ສອບຖາມຫຼັກສູດເລືອກຊ່ອງທາງທີ່ສະດວກ ທີມງານຕອບເອງທຸກຊ່ອງທາງ
LINE @itgeniusຕອບໄວທີ່ສຸດ · ຈ–ສ 9:00–17:00 ໂມງ
ໂທລະສັບ
02-570-8449ຫ້ອງການ088-807-9770ມືຖື
ອີເມວ ແລະ ໂຊຊຽວ
contact@itgenius.co.thສຳລັບໃບສະເໜີລາຄາ ແລະ ເອກະສານFacebookitgeniusonlineYouTubeitgeniusengຂໍຄຳປຶກສາຈັດຝຶກອົບຮົມໃຫ້ທີມ
AI · AIC-110

Generative AI for .NET Developers

หลักสูตร Generative AI for .NET Developers เป็นการอบรมการสร้างแอป AI ด้วย C# ทั้งโมเดลบนคลาวด์และโมเดล Local ผ่าน Microsoft.Extensions.AI ครอบคลุม Function Calling, Vector Search และ RAG เหมาะกับนักพัฒนา C# และ ASP.NET Core จบแล้วได้แอปค้นหาสินค้าและผู้ช่วยแชตบน Aspire และ Qdrant

ອັບເດດລ່າສຸດ
ລາຄາເລີ່ມຕົ້ນ 6,210 ບາດ / ທ່ານ 6,900 −10% ຍັງບໍ່ລວມ VAT 7% · ມີລາຄາໝູ່ຄະນະ
PDFດາວໂຫຼດ Course Outline
  • ໄລຍະເວລາ18 ຊົ່ວໂມງ · 3 ມື້
  • ຮູບແບບຢູ່ສະຖາບັນ / ອອນລາຍສົດ
  • ຮອບຕໍ່ໄປເປີດຕາມຄຳຂໍ
  • ໃບຢັ້ງຢືນມີໃບຢັ້ງຢືນ

ພາບລວມຫຼັກສູດ

ทีมพัฒนาที่ใช้ C# และ .NET เป็นหลักจำนวนมากอยากเพิ่มความสามารถ AI ให้แอปขององค์กร เช่น แชตตอบคำถามจากเอกสาร ค้นหาสินค้าด้วยความหมาย หรือดึงข้อมูลจากข้อความและรูปภาพ แต่ตัวอย่างส่วนใหญ่ที่พบเขียนด้วย Python ทำให้ต้องแยกบริการออกไปอีกภาษา หรือผูกโค้ดไว้กับผู้ให้บริการโมเดลรายเดียวจนเปลี่ยนไม่ได้ ทั้งที่ระบบนิเวศของ .NET ในวันนี้มีชุดเครื่องมือสำหรับงาน Generative AI ครบพอจะสร้างได้ใน C# โดยตรง

หลักสูตรนี้พานักพัฒนาสร้างแอป Generative AI ด้วย .NET 10 ตั้งแต่เข้าใจ LLM และ Token เชื่อมต่อโมเดลบนคลาวด์และโมเดล Local ด้วย Ollama ผ่าน IChatClient ของ Microsoft.Extensions.AI ทำงานแชต สรุปความ จัดหมวดหมู่ วิเคราะห์ความรู้สึก และ Structured Output เข้าชนิดข้อมูล C# จากนั้นต่อยอดไปสู่ Function Calling, Embedding, Vector Search, แอปแชต RAG และการวิเคราะห์ภาพ ก่อนรวมทุกอย่างเป็น Capstone แอปค้นหาสินค้าและผู้ช่วยแชตที่รันด้วย Aspire และ Qdrant พร้อมเรื่องที่ต้องคิดก่อนขึ้น Production ทั้งการประเมินคุณภาพ ต้นทุน Telemetry และความปลอดภัย (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Intermediate)

