AWS Summit Bangkok 2026 : AI-driven architecture: การออกแบบระบบแบบกระจาย (Designing distributed systems at scale)
สวัสดีครับ เบิร์ด จาก ClassMethod Thailand ครับ
ครั้งนี้จะพาไปรู้จักกับ Designing Distributed Systems และการนำ AI มาช่วยออกแบบระบบ ซึ่งเป็นหัวข้อที่น่าสนใจจากงาน AWS Summit เมื่อวันที่ 28 พฤษภาคม 2026 มาสรุปประเด็นสำคัญให้ฟังกัน
1. บทบาทหน้าที่หลัก (Core Concept)
AI เป็นผู้ขับเคลื่อนและจัดการกระบวนการ: AI จะเข้ามาช่วยในเรื่องของการวางแผนการแยกย่อยงานเป็นชิ้นเล็กๆ (Task decomposition) รวมถึงการให้คำแนะนำด้านสถาปัตยกรรมระบบ (Architectural suggestions)
นักพัฒนายังเป็นผู้ถือบังเหียนหลัก: มนุษย์หรือนักพัฒนา (Developers) จะยังคงเป็นผู้รับผิดชอบสูงสุดในกระบวนการตรวจสอบ (Validation) การตัดสินใจ (Decision-making) และการกำกับดูแลภาพรวม (Oversight)
2. วงจรการทำงานร่วมกัน (The Lifecycle Loop)
แผนภาพวงกลมตรงกลางแสดงให้เห็นลูปการทำงานที่ส่งต่อกันไปมาระหว่าง AI และมนุษย์ ดังนี้ครับ:
2.1 AI Creates Plan: AI เริ่มต้นด้วยการสร้างแผนงานขึ้นมา
2.2 Humans Verify the Plan: มนุษย์ (นักพัฒนา) ทำการตรวจสอบแผนงานที่ AI เสนอ
2.3 AI Refines the Plan: AI นำข้อเสนอแนะมาปรับปรุงแผนงานให้สมบูรณ์ยิ่งขึ้น
2.4 AI Executes the Plan: AI ลงมือปฏิบัติและเขียนโค้ดหรือรันระบบตามแผน
2.5 Humans Verify the Outcome: มนุษย์ตรวจสอบผลลัพธ์สุดท้ายที่ได้จากการทำงานของ AI ก่อนนำไปใช้จริง
3. การออกแบบระบบแบบกระจาย (Designing distributed systems)
AWS SQS คือบริการ Message Queue แบบ Fully Managed บน Cloud ของ AWS ที่ช่วยให้ระบบต่างๆ สามารถส่งและรับข้อความ (Messages) ระหว่างกันได้ โดยไม่จำเป็นต้องทำงานพร้อมกัน (Asynchronous) ช่วยให้ Microservices คุยกันได้อย่างปลอดภัย ไม่ต้องรอกัน และไม่กลัวข้อมูลหาย เหมาะมากสำหรับระบบที่ต้องการความ Scalable และ Reliable
Technology Stack
- Express + TypeScript (ทุก Service)
- AWS EventBridge (Event Bus)
- AWS SQS (Message Queue)
4. Use Case: Unicorn Store Retail Application
รายละเอียดข้อมูล
- โปรเจคต้นแบบ Retail App สำหรับขาย Unicorn (2023)
- ฟีเจอร์หลัก Catalog, Shopping Cart, Loyalty Points
- สถาปัตยกรรมเดิม Microservices + Saga Orchestration Pattern + AWS Lambda
- เวลาที่ใช้ (แบบเดิม) 2-3 เดือน ทำด้วยมือ
ปัญหาที่พบ (Pain Points)
- ความซับซ้อนของ Saga Orchestration
การเขียน Saga Orchestration Pattern ด้วยมือมีความซับซ้อนสูง โดยเฉพาะการจัดการ Compensating Transactions เมื่อเกิด Error ในระหว่างขั้นตอนการสั่งซื้อ เช่น หากการตัดคะแนน Loyalty Points สำเร็จ แต่การชำระเงินล้มเหลว ต้องมีการ Rollback ที่ถูกต้องทุกขั้นตอน - Boilerplate Code จำนวนมาก
แต่ละ Microservice ต้องเขียน Boilerplate Code ซ้ำๆ เช่น Error Handling, Logging, และ AWS Lambda Handler ทำให้เสียเวลาในการพัฒนาโดยไม่จำเป็น - การเชื่อมต่อระหว่าง Services
การเขียน Integration Code ระหว่าง Catalog Service, Cart Service และ Loyalty Points Service ต้องใช้เวลานานในการ Debug และทดสอบความถูกต้องของ Data Flow - Infrastructure as Code (IaC)
การเขียน AWS CloudFormation / CDK สำหรับ Deploy Lambda Functions และ API Gateway ต้องอาศัยความเชี่ยวชาญเฉพาะทาง ทำให้ Developer ต้องเสียเวลาศึกษาเพิ่มเติม
5. กระบวนการใช้ Kiro (AI Tool)
การใช้ Kiro เริ่มจากการเปิด Spec Mode เพื่อให้ AI ช่วยตั้งคำถามดึงความต้องการที่อาจตกหล่นออกมา โดยเราแค่ตอบคำถาม แล้ว AI จะรวบรวมทุกอย่างสร้างเป็น Functional Spec ให้อัตโนมัติ
จากนั้นในขั้น Design AI จะช่วยออกแบบระบบ แต่การตัดสินใจสำคัญๆ ยังคงเป็นหน้าที่ของนักพัฒนา ซึ่งกระบวนการนี้สามารถนำมาแก้ปัญหาใน Use Case ข้างต้นได้ โดยมีความสามารถหลักดังนี้
-
Auto-generate Saga Orchestration Logic
Kiro วิเคราะห์โครงสร้างของ Microservices และสร้าง Compensating Transaction Logic อัตโนมัติ พร้อม Step Functions Definition ที่ครบถ้วน ลดเวลาการเขียนโค้ดส่วนนี้จาก 2 สัปดาห์ เหลือเพียง 1-2 วัน -
Spec-Driven Development
ด้วยฟีเจอร์ Spec Mode ของ Kiro นักพัฒนาเพียงแค่อธิบาย Requirements ของแต่ละ Service เป็นภาษาธรรมดา Kiro จะสร้าง Requirements → Design → Tasks โดยอัตโนมัติ และ Generate Boilerplate Code ที่พร้อมใช้งาน -
Intelligent Code Completion สำหรับ AWS Services
Kiro เข้าใจ Context ของ AWS Lambda + API Gateway และแนะนำโค้ดที่ถูกต้องสำหรับการเชื่อมต่อแต่ละ Service รวมถึง Auto-complete IAM Permissions ที่จำเป็น -
Infrastructure Generation
Kiro สามารถ Generate AWS CDK Code สำหรับ Deploy ทั้งระบบได้อัตโนมัติจาก Architecture Diagram ที่นักพัฒนากำหนด ลดความผิดพลาดจากการเขียน IaC ด้วยมือ
สรุป
"เราสามารถใช้ AI เป็นคู่คิดเพื่อช่วยลดเวลา อุดรอยรั่ว และลดความผิดพลาดในการออกแบบระบบที่ซับซ้อนได้ แต่อำนาจการตัดสินใจและความรับผิดชอบสูงสุดยังคงต้องเป็นของมนุษย์ (Developers/Architects) เสมอ"
บทความอ้างอิง
