหมาะมาก
แต่ถ้าจะใช้จริง ยังมีหลายเรื่องที่ต้องเพิ่ม
เช่น
Authentication
ใครสามารถเรียก Chat API ได้บ้าง
ถ้าเปิด Public Endpoint ทิ้งไว้ ใครก็สามารถเรียก API และทำให้เกิดค่าใช้จ่ายได้
Rate Limit
ควรกำหนดจำนวน Request ต่อ User หรือ IP
Conversation History
ตอนนี้แต่ละคำถามอาจเป็น Stateless
แต่ Chatbot จริงควรเข้าใจ Conversation ก่อนหน้า
Knowledge Base
ถ้าอยากให้ Bot ตอบเรื่องบริษัทได้แม่นขึ้น ไม่ควรเอาข้อมูลทั้งหมดใส่ Prompt
แต่ควรใช้แนวทางอย่าง
RAG — Retrieval-Augmented Generation
ให้ระบบค้นข้อมูลที่เกี่ยวข้องก่อน แล้วส่งเฉพาะ Context ที่จำเป็นให้ AI
Logging
ต้องรู้ว่า User ถามอะไร
AI ตอบอะไร
ใช้ Token เท่าไร
และ Error เกิดที่ Layer ไหน
7. ขั้นต่อไปคือทำให้ AI รู้จักข้อมูลของบริษัท
Chatbot ที่เรียก LLM ได้ยังไม่ได้แปลว่าเป็น Business AI
สิ่งที่น่าสนใจกว่าคือ
ถ้า Chatbot สามารถเข้าถึง
- Product
- Service
- FAQ
- CRM
- Sales
- ERP
- Inventory
- Accounting
ของบริษัทได้ จะเกิดอะไรขึ้น
ตัวอย่างเช่น
แทนที่จะถามว่า
IMOTIF ให้บริการอะไรบ้าง
อาจถามได้ว่า
เดือนนี้มี Lead ใหม่กี่ราย
หรือ
ลูกค้ารายไหนมี Quotation ที่ยังไม่ได้ Follow up
หรือ
Product ตัวไหน Stock ต่ำกว่าระดับที่กำหนด
ตรงนี้ทำให้ Chatbot เริ่มเปลี่ยนจาก
AI Chat
ไปเป็น
AI Business Interface
และนี่เป็นส่วนที่ผมคิดว่าน่าสนใจกว่า Chatbot ทั่วไปมาก
เพราะเป้าหมายสุดท้ายของ AI ในองค์กรอาจไม่ใช่การมี Chatbot อีกหนึ่งตัว
แต่คือการทำให้คนสามารถ คุยกับข้อมูลและระบบของตัวเองได้โดยตรง