ສິ່ງທີ່ທ່ານຈະໄດ້ຮັບ

  • อธิบายหลักการของ LLM, Token, Context Window และข้อจำกัดที่มีผลต่อการออกแบบแอปได้
  • เชื่อมต่อโมเดลบนคลาวด์และโมเดล Local ผ่าน IChatClient และสลับผู้ให้บริการได้โดยไม่แก้ Business Logic
  • ออกแบบ Prompt สำหรับงานสรุปความ จัดหมวดหมู่ และวิเคราะห์ความรู้สึก และรับผลเป็นชนิดข้อมูล C#
  • ให้โมเดลเรียกใช้ฟังก์ชัน C# ผ่าน Function Calling อย่างปลอดภัย
  • สร้าง Embedding และค้นหาด้วยความหมายผ่าน Microsoft.Extensions.VectorData
  • สร้างแอปแชต RAG ที่อ้างอิงแหล่งข้อมูล และวิเคราะห์รูปภาพด้วยโมเดล Vision
  • จัดโครงสร้างแอป AI ด้วย Aspire และ Qdrant พร้อม Dashboard และ Telemetry
  • ประเมินคุณภาพคำตอบ คุมต้นทุน และป้องกัน Prompt Injection และข้อมูลส่วนบุคคลรั่วไหล

ຫຼັກສູດນີ້ເໝາະສຳລັບ

  • นักพัฒนา C# และ ASP.NET Core ที่ต้องการเพิ่มความสามารถ Generative AI ให้แอปขององค์กร
  • Backend Developer สาย .NET ที่อยากสร้างระบบ RAG และ Vector Search โดยไม่ต้องแยกไปเขียน Python
  • Tech Lead และ Software Architect ที่ต้องเลือกแนวทางและเครื่องมือ AI ให้ทีม .NET
  • นักพัฒนาที่ดูแลระบบเดิมบน .NET และต้องต่อยอดด้วยฟีเจอร์ AI อย่างค่อยเป็นค่อยไป
  • ผู้ที่ต้องการทดลองใช้โมเดล Local บนเครื่องตนเองควบคู่กับโมเดลบนคลาวด์

ພື້ນຖານຂອງຜູ້ເຂົ້າຝຶກອົບຮົມ

  • เขียน C# ได้ เข้าใจ Class, Record, async/await และ LINQ เบื้องต้น
  • สร้าง Web API หรือ Web App ด้วย ASP.NET Core ได้ในระดับพื้นฐาน รวมถึง Dependency Injection
  • ใช้ Command Line, Git และ NuGet ขั้นพื้นฐานได้
  • โน้ตบุ๊กที่ติดตั้ง .NET 10 SDK, Docker Desktop และ Ollama ได้ แนะนำ RAM 16 GB ขึ้นไป

ຫົວຂໍ້ການຝຶກອົບຮົມ

รายละเอียดหลักสูตร

หลักสูตรนี้เป็นหลักสูตรใหม่สำหรับนักพัฒนาสาย .NET อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ด้วยโค้ด C# ทุกหัวข้อ ระดับ Intermediate ผู้เรียนควรเขียน C# และ ASP.NET Core ขั้นพื้นฐานได้ หลักสูตรนี้ต่างจาก Generative AI for Software Developers ที่เน้นการใช้ AI ช่วยเขียนโค้ด และต่างจาก RAG & Knowledge Base ที่สอนแนวคิด RAG ในภาพกว้าง โดยต่อยอดจาก Web API with ASP.NET Core ไปสู่การสร้างฟีเจอร์ Generative AI

ใน C# และ .NET โดยตรง ทั้ง Microsoft.Extensions.AI, Microsoft.Extensions.VectorData, Aspire และ Qdrant ผู้เรียนใช้บัญชีของตนเอง ฝั่งคลาวด์ใช้ Azure Subscription กับ Microsoft Foundry หรือ API Key ของผู้ให้บริการโมเดลที่เลือก ซึ่งมีค่าใช้จ่ายตามการใช้งาน ส่วนโมเดล Local รันบนโน้ตบุ๊กของผู้เรียนด้วย Ollama (แนะนำ RAM 16 GB ขึ้นไป) ร่วมกับ Docker Desktop สถาบันไม่ได้จัดเตรียมบัญชี เครดิต หรือฮาร์ดแวร์ให้ ผู้เรียนจะได้ Lab Guide ซอร์สโค้ดครบทุก Lab และโปรเจกต์ Capstone กลับไปใช้งานต่อ

Day 1 พื้นฐาน LLM และแอปแชตแรกด้วย C#

Section 1: Generative AI และ LLM ในมุมนักพัฒนา

  • LLM ทำงานอย่างไร: Token, Context Window, Temperature และสาเหตุของ Hallucination
  • โมเดลขนาดใหญ่เทียบกับ Small Language Model และเกณฑ์เลือกโมเดลบนคลาวด์หรือ Local
  • ภาพรวม .NET AI Stack: Microsoft.Extensions.AI, VectorData, Agent Framework และ MCP C# SDK
  • ต้นทุนที่คิดตาม Token และข้อมูลที่ไม่ควรส่งออกไปยังโมเดลภายนอก
  • Lab: เตรียม .NET 10 SDK, IDE และ Ollama แล้วดึงโมเดลขนาดเล็กมาทดลองบนเครื่อง

