สร้าง AI App ขั้นสูงด้วย Agent & Vector Databases & RAG

หลักสูตร: การสร้าง AI Application ขั้นสูงด้วย Vector Databases, Agentic Systems และ RAG

🔥 ใช้ AI จนคล่อง แต่เคยสงสัยไหมว่าเบื้องหลัง AI เทพๆ อย่าง ChatGPT หรือ Copilot เค้าสร้าง "สมอง" ให้มันยังไง? คอร์สนี้ไม่ได้สอนแค่ใช้ แต่สอนให้คุณ "สร้าง" AI ที่รู้ลึก รู้จริง ด้วย Vector Databases, RAG และ Agentic Systems พร้อม Workshop สุดเข้มข้นให้ลงมือทำจริงหลังจบคลาส!

Module 1: การจัดการข้อมูลด้วย Vector Databases และ Context Caching สำหรับ AI Application ของคุณ (3 ชั่วโมง)

• พื้นฐานของ Vector Embeddings: ทำความเข้าใจหลักการแปลงข้อมูลเป็นเวกเตอร์และการนำไปใช้
• สถาปัตยกรรม RAG (Retrieval-Augmented Generation): เรียนรู้โครงสร้างและหลักการทำงานของ RAG
• สถาปัตยกรรม CAG (Cache-Augmented Generation): ทำความเข้าใจแนวคิดและการทำงานของ CAG เพื่อเพิ่มประสิทธิภาพ
• การ Implement Vector Database: ลงมือปฏิบัติกับ Vector Databases ยอดนิยม (เช่น Pinecone, Weaviate)
• อัลกอริทึม Similarity Search: เรียนรู้วิธีการค้นหาข้อมูลที่คล้ายคลึงกันใน Vector Space
• กลยุทธ์การทำ Document Chunking: เทคนิคการแบ่งเอกสารให้เหมาะสมกับการทำ Retrieval
• การปรับปรุงประสิทธิภาพการดึงองค์ความรู้ (Knowledge Retrieval Optimization): แนวทางเพิ่มความเร็วและความแม่นยำในการดึงข้อมูล
• เปรียบเทียบ RAG vs CAG: ข้อดี ข้อเสีย และสถานการณ์ที่เหมาะสมของแต่ละสถาปัตยกรรม
• การสร้าง GUI ด้วย Gradio: พัฒนา Interface แบบง่ายสำหรับทดสอบและนำเสนอโมเดล

Module 2: Agentic-AI (ระบบ AI Agents อัจฉริยะ) (3 ชั่วโมง)

• สถาปัตยกรรม Multi-agent System: การออกแบบระบบที่ประกอบด้วย AI Agents หลายตัวทำงานร่วมกัน
• การวางแผนและแบ่งย่อยงาน (Task Planning and Decomposition): วิธีให้ Agents วางแผนและจัดการงานที่ซับซ้อน
• การเชื่อมต่อ Tools และ APIs (Tool and API Integration): ทำให้ Agents สามารถใช้เครื่องมือภายนอกและเรียกใช้ API ได้
• การจัดการ Memory และ Context ของ Agent: เทคนิคการทำให้ Agents "จำ" และเข้าใจบริบทในการทำงาน
• โปรโตคอลการสื่อสารระหว่าง Agents (Agent Communication Protocols): รูปแบบและวิธีการให้ Agents สื่อสารกัน
• การประเมินประสิทธิภาพของ Agent (Evaluation of Agent Performance): วิธีวัดผลและประเมินความสามารถของ Agents
• มาตรการความปลอดภัยสำหรับ Autonomous Agents (Safety Measures): แนวทางการควบคุมและป้องกันความเสี่ยงจาก Agents ที่ทำงานอัตโนมัติ

Module 3: ระบบ Knowledge-Driven Agentic Systems ที่ผสานการทำงานกับ RAG (3 ชั่วโมง)

