สรุป AI FOR INVESTORS Online Series: ติดอาวุธนักลงทุนด้วย AI EP.7 First Step to Advanced AI ใช้ Claude Code หาข้อมูล และเขียนโปรแกรมการลงทุนขั้นสูง

ปัจจุบันข้อมูลการลงทุนเพิ่มขึ้นอย่างรวดเร็วทุกวัน ไม่ว่าจะเป็นข่าวเศรษฐกิจ งบการเงิน ผลประกอบการ บทวิเคราะห์ หรือความเคลื่อนไหวของตลาดทั่วโลก นักลงทุนต้องใช้เวลาไม่น้อยในการค้นหา อ่าน วิเคราะห์ และเชื่อมโยงข้อมูลเหล่านี้เข้าด้วยกัน เพื่อประกอบการตัดสินใจลงทุนให้มีประสิทธิภาพ แม้ปัจจุบัน Artificial Intelligence (AI) จะเข้ามาช่วยลดภาระดังกล่าวได้มากขึ้น ทั้งการค้นหาข้อมูล สรุปเอกสาร และวิเคราะห์ประเด็นสำคัญ แต่หากการใช้งานยังจำกัดอยู่เพียงการพิมพ์คำถามและรอคำตอบ นักลงทุนก็อาจยังต้องทำงานหลายขั้นตอนซ้ำ ๆ ด้วยตนเอง คำถามสำคัญจึงไม่ใช่เพียงว่า เราจะใช้ AI วิเคราะห์ข้อมูลการลงทุนได้อย่างไร แต่คือเราจะพัฒนา AI ให้กลายเป็นระบบที่ช่วยทำงานแทนเราได้อย่างต่อเนื่องอย่างไร 

ตอนก่อนหน้าเราได้เห็นการนำ AI มาช่วยอ่านจังหวะราคาและประมวลผลกราฟเทคนิคผ่าน TradingView Remix ซึ่งเน้นการผสานมุมมองด้านราคา (Price Action) เข้ากับปัจจัยพื้นฐานเพื่อจับจังหวะการเทรด แต่เมื่อนักลงทุนต้องการขยับขึ้นไปอีกขั้นสู่การทำ Analytical Deep Dive หรือการวิเคราะห์งบการเงินและปัจจัยพื้นฐานอย่างลึกซึ้ง คำถามสำคัญคือ "เราจะทำให้ AI วิเคราะห์หุ้นให้เราอย่างทรงพลัง ชาญฉลาด และมีมาตรฐานคงที่ โดยไม่ต้องมานั่งพิมพ์ Prompt ยาว ๆ ซ้ำใหม่ทุกครั้งได้อย่างไร?"

สามารถอ่านสรุป EP.6 ได้ที่นี่ >  https://www.setinvestnow.com/th/knowledge/article/825-investhow-ai-for-investor-ep6-2026 

จาการใช้ AI ช่วยทำงาน สู่การสร้าง AI Automation ที่ใช้งานได้จริง

ก่อนจะเริ่มต้นสร้างระบบ AI ขั้นสูง สิ่งแรกที่ต้องทำความเข้าใจคือ ความแตกต่างระหว่างการใช้ AI ทำงานเป็นครั้งคราว กับการสร้างระบบอัตโนมัติที่สามารถทำงานต่อเนื่องได้

ตัวอย่างเช่น หากนักลงทุนต้องการติดตามข่าวของบริษัทที่สนใจ วิธีทั่วไปอาจเป็นการเปิดเว็บไซต์ข่าว ค้นหาชื่อบริษัท อ่านข่าวที่เกี่ยวข้อง แล้วนำข้อมูลไปให้ AI ช่วยสรุป ซึ่งแม้จะประหยัดเวลาในการอ่าน แต่ผู้ใช้งานยังต้องเป็นผู้เริ่มต้นกระบวนการทั้งหมดด้วยตนเอง

ในทางกลับกัน หากสามารถสร้างระบบให้ AI ตรวจสอบข่าวตามช่วงเวลาที่กำหนด ดึงข้อมูลจากแหล่งที่เชื่อถือได้ วิเคราะห์ความเกี่ยวข้องกับบริษัท และจัดส่งรายงานสรุปให้อ่านโดยอัตโนมัติ นักลงทุนก็จะลดภาระงานซ้ำซ้อนลงได้อย่างมาก

