Software house · since 2014

บริษัทธรรมดา ที่ไม่ธรรมดา

TAMADA ออกแบบและพัฒนาเว็บ แอป และระบบ AI เสียงภาษาไทยให้องค์กร ด้วยวิธีทำงานที่ธรรมดามาก คือถามจนเข้าใจ เขียนเทสต์ก่อนโค้ด และส่งงานทีละชิ้นที่ใช้ได้จริง

ux/ui designweb/app developmentai voice intelligenceest. 2014
What we do

สามอย่างที่เราทำได้ดี

ทีมเดียวดูแลครบตั้งแต่หน้าจอ โค้ด จนถึงโมเดล AI ที่รันบน infrastructure ขององค์กร จึงไม่มีงานตกหล่นระหว่างทีม

Featured service

AI ที่ฟัง เข้าใจ และพูดภาษาไทยได้แบบคน

AI Voice Intelligence คือชุดเครื่องมือเสียงที่เราพัฒนาเองทั้งสาย ตั้งแต่ลดเสียงรบกวน ถอดเสียงภาษาไทย ไปจนถึงตอบกลับด้วยเสียง รันบนเครื่องขององค์กรเอง ข้อมูลเสียงจึงไม่ต้องออกนอกบ้าน

$ voice.session --lang th
[vad] speech_start
[stt] "เครื่องที่สองน้ำยาเหลือน้อย…"
[turn] pause detected · still thinking → wait
[stt] "…แล้วก็ท่อน้ำทิ้งตันนิดหน่อย"
[turn] end_of_turn ✓
[llm] fill findings[2]
[tts] streaming reply
How we work

ห้าขั้น จากคำถามแรก ถึงโค้ดที่ไว้ใจได้

เราทำงานคู่กับ AI coding agent ทุกวัน จึงต้องมีวินัยมากกว่าเดิม ทุกขั้นมีของส่งมอบที่ลูกค้าเห็นได้ และ agent ทำตามได้โดยไม่หลงทาง

01 / grill

ถามจนเข้าใจตรงกัน

ซักโจทย์ทีละข้อจนทุกกิ่งของการตัดสินใจชัด ทุกคำถามมีคำตอบที่เราแนะนำแนบไว้ ลูกค้าตอบแค่ "ตามนั้น" ก็เดินต่อได้

02 / prd

เขียน PRD และภาษากลาง

สรุปเป็นเอกสารความต้องการพร้อม user story และพจนานุกรมคำศัพท์ที่ทั้งทีม ลูกค้า และ AI ใช้ความหมายเดียวกัน

03 / slice

หั่นเป็นชิ้นแนวตั้ง

แตกงานเป็น tracer bullet ที่บาง แต่ทะลุทุกชั้นตั้งแต่หน้าจอถึงฐานข้อมูล ทุกชิ้นเดโมได้และส่งมอบได้เอง

04 / tdd

เทสต์ก่อน โค้ดตาม

Red, green, refactor ทีละพฤติกรรม เทสต์ผ่าน public interface จึงเป็น feedback loop ที่ทั้งวิศวกรและ agent พึ่งได้

05 / deepen

ทำโมดูลให้ลึก

ทบทวนสถาปัตยกรรมสม่ำเสมอ รวมของที่กระจัดกระจายเป็นโมดูลที่ interface เล็กแต่ทำงานได้มาก โค้ดจึงแก้ง่ายเมื่อระบบโต

workflow นี้ปรับมาจากแนวทาง "skills for real engineers" ของ Matt Pocock

Principles

สิ่งที่เรายึดไว้ทุกโปรเจกต์

ข้อมูล
อยู่ในบ้าน

Own your data

ออกแบบให้ข้อมูลสำคัญอยู่ในระบบขององค์กร เลือกบริการภายนอกเฉพาะเมื่อคุ้มและปลอดภัย

วัดได้
ก่อนเชื่อ

Measure, then trust

ทุกฟีเจอร์ โดยเฉพาะงาน AI ต้องมีชุดทดสอบและตัวชี้วัดที่ตกลงกันไว้ก่อนส่งมอบ

ทำครั้งเดียว
ใช้ได้หลายที่

Build once, reuse

แยกส่วนที่ใช้ซ้ำได้ออกเป็น component กลาง งานถัดไปเร็วขึ้นและถูกลง

Let's talk

มีโจทย์ที่อยากให้ช่วยคิด เล่าให้เราฟังได้เลย

เริ่มคุยกับทีม →
Services

ครบตั้งแต่คิด จนถึงดูแล

เลือกเฉพาะส่วน หรือให้เราดูแลทั้งโปรเจกต์ก็ได้ ทุกบริการใช้ทีม วิธีทำงาน และมาตรฐานเดียวกัน

