Developing Generative Artificial Intelligence Solutions (Thai)

ในหลักสูตรนี้ คุณจะสำรวจวงจรชีวิตของแอปพลิเคชันปัญญาประดิษฐ์ช่วยสร้าง (Generative AI หรือ AI ช่วยสร้าง) ได้แก่

• การกำหนดกรณีใช้งานทางธุรกิจ
• การเลือกโมเดลพื้นฐาน (FM)
• การปรับปรุงประสิทธิภาพของ FM
• การประเมินประสิทธิภาพของ FM
• การนำไปใช้จริงและผลกระทบต่อวัตถุประสงค์ทางธุรกิจ

หลักสูตรนี้เป็นการปูพื้นฐานไปสู่หลักสูตร AI ช่วยสร้างหลักสูตรต่างๆ ซึ่งจะเจาะลึกเกี่ยวกับแนวคิดที่เกี่ยวข้องกับการปรับแต่ง FM โดยใช้วิศวกรรมการโต้ตอบ, Retrieval Augmented Generation (RAG) และการปรับละเอียด

• ระดับหลักสูตร: พื้นฐาน
• ระยะเวลา: 1 ชั่วโมง

หมายเหตุ: หลักสูตรนี้มีการแปลถอดเสียง/คำบรรยาย บทบรรยายเป็นภาษาอังกฤษ

หากต้องการแสดงคำบรรยาย ให้คลิกที่ปุ่ม CC ที่มุมล่างขวาของเครื่องเล่น

กิจกรรม

หลักสูตรนี้ประกอบด้วยองค์ประกอบเชิงโต้ตอบ วิดีโอ คำแนะนำแบบข้อความ และภาพประกอบ

วัตถุประสงค์ของหลักสูตร

ในหลักสูตรนี้ คุณจะได้เรียนรู้วิธีการทำสิ่งต่อไปนี้

• ระบุเกณฑ์การเลือกเพื่อเลือกโมเดลที่ผ่านการฝึกมาแล้ว
• นิยามความหมายของ Retrieval Augmented Generation (RAG) และอธิบายการใช้งานทางธุรกิจ
• อธิบายข้อดีข้อเสียที่ต้องเลือกด้านค่าใช้จ่ายของแนวทางต่างๆ ในการปรับแต่งโมเดลพื้นฐาน
• ทำความเข้าใจบทบาทของเอเจนต์ในงานหลายขั้นตอน
• ทำความเข้าใจแนวทางในการประเมินประสิทธิภาพของโมเดลพื้นฐาน
• ระบุเมตริกที่เกี่ยวข้องในการประเมินประสิทธิภาพของโมเดลพื้นฐาน

กลุ่มเป้าหมาย

หลักสูตรนี้จัดทำขึ้นสำหรับ:

• บุคคลที่สนใจเกี่ยวกับแมชชีนเลิร์นนิงและปัญญาประดิษฐ์ ไม่ว่าจะมีบทบาทงานใดก็ตาม
• บุคคลที่ตั้งใจจะเข้าร่วมการสอบการรับรอง AWS Certified AI Practitioner

ข้อกำหนดเบื้องต้น

การพัฒนาโซลูชัน AI ช่วยสร้างเป็นส่วนหนึ่งของชุดสอนการสร้างรากฐานเกี่ยวกับปัญญาประดิษฐ์ แมชชีนเลิร์นนิง และ AI ช่วยสร้าง ขอแนะนำให้คุณศึกษาทั้งสองหลักสูตรนี้ให้เสร็จสิ้นก่อน หากคุณยังไม่ได้ศึกษา:

• Fundamentals of Machine Learning and Artificial Intelligence
• Exploring Artificial Intelligence Use Cases and Applications

เนื้อหาหลักสูตร

ส่วนที่ 1

• บทเรียนที่ 1: วิธีใช้งานหลักสูตรนี้

ส่วนที่ 2: ความรู้เบื้องต้น

• บทเรียนที่ 2: ภาพรวมหลักสูตร
• บทเรียนที่ 3: วงจรชีวิตของแอปพลิเคชัน AI ช่วยสร้าง

ส่วนที่ 3: การกำหนดกรณีใช้งาน

• บทเรียนที่ 4: การกำหนดกรณีใช้งาน

ส่วนที่ 4: การเลือกโมเดลพื้นฐาน

• บทเรียนที่ 5: การเลือก FM
• บทเรียนที่ 6: ทดสอบความรู้

ส่วนที่ 5: การปรับปรุงประสิทธิภาพ

• บทเรียนที่ 7: การปรับปรุงประสิทธิภาพของ FM
• บทเรียนที่ 8: ทดสอบความรู้

ส่วนที่ 6: การประเมินผลลัพธ์

• บทเรียนที่ 9: การประเมิน FM
• บทเรียนที่ 10: ทดสอบความรู้

ส่วนที่ 7: การนำไปใช้จริง

• บทเรียนที่ 11: การนำแอปพลิเคชันไปใช้จริง

ส่วนที่ 8: บทสรุป

• บทที่ 12: สรุปหลักสูตร
• บทเรียนที่ 13: แหล่งข้อมูล
• บทเรียนที่ 14: ติดต่อเรา