การสร้างระบบลักษณะนี้อาศัยองค์ประกอบสำคัญ ได้แก่

• Source: แหล่งข้อมูลต้นทางที่ระบบต้องนำมาใช้งาน เช่น เว็บไซต์ตลาดหลักทรัพย์ งบการเงิน หรือข่าวบริษัท
• Trigger: เงื่อนไขที่กระตุ้นให้ระบบเริ่มทำงาน เช่น ทุกวันเวลา 08.30 น. หรือเมื่อมีข้อมูลใหม่
• Instruction: คำสั่งที่กำหนดว่า AI ต้องทำอะไร วิเคราะห์ข้อมูลอย่างไร และต้องตรวจสอบประเด็นใดบ้าง
• Output: ผลลัพธ์ที่ต้องการ เช่น รายงานสรุปข่าว ตารางเปรียบเทียบ หรือบทวิเคราะห์
• Delivery: ช่องทางส่งผลลัพธ์ไปยังผู้ใช้งาน เช่น Telegram หรือ Dashboard

นอกจากนี้ ยังมีองค์ประกอบสำคัญคือ Human Gate หรือจุดตรวจสอบโดยมนุษย์ เพื่อให้มั่นใจว่าผลลัพธ์จาก AI ได้รับการพิจารณาก่อนนำไปใช้ในเรื่องที่มีความเสี่ยงสูง

หลักคิดสำคัญคือ ควรนำ AI Automation มาใช้กับงานที่ช่วยประหยัดเวลาเป็นหลัก โดยเฉพาะการรวบรวมข้อมูล การสรุปรายงาน และการติดตามความเคลื่อนไหวของตลาด ขณะที่การตัดสินใจซื้อขายหลักทรัพย์หรือดำเนินการใด ๆ ที่เกี่ยวข้องกับเงินจริง ควรอยู่ภายใต้การพิจารณาของนักลงทุน

ระบบ AI ที่ดี ไม่จำเป็นต้องซับซ้อน แต่ต้องสร้างผลลัพธ์ที่ใช้งานได้จริง

เมื่อพูดถึงการใช้ AI ขั้นสูง หลายคนอาจนึกถึง Dashboard ที่มีกราฟจำนวนมาก ระบบเชื่อมโยงข้อมูลที่ดูซับซ้อน หรือโปรแกรมที่สามารถแสดงข้อมูลเศรษฐกิจทั่วโลกได้อย่างสวยงาม อย่างไรก็ตาม ความซับซ้อนของระบบไม่ได้เป็นเครื่องยืนยันว่าระบบนั้นมีประสิทธิภาพ

ตัวอย่างที่น่าสนใจคือการสร้าง Knowledge Graph ใน Obsidian ซึ่งสามารถแสดงความสัมพันธ์ระหว่างบันทึกหลายหมื่นรายการได้อย่างน่าตื่นตาตื่นใจ แต่หากบันทึกเหล่านั้นเป็นเพียงไฟล์ว่างที่ไม่มีองค์ความรู้จริง กราฟที่ดูซับซ้อนก็ไม่ได้ช่วยให้ผู้ใช้งานตัดสินใจได้ดีขึ้น

เช่นเดียวกับการสร้าง Dashboard เพื่อรวบรวมข่าวเศรษฐกิจและภูมิรัฐศาสตร์ทั่วโลก แม้ระบบจะสามารถสร้างหน้าตาที่น่าสนใจ แต่หากข้อมูลที่สรุปออกมาไม่ตรงกับความต้องการ หรือไม่สามารถเชื่อมโยงผลกระทบต่อการลงทุนได้อย่างมีประโยชน์ ระบบดังกล่าวก็อาจไม่คุ้มค่ากับเวลาที่ใช้พัฒนา

บทเรียนสำคัญคือ การสร้าง AI Automation ต้องให้ความสำคัญกับ Process และ Result มากกว่าความสวยงามของ Output

ก่อนเริ่มพัฒนาระบบ นักลงทุนจึงควรตอบคำถามให้ชัดเจนว่า ต้องการแก้ปัญหาอะไร ต้องใช้ข้อมูลประเภทใด ผลลัพธ์สุดท้ายจะช่วยในการวิเคราะห์อย่างไร และระบบนั้นช่วยลดเวลาในการทำงานได้จริงหรือไม่

