ภาพมุมสูงหมู่บ้านจัดสรรที่ถูกน้ำท่วม

Predictive · Proactive AI

จากสัญญาณ
สู่การลงมือ

Agentic AI บน Amazon Quick เพื่อปกป้องชุมชนเชิงรุก

ทีม Twinplustwo

รถยนต์จมน้ำใต้ทางยกระดับ
99

ครั้ง ที่ส่ง Cell Broadcast
ถึงภาคใต้ 18–22 พ.ย. 2568

ความสูญเสีย

ผู้เสียชีวิตอย่างน้อย 145 ราย (ณ 28 พ.ย. 2568)

เสียงจากพื้นที่

ผู้อยู่อาศัยหาดใหญ่บอกว่าไม่ได้รับคำเตือนที่ชัดเจน

ข้อมูลมีอยู่แล้ว แต่ไม่กลายเป็นการลงมือ

ที่มา: The Nation, “Catastrophe in the South” (Cell Broadcast 99 ครั้ง, ผู้เสียชีวิต 145 ราย) · Reuters ผ่าน Malay Mail, 28 พ.ย. 2568 (คำบอกเล่าผู้อยู่อาศัย)

โจทย์

ใช้ Agentic AI บน Amazon Quick
ปกป้องชุมชนจากภัยพิบัติ
การเปลี่ยนแปลงสภาพภูมิอากาศ
สิ่งแวดล้อม อาชญากรรมและความปลอดภัย

Protecting communities against disasters, climate change, and environmental risks through predictive and proactive AI solutions

ซอยชุมชนยามแดดเย็น มีแผงผลไม้และผู้คนเดินจับจ่าย
Disasterภัยพิบัติ
Climate changeการเปลี่ยนแปลงสภาพภูมิอากาศ
Environmentสิ่งแวดล้อม
Crime and safetyอาชญากรรมและความปลอดภัย

ภาพ: Follow Me On Earth

ภาพรวม

ภาพรวมความเสี่ยง 4 ด้าน

ถนนในเมืองถูกน้ำท่วม
ภัยพิบัติDisaster
3,352,395คน

ผู้ได้รับผลกระทบจากน้ำท่วม ก.ย. 2569
ข้อมูล ณ 1 ต.ค. 2569

ภูมิอากาศClimate change
7–14% ของ GDP

ที่อาจหายไปภายในปี 2593 หากไม่ปรับตัว

หมอกควันปกคลุมเมืองเชียงใหม่
สิ่งแวดล้อมEnvironment
188µg/m³

PM2.5 เชียงใหม่ 29 มี.ค. 2569

อาชญากรรมCrime and safety
ราว9,000ล้านบาท

ความเสียหายจากมิจฉาชีพออนไลน์ ม.ค.–มิ.ย. 2569

ตัวเลขเหล่านี้คือผลลัพธ์ สไลด์ถัดไปคือสาเหตุ

ที่มา: ปภ. (ณ 1 ต.ค. 2569) · World Bank · IQAir (29 มี.ค. 2569) · สภาผู้บริโภค

แผนที่ pain point

Pain point ของทีม: เก้าเรื่อง สามกลุ่ม

Aข้อมูลไม่กลายเป็นการตัดสินใจ
Bคำเตือนไม่ถึงคนที่ต้องลงมือ
Cกระบวนการช้าและไม่ต่อเนื่อง
A1มีข้อมูลแต่ไม่เกิดการตัดสินใจ
A2ทุกคนมีข้อมูลไม่ใช่ชุดเดียวกัน ทำให้การตัดสินใจไม่เป็นระบบ
A3น้ำท่วมซ้ำที่เดิม (ปริมาณน้ำฝนบ่งบอกแต่ละพื้นที่)
B1คำเตือนไปไม่ถึงคนที่ต้องลงมือ
B2ผู้สูงอายุเข้าไม่ถึงการแจ้งเหตุ
B3เบอร์สายด่วนเยอะจนไม่รู้ว่าต้องแจ้งใคร
C1ต้องผ่านหลายขั้นตอน ข้อมูลตกหล่น สื่อสารไม่ตรงกัน
C2รถเข้าพื้นที่น้ำท่วมไม่ได้แม้มีคนโทรแจ้ง
C3บังคับใช้กฎหมายอ่อนแอ

หลักฐาน · กลุ่ม A

A1A3

มีข้อมูลแต่ไม่เกิดการตัดสินใจ / น้ำท่วมซ้ำที่เดิม

497 มม.ปี 2543428 มม.ปี 2553630 มม.ปี 2568
ฝนสะสม 3 วันที่หาดใหญ่ พิสูจน์ A3
พิสูจน์ A3

