การสร้าง AI Agents ด้วย LLMs, RAG และ Knowledge Graphs

เมื่อปัญญาประดิษฐ์วิวัฒนาการไป โมเดลภาษาแบบดั้งเดิม (Static language models) ไม่เพียงพอที่จะแก้ปัญหาซับซ้อนในโลกจริงได้อีกต่อไป การจะสร้างระบบที่อัจฉริยะอย่างแท้จริง คุณจำเป็นต้องรวมพลังการเหตุผลของ Large Language Models (LLMs) เข้ากับแหล่งข้อมูลภายนอกแบบไดนามิก คอร์สนี้จะนำคุณตั้งแต่แนวคิดพื้นฐานของ AI ไปจนถึงการออกแบบระบบ Agentic ที่สามารถดึงข้อมูล ใช้เหตุผลบนความรู้เชิงโครงสร้าง และดำเนินการได้ด้วยตนเอง คุณจะได้เรียนรู้วิธีการรวม Retrieval-Augmented Generation (RAG) และ Knowledge Graphs เพื่อขจัดปัญหาการหลอนของโมเดล (Hallucinations) และ ให้คำตอบที่แม่นยำและอุดมไปด้วยบริบท สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจคำศัพท์หลักของ LLMs, Vector search และ กระบวนการทำงานแบบ Agentic - ปรับใช้ Retrieval-Augmented Generation (RAG) เพื่อเชื่อมต่อโมเดลเข้ากับฐานข้อมูลข้อความภายนอก - ออกแบบ Knowledge Graphs เพื่อเสนอความสัมพันธ์เชิงโครงสร้างที่ซับซ้อนสำหรับการประมวลผลเหตุผลของ AI ที่ลึกซึ้งยิ่งขึ้น - กำหนดค่า AI agents ที่ใช้ Tool calling และการประมวลผล ฟังก์ชั่น เพื่อแก้ปัญหาหลายขั้นตอน - ประยุกต์ใช้รูปแบบ Prompt engineering เพื่อชี้แนะพฤติกรรมและการตัดสินใจของ Agent - ฝึกฝนการสร้างสถาปัตยกรรมแบบผสมผสาน (Hybrid architectures) ที่รวมจุดแข็งของทั้ง Vector databases และ Graph databases เข้าด้วยกัน คุณจะได้เริ่มต้นจากพื้นฐานอย่างแท้จริง เรียนรู้คำนิยามหลักของ Generative AI และโครงสร้าง Graph ก่อนที่จะก้าวไปสู่ตัวอย่างการเขียนโค้ดสำหรับการประสานงานของ Agent และท่อส่งข้อมูลการค้นคืน (Retrieval pipelines) คอร์สนี้ออกแบบมาสำหรับนักพัฒนาซอฟต์แวร์ ผู้ที่สนใจในข้อมูล และผู้เชี่ยวชาญด้านเทคโนโลยีที่ยังใหม่กับ AI agents และต้องการคำแนะนำแบบเป็นขั้นตอนที่ชัดเจน โดยไม่จำเป็นต้องมีความรู้พื้นฐานด้าน Machine learning ขั้นสูง เริ่มอ่านแต่วันนี้เพื่อเริ่มสร้าง AI agents อัจฉริยะที่ขับเคลื่อนด้วยข้อมูลของคุณเอง