Section 2: Lab: เชื่อมต่อโมเดลผ่าน IChatClient

  • แนวคิด IChatClient ที่แยกโค้ดของแอปออกจากผู้ให้บริการโมเดล
  • เชื่อมต่อโมเดล Local บน Ollama และโมเดลบนคลาวด์ผ่าน Microsoft Foundry
  • ลงทะเบียน IChatClient ด้วย Dependency Injection และเก็บ Key ด้วย User Secrets
  • สลับผู้ให้บริการด้วยการตั้งค่า โดยไม่แก้ Business Logic
  • Lab: Console App ที่เลือกโมเดลคลาวด์หรือ Local ได้จากไฟล์ตั้งค่า

Section 3: Chat, Streaming และประวัติการสนทนา

  • บทบาทของข้อความ System, User และ Assistant และการเก็บประวัติแชต
  • ส่งคำตอบแบบ Streaming เพื่อให้ผู้ใช้เห็นผลทันที
  • ปรับ ChatOptions เช่น Temperature และจำนวน Token สูงสุดของคำตอบ
  • จัดการ Context ไม่ให้ยาวเกินและคุมจำนวน Token ต่อรอบ
  • Lab: Streaming Chat ผ่าน ASP.NET Core Minimal API พร้อมหน้าเว็บอย่างง่าย

Section 4: Prompt Pattern สำหรับงานจริง

  • เขียน System Prompt ที่กำหนดบทบาท ขอบเขต และรูปแบบคำตอบชัดเจน
  • Few-shot, การแบ่งขั้นตอน และการใช้ตัวคั่นแยกข้อมูลออกจากคำสั่ง
  • เก็บ Prompt เป็น Template ในโปรเจกต์และจัดการเวอร์ชันร่วมกับโค้ด
  • เทียบผลลัพธ์ภาษาไทยระหว่างโมเดลคลาวด์และโมเดล Local
  • Lab: สรุปความ จัดหมวดหมู่ และวิเคราะห์ความรู้สึกจากรีวิวลูกค้า

Section 5: Lab: Structured Output เข้าชนิดข้อมูล C#

  • ให้โมเดลตอบเป็น JSON ตาม Schema แล้วแปลงเป็น Record หรือ Class ของ C# โดยตรง
  • ออกแบบชนิดข้อมูลด้วย Enum และคำอธิบาย Property ให้โมเดลตอบได้แม่นขึ้น
  • ตรวจสอบความถูกต้อง จัดการค่าที่ขาดหาย และลองใหม่เมื่อผลไม่ผ่าน
  • Lab: ดึงข้อมูลจากอีเมลและใบเสนอราคาเป็นออบเจกต์ C# พร้อมบันทึกลงฐานข้อมูล
Day 2 Tools, Embedding, RAG และ Vision

Section 6: Lab: Function Calling เรียกโค้ด C# จากโมเดล

  • หลักการ Tool Calling และสิ่งที่เกิดขึ้นระหว่างแอปกับโมเดล
  • เปลี่ยนเมธอด C# เป็น Tool ด้วย AIFunctionFactory พร้อมคำอธิบายพารามิเตอร์
  • เปิด Function Invocation Middleware ให้เรียก Tool อัตโนมัติ
  • จำกัดสิทธิ์ของ Tool และขอการยืนยันจากผู้ใช้ก่อนทำงานที่มีผลกระทบ
  • Lab: ผู้ช่วยตรวจสถานะคำสั่งซื้อและสต็อกสินค้าจาก Service จำลอง

Section 7: Embedding และการวัดความคล้าย

  • Embedding คืออะไร และใช้ทำ Semantic Search, จัดกลุ่ม และแนะนำสินค้าได้อย่างไร
  • สร้าง Embedding ด้วย IEmbeddingGenerator จากโมเดลคลาวด์และโมเดลบน Ollama
  • คำนวณ Cosine Similarity ใน C# และตีความคะแนนความคล้าย
  • แบ่งเอกสารเป็น Chunk ให้เหมาะกับข้อความภาษาไทย
  • Lab: ค้นหาคำถามที่พบบ่อยด้วยความหมายแทนการจับคำตรงตัว