• การผสาน RAG เข้ากับ Agent Pipelines: นำ RAG มาเป็นส่วนหนึ่งของกระบวนการทำงานของ Agent
• การจัดการ Agent Memory โดยใช้ Vector Databases: ใช้ Vector DB เป็น "สมอง" หรือ "ความจำระยะยาว" ให้กับ Agents
• การสร้าง Prompt แบบไดนามิกจาก Context ที่ดึงมา (Dynamic Prompt Construction): เทคนิคสร้าง Prompt ที่เหมาะสมกับสถานการณ์โดยใช้ข้อมูลจาก RAG
• Shared Memory vs Individual Memory ใน Multi-agent Systems: เปรียบเทียบและเลือกใช้รูปแบบ Memory ที่เหมาะสมกับการทำงานร่วมกันของ Agents หลายตัว
• การใช้ RAG เป็นเครื่องมือหนึ่งใน Agent Toolkits: มอง RAG เสมือนเครื่องมือที่ Agent สามารถเรียกใช้ได้
• การทำงานร่วมกันของ Multi-agent ผ่าน Knowledge Context: วิธีให้ Agents หลายตัวทำงานร่วมกันอย่างมีประสิทธิภาพโดยอาศัยข้อมูลจาก RAG
• Adaptive Document Chunking สำหรับงานของ Agent: ปรับวิธีการแบ่งเอกสารให้เหมาะสมกับ Task ที่ Agent กำลังทำ
• การประเมินและปรับปรุงประสิทธิภาพ RAG-Augmented Agents: วัดผลและหาทางเพิ่มประสิทธิภาพของ Agents ที่ใช้ RAG
• การสร้างต้นแบบ (Prototyping) ด้วย Pydantic-AI, CrewAI: ทดลองสร้าง Agentic Systems อย่างรวดเร็วด้วย Framework ยอดนิยม
• ** MCP server client with Ollama on Local

✅ เป้าหมายหรือวัตถุประสงค์ของคลาส

• เข้าใจหลักการสำคัญของ Vector Embeddings, Vector Databases, RAG และ CAG:

  • ผู้เรียนจะเข้าใจแนวคิดพื้นฐาน วิธีการทำงาน และความสำคัญของเทคโนโลยีเหล่านี้ในการจัดการข้อมูลสำหรับ AI Applications สมัยใหม่
  • สามารถอธิบายความแตกต่างและสถานการณ์ที่เหมาะสมในการใช้ RAG และ CAG ได้

• สามารถออกแบบและ Implement ระบบจัดการข้อมูลด้วย Vector Databases:

  • ผู้เรียนสามารถเลือกใช้ Vector Database ที่เหมาะสม (เช่น Pinecone, Weaviate) และนำไปประยุกต์ใช้ในการจัดเก็บ ค้นหาข้อมูลแบบ Similarity Search ได้
  • เข้าใจเทคนิค Document Chunking และ Knowledge Retrieval Optimization เพื่อเพิ่มประสิทธิภาพ

• เข้าใจสถาปัตยกรรมและหลักการทำงานของ Agentic-AI:

  • ผู้เรียนจะเข้าใจองค์ประกอบสำคัญของ Multi-agent Systems รวมถึงการวางแผนงาน การใช้ Tools/APIs การจัดการ Memory และการสื่อสารระหว่าง Agents
  • ตระหนักถึงความสำคัญของการประเมินผลและมาตรการความปลอดภัยสำหรับ AI Agents

• สามารถผสาน RAG เข้ากับ Agentic Systems เพื่อสร้าง AI ที่ขับเคลื่อนด้วยองค์ความรู้:

  • ผู้เรียนสามารถออกแบบและสร้างต้นแบบ (Prototype) ของ Agentic Systems ที่ใช้ RAG เป็นแหล่งความรู้ โดยใช้ Vector Databases ในการจัดการ Memory
  • สามารถประยุกต์ใช้ Framework อย่าง Pydantic-AI หรือ CrewAI ในการสร้าง Knowledge-Driven Agents ได้

👨‍💻 ผู้สอน

• คุณ Job Natdhanai (AI Engineer) ผู้เชี่ยวชาญด้าน LLM, AI & Machine Learning (Speaker & Lecturer TensorFlow, ThaiPy, MLRM, DevHub, Queen Mary University of London, Hudson County Community College (USA), Faculty of Computer engineering at ISE Chulalongkorn University )
• เจ้าของเพจ ตื่นมาโค้ด Python

⏱ แบ่งวันและเวลาในการเรียนเป็น 3 วัน

• Session 1: วันเสาร์ที่ 10 พฤษภาคม 2568 เวลา 9.00 - 12.00 (3 ชั่วโมง)
• Session 2: วันเสาร์ที่ 17 พฤษภาคม 2568 เวลา 9.00 - 12.00 (3 ชั่วโมง)
• Session 3: วันอาทิตย์ที่ 18 พฤษภาคม 2568 เวลา 9.00 - 12.00 (3 ชั่วโมง)
• กลุ่ม discord สำหรับ workshop support
• เรียนออนไลน์บน Google Meet (มีวิดีโอบันทึกให้)
• กลุ่ม discord สำหรับ workshop support

📝 Note: มี workshop พิเศษให้หลังจบ 3 sessions..และตรวจการบ้านนักเรียนพร้อมพูดคุยใน Discord)

🔥 ลงทะเบียนด่วนก่อนปรับราคาเต็ม

• ค่าลงทะเบียน 1,500 บาท (ก่อนปรับราคาเต็ม 2,490 บาท)
• กลุ่ม discord สำหรับ workshop support พร้อมตรวจการบ้าน