หลักสูตรเชิงปฏิบัติการที่จะพาคุณเรียนรู้การใช้งาน Retrieval-Augmented Generation (RAG) สำหรับการประยุกต์ใช้กับ Large Language Models (LLMs) เรียนรู้ตั้งแต่พื้นฐานไปจนถึงการพัฒนา RAG ที่นำไปใช้งานได้จริง

• เรียนรู้และเข้าใจความสามารถของ LLM และ Application ที่เหมาะสม
• เข้าใจหลักการทำงานของ RAG
• สามารถพัฒนาระบบ RAG ขั้นพื้นฐาน
• นำความรู้ไปประยุกต์ใช้กับงานจริงได้

วันที่ 1: Essential of LLM & RAG

• LLM คืออะไร แตกต่างจาก ML model อย่างไร
• ทำความเข้าใจกลไกการทำงานภายใน Transformer Architecture
  • Embedding mechanism
  • Attention mechanism
  • ความสามารถหลักของ LLM และ Application ที่เหมาะสม
  • โครงสร้างพื้นฐานของการนำ LLM มาใช้ใน Application
  • Workshop: การนำ LLM มาใช้อย่างง่าย
  • Introduction to RAG
  • ความเป็นมาและความสำคัญ
  • ข้อจำกัดของ LLMs และการแก้ไขด้วย RAG
  • สถาปัตยกรรมพื้นฐาน

วันที่ 2: การจัดการข้อมูลใน RAG

• Document Processing
  • การเตรียมข้อมูลเอกสาร
  • เทคนิคการแบ่ง Chunk ที่เหมาะสม

Workshop: การเตรียมข้อมูลสำหรับ RAG

• Vector Database Basics
  •  แนะนำ Vector Database
  •  การเลือก Vector Database ที่เหมาะสม

            Workshop: การใช้งาน Vector Database เบื้องต้น

วันที่ 3: การพัฒนาระบบ RAG ที่มีการสืบค้นข้อมูลจาก Vector DB

• Embeddings & Basic Retrieval
  •  การสร้าง Embeddings
  •  การเลือก Embedding Model
  •  การค้นคืนข้อมูลพื้นฐาน

Workshop: พัฒนาระบบค้นคืนข้อมูล

• RAG Implementation
  •  การเชื่อมต่อกับ LLMs
  •  การสร้าง Prompt ที่เหมาะสม
  •  การจัดการ Context

Workshop: พัฒนาระบบ RAG เบื้องต้น

• การออกแบบ Prompt สำหรับ RAG
  • Shot-based prompting techniques
  • Chain of Thought (CoT)
  • ReAct Prompting

Workshop: การออกแบบ Prompt ที่เหมาะสมสำหรับ RAG

• Basic Optimization
  • การปรับปรุงคุณภาพผลลัพธ์
  • การจัดการ Token Limit

Workshop: ปรับแต่งระบบ RAG

• นักพัฒนาซอฟต์แวร์ที่ต้องการเริ่มต้นทำงานกับ LLMs
• วิศวกรข้อมูลที่สนใจพัฒนาระบบ AI
• ผู้ที่ต้องการนำ RAG ไปประยุกต์ใช้กับงานจริง

• มีความรู้พื้นฐานการเขียนโปรแกรมภาษา Python