Section 1: Lab: ภาพรวม AI บน Azure และโครงร่าง AI-901
- โครงสร้างข้อสอบ AI-901: แนวคิด AI (40-45%) และการสร้างโซลูชันบน Microsoft Foundry (55-60%)
- AI Workload หลัก: Generative AI, Agentic AI, Text, Speech, Computer Vision และการดึงข้อมูล
- Microsoft Foundry คืออะไร: Resource, Project, Model Catalog และ Foundry Tools
- ระบุ Workload ที่เหมาะกับโจทย์ธุรกิจจากกรณีตัวอย่าง
- Lab: สร้าง Foundry Project แรกใน Subscription ของตนเอง
Section 2: Workshop: หลัก Responsible AI
- Fairness และ Reliability and Safety: ความเป็นธรรมและความน่าเชื่อถือของผลลัพธ์
- Privacy and Security: การปกป้องข้อมูลส่วนบุคคลและข้อมูลองค์กร
- Inclusiveness และ Transparency: ออกแบบให้ทุกคนใช้ได้และอธิบายได้ว่า AI ทำอะไร
- Accountability: ใครรับผิดชอบเมื่อ AI ตัดสินใจผิด
- Workshop: ประเมินความเสี่ยงของ Use Case ตามหลักทั้ง 6 ข้อ
Section 3: Lab: Generative AI ทำงานอย่างไร
- Token, Embedding และ Transformer อธิบายแบบเข้าใจง่าย
- Large Language Model, Small Language Model และโมเดล Multimodal ต่างกันอย่างไร
- เลือกโมเดลตามความสามารถ: ข้อความ ภาพ เสียง การให้เหตุผล ความเร็ว และค่าใช้จ่าย
- อ่าน Model Card และเปรียบเทียบโมเดลใน Model Catalog
- Lab: เทียบผลลัพธ์ของโมเดลสองตัวกับโจทย์เดียวกัน
Section 4: Lab: Deploy โมเดลและตั้งค่าพารามิเตอร์
- ตัวเลือกการ Deploy โมเดลบน Foundry และผลต่อค่าใช้จ่ายกับที่ตั้งข้อมูล
- พารามิเตอร์สำคัญ: Temperature, Top P, Max Tokens และ Stop Sequence
- Endpoint, Key และ Keyless Authentication ด้วย Microsoft Entra ID
- Lab: Deploy โมเดลและทดลองใน Playground ด้วยค่าพารามิเตอร์ต่างกัน
Section 5: Lab: Workload ด้าน Text, Speech, Vision และการดึงข้อมูล
- เทคนิควิเคราะห์ข้อความ: Keyword Extraction, Entity Detection, Sentiment และ Summarization
- Speech Recognition และ Speech Synthesis ใช้ทำอะไรได้บ้าง
- Computer Vision และโมเดลสร้างภาพจากข้อความ พร้อมข้อควรระวังด้านลิขสิทธิ์
- ดึงข้อมูลจากข้อความ ภาพ เสียง และวิดีโอ ใช้กับงานแบบใด
- Lab: วิเคราะห์รีวิวลูกค้าและให้โมเดล Multimodal อธิบายภาพเอกสาร