Section 8: Lab: Vector Store ด้วย Microsoft.Extensions.VectorData

  • แนวคิด Vector Store, Collection และ Record ใน Microsoft.Extensions.VectorData
  • กำหนด Key, Data และ Vector Property ด้วย Attribute บนคลาสของ C#
  • Upsert ข้อมูล ค้นหาด้วย Vector Search และกรองผลด้วยเงื่อนไขปกติ
  • เริ่มจาก In-memory Provider แล้วสลับไปใช้ฐานข้อมูลเวกเตอร์จริงโดยแก้โค้ดน้อยที่สุด
  • Lab: ค้นหาสินค้าจากคำบรรยายด้วยภาษาธรรมชาติ

Section 9: Lab: แอปแชต RAG จาก AI Chat Web App Template

  • สร้างโปรเจกต์จาก AI Chat Web App Template และสำรวจโครงสร้างที่ได้
  • ขั้นตอน Ingestion: อ่านเอกสาร แบ่ง Chunk สร้าง Embedding และจัดเก็บ
  • ค้นหาบริบท ประกอบ Prompt และแสดงแหล่งอ้างอิงในคำตอบ
  • รันแอปเดียวกันกับโมเดลคลาวด์และโมเดล Local แล้วเทียบคุณภาพคำตอบ
  • Lab: แชตตอบคำถามจากคู่มือนโยบายบริษัทจำลอง พร้อมตอบว่าไม่ทราบเมื่อไม่มีข้อมูล

Section 10: Lab: วิเคราะห์รูปภาพด้วยโมเดล Vision

  • ส่งรูปภาพเข้า IChatClient เป็นเนื้อหาแบบ Multimodal ร่วมกับข้อความ
  • เทียบโมเดล Vision บนคลาวด์กับโมเดล Vision แบบ Local บน Ollama
  • ดึงข้อมูลจากใบเสร็จหรือรูปสินค้าเป็นชนิดข้อมูล C# ด้วย Structured Output
  • ข้อจำกัดด้านความแม่นยำ และการให้คนตรวจผลก่อนนำไปใช้
  • Lab: บรรยายรูปสินค้าและสร้างข้อมูลแคตตาล็อกจากภาพถ่าย
Day 3 Capstone ด้วย Aspire และงานก่อนขึ้น Production

Section 11: Lab: จัดโครงสร้างแอป AI ด้วย Aspire

  • Aspire คืออะไร: AppHost, Service Defaults และ Dashboard สำหรับดู Log, Trace และ Metric
  • เพิ่ม Qdrant เป็น Resource ใน AppHost ด้วย Qdrant Hosting Integration
  • เชื่อม API และ Web Frontend เข้ากับ Qdrant และผู้ให้บริการโมเดลผ่านการตั้งค่าของ Aspire
  • ส่งค่า Connection String และ Key อย่างปลอดภัยระหว่าง Service
  • Lab: วางโครง Solution ของ Capstone และรันทุก Service ด้วยคำสั่งเดียว

Section 12: Capstone 1: ค้นหาสินค้าด้วย Vector Search

  • เตรียมข้อมูลสินค้าตัวอย่างและออกแบบ Record สำหรับเก็บใน Qdrant
  • สร้าง Embedding ของสินค้าและนำเข้า Qdrant ผ่าน Background Job
  • สร้าง Endpoint ค้นหาด้วยภาษาธรรมชาติ พร้อมกรองตามหมวดหมู่และช่วงราคา
  • เทียบผลการค้นหาด้วยความหมายกับการค้นหาด้วยคำแบบเดิม
  • Lab: หน้าเว็บค้นหาสินค้าที่เข้าใจคำถามภาษาไทย

Section 13: Capstone 2: ผู้ช่วยแชตของร้านค้า

  • รวม RAG จากแคตตาล็อกเข้ากับ Function Calling สำหรับตรวจสต็อกและคำสั่งซื้อ
  • Streaming คำตอบพร้อมแสดงสินค้าที่อ้างอิงในหน้าแชต
  • สลับไปใช้โมเดล Local เมื่อทดสอบ และโมเดลคลาวด์เมื่อต้องการคุณภาพสูงขึ้น
  • จัดการ Error, Timeout และกรณีที่ผู้ให้บริการโมเดลไม่ตอบสนอง
  • Workshop: ทดสอบผู้ช่วยแชตด้วยชุดคำถามจริงและปรับ Prompt