AI Voice Intelligence

คุยกับระบบ ด้วยเสียง ภาษาไทย แบบไม่ต้องพิมพ์

เราสร้าง voice agent ที่สัมภาษณ์ผู้ใช้ด้วยเสียง ฟังคำตอบที่พูดแบบธรรมชาติ แล้วเปลี่ยนเป็นข้อมูลที่มีโครงสร้าง พร้อมส่งเข้าระบบงานเดิมขององค์กร ทุกโมเดลรันบน infrastructure ขององค์กรเอง

Live demo · บทสนทนาสมมติ

พูดเล่าเหมือนคุยกับคน ฟอร์มกรอกตัวเอง

ตัวอย่าง: ช่างแอร์รายงานงานหลังเข้าบริการลูกค้า แทนที่จะนั่งพิมพ์รายงานตอนเย็น ก็แค่เล่าให้ AI ฟังระหว่างเดินกลับรถ เสียงในตัวอย่างนี้สังเคราะห์ทั้งหมด

conversationidle

กดปุ่มเล่นด้านล่าง แล้วดูว่า AI ฟัง รอจังหวะ และถามต่ออย่างไร

structured output · service_report.json
Architecture · voice pipeline

เจ็ดขั้นที่เสียงเดินทาง ภายในไม่กี่วินาที

เราเลือกแบบ cascade คือแยกแต่ละหน้าที่เป็นโมเดลของตัวเอง แทนโมเดลเดียวที่ทำทุกอย่าง เพราะตรวจสอบได้ทีละจุด เปลี่ยนโมเดลได้ทีละตัว และ scale เฉพาะส่วนที่ตันได้ กดแต่ละขั้นเพื่อดูรายละเอียด

Why streaming

ทำไมทุกขั้นต้องทำงานซ้อนกัน

ถ้าแต่ละขั้นรอให้ขั้นก่อนเสร็จทั้งหมด ผู้ใช้จะรอนานจนรู้สึกว่าระบบค้าง เราจึงให้ทุกขั้นเริ่มทำงานทันทีที่ได้ข้อมูลชิ้นแรก

motion · ภาพเชิงแนวคิด ไม่ใช่ตัวเลขจริง
รอทีละขั้น
ทำงานซ้อนกัน
ผู้ใช้หยุดพูดเวลา →
ถอดเสียงคิดคำตอบสร้างเสียงตอบผู้ใช้ได้ยินคำแรก
Turn detection

หยุดคิด หรือพูดจบแล้ว?

ระบบฟังทั้งความเงียบและเนื้อความ ช่วงที่ผู้ใช้ลากเสียง "เอ่อ…" ระบบรอต่อ แต่เมื่อประโยคจบด้วย "ครับ" ระบบตอบได้ทันที

motion · turn detection
Common platform

สร้างครั้งเดียว ใช้ได้ทุก use case

โมเดลเสียงทุกตัวอยู่หลัง API กลาง แอปแต่ละตัวเขียนแค่ "บทสนทนา" ของตัวเอง งานเสียงงานใหม่จึงเริ่มจากของที่พร้อมใช้ ไม่ต้องตั้งต้นใหม่

use-case apps
Field report agentสัมภาษณ์แล้วกรอกฟอร์ม
Call QAตรวจคุณภาพการสนทนา
Wrap-upสรุปหลังจบสาย
Use case ถัดไปเขียนแค่ conversation flow
↓  REST / streaming API  ↓
conversation engine
State graphลำดับคำถาม · เงื่อนไข · ข้ามได้
Slot fillingดึงค่าเข้าฟิลด์ + ตรวจรูปแบบ
Guardrailsห้ามเดา · ห้ามออกนอกเรื่อง
↓
model services
Enhancegpu · scale แยก
VAD + Turncpu · เบามาก
Speaker gategpu · ใช้ร่วมกับ STT
Thai STTgpu · scale แยก
LLMgpu · inference server
TTSgpu · streaming
Central logging & monitoringlatency ทุกขั้น · ไม่เก็บ PII ลง log
Evaluation harnessชุดทดสอบความถูกต้อง รันก่อน merge