อีกประเด็นที่ไม่ควรมองข้ามคือต้นทุนของการใช้ AI โดยเฉพาะ Token ซึ่งเป็นหน่วยที่เกี่ยวข้องกับการประมวลผลข้อมูลของโมเดล หากระบบทำงานซ้ำโดยไม่มีเป้าหมายชัดเจน ก็อาจใช้ Token จำนวนมากโดยไม่สร้างผลลัพธ์ที่คุ้มค่า

ดังนั้น การเริ่มต้นจากงานเล็ก ๆ ที่มีวัตถุประสงค์ชัดเจน แล้วค่อยพัฒนาต่อยอด จึงอาจเหมาะสมกว่าการสร้างระบบขนาดใหญ่ตั้งแต่ครั้งแรก

เรียนรู้จากโลกของนักพัฒนา: SDLC และต้นทุนการดูแลระบบ

สำหรับนักลงทุนที่ไม่ได้เป็นนักพัฒนาซอฟต์แวร์ บทเรียนนี้แนะนำแนวคิด SDLC (Software Development Life Cycle) หรือวงจรการพัฒนาซอฟต์แวร์ ซึ่งประกอบด้วยการวางแผน การออกแบบ การสร้าง การทดสอบ การนำไปใช้งานจริง และการบำรุงรักษา เดิมกระบวนการนี้เป็นเส้นตรงทีละขั้น แต่ในยุคที่ Claude Code ถูกออกแบบให้เป็น AI Native เราสามารถนำ AI เข้าไปช่วยในทุกขั้นตอนได้

สิ่งที่ต้องเข้าใจคือ ยิ่งระบบใหญ่ขึ้น เวลาที่ต้องใช้ดูแล (Maintenance) ก็ยิ่งมากขึ้น ช่วงแรกเราแทบใช้เวลาไปกับการสร้างล้วน ๆ แต่เมื่อระบบเชื่อมต่อกันมากขึ้น ข้อมูลใหม่จะเริ่มขัดแย้ง (Conflict) กับของเดิม เกิดบั๊กที่ต้องตามแก้ ถ้าวางโครงสร้างไม่ดีตั้งแต่วันแรก สุดท้ายอาจหมดเวลาไปกับการแก้ปัญหาจนแทบสร้างอะไรต่อไม่ได้

ทางออกคือ วางแผนให้ดีตั้งแต่วันแรก เช่น ลิสต์ให้ครบก่อนว่าโปรเจกต์ต้องการอะไรบ้าง 10 อย่าง แล้วค่อยสร้างทีละส่วนตามแผน โดยอาจใช้ Plan Mode ช่วยคิดโครงสร้างก่อนลงมือ เมื่อถึงเวลาสร้างส่วนที่ 3 หรือ 4 ก็จะไม่ต้องย้อนกลับไปแก้ส่วนที่ 1 และ 2 ให้เสียเวลา

รู้จัก Claude Code เครื่องมือที่ช่วยให้นักลงทุนสร้าง Workflow ได้โดยไม่ต้องเขียนโปรแกรมเองทั้งหมด

หนึ่งในเครื่องมือสำคัญของบทเรียนนี้คือ Claude Code ซึ่งเป็นเครื่องมือ AI สำหรับช่วยทำงานด้านการเขียนโปรแกรม จัดการไฟล์ และดำเนินงานตามคำสั่งที่กำหนด จุดเด่นของ Claude Code คือ ผู้ใช้งานสามารถอธิบายสิ่งที่ต้องการด้วยภาษาธรรมชาติ แล้วให้ AI ช่วยวางแผน เขียนโค้ด หรือจัดการกระบวนการทำงานตามเป้าหมาย โดยไม่จำเป็นต้องเขียนโค้ดทุกบรรทัดด้วยตนเอง ตัวอย่างเช่น นักลงทุนอาจต้องการสร้างระบบที่รวบรวมงบการเงินย้อนหลังสามปีของบริษัทหนึ่ง จัดเก็บเอกสารแยกตามประเภท และเตรียมข้อมูลสำหรับการวิเคราะห์ผลประกอบการ แทนที่จะต้องสร้างโปรแกรมทั้งหมดด้วยตนเอง ผู้ใช้งานสามารถอธิบายความต้องการให้ Claude Code ช่วยออกแบบโครงสร้างและพัฒนากระบวนการทำงานได้

