e49.space

 วิกฤตหนี้ครัวเรือนไทยกำลังทวีความรุนแรง  สะท้อนจากยอดผลิตและขายรถยนต์ที่ตกต่ำอย่างหนัก  หนี้เสียในกลุ่มสินเชื่อยานยนต์พุ่งสูง  และธนาคารเข้มงวดในการปล่อยสินเชื่อ  สถานการณ์นี้จุดชนวนความขัดแย้งเชิงนโยบาย  ระหว่างรัฐบาล  กับ  ธนาคารแห่งประเทศไทย  (ธปท.)  บทความนี้จะวิเคราะห์สถานการณ์ปัจจุบัน  สาเหตุของปัญหา  มุมมองในการแก้ไขปัญหาที่ต่างกัน  และข้อเสนอแนะจากผู้เชี่ยวชาญ  เพื่อนำไปสู่การแก้ปัญหาอย่างยั่งยืน สถานการณ์ปัจจุบัน: เสียงเตือนภัยจากอุตสาหกรรมยานยนต์ ยอดผลิตและขายรถยนต์ในไทยกำลังเผชิญกับวิกฤตที่รุนแรงที่สุดในรอบ 10 ปี  ยอดขายรถยนต์ในประเทศลดลงอย่างต่อเนื่อง  สะท้อนถึงกำลังซื้อของประชาชนที่อ่อนแอ  สาเหตุสำคัญมาจากหนี้ครัวเรือนที่พุ่งสูงขึ้น  ทำให้ประชาชนไม่มีเงินเหลือที่จะซื้อรถยนต์  ธนาคารและไฟแนนซ์ก็เข้มงวดในการปล่อยสินเชื่อ  กลัวว่าลูกค้าจะผิดนัดชำระหนี้   สาเหตุของปัญหา: โครงสร้างหนี้ที่ไม่สร้างรายได้ ปัญหาหนี้ครัวเรือนไทยไม่ใช่เรื่องใหม่  แต่กำลังทวีความรุนแรงขึ้น ...

  การยุติการผลิตของซูซูกิในไทยสะท้อนถึงความเปลี่ยนแปลงที่เกิดขึ้นในอุตสาหกรรมยานยนต์ ไม่ใช่แค่ในไทย แต่ทั่วโลก ซูซูกิประกาศแผนกลยุทธ์ FY2030 ที่เน้นความเป็นกลางทางคาร์บอนและการเติบโตในตลาดเกิดใหม่ เช่น อินเดีย และ แอฟริกา ซึ่งสอดคล้องกับนโยบายไทยที่มุ่งสู่การเป็นศูนย์กลาง EV ในภูมิภาค อย่างไรก็ตาม การที่ซูซูกิไม่ได้มีไทยเป็น strategic country ในแผน สะท้อนถึงปัญหาที่ซับซ้อน และอาจไม่ใช่เพียงเรื่องของเทคโนโลยีหรือการตลาดเท่านั้น เกมการเมืองที่ซับซ้อน การแข่งขันที่ไม่เท่าเทียม:  จีนได้สิทธิประโยชน์ทางภาษีนำเข้า 0% จากข้อตกลงเขตการค้าเสรี ซึ่งครอบคลุมรถยนต์ด้วย ทำให้ผู้ผลิตรถยนต์จีนมีความได้เปรียบในการแข่งขันในตลาดมากกว่าประเทศอื่น ๆ ซึ่งรวมถึงญี่ปุ่นด้วย สถานการณ์นี้ทำให้ผู้ผลิตรถยนต์จากประเทศอื่น ๆ ต้องเผชิญกับความยากลำบากในการเข้าสู่ตลาดไทย และส่งผลกระทบต่อการพัฒนาอุตสาหกรรมยานยนต์ไฟฟ้าในประเทศไทย นโยบายที่ไม่สอดคล้อง:  นโยบายของไทยอาจไม่สอดคล้องกับแผนกลยุทธ์ FY2030 ของซูซูกิอย่างสมบูรณ์ เช่น การเน้นการลงทุนในประเทศเกิดใหม่หรือการมุ่งสู่การผลิตรถยนต์ไฟฟ้าขนาดเล็ก ซึ่งอาจไม...

In my previous post,  "Experimenting with Retrieval-Augmented Generation (RAG) for Thai Content" , I noticed that the content stored in a vector database was chunked by the  SentenceTokenSplitter , which created many small content pieces. The meaning of each piece of content was very limited, and most of the time, the search results from the vector database were not thorough. Consequently, the responses from the RAG-LLM were not as expected. To address this, I researched different chunking strategies and found  this insightful article . After reading through, I felt that semantic chunking made more sense. It groups content into semantically close sentences instead of many single sentences. Additionally, the results from the  SentenceTokenSplitter  did not maintain their integrity, often losing important white spaces. Therefore, I decided to replace the  SentenceTokenSplitter  with  sent_tokenize  from  pythainlp  and t...

Welcome back to my blog! In my latest Generative AI experiment, I delved into the exciting world of Retrieval-Augmented Generation (RAG). This time, I aimed to test how well an LLM could process and understand Thai content extracted from a PDF document. Here's a step-by-step breakdown of my experiment and how you can replicate it. Objectives Load and process a PDF document containing Thai content. Vectorize the document and store the embeddings in Qdrant. Query the document and interact with the LLM to receive responses in Thai. Tools and Libraries For this experiment, I used the following tools and libraries: LangChain Community Document Loaders : To load and split the PDF document. HuggingFace Embeddings : For generating embeddings from the document content. Qdrant : As the vector database to store the document embeddings. ChatOpenAI : To interact with the LLM and generate responses. Gradio : For creating a user-friendly interface to upload PDFs and chat with the LL...

In one of my previous posts, we dived into building a Quranic Text Retrieval System using Generative AI. It was quite a journey, but we noticed that computing embeddings for our large dataset was a bit slow, even with Ray for parallelism. So, we went on a little adventure to find a better way. Spoiler alert: we found it! 🎉 After some research, we discovered that using a GPU to compute the embeddings could significantly speed things up. Here’s how we did it. First, we initialized Ray and specified our available CPU and GPU resources: # Initialize Ray, specifying GPU resources ray.init(num_cpus=4, num_gpus=1) # Adjust based on your available GPUs This line tells Ray we have 4 CPUs and 1 GPU to work with. Next, we loaded the model and set up remote functions to use the GPU: # Load the model once and use it in remote functions model_name = 'paraphrase-multilingual-mpnet-base-v2' model = SentenceTransformer(model_name) @ray.remote(num_gpus=1) class EmbeddingWor...

In this blog post, I will walk you through my recent experiment involving the creation of a Quranic text retrieval system using generative AI. This project leverages various technologies, including Gradio for the web interface, Qdrant for the vector database, and LM Studio as the local LLM server. Project Overview The goal of this experiment was to build a system that can store and retrieve Quranic verses based on semantic similarity. The core components of this system include: Data Loading and Preprocessing : Loading Quranic verses and their translations from a JSON file. Vectorization : Converting text into vector embeddings using a pre-trained model. Storage : Storing these embeddings in a vector database (Qdrant). Retrieval : Retrieving the most semantically similar verses based on user queries. Interactive Interface : Using Gradio to create an interactive interface for vectorizing data and querying the database. Step-by-Step Code Explanation Let's dive into the c...