Testing approach

ทดสอบ AI สามชั้น จากถูกสุดไปแพงสุด

AI ตอบไม่เหมือนเดิมทุกครั้ง การทดสอบจึงต้องแยกส่วนที่ "ต้องถูกเสมอ" ออกจากส่วนที่ "วัดเป็นสถิติ" แล้วให้คนตรวจในชั้นสุดท้าย

tier 1 · component

ส่วนที่ต้องถูกทุกครั้ง

ทดสอบ logic ทั้งหมดที่ไม่ใช้ LLM เช่น การตรวจรูปแบบข้อมูล ลำดับคำถาม การ map ค่า รันอัตโนมัติทุก pull request ถ้าไม่ผ่าน merge ไม่ได้

input
unit / integration test
รันเมื่อ
ทุก PR ใน CI
ต้นทุน
ต่ำมาก
tier 2 · LLM, text

วัดความเข้าใจด้วยบทสนทนาจำลอง

ป้อนบทสนทนาที่เตรียมไว้เป็นข้อความเข้า LLM จริง หลายรอบ วัดคะแนนรายฟิลด์ และนับ "สิ่งที่ห้ามเกิด" เช่น การเดาค่าที่ผู้ใช้ไม่ได้พูด แยกชุดที่ใช้ปรับจูนออกจากชุด hold-out ที่ไม่เคยเห็น

input
scripted fixtures + forbid rules
รันเมื่อ
ก่อน merge งานที่แตะ prompt/โมเดล
ต้นทุน
ต้องใช้ GPU
tier 3 · voice, end-to-end

เสียงจริง ทั้งระบบ คนตรวจ

เล่นเสียงพูดจริงผ่านทุกขั้น ตั้งแต่ลดเสียงรบกวนจนได้ฟอร์ม แล้วให้ผู้รู้งานตรวจตาม rubric เทียบกับ LLM judge เพื่อดูว่าวัดตรงกันแค่ไหน

input
เสียงที่ได้รับความยินยอม
รันเมื่อ
ก่อน sign-off แต่ละรอบ
ต้นทุน
สูงสุด ใช้คน
interactive · bug funnel
ข้อผิดพลาดที่อาจเกิด ↓
tier 1 · component
tier 2 · LLM, text
tier 3 · voice + คน
ถึงมือผู้ใช้0
Next

มีงานที่คนยังต้องพิมพ์ทั้งที่พูดได้เร็วกว่า เราอยากฟัง

บริการ/ux-ui-design

ทดสอบกับคนจริงได้ ตั้งแต่สัปดาห์แรก

AI ทำให้เวลาจากไอเดียถึง prototype ที่กดได้จริงสั้นลงจากหลายสัปดาห์เหลือไม่กี่วัน เราเอาเวลาที่ได้คืนไปทุ่มให้งานที่ AI ทำแทนไม่ได้ คือเข้าใจคนใช้ และตัดสินใจว่าอะไรดีพอจะส่งต่อ

One screen · four stages

หน้าจอเดียว จากโจทย์ ถึง prototype ที่เป็นโค้ด

ตัวอย่าง: แอปจองคิวรับบริการ กดแต่ละขั้นเพื่อดูว่าหน้าจอเปลี่ยนไปอย่างไร ขั้นสุดท้ายลองกดในโทรศัพท์ได้จริง

9:41●●● 5G
// brief จาก grill session
ผู้ใช้: ลูกค้าที่ต้องการนัดรับบริการ
ปัญหา: โทรจองไม่ติด รอนาน
เป้าหมาย: จองได้ใน 30 วินาที
ข้อจำกัด: ใช้มือเดียว, ผู้สูงอายุใช้ด้วย
AI: แนะนำเวลาที่คิวว่าง

เกณฑ์ผ่าน: ผู้ใช้ 4/5 คนจองสำเร็จ
โดยไม่ต้องมีคนช่วย
จองคิวรับบริการ
สาขาสยาม
บริการตรวจเช็กทั่วไป
AIคิวช่วงบ่ายวันพรุ่งนี้ว่างที่สุด รอเฉลี่ยน้อยกว่าช่วงเช้า
เลือกเวลา
จองแล้ว · 13:30 พรุ่งนี้
Then → now

