AI Engineer คือใคร และต่างจาก Data Scientist อย่างไร

“AI Engineer” กลายเป็นตำแหน่งที่ถูกพูดถึงมากที่สุดตำแหน่งหนึ่งในวงการเทคช่วงสามปีที่ผ่านมา แต่พอถามต่อว่ามันต่างจาก Data Scientist หรือ ML Engineer ตรงไหน คนส่วนใหญ่กลับตอบไม่ชัด บทความนี้จะปูภาพให้เห็นจากสิ่งที่จับต้องได้ที่สุด นั่นคือ “งานจริงในแต่ละวัน” ไม่ใช่จากนิยามลอยๆ

นิยามที่ตอบเพื่อนได้ใน 30 วินาที

พูดสั้นที่สุด AI Engineer คือวิศวกรที่เอา foundation model ที่มีอยู่แล้ว (ผ่าน API หรือ open-source) มาประกอบเข้ากับระบบจริง ให้แก้ปัญหาเฉพาะเจาะจงของผู้ใช้หรือองค์กรได้ จุดสำคัญอยู่ที่คำว่า “ประกอบ” ไม่ใช่ “สร้างขึ้นใหม่”

ลองเทียบกับ backend engineer ที่ทำงานกับ PostgreSQL คุณไม่ได้เขียน database engine เอง แต่คุณออกแบบ schema เป็น เขียน query ที่มีประสิทธิภาพได้ จูน index เลือก connection pool ให้เหมาะกับ load ทักษะที่มีค่าคือ “การใช้ของให้ดี” ไม่ใช่ “การสร้างของขึ้นมาใหม่” งานของ AI Engineer ก็แบบเดียวกัน แต่เปลี่ยนจาก database เป็น LLM

Data Scientist ถามว่า ‘ข้อมูลบอกอะไรเรา’ ส่วน AI Engineer ถามว่า ‘จะต่อ LLM เข้ากับระบบนี้ยังไงให้ใช้งานได้จริง’

“วันอังคาร” ของ AI Engineer คนหนึ่ง

วิธีที่เร็วที่สุดในการเข้าใจ role นี้คือดูว่าทั้งวันเขาทำอะไร ลองดูตัวอย่างวันทำงานหนึ่ง: เช้ามาทีม support แจ้งว่า chatbot ตอบผิดบ่อยขึ้น เปิด dashboard เห็นคะแนนคุณภาพคำตอบตก เริ่ม debug แล้วพบว่าทีม content เพิ่งอัปโหลดคู่มือฉบับใหม่ที่ยาวขึ้นมาก ทำให้ chunking strategy เดิมดึงข้อมูลผิด section จึงปรับ chunking ใหม่ให้ตัดตามหัวข้อ re-index แล้วรัน eval set 20 เคสที่เก็บไว้จนผ่านครบ ค่อย deploy

บ่ายมีงานใหม่: PM อยากให้ chatbot ดึงสถานะคำสั่งซื้อได้ จึง prototype ด้วย tool calling ให้ LLM เรียกฟังก์ชันแทนการเดาคำตอบเอง แล้วเขียน eval อีก 10 เคส (เคสปกติ, ไม่พบ order, format ผิด, ไม่มีสิทธิ์ดู ฯลฯ) ก่อนส่งขึ้น staging

สังเกตไหมว่าทั้งวันคือ debugging, building, evaluating, deploying — ไม่มี gradient descent ไม่มี training loop ที่รันค้างคืน งานนี้ใกล้ software engineering มากกว่า ML research นี่คือรูปร่างของงาน AI Engineer

เทียบกับ ML Engineer / Data Scientist ให้ชัด

จุดที่คนสับสนกันมากที่สุดคือเส้นแบ่งระหว่างสามตำแหน่งนี้ แยกได้ง่ายๆ จาก “คำถามหลักในแต่ละวัน” และ “ผลลัพธ์ที่ส่งมอบ”:

• AI Engineer — “จะต่อ LLM เข้ากับระบบนี้ยังไงให้ใช้ได้” ส่งมอบ LLM app, RAG system, agent, eval pipeline เครื่องมือคือ SDK ของ OpenAI/Anthropic, vector database, eval framework ความลึกทาง math อยู่ระดับต่ำถึงกลาง
• ML Engineer — “จะ train และ serve โมเดลนี้ให้ scale และเสถียรได้ยังไง” ส่งมอบ training pipeline, custom model, inference API เครื่องมือคือ PyTorch, Ray, Kubernetes ความลึกทาง math สูง
• Data Scientist — “ข้อมูลบอกอะไร pattern ไหนสำคัญ” ส่งมอบ insight, dashboard, statistical model เครื่องมือคือ pandas, SQL, scikit-learn

ความต่างที่เป็นแก่นคือจุดเริ่มของวันทำงาน AI Engineer เริ่มจากปัญหาของผู้ใช้หรือ product requirement, ML Engineer เริ่มจาก metric ของโมเดล, ส่วน Data Scientist เริ่มจากคำถามทางธุรกิจ

อ่าน job posting ที่ “หน้าที่” ไม่ใช่ “ชื่อตำแหน่ง”

ตลาดงานใช้คำพวกนี้สลับกันมั่วไปหมด บางบริษัทเรียก ML Engineer แต่งานจริงคือ AI Engineering และกลับกัน วิธีที่ใช้ได้คือดูที่ responsibilities ไม่ใช่ชื่อตำแหน่ง ถ้าเขียนว่า train, fine-tune, distributed training, model architecture เป็นใจกลาง นั่นคือ ML Engineer ถ้าเขียนว่า RAG, prompt, evals, agents, tool calling, LLM API นั่นคือ AI Engineer

ที่น่าสนใจคือแม้แต่บริษัทที่สร้าง foundation model เองก็ยังมี role แยกสำหรับ “application layer” ตำแหน่ง Applied AI Engineer ของบริษัทเหล่านี้มักขอประสบการณ์ Software Engineer ที่เคยสร้าง LLM application ระดับ production (prompting, agents, evals, deployment) โดยไม่ได้บังคับว่าต้องเคย train โมเดลมาก่อนเลย นั่นยืนยันว่า application layer เป็นสายอาชีพที่มีจริงและเป็นที่ต้องการ

สามความเชื่อผิดที่รั้งคนเก่งไว้นานเกินจำเป็น

มีความเชื่อสามอย่างที่เจอบ่อยและมักทำให้คนที่ “พร้อมจะเริ่ม” ลังเลอยู่นาน

อย่างแรกคือ “ต้องเก่งคณิตศาสตร์ลึกถึงจะเป็น AI Engineer ได้” ความจริงคืองานนี้ต้องการ quantitative thinking ไม่ใช่ mathematical derivation คุณต้อง interpret metric เป็น เข้าใจว่า token, embedding, precision/recall ใช้ตอนไหน ไม่ใช่พิสูจน์สมการ ถ้า debug Python ได้และเข้าใจ probability ระดับมัธยม คุณมีฐานพอแล้ว

อย่างที่สองคือ “AI Engineer กับ ML Engineer คือสิ่งเดียวกัน” — ไม่ใช่ ดูจากคำถามหลักและสิ่งที่ส่งมอบก็แยกออก อย่างที่สามคือ “AI Engineer คือ Prompt Engineer ที่เปลี่ยนชื่อ” — prompt engineering เป็นแค่ subset หนึ่งของทักษะ AI Engineer ยังต้องรู้ RAG, evals, deployment, tool calling, vector database, cost optimization ถ้ารู้แค่ prompt คุณคือคนที่ใช้ ChatGPT เก่ง ยังไม่ใช่ AI Engineer

AI Engineer มืออาชีพไม่ได้ต่างจากมือสมัครเล่นเพราะใช้ prompt เก่งกว่า — แต่ต่างเพราะ “วัดผลได้”

สรุปสั้นๆ AI Engineer คือคนที่ประกอบ foundation model เข้ากับระบบจริง คุณค่าได้ย้ายจาก model layer มาที่ application layer แล้ว และเส้นทางนี้เริ่มต้นที่ prompt engineering แต่ไม่ได้จบที่นั่น สิ่งที่แยกคนทำเล่นออกจากวิศวกรตัวจริงคือความสามารถในการวัดว่า “ระบบดีขึ้นจริงหรือเปล่า” ต่างหาก