CKN
CKN/เทคโนโลยี/CKN AI
CKN AI

AI ครบชุดในแอปของคุณเอง

CKN AI รวม LLM (Claude, ChatGPT, Gemini), agent, RAG, machine learning, การหาค่าเหมาะที่สุด, OCR และ speech-to-text ไว้ใน library เดียว ใช้ได้ทั้งบน Node และในเบราว์เซอร์ ธุรกิจได้ AI ที่ผูกกับข้อมูลและระบบของตัวเอง โดยไม่ต้องต่อ SDK หลายตัวเข้าด้วยกัน และเปลี่ยนผู้ให้บริการ LLM ได้โดยไม่ต้องเขียนใหม่

คุยกับทีมของเรา → ดูความสามารถ
3ผู้ให้บริการ LLM ใน API เดียว: Claude, ChatGPT, Gemini
19สถาปัตยกรรม neural network ที่เทรนได้ในตัว (ใน catalog)
79,943โมเดล optimization สุ่มที่ solver ให้ผลตรงกับตัวอ้างอิง
37ไฟล์ทดสอบอัตโนมัติ ครอบคลุม LLM, agent, ML, solver, vision
ความสามารถ

สิ่งที่ CKN AI ทำได้

01

LLM หลายเจ้า ใช้ API เดียว

เขียนโค้ดครั้งเดียว สลับระหว่าง Claude, ChatGPT และ Gemini ได้ด้วยการเปลี่ยน provider รองรับ streaming, reasoning, ภาพ เสียง และไฟล์แนบ

  • ประมาณค่าใช้จ่ายจากตารางราคาที่คุณกำหนดเอง
  • retry อัตโนมัติเมื่อเจอ 429 และ 5xx
  • ถ้าโมเดลไม่รองรับไฟล์ประเภทนั้น จะแจ้ง error ไม่ตัดทิ้งเงียบ ๆ
  • ให้ LLM ตอบเป็น JSON ที่ parse ได้
02

Agent และ MCP

สร้าง agent ที่เรียกใช้ tool ของระบบคุณ ตรวจ input ด้วย JSON schema ก่อนทำงาน และหยุดรออนุมัติได้ เชื่อมกับ MCP server ภายนอกได้ทั้งแบบ stdio และ HTTP

  • tool ระบุ sideEffects ได้ (อ่านอย่างเดียว หรือเขียนข้อมูล)
  • memory, checkpoint และ resume งานที่ค้างอยู่
  • จำกัดจำนวนขั้นตอนและ deadline ของ agent
  • ส่งความคืบหน้าให้หน้าจอผ่าน SSE
03

RAG และการประมวลผลข้อความ

ให้ AI ตอบจากเอกสารของคุณเอง แบ่งข้อความ ทำ embedding แล้วค้นหาแบบ vector, keyword หรือผสมกัน รองรับข้อความภาษาไทย

  • hybrid search (vector + BM25) และ HNSW สำหรับคลังข้อมูลใหญ่
  • สรุปเอกสารยาวแบบ stream
  • tool ค้นเว็บสำหรับ agent
  • export และ import index เป็นไฟล์ binary
04

Machine learning และการพยากรณ์

เทรนโมเดลบนข้อมูลของคุณเองด้วย TensorFlow.js ทั้งบน server และในเบราว์เซอร์ เช่น พยากรณ์ยอดขาย ตรวจจับความผิดปกติ จัดกลุ่มลูกค้า แนะนำสินค้า

  • MLP, CNN, LSTM/GRU, autoencoder, Transformer, recommender และอื่น ๆ
  • preprocessing ถูกบันทึกไปกับโมเดล
  • k-fold, grid search, เทรนใน worker พร้อมยกเลิกได้
  • รัน model ONNX เพื่อ inference
05

Optimization และ scenario

แก้โจทย์วางแผน (LP/MILP) เช่น จัดสรรทรัพยากร ผสมสินค้า จัดเส้นทาง ด้วย solver ที่เขียนเองใน library ถามแบบ what-if ได้ และให้ผลเป็นข้อเสนอที่คนต้องอนุมัติก่อนนำไปใช้

  • shadow price บอกว่าข้อจำกัดไหนมีผลต่อกำไรมากที่สุด
  • หลายเป้าหมายพร้อมกัน (multi-objective)
  • สร้าง scenario จากข้อความภาษาธรรมชาติ
  • ไม่ throw error แต่คืนสถานะให้ตรวจ ไม่ลงมือถ้าผลยังใช้ไม่ได้
06

เอกสาร เสียง และภาพ

อ่านใบกำกับภาษี ใบสั่งซื้อ และไฟล์สแกนเป็นข้อมูลโครงสร้าง ถอดเสียงเป็นข้อความ และตรวจจับคน/ป้ายทะเบียนไทยจากภาพกล้อง

  • OCR ด้วย Tesseract หรือ LLM, PDF ที่มีข้อความอ่านตรง ถ้าเป็นภาพสแกนจะ OCR ต่อให้
  • speech-to-text ทั้งแบบ cloud และแบบรันในเครื่อง พร้อมไฟล์ SRT/VTT
  • ตรวจจับคน ติดตาม นับเข้า-ออกโซน ด้วย model ONNX ของคุณ
  • อ่านป้ายทะเบียนไทย ตรวจจังหวัด พร้อมโหวตผลต่อคัน
ประสิทธิภาพ