AI เปลี่ยนงานออกแบบไปอย่างไร

ผลสำรวจนักออกแบบ 1,478 คนปี 2026 พบว่า AI ติด 5 ใน 10 เครื่องมือที่ใช้ทุกสัปดาห์แล้ว แต่ปัญหาอันดับต้นคือคุณภาพของผลลัพธ์ เราจึงใช้ AI สร้างทางเลือก และให้นักออกแบบเป็นคนคัด

ที่มา: UX Tools, State of Prototyping, Spring 2026

Design process

ห้าขั้น AI ช่วยทุกขั้น คนตัดสินทุกขั้น

เราปฏิบัติกับงานที่ AI สร้างเหมือนงานของนักออกแบบรุ่นน้อง มีประโยชน์มาก แต่ต้องผ่านการวิจารณ์ก่อนไปถึงมือผู้ใช้

UX for AI features

ออกแบบให้คนไว้ใจ AI ได้พอดี

ฟีเจอร์ AI ต้องการ UX แบบใหม่ ผู้ใช้ต้องรู้ว่า AI ทำอะไร มั่นใจแค่ไหน และแก้ได้เมื่อมันผิด นี่คือห้า pattern ที่เราใช้ทุกครั้ง

01

บอกว่าเป็น AI

ป้ายชัดว่าส่วนไหนมาจาก AI ไม่ทำให้ผู้ใช้เข้าใจผิดว่าเป็นคน

[AI] คิวบ่ายว่างที่สุด
02

แก้ได้ทุกจุด

ทุกค่าที่ AI เติมให้ แก้หรือลบได้ก่อนยืนยัน

หมวด: ซ่อมแอร์ ✎
03

บอกเมื่อไม่แน่ใจ

ถ้า AI ไม่มั่นใจ ให้ถามกลับหรือเว้นว่าง ดีกว่าเดาผิดอย่างมั่นใจ

ไม่แน่ใจเรื่องเวลา ช่วยยืนยันอีกครั้ง?
04

บอกที่มา

แสดงว่าคำแนะนำมาจากข้อมูลอะไร ผู้ใช้ตัดสินใจเองได้

จากสถิติคิว 4 สัปดาห์ล่าสุด
05

มีทางออกเสมอ

ทำงานต่อได้โดยไม่ต้องใช้ AI และติดต่อคนได้เมื่อจำเป็น

ข้ามคำแนะนำ · คุยกับเจ้าหน้าที่
interactive · เปิดปิดทีละ pattern
AIแนะนำเวลานัด
พรุ่งนี้ 13:30
ไม่แน่ใจว่าคุณสะดวกช่วงบ่ายไหม ช่วยยืนยันอีกครั้ง?
ที่มา: สถิติคิว 4 สัปดาห์ล่าสุดของสาขานี้

Deliverables

สิ่งที่คุณได้รับ

ทุกชิ้นส่งต่อให้ทีมพัฒนาใช้ได้ทันที ไม่ว่าทีมพัฒนาจะเป็นเรา หรือทีมของคุณเอง

research

สรุปผลวิจัยผู้ใช้

สิ่งที่ผู้ใช้ทำจริง ปัญหาที่เจอ และโอกาส พร้อมคำพูดจริงประกอบ

flow

Journey map และ user flow

เส้นทางของผู้ใช้ตั้งแต่ต้นจนจบ รวมกรณีผิดพลาด

prototype

Prototype ที่เป็นโค้ดจริง

กดได้บนมือถือจริง ใช้ทดสอบกับผู้ใช้ได้ทันที

figma

ไฟล์ Figma ครบทุกหน้าจอ

ทุกสถานะ ทุกขนาดจอ จัดเป็นระบบ ทีมคุณแก้ต่อได้

system

Design system และ spec

component, สี, ตัวอักษร และกติกาการใช้ ทั้งในรูปไฟล์ดีไซน์และโค้ด อ่านได้ทั้งคนและ AI agent

test

รายงานทดสอบผู้ใช้ + WCAG 2.2

ผลทดสอบกับผู้ใช้จริงแต่ละรอบ และรายการตรวจการเข้าถึงสำหรับผู้พิการ

Tools

เครื่องมือที่ใช้จริง

Figmaออกแบบหน้าจอ, design system และส่งต่อให้ทีมพัฒนา
Claudeสรุปผล research, ร่างทางเลือก และสร้าง prototype ที่เป็นโค้ด
Flutter / webprototype บนมือถือจริงด้วยเทคโนโลยีเดียวกับตัวจริง
FAQ