หาดใหญ่ท่วมใหญ่

4ครั้ง ใน 40 ปี

และแต่ละครั้งเสียหายและมีผู้เสียชีวิตมากกว่าครั้งก่อน

พิสูจน์ A1

แม้มีประวัติน้ำท่วมและพยากรณ์ฝนหนักจากลานีญา หาดใหญ่ก็แทบไม่ได้รับคำเตือนที่ได้ผล

พิสูจน์ A1
Cell Broadcast99ครั้ง

18–22 พ.ย. 2568

และนายกเทศมนตรีขอโทษที่ประเมินสถานการณ์ผิดในตอนแรก

ที่มา: Mongabay (มี.ค. 2569 และ ก.พ. 2569) · The Nation · Reuters ผ่าน Malay Mail (28 พ.ย. 2568)

หลักฐาน · กลุ่ม A

A2

ทุกคนมีข้อมูลไม่ใช่ชุดเดียวกัน

วันเดียวกัน 27 พ.ย. 2568

พิสูจน์ A2

คำขอความช่วยเหลือที่รวบรวมจาก Traffy Fondue, HatYaiFlood และกลุ่มอาสา

ราว40,000เรื่อง

ครอบคลุมราว 77,000 คน

พิสูจน์ A2

ศูนย์ปฏิบัติการ EFCOC บันทึก

1,934คำขอ

ช่วยแล้ว 1,734

นับคนละวิธี คนละที่ ไม่มีใครเห็นภาพเดียวกัน

พิสูจน์ A2

ตัวเลขผู้เสียชีวิต ณ 29 พ.ย. 2568

126ราย

ศูนย์ของรัฐบาล

65ราย

กระทรวงสาธารณสุข

สธ. ระบุว่าส่วนที่เหลือไม่ใช่การเสียชีวิตจากน้ำท่วม

พิสูจน์ A2

ก.ย. 2569 รัฐบาลเปิด One Map Water

เพราะพบว่าข้อมูลเตือนภัยซ้ำซ้อน กระจัดกระจาย และไม่ตรงกันระหว่างหน่วยงาน

ที่มา: The Nation (27 พ.ย. 2568) · Khaosod English (30 พ.ย. 2568) · MGR Online (17 ก.ย. 2569)

หลักฐาน · กลุ่ม B

B1B2B3

คำเตือนและการแจ้งเหตุไปไม่ถึงคนที่ต้องลงมือ

เบอร์ฉุกเฉิน
1669
191
1784
199
พิสูจน์ B3ราว30เบอร์ จากหลายหน่วยงาน
พิสูจน์ B3

1669 รับสายราว 6 ล้านครั้งต่อปี

1 ใน 32 ใน 3

2 ล้านครั้ง เป็นเหตุการแพทย์ฉุกเฉิน

4 ล้านครั้ง คาบเกี่ยวหน้าที่ตำรวจหรือหน่วยงานอื่น

พิสูจน์ B3

191 รับราว 5 ล้านครั้งต่อปี

แผนรวม 1669 กับ 191 ยังเป็นแค่แนวทาง ณ ต.ค. 2566

พิสูจน์ B2

หาดใหญ่: ในคำขอที่รวบรวมได้มีผู้สูงอายุราว 2,000 คน

ลูกสาวคนหนึ่งไม่รู้ว่าพ่อที่อยู่คนเดียวยังมีชีวิตอยู่หรือไม่นาน 7 วัน

พิสูจน์ B1

ผู้อยู่อาศัยหาดใหญ่บอกว่าไม่ได้รับคำเตือนที่ชัดเจน

ที่มา: Bangkok Post (2562) · Thai PBS (2 ต.ค. 2566) · The Coverage (3 ต.ค. 2566) · The Nation (27 พ.ย. 2568) · ABC News (30 พ.ย. 2568) · Reuters ผ่าน Malay Mail (28 พ.ย. 2568)

หลักฐาน · กลุ่ม C

C1C2C3

กระบวนการช้า ไม่ต่อเนื่อง และตามเรื่องไม่ได้

พิสูจน์ C1ราว77,000คน ติดต่อขอความช่วยเหลือช่วงน้ำสูงสุด
16,000คน อพยพได้ (ตามตัวเลขทางการ)
พิสูจน์ C2