อย่างไรก็ตาม การใช้ AI เขียนโปรแกรมไม่ได้หมายความว่าจะสามารถข้ามขั้นตอนการวางแผนได้ เพราะระบบที่ดีต้องอาศัยหลักการพัฒนาซอฟต์แวร์หรือ Software Development Life Cycle (SDLC) ซึ่งประกอบด้วยการวางแผน ออกแบบ พัฒนา ทดสอบ นำไปใช้งาน และบำรุงรักษา หากเริ่มต้นโดยไม่มีโครงสร้างที่ชัดเจน เมื่อเพิ่มฟังก์ชันใหม่เข้าไป ระบบอาจเกิดข้อผิดพลาดหรือมีข้อมูลขัดแย้งกัน จนต้องใช้เวลาจำนวนมากในการแก้ไข

แนวทางที่เหมาะสมจึงเป็นการกำหนดภาพรวมของระบบตั้งแต่วันแรก แม้จะยังไม่จำเป็นต้องพัฒนาทุกฟังก์ชันพร้อมกันก็ตาม ตัวอย่างเช่น หากต้องการให้ระบบวิเคราะห์หุ้นมีความสามารถ 10 ประการ ก็ควรวางแผนทั้ง 10 ประการก่อน แล้วค่อยพัฒนาทีละส่วน เพื่อให้ทุกฟังก์ชันสามารถทำงานร่วมกันได้ในอนาคต

นอกจากนี้ Claude Code ยังสามารถใช้ไฟล์คำสั่ง เช่น CLAUDE.md เพื่อกำหนดแนวทางการทำงานของโปรเจกต์ รวมถึงบอกให้ AI เข้าใจโครงสร้างไฟล์ รูปแบบการจัดเก็บข้อมูล และข้อกำหนดต่าง ๆ ที่ต้องปฏิบัติตาม วิธีนี้ช่วยให้การทำงานในแต่ละรอบมีมาตรฐานใกล้เคียงกัน และลดภาระการอธิบายคำสั่งเดิมซ้ำ ๆ

Go Mode และ Workflow ต่างกันอย่างไร?

บทเรียนยังอธิบายแนวคิดของการทำงานอัตโนมัติสองลักษณะที่น่าสนใจ

Go Mode เป็นแนวทางให้ AI ดำเนินงานต่อเนื่องจนกว่าจะบรรลุเป้าหมายที่กำหนด เหมาะกับงานที่มีขั้นตอนต่อเนื่องและมีเงื่อนไขความสำเร็จชัดเจน แต่หากกำหนดเป้าหมายไม่ดี AI อาจพยายามแก้ไขงานซ้ำไปมาโดยไม่สามารถทำให้สำเร็จได้ ส่งผลให้สิ้นเปลือง Token และเวลา

ส่วน Workflow เหมาะกับงานจำนวนมากที่ใช้กระบวนการเดียวกัน เช่น การสรุปข้อมูล Opportunity Day ของบริษัทหลายร้อยแห่ง โดยแต่ละบริษัทต้องผ่านขั้นตอนค้นหาข้อมูล อ่านเอกสาร วิเคราะห์ และสร้างรายงานในรูปแบบเดียวกัน เมื่อกำหนดกระบวนการไว้แล้ว AI สามารถนำขั้นตอนดังกล่าวไปประยุกต์ใช้กับบริษัทจำนวนมากได้ โดยอาจใช้ Agent หลายตัวช่วยประมวลผลงาน

อย่างไรก็ตาม การใช้งาน Agent จำนวนมากต้องคำนึงถึงต้นทุนทรัพยากรเช่นกัน เพราะยิ่งมีงานและ Agent มาก ก็ยิ่งต้องใช้ความสามารถในการประมวลผลมากขึ้น

NotebookLM เปลี่ยนเอกสารการลงทุนให้กลายเป็นฐานความรู้ที่ AI เรียกใช้งานได้

ปัญหาสำคัญของการวิเคราะห์การลงทุนไม่ใช่การขาดข้อมูล แต่เป็นการที่ข้อมูลจำนวนมากกระจัดกระจายอยู่ตามเว็บไซต์ เอกสาร และไฟล์ประเภทต่าง ๆ หากนักลงทุนติดตามบริษัทหลายแห่ง อาจต้องจัดการทั้งรายงานประจำปี งบการเงิน MD&A เอกสาร Opportunity Day และบทวิเคราะห์จากหลายสำนัก ซึ่งหากไม่มีระบบจัดเก็บที่ดี การค้นหาข้อมูลย้อนหลังจะกลายเป็นงานที่ใช้เวลามาก