คำถามที่พบบ่อย

Next

มีหน้าจอที่ผู้ใช้บ่นอยู่ เริ่มจากตรงนั้นได้เลย

คุยกับทีม →
บริการ/web-app-development

AI ช่วยเขียน เทสต์คุมทุกบรรทัด

เว็บ แอปมือถือ และระบบหลังบ้าน พัฒนาด้วย AI coding agent ภายใต้ spec ที่ชัด เทสต์ที่เขียนก่อนโค้ด และวิศวกรที่รีวิวทุก pull request

ส่ง ↑vsเสถียร ↓

AI ช่วยให้ส่งของได้มากขึ้น แต่ไม่ได้ทำให้ของเสถียรขึ้นเอง

รายงาน DORA 2025 ซึ่งสำรวจคนทำงานด้านเทคโนโลยีเกือบ 5,000 คน พบว่าการใช้ AI สัมพันธ์ในทางบวกกับ throughput ของการส่งมอบ แต่สัมพันธ์ในทางลบกับความเสถียร และสรุปว่า AI เป็นตัวขยายสิ่งที่ทีมมีอยู่แล้ว คอขวดจึงย้ายจาก "เขียนโค้ด" ไปอยู่ที่ "ตรวจและส่งของที่มีคุณภาพ" เราจึงลงทุนที่ spec, เทสต์, การรีวิว และ CI/CD

ที่มา: 2025 DORA Report, Google Cloud
motion · คอขวดของการส่งมอบ
โค้ดที่ AI เขียน 0รอรีวิว 0ถึงผู้ใช้ 0

Spec → test → code → review

ดูงานหนึ่งชิ้น เดินจากบอร์ดถึง pull request

ตัวอย่างจริงจากวิธีทำงานของเรา AI agent ทำงานหนักตรงกลาง แต่จุดเริ่มต้นและจุดจบเป็นของคน กดเล่น หรือกดทีละขั้น

slice-07 · booking
Then → now

AI เปลี่ยนงานพัฒนาไปอย่างไร

เราไม่ได้ใช้ AI เพื่อเขียนโค้ดให้มากขึ้น แต่ใช้เพื่อส่งของที่ใช้ได้จริงให้เร็วขึ้น โดยความเสี่ยงไม่เพิ่ม

What we build

สิ่งที่เราสร้าง

stack ที่เราใช้ในงานจริง เลือกเพราะดูแลง่าย ทีมของคุณหาคนต่อได้ และทำงานกับ AI agent ได้ดี

web

เว็บและเว็บแอป

Next.js เร็ว รองรับมือถือ ตั้งแต่ landing page ถึงระบบหลังบ้าน

mobile

แอปมือถือ

Flutter โค้ดชุดเดียวได้ทั้ง iOS และ Android ฟีเจอร์ออกพร้อมกันทั้งสองระบบ

backend

API และระบบหลังบ้าน

Go สำหรับ service ที่ต้องเร็วและนิ่ง พร้อมเอกสาร API

integration

เชื่อมระบบเดิม

ต่อเข้าระบบขององค์กรผ่าน API มีเทสต์ครอบกรณีปลายทางล่ม

cloud

Container บน cloud

deploy อัตโนมัติ ย้อนเวอร์ชันได้ทันที พร้อม monitoring

ai features

ฟีเจอร์ AI ในแอป

ใส่ AI เข้าไปในงานเดิม พร้อมชุดวัดความถูกต้องและ guardrails

motion · Flutter โค้ดชุดเดียว สองแพลตฟอร์ม
iOS
จองคิว
// lib/booking.dartScaffold(  appBar: AppBar(…),  body: SlotPicker(…),  bottom: BookButton(),)
Android
จองคิว
Deliverables

สิ่งที่คุณได้รับตอนส่งมอบ

หลังส่งมอบ คุณเป็นเจ้าของทั้งหมด และทีมของคุณดูแลต่อเองได้

Source code + testsrepository ทั้งหมด พร้อมเทสต์ที่รันได้ทันที
CI/CD pipelinebuild, test, scan และ deploy อัตโนมัติ
เอกสาร API และ specอยู่ใน repository อัปเดตพร้อมโค้ด
Runbookคู่มือ deploy ดูแล และรับมือเหตุขัดข้อง
SBOM และผลสแกนรายการส่วนประกอบระบบและผลตรวจความปลอดภัย
App store releaseช่วยเตรียมและส่งแอปขึ้น App Store และ Google Play
FAQ

