Thai Web Developer

14/04/2026

ร่วมบุญชำระหนี้สงฆ์ ค่าน้ำค่าไฟ วัดเขาวง(ถ้ำนารายณ์)
แจ้งชื่อ-สกุล ใต้โพสได้เลยค่ะ 🙏🙏🙏

26/03/2026

🚀 CittaProject Update

We’ve just shipped major improvements to our disk preparation and monitoring pipeline:

- Dynamic disk detection + sizing-aware behavior
- Stall detection with auto-restart
- Better logging, status mode, and watch-only monitoring
- Safer reruns and clearer completion tracking
- This release helps us run long processes with better reliability and less manual intervention.

Follow us for more updates:
Facebook: https://www.facebook.com/CittaAIOfficial
GitHub: https://github.com/pphothidaen/CittaProject

🚀 Citta Project Update — Progress, Stability, and Smarter Automation

Excited to share a new development update from CittaProject.

Over the latest sprint, we focused on strengthening our disk preparation and monitoring workflow to make operations more reliable, more observable, and more resilient in long-running ex*****on scenarios.

✅ What’s newly improved
Added a unified dynamic disk pipeline script for preparation + monitoring.
Enabled automatic external disk detection (with interactive fallback selection).
Added dynamic runtime sizing logic (capacity-aware behavior).
Improved stall detection and auto-recovery so the process can restart itself when needed.
Introduced watch-only mode and status-only mode for safer operations and better visibility.
Added periodic progress notifications and clearer structured logging.
Improved safeguards for re-runs with --force, plus completion markers and cleaner status checks.
🎯 Why this matters
This update improves reliability for long disk validation/formatting pipelines, reduces manual intervention, and gives clearer operational insight for teams running infrastructure-heavy workflows.

We’re continuing to improve orchestration quality, observability, and production-readiness across the project.

📌 Follow our progress:

Facebook: https://www.facebook.com/CittaAIOfficial
GitHub: https://github.com/pphothidaen/CittaProject

06/03/2026

The "No-Debezium" High-Performance Architecture

The Challenge: Achieving Maximum TPS, Horizontal Scalability, and Strict Data Integrity without the overhead of CDC tools like Debezium.

The Trade-off: High Engineering Effort (writing and maintaining custom Workers).

Proposed Strategy:

1. The "Outbox Pattern" (Manual Implementation)

Instead of letting a connector tail the database logs, the application must take responsibility. Every state change and its corresponding event are wrapped in a Single Local Transaction. You write to your business table and an Outbox table simultaneously. This ensures the event is only "staged" if the database commit succeeds.

2. Distributed Sharded Workers

To achieve Horizontal Scale, we deploy a fleet of custom Workers. By using a Sharding Key (like user_id or order_id), we ensure that specific data ranges are processed by specific worker instances. This prevents race conditions and allows us to scale out linearly by simply adding more nodes.

3. At-Least-Once Delivery + Idempotency

Since we are manually polling or pushing from the Outbox, we must guarantee integrity. The Workers will ensure At-Least-Once delivery to the message broker (Kafka/RabbitMQ). To handle the "Data Correctness" requirement, the downstream consumers must be strictly Idempotent, treating duplicate events as no-ops to maintain a pristine state.

4. The "Checkpointer" Mechanism

To maintain high TPS without losing our place, the Workers will implement a high-frequency Checkpointing system. This tracks the last processed Offset or Timestamp in the Outbox, allowing the system to recover instantly from crashes without re-scanning the entire table.

11/12/2025

🔥
“เลือก Database ผิด = โปรเจ็กต์ช้า / ค่าใช้จ่ายบาน / Scale ไม่ขึ้น!”

ปี 2025 คือยุคที่นักพัฒนาและองค์กรต้องเข้าใจ Database หลายประเภท ไม่ใช่แค่ SQL vs NoSQL อีกต่อไป

โพสต์นี้สรุปอินโฟให้ครบว่า ฐานข้อมูล 12 ประเภทที่ต้องรู้ + ตัวอย่างที่ใช้บน AWS / Azure / GCP และ Open Source พร้อม Case Study ที่ชี้ให้เห็นว่าการเลือก DB ถูกประเภท = ธุรกิจโตเร็วขึ้นจริง 🚀📊

⸻

✅ สรุป Infographic: Database Types You Should Know in 2025

อินโฟนี้แบ่งฐานข้อมูลออกเป็น 12 ประเภทหลัก พร้อมตัวอย่างคลาวด์ที่ใช้จริงในองค์กรทั่วโลก

⸻

1) Relational (SQL Database)

เหมาะกับ: ธุรกรรม, ความถูกต้องของข้อมูล, ระบบ Core
ตัวอย่าง: PostgreSQL, MySQL, AWS RDS, Azure SQL, Cloud SQL

📌 ใช้เมื่อ: ต้องการ ACID + Join ข้อมูลหลายตาราง

⸻

2) Columnar (Analytics / Data Warehouse)

เหมาะกับ: BI, Analytics, Query Volume ใหญ่
ตัวอย่าง: Redshift, BigQuery, ClickHouse, Synapse

📌 ใช้เมื่อ: ต้องยิง Query วิเคราะห์ทีละล้าน–พันล้านแถว

⸻

3) Key-Value (Ultra Fast / Simple Lookup)

เหมาะกับ: Real-time read/write, Session store
ตัวอย่าง: DynamoDB, BigTable, etcd

📌 ใช้เมื่อ: ต้องการ Latency ต่ำมากและ Scale อัตโนมัติ

⸻

4) In-Memory Database (ความเร็วสูงสุด)

