AWS Certified AI Practitioner (AIF-C01)

Section 1: Lab: รู้จักข้อสอบ AIF-C01 และเตรียมบัญชี AWS

• โครงสร้างข้อสอบ รูปแบบคำถาม เกณฑ์ผ่าน และน้ำหนักของทั้ง 5 Domain
• AWS Free Plan เครดิตผู้ใช้ใหม่ และบริการที่ต้องอัปเกรดเป็น Paid Plan
• ตั้งผู้ใช้ IAM ตามหลักสิทธิ์น้อยที่สุด และเลือก Region ที่มี Amazon Bedrock
• Lab: ตั้ง AWS Budgets แจ้งเตือนค่าใช้จ่ายก่อนเริ่ม Lab อื่น

Section 2: แนวคิดและศัพท์พื้นฐานของ AI

• AI, ML, Deep Learning, Generative AI และ Agentic AI ต่างกันอย่างไร
• ชนิดข้อมูล: Labeled, Unlabeled, Tabular, Time-series, ภาพ และข้อความ
• Supervised, Unsupervised และ Reinforcement Learning พร้อมตัวอย่าง
• Inference แบบ Batch, Real-time, Asynchronous และ Serverless

Section 3: Lab: เลือก AI ให้ตรงกับโจทย์ธุรกิจ

• งานแบบไหนได้ประโยชน์จาก AI และเมื่อไรที่ไม่ควรใช้ AI
• Regression, Classification, Clustering และเมื่อไรควรใช้ Foundation Model แทน ML แบบดั้งเดิม
• บริการ AI สำเร็จรูป: Comprehend, Translate, Transcribe, Polly, Lex, Rekognition และ Textract
• Lab: ทดลองบริการ AI สำเร็จรูปผ่าน Console กับข้อความ เสียง และเอกสาร

Section 4: วงจรงาน AI/ML และ Amazon SageMaker AI

• ขั้นตอนของ AI/ML Pipeline ตั้งแต่เก็บข้อมูลจนถึง Deploy และ Monitor
• ใช้โมเดลผ่าน Managed API หรือ Host เอง และบทบาทของ SageMaker AI กับ JumpStart
• แนวคิด MLOps: ทดลองซ้ำได้ ติดตามผล และฝึกโมเดลใหม่เมื่อข้อมูลเปลี่ยน
• Workshop: อ่าน Confusion Matrix คำนวณ Accuracy, Precision, Recall และ F1

Section 5: Lab: พื้นฐาน Generative AI

• Token, Chunking, Embedding, Vector, Transformer-based LLM และ Diffusion Model
• ข้อจำกัดของ GenAI: Hallucination, Nondeterminism และการอธิบายผล
• การคิดราคาตาม Token และบทบาทของ Context Engineering
• Lab: เทียบคำตอบหลายโมเดลใน Amazon Bedrock Playground และดูจำนวน Token

Section 6: Agentic AI และบริการ GenAI บน AWS

• แนวคิด AI Agent: Tool, Memory, Multi-agent และ Model Context Protocol (MCP)
• Amazon Bedrock, Bedrock AgentCore, Strands Agents, Amazon Q, Amazon Quick และ Kiro
• ปัจจัยด้านต้นทุน: On-demand, Provisioned Throughput, Region และ Custom Model
• Workshop: จับคู่ Use Case ขององค์กรกับบริการ AWS ที่เหมาะสม

Section 7: Lab: ออกแบบแอปและ Prompt Engineering

• เกณฑ์เลือกโมเดล: ต้นทุน, Modality, Latency, ภาษา และผลของ Temperature
• Zero-shot, Few-shot, Chain-of-Thought, Prompt Template และ Bedrock Prompt Management
• ความเสี่ยง: Prompt Injection, Jailbreak, Poisoning และการเปิดเผยข้อมูล
• Lab: ปรับ Prompt และ Inference Parameter ของงานสรุปเอกสาร

Section 8: Lab: RAG ด้วย Amazon Bedrock Knowledge Bases

• RAG คืออะไร ช่วยลด Hallucination และใช้กับงานธุรกิจแบบใด
• Vector Store บน AWS: OpenSearch Service, Aurora, RDS for PostgreSQL, Neptune และ S3 Vectors
• ต้นทุนของ Pre-training, Fine-tuning, In-context Learning, RAG และ Distillation
• Lab: สร้าง Knowledge Base จากเอกสารใน S3 ถามตอบพร้อมแหล่งอ้างอิง แล้วลบทรัพยากร

Section 9: Fine-tuning และการประเมินโมเดล

• Pre-training, Fine-tuning, Continued Pre-training, Instruction Tuning และ RLHF
• เตรียมข้อมูลสำหรับ Fine-tuning: คุณภาพ ขนาด Label และ Governance
• Metric: ROUGE, BLEU, BERTScore, LLM-as-a-judge และ Human Evaluation
• Workshop: เลือกวิธีประเมิน RAG หรือ Agent ให้ตรงเป้าหมายธุรกิจ

Section 10: Lab: Responsible AI และ Amazon Bedrock Guardrails

• หลัก Responsible AI: Fairness, Inclusivity, Robustness, Safety และ Veracity
• ความเสี่ยงด้านทรัพย์สินทางปัญญา อคติ และความน่าเชื่อถือของผลลัพธ์
• Transparency และ Explainability ด้วย SageMaker Model Cards และ SageMaker Clarify
• Lab: สร้าง Guardrail กรองหัวข้อต้องห้าม เนื้อหาไม่เหมาะสม และปิดบังข้อมูลส่วนบุคคล

Section 11: Security, Compliance และ Governance

• Shared Responsibility Model, IAM, AWS KMS, Macie และ PrivateLink สำหรับงาน AI
• AgentCore Identity และ Policy in AgentCore สำหรับควบคุมสิทธิ์ของ Agent
• ตรวจสอบด้วย CloudTrail, Config, Inspector, Artifact และ Trusted Advisor
• Data Governance: Lineage, Retention, Logging และการลด Hallucination ด้วย Grounding

Section 12: Workshop: ทบทวนและวางแผนเตรียมสอบ

• สรุปเนื้อหาสำคัญตามน้ำหนักของแต่ละ Domain
• ฝึกโจทย์แนว Scenario และวิธีตัดตัวเลือกที่ผิด
• แหล่งทบทวนฟรีจาก AWS และแผนอ่านหนังสือหลังจบหลักสูตร
• ตรวจและลบทรัพยากรทั้งหมดในบัญชี AWS ก่อนจบหลักสูตร