คำถามที่พบบ่อย

Next

อยากเห็น slice แรกของระบบคุณภายในเดือนแรก

คุยกับทีม →
How we work · method

AI ช่วยเขียน คนเป็นเจ้าของ

เราใช้ AI coding agent ทุกวัน งานจึงเร็วขึ้นมาก แต่ความเร็วไม่มีความหมายถ้าตรวจสอบไม่ได้ หน้านี้เล่าว่าเราคุม AI และคุมโปรเจกต์อย่างไร ให้ทุกการเปลี่ยนแปลงย้อนดูได้ว่าใครสั่ง ใครตรวจ และผ่านเกณฑ์อะไรมา

ฉบับย่อ 1 นาที

หกข้อที่ลูกค้าได้จากวิธีทำงานนี้

01

มีคนรับผิดชอบทุกงาน

AI ร่างโค้ดได้ แต่ merge และขึ้นระบบจริงต้องผ่านคนที่มีชื่อรับผิดชอบเสมอ

02

ย้อนดูได้ทุกบรรทัด

ทุกการเปลี่ยนแปลงผูกกับงานในบอร์ด, pull request, ผลเทสต์ และรอบที่ขึ้นระบบ

03

ความปลอดภัยตั้งแต่วันแรก

ตรวจช่องโหว่ ความลับ และ dependency อัตโนมัติทุกครั้งที่แก้โค้ด ไม่ใช่รอตรวจตอนท้าย

04

AI มีกรอบกำกับ

มีกติกาว่า AI ทำอะไรได้ ห้ามทำอะไร และงาน AI ในระบบลูกค้าต้องมีชุดวัดความถูกต้องก่อนส่งมอบ

05

ข้อมูลส่วนบุคคลถูกปกป้อง

ออกแบบตาม PDPA ข้อมูลลูกค้าไม่ถูกส่งเข้าเครื่องมือ AI ภายนอกโดยไม่ได้รับอนุญาต

06

วัดผลด้วยตัวเลข

ติดตามความเร็วและความเสถียรของการส่งมอบทุกสัปดาห์ ด้วยตัวชี้วัดที่อุตสาหกรรมใช้กัน

End-to-end · 12 สัปดาห์

จากวันแรก ถึงวันที่คุณรับระบบไปใช้จริง

ตัวอย่างโปรเจกต์ 3 เดือน: แอปจัดการคำขอบริการ ที่มี AI ช่วยสรุปและจัดหมวดคำขอ ลากแถบเลื่อนหรือกดเล่น เพื่อดูว่าแต่ละสัปดาห์เกิดอะไรขึ้น

week 01

คุณได้รับ
    สิ่งที่ขอจากคุณ
      Lifecycle · SDLC with AI

      เจ็ดขั้นของงาน แต่ละขั้นมีด่านที่คนต้องอนุมัติ

      วงจรพัฒนาซอฟต์แวร์แบบเดิม เพิ่มคำตอบว่า AI ช่วยตรงไหน และคนต้องตัดสินใจตรงไหน กดแต่ละขั้นเพื่อดูรายละเอียด

      AI guardrails

      กติกาที่ AI coding agent ต้องทำตาม

      เราปฏิบัติกับ AI เหมือนเพื่อนร่วมทีมที่เก่งแต่เพิ่งเข้ามา ให้ทำงานได้เต็มที่ในพื้นที่ที่ปลอดภัย และทุกงานต้องมีคนตรวจ

      อนุญาต

      เขียนโค้ด เขียนเทสต์ อ่านโค้ด และเปิด pull request บน branch ของตัวเอง

      อนุญาต

      ทำตาม "กติกาประจำโปรเจกต์" ที่เก็บไว้ใน repository เช่น มาตรฐานโค้ด คำศัพท์กลาง และสิ่งที่ห้ามแตะ

      อนุญาต

      รับงานจากบอร์ดได้ แต่ทุกงานมีคนเป็นเจ้าของคู่กันเสมอ

      ห้าม

      merge เข้า branch หลัก หรือ deploy ขึ้นระบบจริงเอง

      ห้าม

      เห็นรหัสผ่าน คีย์ หรือข้อมูลจริงของลูกค้า ใช้ข้อมูลตัวอย่างหรือข้อมูลที่ปิดบังแล้วแทน