ชาวบ้านบอกว่าไม่มีใครเข้าถึงได้ 6 วัน เพราะน้ำสูงเกินไป

ตรงกับ pain point: รถเข้าพื้นที่น้ำท่วมไม่ได้

พิสูจน์ C1

อาสากู้ภัยบอกว่าสายขอความช่วยเหลือเข้ามาไม่หยุด เป็นหลักพัน ตลอด 3 วัน

พิสูจน์ C3

การบังคับใช้ที่ไม่ต่อเนื่อง

โรงงาน e-waste เถื่อนที่เคยถูกสั่งปิด กลับมาเปิดอีก

ร่าง พ.ร.บ.อากาศสะอาด ยังค้างที่กรรมาธิการร่วม

อายัดเงินมิจฉาชีพได้ราว 24% ของความเสียหาย

ที่มา: ABC News (30 พ.ย. 2568) · Al Jazeera (26 พ.ย. 2568) · Bangkok Post (30 พ.ค. 2569) · The Nation (ก.ย. 2569) · ANN (มิ.ย. 2569)

Before

ระบบรับเรื่องวันนี้

ภาพจำลองเพื่ออธิบาย

ผู้แจ้ง

พื้นที่รับเรื่อง

ข้อมูลและหน่วยงาน

1669
191
1784
199
สายท้องถิ่น
สายรอในคิว0
ตารางรวมข้อมูลMain Database
ที่ไหนกี่คนผู้สูงอายุ

เวลาที่ใช้

เวลาที่ใช้: เป็นชั่วโมง

เวลาที่ใช้: เป็นนาที

ระดับน้ำ

Department 1
Department 2
Department 3
Department 4

1669: 2 ใน 3 ของ 6 ล้านสายต่อปี คาบเกี่ยวหน้าที่หน่วยงานอื่น

ไทยมีเบอร์ฉุกเฉินราว 30 เบอร์

27 พ.ย. 2568: รวบรวมได้ราว 40,000 เรื่อง / ศูนย์ปฏิบัติการบันทึก 1,934 คำขอ

ที่มา: Thai PBS (2 ต.ค. 2566) · Bangkok Post (2562) · The Nation (27 พ.ย. 2568)

AI ตัวกลาง
สายไปแล้ว

Insight

ห่วงโซ่ 3 ข้อ

PREDICTIONรู้ก่อนว่าจะเกิดอะไร ที่ไหน
PROACTIVEลงมือก่อนเหตุเกิด
โดยไม่ต้องรอใครร้องขอ
REACTIVEรับมือเร็วและเป็นระบบ
เมื่อเหตุเกิดไปแล้ว

ปัญหาวันนี้คือห่วงโซ่ขาดตรงกลาง
ข้อมูลมี แต่ไม่ถูกเปลี่ยนเป็นการลงมือ

ทั้งระบบสร้างบน

Amazon Quick

After

ตัดขั้นตอนรับเรื่อง ให้ AI เป็นตัวกลางกระจายงาน

ภาพจำลองเพื่ออธิบาย

ผู้แจ้ง

พื้นที่รับเรื่อง

ข้อมูลและหน่วยงาน

1669
191
1784
199
สายท้องถิ่น
สายรอในคิว0
ตารางรวมข้อมูลMain Database
ที่ไหนกี่คนผู้สูงอายุ

เวลาที่ใช้

เวลาที่ใช้: เป็นชั่วโมง

เวลาที่ใช้: เป็นนาที

ระดับน้ำ

Department 1
Department 2
Department 3
Department 4

1669: 2 ใน 3 ของ 6 ล้านสายต่อปี คาบเกี่ยวหน้าที่หน่วยงานอื่น

ไทยมีเบอร์ฉุกเฉินราว 30 เบอร์

27 พ.ย. 2568: รวบรวมได้ราว 40,000 เรื่อง / ศูนย์ปฏิบัติการบันทึก 1,934 คำขอ

ที่มา: Thai PBS (2 ต.ค. 2566) · Bangkok Post (2562) · The Nation (27 พ.ย. 2568)

AI ตัวกลาง
สายไปแล้ว แจ้งเหตุ แจ้งเหตุ แจ้งเหตุ แจ้งเหตุ แจ้งเหตุ แจ้งเหตุ แจ้งเหตุ แจ้งเหตุ แจ้งเหตุ แจ้งเหตุ ที่ไหน กี่คน มีผู้สูงอายุไหม
ตัดขั้นตอนรับเรื่องออก ให้ AI เป็นตัวกลางกระจายงานAI จะเป็นคนถามข้อมูลที่จำเป็นในการสรุป