บทเรียนนี้จึงนำเสนอการใช้ NotebookLM เป็นฐานความรู้สำหรับจัดเก็บเอกสารที่เกี่ยวข้องกับบริษัท โดยเชื่อมการทำงานเข้ากับ Claude Code เพื่อให้ AI สามารถค้นหาและอ้างอิงข้อมูลจากเอกสารที่เตรียมไว้ ตัวอย่างเช่น หากต้องการศึกษาบริษัท CP ก็สามารถกำหนดชื่อโปรเจกต์และโฟลเดอร์ให้สอดคล้องกัน เพื่อให้ AI เข้าใจว่าข้อมูลทั้งหมดที่เกี่ยวข้องกับบริษัทดังกล่าวต้องถูกจัดเก็บไว้ที่ใด

หากลงทุนในหลายประเทศ ก็ควรเพิ่มโครงสร้างที่ช่วยแยกตลาดหลักทรัพย์หรือประเทศ เพื่อป้องกันปัญหาหุ้นต่างประเทศและหุ้นไทยที่ใช้ Ticker ซ้ำกัน เมื่อกำหนดรูปแบบไว้ชัดเจน AI ก็สามารถใช้รูปแบบเดียวกันในการสร้างโปรเจกต์ใหม่ จัดเก็บเอกสาร และค้นหาข้อมูลของบริษัทอื่น ๆ ได้

จัดลำดับความน่าเชื่อถือของข้อมูลด้วย Data Hierarchy

แนวคิดสำคัญคือ การจัดลำดับชั้นของแหล่งข้อมูล หรือ Data Hierarchy เพื่อให้ AI รู้ว่าควรเชื่อถือข้อมูลจากแหล่งใดก่อนเมื่อพบข้อมูลที่ขัดแย้งกัน ซึ่งสามารถแบ่งข้อมูลออกเป็น 5 ระดับ ได้แก่

• Tier 1:  ข้อมูลทางการจากตลาดหลักทรัพย์ เช่น แบบ 56-1 One Report หรือ Annual Report ล่าสุด พร้อมงบการเงินย้อนหลัง 3 ปี
• Tier 2: ข้อมูลจากผู้บริหาร เช่น MD&A และ Transcript ของ Opportunity Day
• Tier 3: เหตุการณ์และประกาศ เช่น ประกาศย้อนหลังจาก SET
• Tier 4: ความเห็น (Opinion) เช่น บทวิเคราะห์จากโบรกเกอร์
• Tier 5: ข้อมูลเชิงคู่แข่งและอุตสาหกรรม

โดยข้อมูลชั้นที่ 4 และ 5 ควรกำหนดอายุไว้ เช่น เกิน 6 เดือนถือว่าล้าสมัย กติกาสำคัญคือ เมื่อได้ตัวเลขจากบทวิเคราะห์โบรกเกอร์ AI จะต้องนำไปเทียบกับข้อมูลชั้นที่ 1 และ 2 ในไตรมาสเดียวกันก่อน ถ้าไม่ตรงกัน ให้ยึดข้อมูลชั้นที่สูงกว่าเป็นหลักเสมอ เพราะถือเป็นข้อมูลทางการ

ทั้งหมดนี้ไม่ต้องเขียนโค้ดเลย แค่ "พิมพ์บอก" AI ว่าแหล่งข้อมูลปฐมภูมิอยู่ที่ไหน เช่น เว็บไซต์ตลาดหลักทรัพย์ หรือ SEC สำหรับหุ้นสหรัฐ ถ้าไม่รู้ก็สามารถให้ AI ช่วยแนะนำแหล่งข้อมูล และกำชับว่าข้อมูลใดหาไม่ได้ให้แจ้งกลับมา เพราะบางครั้ง เช่น Earning Call ของหุ้นสหรัฐที่ไม่มี Transcript เราอาจต้องช่วยหาจากแหล่งอื่นเอง จุดนี้เองที่ความเชี่ยวชาญของนักลงทุนในตลาดหรืออุตสาหกรรมนั้น ๆ ทำให้ AI ทำงานได้มีประสิทธิภาพขึ้นอย่างชัดเจน