      ห้าม

      ปิด ข้าม หรือแก้เทสต์ให้ผ่าน เพื่อให้งานดูเหมือนเสร็จ

      ทุก commit ที่ AI มีส่วนเขียน ระบุไว้ในประวัติของ repository ตรวจย้อนได้

      interactive · ลองสั่ง AI agent
      Deliverables · ตัวอย่าง

      ของที่คุณจะได้เห็นจริง ระหว่างทำงาน

      ภาพจำลองจากโปรเจกต์สมมติ หน้าตาเหมือนที่คุณจะได้เห็นในโปรเจกต์ของคุณ ทุกชิ้นเปิดดูได้ตลอด ไม่ต้องรอรายงานปลายเดือน

      Project management

      บริหารโปรเจกต์แบบทีม product สมัยใหม่

      ใช้แนวคิดเดียวกับที่ทีมซอฟต์แวร์ระดับโลกใช้ อย่าง agile และ team playbook ของ Atlassian ปรับให้เข้ากับยุคที่ AI agent เป็นส่วนหนึ่งของทีม

      work hierarchy
      1. เป้าหมายผลลัพธ์ทางธุรกิจที่ตกลงกันตอนเริ่ม
      2. Epicก้อนงานใหญ่ที่ส่งมอบคุณค่าได้หนึ่งเรื่อง
      3. Sliceชิ้นงานแนวตั้งที่เดโมได้ ใช้เวลาไม่เกินไม่กี่วัน
      4. Taskงานย่อย คนหรือ AI agent รับไปทำได้

      Definition of Ready

      งานจะเข้าบอร์ดได้เมื่อมีเกณฑ์ยอมรับที่ชัด มีเจ้าของ และไม่มีคำถามค้าง

      Definition of Done

      เสร็จหมายถึงเทสต์ผ่าน มีคนรีวิว เอกสารอัปเดต และขึ้นระบบทดสอบแล้ว ไม่ใช่แค่ "เขียนเสร็จ"

      Demo ทุกสัปดาห์

      ลูกค้าเห็นของจริงที่ใช้งานได้ทุกสัปดาห์ ไม่ใช่แค่รายงานเปอร์เซ็นต์

      บันทึกการตัดสินใจ

      ทุกการตัดสินใจสำคัญจดไว้พร้อมเหตุผลและวันที่ คนที่มาทีหลังเข้าใจได้ว่าทำไมระบบเป็นแบบนี้

      Retro และ postmortem

      ทบทวนทุกรอบงาน เมื่อระบบมีปัญหาเราหาสาเหตุเชิงระบบโดยไม่โทษตัวบุคคล แล้วแก้ไม่ให้เกิดซ้ำ

      เครื่องมือที่ใช้จริง

      GitHub สำหรับโค้ด งาน และ CI/CD, Claude เป็น AI coding agent และระบบรันบน container ใน cloud

      motion · ชีวิตของงานหนึ่งชิ้น
      To do
      In progress
      Review
      Done
      SR-31 · เลือกเวลาจองที่คิวว่างowner: PO · assignee: AI agent + engineer
        Measure

        ตัวเลขที่เราดูทุกสัปดาห์

        งานวิจัย DORA ของ Google ปี 2025 พบว่า AI ทำให้ทีมส่งงานเร็วขึ้น แต่ระบบมีแนวโน้มเสถียรน้อยลง ถ้าพื้นฐานไม่ดีพอ เราจึงวัดทั้งสองด้านคู่กัน

        speed

        ส่งมอบบ่อยแค่ไหน

        deployment frequency

        speed

        จากโค้ดถึงมือผู้ใช้นานเท่าไร

        lead time for changes

        stability

        ขึ้นระบบแล้วพังกี่ครั้ง

        change failure rate

        stability

        กู้คืนได้เร็วแค่ไหน

        time to restore

        ai quality

        AI ยังแม่นเท่าเดิมไหม

        eval score ต่อเวอร์ชัน

        interactive · ภาพเชิงแนวคิด ไม่ใช่ข้อมูลจริง
        ทุกวัน1 สัปดาห์24812 สัปดาห์

        Standards

        มาตรฐานที่เราใช้เป็นแนวทาง

        เราใช้มาตรฐานสากลด้านคุณภาพ ความปลอดภัย และ AI เป็นแนวทาง โดยยังไม่ได้ขอการรับรอง สิ่งที่สำคัญกว่าชื่อมาตรฐาน คือหลักฐานที่คุณเปิดดูได้จริงในแต่ละข้อ