เหมาะกับ: Cache, Real-time leaderboard, Rate limit
ตัวอย่าง: Redis (Elasticache), MemoryStore

📌 ใช้เมื่อ: ต้องการข้อมูลเร็วระดับ millisecond

⸻

5) Wide-Column (Flexible + Massive Scale)

เหมาะกับ: IoT, Log, Scale แนวนอน
ตัวอย่าง: Cassandra, BigTable, CosmosDB

📌 ใช้เมื่อ: ต้องจัดการข้อมูลขนาดใหญ่แบบกระจาย

⸻

6) Time-series Database (ข้อมูลตามเวลา)

เหมาะกับ: Sensor, Metrics, Trading Data
ตัวอย่าง: Timescale, Timestream

📌 ใช้เมื่อ: ต้องการ Downsampling / Rollup / Retention

⸻

7) Immutable Ledger (ข้อมูลแก้ไขย้อนหลังไม่ได้)

เหมาะกับ: Audit, Compliance, Blockchain-like
ตัวอย่าง: QLDB, Hyperledger

📌 ใช้เมื่อ: ต้องพิสูจน์ความถูกต้องเชิงประวัติ

⸻

8. Graph Database

เหมาะกับ: Recommendation, Relation Mapping
ตัวอย่าง: Neo4j, Amazon Neptune

📌 ใช้เมื่อ: โจทย์เกี่ยวกับ “ความสัมพันธ์เชื่อมโยงเป็นโครงข่าย”

⸻

9) Document Database (JSON-based)

เหมาะกับ: App ที่ต้องเก็บข้อมูลไม่เป็นโครงสร้างตายตัว
ตัวอย่าง: Firestore, CouchDB, CosmosDB

📌 ใช้เมื่อ: Data ถูกเก็บแบบ Flexible

⸻

10) Geospatial Database

เหมาะกับ: แผนที่, Delivery tracking, GIS
ตัวอย่าง: PostGIS, BigQuery GIS

📌 ใช้เมื่อ: โจทย์เกี่ยวกับพื้นที่/ระยะทาง

⸻

11) Text-search Engine

เหมาะกับ: Search Engine, Auto-suggest, Fuzzy Search
ตัวอย่าง: ElasticSearch, OpenSearch

📌 ใช้เมื่อ: ต้องค้นหาข้อความจำนวนมาก

⸻

12) Vector Database (ฐานข้อมูลยุค AI)

เหมาะกับ: Retrieval-Augmented Generation (RAG), AI Search
ตัวอย่าง: Weaviate, Milvus, Pinecone

📌 ใช้เมื่อ: ต้องการ embedding + semantic search

⸻

🚀 Case Study — เลือก Database ถูกประเภท = ลดต้นทุน 75% + ความเร็วเพิ่ม 20 เท่า

บริษัททำระบบ Marketplace แห่งหนึ่งใช้ PostgreSQL ทำทุกอย่าง
เกิดปัญหา:
• Query รายงานช้า
• ข้อมูล Log วันละหลายล้านแถวใส่ไม่ทัน
• Search ช้า

หลังปรับสถาปัตยกรรม:
• Analytic → BigQuery
• Log → Cassandra
• Search → ElasticSearch
• Transaction → PostgreSQL

ผลลัพธ์:
• ค่าใช้จ่ายลดลง 75%
• ระบบตอบสนองเร็วขึ้น 20x
• สามารถรองรับผู้ใช้เพิ่มอีก 5 เท่าโดยไม่เพิ่มเครื่อง

⸻

👥 เหมาะกับใคร?
• Developer / Data Engineer / Architect
• Product Manager ที่ต้องออกแบบระบบรองรับผู้ใช้เยอะ
• CTO / Tech Lead ที่กำลังปรับระบบไป Cloud
• ทุกองค์กรที่ต้องการสร้างระบบ AI + RAG

⸻

🧩 สรุปสั้นที่สุด

ไม่มี Database ตัวไหนดีที่สุด แต่มี Database ที่เหมาะกับงานของคุณที่สุด
เลือกให้ถูกตั้งแต่แรก = ประหยัด, เร็ว, Scale ได้
⸻

🔖

24/07/2025

10 types of API testing
Follow code hunter

13/07/2025

ByteByteGo, NeetCode, or Educative? Which System Design Course is Best for 2025?
https://medium.com/javarevisited/bytebytego-neetcode-or-educative-io-which-system-design-course-is-best-for-2025-cd06428b3e6e

29/03/2025

ช่วยแชร์ ช่วยคน

21/03/2025

🤔 แต่ก่อนผมรู้สึกว่า Programmer กับ Software Engineer มันดูเป็นสิ่งเดียวกัน แค่เรียกสลับๆกันไปมา อาจจเรียกเป็นแบบหลังมากกว่าให้ดูคูลมากขึ้น

💡แต่พอโตขึ้น เริ่มต้องตัดสินใจเยอะขึ้น ไม่ใช่แค่เขียนโค้ดอย่างเดียว ทำให้ได้รู้ว่า Software Engineering มันกว้างกว่าแค่การเขียนโปรแกรม (Programming) ยิ่งอยู่ในยุค AI แล้ว มันยิ่งแยกทั้งสองอย่างออกจากกันชัดมากขึ้น

สิ่งที่มาช่วยยืนยันได้คือหนังสือเล่มนี้ (แนะนำให้อ่านบทแรกให้จบ)
Software Engineering at Google - Lessons Learned
https://github.com/ThisIsSakshi/Books/blob/master/Interview%20Specific%20%F0%9F%93%96/Software%20Engineering%20at%20Google.pdf

08/03/2025

ช่วไแชร์ใครอยู่ใกล้