Second Brain ระบบความรู้ที่ทำให้ AI ไม่ต้องเริ่มต้นใหม่ทุกครั้ง

แม้ AI จะสามารถประมวลผลข้อมูลจำนวนมากได้อย่างรวดเร็ว แต่ข้อจำกัดประการหนึ่งคือการทำงานข้าม Session ซึ่งอาจไม่ได้จดจำรายละเอียดของงานก่อนหน้าไว้อย่างครบถ้วน หากนักลงทุนวิเคราะห์บริษัทหนึ่งไปแล้ว และกลับมาศึกษาบริษัทเดิมอีกครั้งในภายหลัง ก็อาจต้องเริ่มต้นอธิบายบริบท ค้นหาเอกสาร และสรุปข้อมูลใหม่ แนวคิด Second Brain จึงเข้ามาช่วยแก้ปัญหานี้ ด้วยการสร้างระบบจัดเก็บความรู้ที่สามารถนำข้อมูลเดิมกลับมาใช้และต่อยอดได้

ตัวอย่างเช่น หากนักลงทุนเคยศึกษาธุรกิจ Semiconductor และบันทึกข้อมูลเกี่ยวกับแนวโน้มอุตสาหกรรมไว้แล้ว เมื่อมีข้อมูลใหม่เกี่ยวกับบริษัทในกลุ่มเดียวกัน ระบบสามารถนำข้อมูลใหม่มาเชื่อมโยงกับความรู้เดิม เพื่อช่วยให้เห็นภาพรวมที่ต่อเนื่องมากขึ้น กระบวนการนี้เรียกว่า Data Flywheel ซึ่งประกอบด้วยการรวบรวมข้อมูล จัดโครงสร้าง เชื่อมโยง สรุป และนำผลลัพธ์กลับไปพัฒนาฐานความรู้ในรอบถัดไป โดยโครงสร้าง Second Brain

แบ่งเป็น 3 ชั้น ได้แก่

ชั้นที่ 1: Raw Source

เป็นพื้นที่จัดเก็บข้อมูลดิบ เช่น งบการเงิน เอกสารจากตลาดหลักทรัพย์ และรายงานต่าง ๆ เพื่อให้สามารถย้อนกลับไปตรวจสอบแหล่งข้อมูลต้นทางได้

ชั้นที่ 2: Knowledge Base หรือ Wiki

เป็นพื้นที่จัดเก็บข้อมูลที่ผ่านการสรุป วิเคราะห์ และจัดหมวดหมู่แล้ว รวมถึงการสร้างดัชนีเพื่อให้ AI ค้นหาองค์ความรู้ได้ง่ายขึ้น

ชั้นที่ 3: Control Layer

เป็นส่วนที่กำหนดกฎและโครงสร้างการเข้าถึงข้อมูล เช่น ไฟล์ JSON สำหรับควบคุมการทำงาน หรือกำหนดว่า AI ต้องค้นหาข้อมูลประเภทต่าง ๆ จากที่ใด

เมื่อทั้งสามส่วนทำงานร่วมกัน ระบบจะสามารถนำข้อมูลเก่ามาประกอบการวิเคราะห์ใหม่ได้อย่างมีระเบียบ ลดการค้นหาซ้ำ และช่วยให้ตรวจสอบความขัดแย้งของข้อมูลได้ง่ายขึ้น โดยสามารถใช้ร่วมกับ Obsidian Web Clipper ซึ่งเป็นโปรแกรมสำหรับจัดเก็บและเชื่อมโยงบันทึกความรู้ เพื่อรวบรวมข้อมูลจากเว็บไซต์เข้าสู่ฐานความรู้ส่วนบุคคล หรือช่วยเชื่อมโยงบันทึกที่มีความเกี่ยวข้องกันได้ เช่น ข้อมูลบริษัทกับอุตสาหกรรม แนวโน้มเศรษฐกิจกับผลประกอบการ หรือเหตุการณ์สำคัญกับสมมติฐานการลงทุน เป็นต้น เมื่อมีการจัดเก็บข้อมูลอย่างต่อเนื่อง นักลงทุนก็สามารถพัฒนาคลังความรู้ที่สะท้อนแนวทางการวิเคราะห์ของตนเอง แทนที่จะปล่อยให้ข้อมูลกระจัดกระจายอยู่ใน Bookmark หรือประวัติการเข้าชมเว็บไซต์เหมือนที่ผ่านมา