ตัวเลขที่วัดจริง

ตัวเลขทั้งหมดมาจากการวัดจริงที่บันทึกไว้ในเอกสารของ package บนเครื่อง Apple-silicon Mac และ Node 24 ผลบนเครื่องอื่นจะต่างออกไป

ค้นหา RAG แบบแม่นยำ (10,000 chunk, 384 มิติ)
4.8 ms / query
ที่ 100,000 chunk ใช้ 43 ms ต่อ query
ค้นหา RAG แบบ HNSW (10,000 chunk)
0.65 to 0.8 ms / query
เร็วกว่าแบบแม่นยำประมาณ 6 ถึง 7 เท่า (4.8 ms) โดย recall@10 ไม่ต่ำกว่า 0.95 ในการทดสอบ สร้าง index ครั้งแรกใช้ 18 ถึง 24 วินาที
ตรวจจับคนจากภาพ 1280x720 (input 416, รันบน CPU ผ่าน WASM)
34 ms / frame (29 fps)
ที่ input 640 ใช้ 78 ms (12.9 fps) ไม่ต้องใช้ GPU
งานของ package ต่อเฟรม (resize, decode, NMS)
7.8 to 11.3 ms
ไม่รวมเวลาของโมเดล tracker เพิ่มอีก 0.6 ถึง 1.2 ms
Solver LP/MIP เทียบกับ javascript-lp-solver
within ±5%
ความเร็วอยู่ในช่วง ±5% ของ library อ้างอิงที่ใช้กันทั่วไป ยกเว้นโมเดลเล็กมากที่ใช้เวลาไม่ถึงมิลลิวินาที (ต่างราว 1.2 เท่า)
เทรน MLP ข้อมูลตาราง 5,000 แถว x 20 ฟีเจอร์
259 ms / epoch
บน CPU backend ล้วน LSTM 300 ลำดับใช้ 719 ms ต่อ epoch งานภาพ (CNN) ควรใช้ backend แบบ native หรือ WebGL ไม่ใช่ CPU

ตัวเลขจากชุดทดสอบและ benchmark ภายในของ CKN ผลจริงขึ้นกับเครื่องและปริมาณข้อมูลของแต่ละระบบ

คุณค่าต่อธุรกิจ

ธุรกิจของคุณได้อะไร

ไม่ผูกกับเจ้าใดเจ้าหนึ่ง

ธุรกิจเลือก LLM ตามราคาและคุณภาพ แล้วเปลี่ยนได้เมื่อตลาดเปลี่ยน โดยโค้ดส่วนที่เหลือไม่ต้องแก้ library ไม่ฝังราคาไว้ คุณกำหนดตารางราคาเองเพื่อประมาณค่าใช้จ่ายต่อคำขอ

คุมความเสี่ยงได้ตั้งแต่ระดับโค้ด

tool ของ agent ตรวจ input ก่อนทำงานทุกครั้ง ระบุได้ว่าเขียนข้อมูลหรือไม่ และ scenario ที่ AI เสนอจะไม่ถูกนำไปใช้จนกว่าคนจะอนุมัติ endpoint ของผู้ให้บริการจำกัดเฉพาะ https บน allowlist

ข้อมูลและโมเดลอยู่ในมือคุณ

ทุกอย่างรันในแอปของคุณเอง OCR, speech-to-text, ML และ solver ทำงานในเครื่องได้โดยไม่ส่งข้อมูลออก ส่วน LLM จะเรียกเฉพาะเมื่อคุณเลือกใช้ ส่วน vision ใช้ model ที่คุณเลือกเอง

สำหรับนักพัฒนา

ให้ agent ตอบจากเอกสารของคุณ

ใช้งานอยู่ในส่วนต่าง ๆ ของ CKN stack

  • ผู้ช่วย AI เขียน SQL ใน CKN Intelligent (ผ่านชุด /llm ที่ไม่ดึง TensorFlow)
  • พร้อมใช้ในบริการธุรกิจทั้ง 14 ตัว สำหรับงานพยากรณ์ OCR และ agent
  • คำสั่ง ckn CLI ด้าน PDF (อ่านข้อความและดึงข้อมูลจากไฟล์)
import { createInMemoryRagStore, createRagTool, createGeminiEmbeddingProvider,
  Agent, createClaudeProvider } from "@ckn-technology/ai";

const embedder = createGeminiEmbeddingProvider({
  apiKey: process.env.GEMINI_API_KEY!, model: process.env.EMBEDDING_MODEL!
});
const store = createInMemoryRagStore(embedder, {
  chunkOptions: { strategy: "paragraph", maxTokens: 512 }
});
await store.index([{ id: "doc-1", text: document1, metadata: { source: "internal-wiki" } }]);

const ragTool = createRagTool(store, { name: "search_knowledge_base", topK: 5,
  description: "Search the internal knowledge base." });
const agent = new Agent({
  provider: createClaudeProvider({ apiKey: process.env.ANTHROPIC_API_KEY! }),
  model: process.env.LLM_MODEL!, tools: [ragTool]
});
const result = await agent.run({ input: "What is our onboarding process?" });
CKN Technology

ดู package อื่นในชุดเดียวกัน

อยากเห็น CKN AI ทำงานกับระบบของคุณ

ติดต่อเรา →