        Then → now

        สิ่งที่เราเลิกทำแล้ว และสิ่งที่ใช้แทน

        วิธีทำงานซอฟต์แวร์เปลี่ยนเร็วมากตั้งแต่ AI เข้ามา เราอัปเดตวิธีของเราสม่ำเสมอ

        Case study · ไม่ระบุชื่อลูกค้า

        Voice agent สำหรับทีมภาคสนามหลายพันคน

        โจทย์ พนักงานภาคสนามต้องพิมพ์รายงานยาวหลังพบลูกค้าทุกครั้ง ข้อมูลจึงมาช้าและไม่ครบ

        สิ่งที่ทำ voice agent ภาษาไทยที่สัมภาษณ์ด้วยเสียงแล้วกรอกรายงานให้ รันบน cloud ขององค์กรเอง พัฒนาด้วยวิธีทำงานในหน้านี้ทั้งหมด

        สถานะ: อยู่ระหว่างทดสอบกับผู้ใช้ก่อนขึ้นระบบจริง

        2,000+automated test ที่รันทุก pull request
        100บทสนทนาจำลองในชุดวัดความถูกต้องของ AI
        360+กฎ "ห้ามเกิด" ที่ AI ต้องผ่าน เช่น ห้ามเดาค่า
        20+กรณี red-team ที่พยายามหลอก AI
        50,000+request ใน load test โดยไม่มี error
        0ข้อมูลส่วนบุคคลใน log ของระบบ
        FAQ · สำหรับฝ่ายจัดซื้อและผู้บริหาร

        คำถามที่เราถูกถามบ่อย

        ถ้าคำถามของคุณไม่อยู่ในนี้ ส่งมาที่ hello@tamada.io ได้เลย

        Next

        อยากเห็นวิธีทำงานนี้กับโจทย์ของคุณ

        คุยกับทีม →
        Lab notes

        สิ่งที่เราเรียนรู้ จากการสร้างซอฟต์แวร์จริง

        บันทึกจากหน้างาน ทั้งงานออกแบบ งานพัฒนา AI โครงสร้างระบบ และวิธีทำงาน เขียนให้คนที่กำลังจะเจอโจทย์คล้ายกันไม่ต้องเจ็บซ้ำทางเดียวกับเรา

        About

        ธรรมดาในวิธีคุย ไม่ธรรมดาในวิธีทำ

        TAMADA เป็นซอฟต์แวร์เฮาส์ในประเทศไทยตั้งแต่ปี 2014 เราเชื่อว่าซอฟต์แวร์ที่ดีมาจากการเข้าใจคนใช้ให้ลึกพอ และวิศวกรรมที่แข็งแรงพอจะรับวันที่ระบบโตขึ้น

        เราทำงานแบบไหน

        เราชอบโจทย์ที่ยังไม่มีคำตอบสำเร็จรูป เช่น ระบบที่ต้องคุยภาษาไทยได้ งานที่ต้องเชื่อมกับระบบเดิมหลายตัว หรือ AI ที่ต้องพิสูจน์ได้ว่าแม่นพอก่อนใช้จริง ทุกโปรเจกต์ได้ทั้งคนออกแบบและวิศวกรที่ลงมือเอง ไม่ใช่แค่ทำสไลด์

        ความรู้ที่ได้จากงานหนึ่ง เราเก็บเป็น component และบันทึกเป็น Lab notes ให้งานถัดไปเริ่มจากจุดที่ไกลกว่าเดิม

        ชื่อTAMADA
        สโลแกนบริษัทธรรมดาที่ไม่ธรรมดา
        ประเภทSoftware house
        ที่ตั้งประเทศไทย
        ก่อตั้ง2014
        ความถนัดUX/UI Design, Web/App Development, AI Voice Intelligence
        stackcloud-native · containers · GPU inference · CI/CD
        Contact

        เล่าโจทย์ให้เราฟัง

        ยังไม่ต้องมี requirement ครบ เล่าแค่ปัญหาที่อยากแก้ เราจะกลับไปพร้อมคำถามที่ช่วยให้โจทย์ชัดขึ้น

        อีเมลhello@tamada.io
        เวลาตอบภายใน 1 วันทำการ