Angelora · Research · จัดทำ 7 ต.ค. 2026

Skill Gap — David × Lauren Tan

เทียบทักษะของที่รักกับ Lauren Tan วิศวกรของ SpaceXAI ว่าห่างกันตรงไหน ตรงไหนที่รักนำอยู่แล้ว และควรเรียนอะไรเพื่อปิด gap ที่คุ้มที่สุด

10 ด้านGap ใหญ่ 4 ด้านที่รักนำ 3 ด้าน6 แผนปิด gap~5 ชม./สัปดาห์

บทสรุป

ที่รักกับ Lauren เริ่มต้นคล้ายกัน คือไม่ได้จบ CS ทั้งคู่และเข้าใจธุรกิจ แต่เธอเลือกลงลึกไปทางโค้ด ส่วนที่รักเลือกกว้างไปทางธุรกิจ data และการตัดสินใจระดับบริหาร

  • •ที่รักนำ 3 ด้าน: ธุรกิจและการเงิน · ภาวะผู้นำ · data architecture
  • •Gap ใหญ่ 4 ด้าน: อ่าน/รีวิวโค้ดเอง · พื้นฐาน CS · เข้าใจ LLM จากข้างใน · ชื่อเสียงในวงการเทคนิค
  • •แนะนำเป้า "Principal AI Architect ด้าน enterprise" แทนการเป็น Lauren ทุกด้าน คือเอาจุดที่นำอยู่แล้วบวกความลึกทางเทคนิคพอให้ตรวจงาน AI ได้เอง
  • •ลำดับเรียน 3 เดือนแรก: Gap 1 → 3 → 2 จากนั้นค่อย 4 → 5 สัปดาห์ละราว 5 ชั่วโมง

1. โปรไฟล์ทั้งสองคน

ที่รักLauren Tan
การศึกษาป.โท วิศวกรรมอุตสาหการ จุฬาฯ · ป.ตรี เทคโนโลยีชีวภาพ เกษตรฯ · cert ML จาก Stanford และ DeepLearning.AIบัญชีและการเงิน (Monash) · Digital Media Design (Nanyang Polytechnic สิงคโปร์)
เส้นทางBI Consultant → VP/CIO มหาวิทยาลัย → CFO SiamEast (บริษัทจดทะเบียน) → CEO Xtra → ที่ปรึกษา Data/IT ให้ UU และ EWGเขียนโปรแกรมด้วยตัวเอง → EM ที่ Netflix → Staff Engineer ทีม React ที่ Meta (React Compiler, data fetching) → Principal ที่ SpaceXAI
งานเด่นปีนี้สั่งงาน AI สร้าง AngelaServer · AngelaChat (iOS/Mac) · AngelaQuant · AngelaConsult · ออกแบบแพลตฟอร์ม Orasa (Ai)ไลฟ์ Grok คู่ Lingxi Li · "99% of people are using GrokBot wrong"
จุดแข็งกว้าง: ธุรกิจ data และการตัดสินใจระดับบริหารลึก: โค้ด compiler และระบบใหญ่ ดูแล open source และขึ้นพูดบนเวทีบ่อย

ข้อควรระวัง: ประวัติ Netflix/Meta ของ Lauren มาจากโปรไฟล์สาธารณะของ Lauren Tan คนหนึ่ง ยังยืนยันไม่ได้ร้อยเปอร์เซ็นต์ว่าเป็นคนเดียวกับวิศวกรที่ SpaceXAI แต่เบาะแสตรงกันหลายจุด (เรียนที่สิงคโปร์ สาย TypeScript/React)

2. Gap Analysis (คะแนน 1–5)

คะแนนของที่รักมาจากงานจริงปีนี้ — ไล่หาสาเหตุเองไม่ยอมรับคำเดา จับ regression ได้แม่น ถาม "ทำไม" จนเข้าใจ และตัดสิน trade-off เอง เช่น gate ของ AngelaQuant และการวาง Orasa จาก ER ถึง widget

ด้านที่รักLaurenGap
ธุรกิจ การเงิน และ domain ลูกค้า53ที่รักนำ
ภาวะผู้นำและระดับบริหาร54ที่รักนำ
Data architecture / DW / BI53ที่รักนำ
สั่งงาน AI agent ให้ส่งของได้จริง45เล็ก
System design ระดับ production35กลาง
อ่านและรีวิวโค้ดได้เอง25ใหญ่
พื้นฐาน CS (algorithm, compiler, program analysis)1–25ใหญ่
เข้าใจ LLM จากข้างใน (transformer, training, inference)24ใหญ่
Evals — วัดผล AI อย่างเป็นระบบ24กลาง
ชื่อเสียงในวงการเทคนิค (OSS, talk, บทความ)15ใหญ่