Telegram: ประตูส่งข้อมูลตรงถึงมือถือ

ในสูตร S-T-I-O-D ขั้นตอน Delivery คือการส่งผลลัพธ์ถึงผู้ใช้ และ Telegram เป็นช่องทางที่เชื่อมต่อง่ายที่สุด ไม่ต้องขอสิทธิ์ซับซ้อนเหมือนบางแพลตฟอร์ม เมื่อตั้งค่าแล้วไม่ต้องเปิดคอมพิวเตอร์ก็ได้รับข้อมูล และยังแยกห้องได้หลายห้อง เช่น ห้อง Morning Brief หรือห้องข่าวหุ้น เพื่อไม่ให้ข้อมูลปนกัน

ขั้นตอนสร้าง Bot ง่าย ๆ 

1. ดาวน์โหลด Telegram (เดสก์ท็อปหรือมือถือก็ได้) แล้วค้นหา BotFather ซึ่งเปรียบเหมือนแอดมินของระบบ
2. พิมพ์ /newbot ตั้งชื่อ Bot และตั้ง Username ที่ลงท้ายด้วยคำว่า bot
3. รับ API Token ที่ BotFather ส่งมา ซึ่งเปรียบเหมือนกุญแจบ้าน ห้ามแชร์ให้ใครเด็ดขาด
4. ค้นหา Bot ที่สร้างแล้วกด Start เพื่อเริ่มการสื่อสาร จากนั้นนำ Token ไปใช้ดึง Chat ID ออกมา
5. สั่ง AI สร้างไฟล์ .env ในโฟลเดอร์โปรเจกต์ แล้วใส่ Token และ Chat ID ลงไป

ไฟล์ .env (Environment) เปรียบเหมือนซองจดหมายสำหรับเก็บข้อมูลอ่อนไหว ไม่ควรพิมพ์ Token หรือรหัสต่าง ๆ ลงในหน้าแชตกับ AI โดยตรง

เมื่อเชื่อมต่อสำเร็จ ระบบสรุปข่าวที่ตั้งเวลาไว้ เช่น ทุกวัน 8:30 น. ก็จะส่งรายงานเข้ามือถือโดยอัตโนมัติ และไม่จำกัดแค่ข่าว จะเป็นบทวิเคราะห์ สรุปข่าวต่างประเทศ หรือสรุปประเด็นเด่นประจำสัปดาห์ก็ได้ Telegram จึงเป็นเหมือน Gateway ที่เปิดไว้ให้ AI ส่งอะไรก็ได้มาถึงเรา

ไม่จำเป็นต้องเป็นโปรแกรมเมอร์ ก็เริ่มต้นใช้ Advanced AI ได้

หนึ่งในประเด็นสำคัญของบทเรียนนี้คือ การใช้งาน AI ขั้นสูงไม่ได้จำกัดอยู่เฉพาะผู้ที่มีความรู้ด้านการเขียนโปรแกรม สิ่งที่สำคัญไม่แพ้ทักษะทางเทคนิค คือความสามารถในการอธิบายปัญหา กำหนดเป้าหมาย และสื่อสารความต้องการให้ AI เข้าใจ หากไม่ทราบว่าควรสร้างระบบอย่างไร ก็สามารถเริ่มต้นด้วยการให้ AI ช่วยเสนอแนวทางการออกแบบ หรือใช้ Plan Mode เพื่อวางแผนก่อนลงมือพัฒนา

ตัวอย่างเช่น นักลงทุนอาจเริ่มจากการอธิบายว่า ต้องการระบบจัดเก็บข้อมูลหุ้นที่สามารถค้นหางบการเงินย้อนหลัง เปรียบเทียบผลประกอบการ และสรุปข้อมูลใหม่ในแต่ละไตรมาส พร้อมขอให้ AI ช่วยออกแบบโครงสร้างที่เหมาะสม เมื่อ AI เสนอแนวทางมาแล้ว ผู้ใช้งานควรอ่านและทำความเข้าใจ ตรวจสอบว่าตรงกับความต้องการหรือไม่ แล้วจึงค่อยให้ AI เริ่มพัฒนาระบบทีละขั้นตอน

นอกจากนี้ หากพบคำศัพท์ทางเทคนิคหรือกระบวนการที่ไม่เข้าใจ ก็สามารถให้ AI อธิบายเพิ่มเติมได้เช่นกัน แนวทางนี้ทำให้ AI ไม่ได้เป็นเพียงผู้ช่วยทำงาน แต่ยังเป็นเครื่องมือที่ช่วยให้ผู้ใช้งานเรียนรู้ทักษะใหม่ไปพร้อมกัน อย่างไรก็ตาม การพึ่งพา AI โดยไม่ทำความเข้าใจหลักการทำงานเลย อาจทำให้เกิดปัญหาเมื่อต้องตรวจสอบข้อผิดพลาดหรือปรับปรุงระบบในอนาคต

