• Chief Technology Officer (CTO), Chief Data/Analytics Officer (CDAO)
• Developers and machine learning engineers.
• นักพัฒนา AI ที่สนใจสร้างแอปพลิเคชันโดยใช้ LLM และ LangChain

ความต้องการเบื้องต้น

• มีพื้นฐานภาษา Python
• เข้าใจพื้นฐาน Machine Learning
• มีประสบการณ์กับโมเดล NLP (ไม่จำเป็นแต่จะเป็นประโยชน์)

1. ทักษะการพัฒนาแอปพลิเคชัน AI ขั้นสูง
   • เข้าใจหลักการทำงานของ โมเดลภาษาขนาดใหญ่ (LLMs) และวิธีการนำไปใช้ในโครงการจริง
   • พัฒนาความสามารถในการออกแบบและสร้างแอปพลิเคชันที่ใช้ LLM อย่างมีประสิทธิภาพ
2. เรียนรู้การผสาน LangChain เพื่อปรับปรุงการทำงานของแอปพลิเคชัน
   • เรียนรู้การผสาน LangChain เพื่อปรับปรุงการทำงานของแอปพลิเคชัน
   • สร้างกระบวนการทำงาน (workflow) ที่ราบรื่นและเป็นระบบมากขึ้น
3. พัฒนาทักษะในการสร้างระบบค้นหาเอกสารและการสร้างเนื้อหาด้วยข้อมูลเสริม (RAG)
   • พัฒนาทักษะในการสร้างระบบค้นหาเอกสารและการสร้างเนื้อหาด้วยข้อมูลเสริม (RAG)
   • สร้างแชทบอทและระบบแนะนำ (recommendation systems) ที่ตอบสนองต่อผู้ใช้ได้ดี
4. เรียนรู้วิธีป้องกันเนื้อหาที่ไม่เหมาะสมหรือไม่ปลอดภัยผ่านการเพิ่ม guardrails
   • เรียนรู้วิธีป้องกันเนื้อหาที่ไม่เหมาะสมหรือไม่ปลอดภัยผ่านการเพิ่ม guardrails
   • ปรับใช้กลไกการควบคุมที่ยืดหยุ่น (dynamic guardrails) เพื่อตรวจสอบความปลอดภัยในแบบเรียลไทม์
5. ประสบการณ์จากเวิร์กช็อปเชิงปฏิบัติ
   • ผู้เรียนจะได้ลงมือพัฒนาจริงและสร้างโซลูชัน AI ที่ใช้งานได้ในสถานการณ์จริง
   • เรียนรู้จากกรณีศึกษาและพัฒนาทักษะเชิงปฏิบัติในการออกแบบ prompt และการใช้โมเดล NLP
6. เพิ่มขีดความสามารถสำหรับอาชีพด้าน AI และ Machine Learning
   • เหมาะสำหรับ นักพัฒนา AI, วิศวกร ML และผู้บริหารด้านเทคโนโลยี ที่ต้องการต่อยอดความรู้
   • สร้างพื้นฐานที่มั่นคงในการพัฒนาแอปพลิเคชัน AI เพื่อประยุกต์ใช้ในองค์กรหรือธุรกิจ

เรียนรู้การสร้างแอปพลิเคชันที่เชื่อมต่อกับ ฐานข้อมูล, API และระบบภายนอก ได้อย่างราบรื่น

หลักสูตรนี้เหมาะสำหรับผู้ที่ต้องการพัฒนาทั้งความรู้เชิงลึกและทักษะการปฏิบัติในการสร้าง AI-powered applications และเพิ่มศักยภาพในสายงาน AI และเทคโนโลยีสมัยใหม่.

Day 1: Introduction to Large Language Models (LLMs) and LangChain Framework

Overview of LLMs:

• Introduction to LLMs: Key concepts, models (GPT, Transformers, etc.), and their significance.
• Real-world impact of LLMs in NLP and practical applications.
• Setting up LLM environments for local development.
• Hands-on Workshop: Installing and setting up LLM frameworks locally using Ollama (or other platforms).

Prompt Engineering for Developers:

• Techniques for crafting efficient prompts across various use cases.
• Optimization strategies for improving accuracy.
•  Hands-on Workshop: Developing and testing prompts for different NLP tasks.

Introduction to LangChain Framework:

• Overview of LangChain for LLM application development.
• Installation and setup of LangChain, focusing on integrating it into development workflows.

LangChain Basics:

• Key components: Model, Prompt, and Parser in LangChain
• Hands-on Workshop: Building a simple LLM-powered app using LangChain.

Day 2: Advanced LangChain Techniques

Chains in LangChain:

• Concepts and use cases of Chains in LangChain.
• Hands-on Workshop: Developing an LLM application using Chains for complex task flows.

LangChain Memories:

• Understanding Memories and their role in building stateful applications.
• Hands-on Workshop: Implementing memory in an LLM app to store and recall information.LangChain Agents:
• Building and utilizing agents that integrate with external tools (web scraping, APIs, databases).
• Hands-on Workshop: Creating agents that interact with external data sources and databases.

Day 3: Retrieval-Augmented Generation (RAG)

RAG Fundamental:

• Introduction to RAG, its importance, and practical use cases for developers.
• Embeddings for document retrieval: Concepts and best practices.

Vector Databases for Embedded Data:

• Setting up and using vector databases for storing and querying embeddings.
• Hands-on Workshop: Building semantic search functionality with a vector database.

RAG Pipeline Development:

• Integrating vector databases in RAG workflows.
• Hands-on Workshop: Developing a basic RAG pipeline for document retrieval and generation using LangChain.

Advanced RAG Applications:

• Building question-answering bots using RAG principles.
• Hands-on Workshop: Creating a Q&A Chatbot using RAG techniques.
•  Exploring recommendation systems.
• Hands-on Workshop: Building a recommendation system powered by LLMs and RAG.

Day 4: Implementing Guardrails for LLM Applications

Introduction to Guardrails in LLMs:

• Overview of safety, compliance, and ethical concerns in LLM applications.
• Hands-on Workshop: Adding basic guardrails (e.g., content filtering, output restriction).

Guardrails in LangChain Applications:

• Implementing guardrails in LangChain for scenarios like sensitive data handling.• Hands-on Workshop: Creating and enforcing guardrails for real-world LLM applications.

Advanced Guardrail Techniques:

• Developing adaptive guardrails with AI feedback mechanisms.
• Monitoring and logging for real-time safety checks.
• Hands-on Workshop: Building a custom LLM application with dynamic guardrails and monitoring.