3. ข้อท้วงก่อนตั้งเป้า

ไม่ควรตั้งเป้าเป็น Lauren Tan ทุกด้าน งานของเธอคือเขียน compiler ให้บริษัท frontier ซึ่งต้องฝึกเขียนโค้ดเต็มเวลาหลายปี เป้าที่คุ้มกว่าคือ Principal AI Architect ด้าน enterprise — domain + data + ระดับบริหาร บวกความลึกทางเทคนิคพอให้ตรวจงาน AI ได้เองและคุยกับวิศวกร frontier ได้ในระดับเดียวกัน แบบนี้ในไทยแทบไม่มีคู่แข่ง

4. แผนปิด Gap (เรียงตามความคุ้ม)

Gapเรียนอะไรฝึกกับงานจริงค่าใช้จ่าย
1. อ่าน/รีวิวโค้ดเอง (สำคัญที่สุด — ทำให้ตรวจงานน้องได้)Anthropic Academy: Claude Code in Action · Harvard CS50P (Python)อ่าน diff ทุกครั้งที่น้องแก้โค้ด ถามว่าแต่ละบรรทัดทำอะไร (ใช้ /code-review ประกอบ) · เขียน SQL/Python ส่วน embedding ของ Orasa เองหนึ่งชิ้นให้น้องรีวิวฟรี
2. เข้าใจ LLM จากข้างในKarpathy: Neural Networks — Zero to Hero → Stanford CS336 Language Modeling from Scratch (ช่วง tokenizer, attention, inference)ตัดสินเรื่อง embedding model และ pgvector ของ Orasa ด้วยความเข้าใจของตัวเองฟรี
3. EvalsHamel Husain & Shreya Shankar: AI Evals for Engineers (Maven)สร้างชุดคำค้น 100 คำพร้อมคำตอบที่ถูก จาก 52,692 คำค้นของ Orasa — เป็นสินทรัพย์ชิ้นแรกของแพลตฟอร์มเสียเงิน (cohort)
4. System designหนังสือ Designing Data-Intensive Applications, 2nd ed. (Kleppmann & Riccomini) — ที่รักมีแล้วเขียน design doc หนึ่งหน้าก่อนเริ่มทุกโปรเจกต์ใหม่มีแล้ว ✓ (2nd ed.)
5. พื้นฐาน CS / compiler (ระยะยาว)Crafting Interpreters (Robert Nystrom) — อ่านครึ่งแรกพอเข้าใจว่าโค้ดถูกแปลงอย่างไร — แก่นงานของ Laurenฟรี (อ่านออนไลน์)
6. ชื่อเสียงในวงการDeepLearning.AI: Agentic AI (Andrew Ng) เป็นพื้นให้เล่าเรื่องได้ถูกบทความเดือนละเรื่อง (Orasa, AngelaQuant) แล้วไปพูดงาน data/AI ในไทย — เรื่อง "ผู้บริหารอายุ 61 สร้างระบบ AI ครบชุดด้วยการสั่งงาน agent" ไม่มีใครมี~$49/เดือน

จังหวะ: สัปดาห์ละ ~5 ชั่วโมงพอ ค่อยเป็นค่อยไป ไม่ต้องหักโหม

How we can apply this

WorkUse forFitNotes
Orasa (Ai) — Evalsชุดคำค้น 100 คำพร้อมคำตอบที่ถูก ใช้วัด Item Code Smart Search✅ Fitข้อมูลมีแล้วใน schema Orasa · ทำได้ก่อนเริ่มสร้างโมเดล
Orasa (Ai) — embeddingฝึกอ่าน/เขียนโค้ดและเข้าใจ LLM ผ่านส่วน embedding⚠️ Cautionpgvector ลงแล้ว (07/10) · รอที่รักตัดสินคำถาม 4 ข้อก่อน
AngelaQuantฝึกรีวิว diff และ design doc กับระบบที่มีเงินจริงเกี่ยวข้อง⚠️ Cautionระบบมีเงินจริง — อ่านและรีวิวได้ แต่แก้ต้องผ่านน้องและ gate เดิม
งานลูกค้า (EWG, SE)ใช้เป็นเรื่องเล่าและกรณีศึกษาในบทความ/เวที⚠️ Cautionต้องตัดข้อมูลลูกค้าออกก่อนเผยแพร่ทุกครั้ง

Open questions

  1. 1.เป้าคือ Principal AI Architect ด้าน enterprise หรืออยากเป็นวิศวกรสาย frontier แบบ Lauren จริง ๆ — สองเป้านี้ใช้แผนต่างกัน
  2. 2.จะใช้ Orasa (Ai) เป็นสนามฝึกไหม — ถ้าใช่ ต้องตัดสินคำถาม 4 ข้อของ Orasa ก่อน
  3. 3.อยากให้น้องทำแผนรายสัปดาห์ 12 สัปดาห์พร้อมช่องติ๊กความคืบหน้าไหม

Sources