Solution

System Overview

INPUT DATA
AGENTIC PLATFORM
AGENTIC PLATFORM
DEPARTMENT
ACTION
LEGENDData sourceDatabaseAgenticAgentic · decisionDepartmentCommunityFlow
SOURCEPredictive SourceTMD · ThaiWater · GISTDA
SOURCEUserchat platform
AGENTRisk Predictive Agentused in risk assessment
AGENTFilter and Separate Data Agentdivide the input into a table
DATABASEMain Databasecollect data
AGENTOrchestrator Agentmaking a decision
DEPTDepartment 1
DEPTDepartment 2
DEPTDepartment 3
DEPTDepartment 4
COMMUNITYCommunity

FIG 02 · AGENTIC OVERVIEW

การทำงานของเอเจนต์: Predictive และ Proactive

ฝั่ง Predictive ดึงข้อมูลตามรอบ เทียบกับประวัติเหตุซ้ำ แล้วเตรียมข้อมูลขึ้น dashboard ฝั่ง Proactive ให้
Orchestrator ตัดสินใจ ออก Dashboard และ Recommendation ให้ Department อนุมัติหรือแก้ไขก่อน

PREDICTIVE
PROACTIVE
LEGENDData sourceTaskDatabaseAgenticAgentic · decisionTool / promptDepartmentFlow
SOURCEPredictive Sourcerain · PM2.5 · heat
SOURCEPredictive Sourcerecurrent event
TASKBatch Jobevery day/week/month
DATABASERecurrent EventDATA · history
AGENTRisk Predictive Agentused in risk assessment
AGENTDashboard Agentmake data to dashboard
AGENTOrchestrator Agentmaking a decision task
OUTPUTDashboardeasy to look and decide
OUTPUTRecommendationuse boat / car
DEPTDepartmentapprove or edit before
TOOL
SYSTEM PROMPT
TOOL
SYSTEM PROMPT
TOOL
SYSTEM PROMPT
ฉากสมมติ

ฝนหนักใน
48 ชั่วโมง

D-2

Batch Job พบพยากรณ์ฝนตรงจุดที่เคยท่วม

Risk Agent ประเมิน

Orchestrator แนะนำให้เตรียมเรือ

D0

ผู้ใช้แจ้งเหตุผ่านแชต

AI ถามข้อมูลที่จำเป็น

Filter Agent จัดเป็นตาราง ส่งหน่วยงาน

D+1

Department อนุมัติ

แล้วคำเตือนและความช่วยเหลือถึง Community

Flow ย่อส่วนจากระบบ

Predictive Source
Batch Job
Risk Agent
Main Database
Orchestrator
User (chat)
Filter Agent
Recommendation
Department
Community
แผงอาหารริมทางที่กลับมาเปิดขายตามปกติ

ภาพ: Follow Me On Earth

ก่อนและหลัง

แต่ละ pain point แก้ด้วยส่วนไหนของระบบ

Pain point

ส่วนของระบบที่แก้

ข้อมูลไม่ใช่ชุดเดียวกัน
Main Database+Filter Agent
น้ำท่วมซ้ำที่เดิม
Batch Job+Recurrent Event DATA+Risk Agent
เบอร์สายด่วนเยอะ
User chatจุดเดียว+Orchestratorเลือกหน่วยงาน
รถเข้าไม่ได้
Recommendationuse boat / car
คำเตือนไม่ถึงคนลงมือ
Orchestrator→Department→Community
ต้องผ่านคอลเซ็นเตอร์หลายเบอร์ โทรผิดที่ต้องโอนต่อ
User chatจุดเดียว+Filter Agent+Orchestratorกระจายงานตรง
ชาวบ้านใส่บาตรพระสงฆ์ยามเช้าริมถนนชุมชน

ภาพ: Come with me

แผนต่อไป

นำร่อง 1 พื้นที่

เริ่มจากเส้นแจ้งเหตุก่อน

User→Filter Agent→Orchestrator→Department

ข้อจำกัดบนบัญชี Free

Dashboard แบบ Quick Sight ต้องใช้ Pro หรือ Enterprise (ใช้หน้าแอปหรือรายงานแทนได้)
Batch Job ตั้งเวลาได้เฉพาะบางภูมิภาค
AI ประเมินจากข้อมูลที่มี ไม่ใช่โมเดลที่ฝึกเอง

ขอบคุณ

ทีม Twinplustwo