ดังนั้น การใช้งานที่มีประสิทธิภาพจึงควรเป็นการทำงานร่วมกันระหว่างมนุษย์และ AI โดยให้ AI ช่วยลดภาระงานที่ซ้ำซ้อน ขณะที่มนุษย์พัฒนาความรู้และทักษะในการควบคุมระบบไปพร้อมกัน

เปลี่ยนข้อมูลให้เป็นความรู้ เปลี่ยน AI ให้เป็นผู้ช่วยวิเคราะห์การลงทุน

การใช้ Advanced AI ไม่ได้หมายถึงการเลือกใช้เครื่องมือที่ซับซ้อนที่สุด แต่หมายถึงการนำเครื่องมือต่าง ๆ มาออกแบบให้ทำงานร่วมกันอย่างมีเป้าหมาย

Claude Code ช่วยพัฒนาโปรแกรมและจัดการ Workflow ขณะที่ NotebookLM ทำหน้าที่เป็นฐานความรู้สำหรับค้นคว้าจากเอกสาร Obsidian ช่วยจัดเก็บและเชื่อมโยงองค์ความรู้ ส่วน Telegram เป็นช่องทางส่งรายงานให้ผู้ใช้งานเข้าถึงข้อมูลได้สะดวกขึ้น

เมื่อผสานเครื่องมือเหล่านี้เข้ากับแนวคิด Second Brain นักลงทุนก็สามารถสร้างกระบวนการทำงานที่เริ่มต้นจากการรวบรวมข้อมูล ไปสู่การจัดเก็บ วิเคราะห์ สรุป และนำผลลัพธ์กลับมาใช้ต่อยอดในอนาคต

แต่สิ่งที่สำคัญที่สุดยังคงเป็นคุณภาพของข้อมูล ความชัดเจนของกระบวนการ และการตรวจสอบผลลัพธ์ก่อนนำไปใช้งานจริง เพราะ AI ไม่ได้ทำให้ความเสี่ยงในการลงทุนหายไป และไม่ได้รับประกันว่าการวิเคราะห์ทุกครั้งจะนำไปสู่ผลตอบแทนที่ดีขึ้น แต่สามารถช่วยให้นักลงทุนมีเวลาและเครื่องมือในการศึกษาข้อมูลอย่างเป็นระบบมากขึ้น

สำหรับผู้ที่เพิ่งเริ่มต้น อาจไม่จำเป็นต้องสร้างระบบทั้งหมดในครั้งเดียว แต่สามารถเริ่มจากการเลือกงานที่ทำซ้ำบ่อยที่สุด เช่น การสรุปข่าวรายวันหรือจัดเก็บเอกสารงบการเงิน แล้วค่อยพัฒนาเป็น Workflow ที่ซับซ้อนขึ้นเมื่อมีความเข้าใจมากขึ้น

ท้ายที่สุดแล้ว คุณค่าของ AI ไม่ได้อยู่ที่ความสามารถในการทำงานแทนมนุษย์ได้มากเพียงใด แต่อยู่ที่การช่วยให้มนุษย์ใช้ข้อมูล ความรู้ และเวลาได้อย่างมีประสิทธิภาพมากขึ้น และนี่คือก้าวสำคัญของการเปลี่ยนจากการใช้ AI เป็นเครื่องมือค้นหาคำตอบ สู่การสร้างระบบผู้ช่วยวิเคราะห์การลงทุนที่สามารถเรียนรู้และพัฒนาต่อยอดไปพร้อมกับผู้ใช้งาน

เตรียมพบกับการต่อยอดความรู้ใน AI FOR INVESTORS | Online Series : ติดอาวุธนักลงทุนด้วย AI ตอนสุดท้ายของซีรีส์ AI for Investor ที่จะเปิดให้เรียนรู้ฟรีทางช่อง YouTube ของ SET Thailand ทุกวันพฤหัสบดี เวลา 19:00 น. 

รับชมคอร์สออนไลน์ฉบับเต็มและเรียนรู้ไปพร้อมกัน

👉 คลิกเพื่อรับชมวิดีโอฉบับเต็ม EP.7 ได้ที่นี่: https://youtu.be/bNRWATUKgjo?si=PvCzYTUKt4xqaVTI