Section 14: Lab: Evaluation, ต้นทุน, Caching และ Telemetry

  • ประเมินคุณภาพคำตอบด้วย Microsoft.Extensions.AI.Evaluation เช่น Relevance และ Groundedness
  • วัดการใช้ Token ต่อคำขอ และเลือกขนาดโมเดลให้คุ้มค่ากับงาน
  • Cache คำตอบที่ซ้ำด้วย Middleware ของ Microsoft.Extensions.AI
  • เก็บ Log และ Trace ด้วย OpenTelemetry แล้วดูผลบน Aspire Dashboard
  • Lab: เพิ่มชุดทดสอบ Evaluation ให้ Capstone และรันซ้ำหลังปรับ Prompt

Section 15: Workshop: ความปลอดภัย, PDPA และก้าวต่อไป

  • Prompt Injection ทั้งแบบตรงและแบบแฝงมากับเอกสาร และแนวทางป้องกัน
  • จัดการ Secret อย่างถูกต้อง และปิดบังข้อมูลส่วนบุคคลก่อนส่งไปยังโมเดลภายนอกตาม PDPA
  • ภาพรวม Microsoft Agent Framework และ MCP C# SDK สำหรับต่อยอดเป็น Agent
  • Workshop: ตรวจ Capstone ด้วย Security Checklist นำเสนอผลงาน และรีวิวร่วมกัน

ຮອບຝຶກອົບຮົມ ແລະ ຮູບແບບການຝຶກອົບຮົມ

ສຳລັບບຸກຄົນ — ຮອບຝຶກອົບຮົມທົ່ວໄປ

ຂະນະນີ້ຍັງບໍ່ມີຮອບຝຶກອົບຮົມເປີດຮັບສະໝັກ ລົງຊື່ຈອງໄວ້ໄດ້ເລີຍ ທີມງານຈະຕິດຕໍ່ກັບເປັນກຸ່ມທຳອິດເມື່ອເປີດຮອບຕໍ່ໄປ ຫຼື ສອບຖາມທາງ LINE ຫຼື ໂທ 02-570-8449 ຫຼື 088-807-9770

ສຳລັບອົງກອນ — In-house / Private Training

  • ປັບເນື້ອໃນໃຫ້ກົງກັບເຄື່ອງມື ແລະ ວຽກຈິງຂອງທີມ
  • ເລືອກວັນເອງ ຝຶກອົບຮົມທີ່ບໍລິສັດ ຫຼື ອອນລາຍສົດ
  • ອອກໃບສະເໜີລາຄາໃນນາມນິຕິບຸກຄົນໃຫ້ຝ່າຍຈັດຊື້
ຂໍໃບສະເໜີລາຄາຝຶກອົບຮົມອົງກອນ

ວິທະຍາກອນຜູ້ສອນ

ຄຳຖາມທີ່ພົບເລື້ອຍ

หลักสูตรนี้ต่างจาก Generative AI for Software Developers, RAG & Knowledge Base และ Web API with ASP.NET Core อย่างไร

Generative AI for Software Developers เน้นการใช้ AI ช่วยเขียนและดูแลโค้ด RAG & Knowledge Base สอนแนวคิดและการออกแบบระบบ RAG ในภาพกว้าง ส่วน Web API with ASP.NET Core สอนการสร้าง API โดยไม่มีเรื่อง AI หลักสูตรนี้ต่อยอดจากพื้นฐาน ASP.NET Core ไปสู่การสร้างฟีเจอร์ Generative AI ใน C# และ .NET โดยตรง ทั้ง Microsoft.Extensions.AI, Function Calling, Vector Search, RAG, Vision และ Capstone บน Aspire กับ Qdrant

ต้องมีพื้นฐานอะไรก่อนเรียน

ควรเขียน C# ได้ เข้าใจ Class, Record, async/await และ LINQ เบื้องต้น และเคยสร้าง Web API หรือ Web App ด้วย ASP.NET Core รวมถึงใช้ Dependency Injection มาบ้าง ไม่จำเป็นต้องมีความรู้ด้าน Machine Learning หรือ Python มาก่อน

ต้องเตรียมบัญชีหรือค่าใช้จ่ายด้านโมเดลบนคลาวด์อย่างไร

ผู้เรียนใช้บัญชีของตนเองหรือของบริษัท ฝั่งคลาวด์ใช้ Azure Subscription กับ Microsoft Foundry หรือ API Key ของผู้ให้บริการโมเดลที่เลือก ซึ่งคิดค่าใช้จ่ายตามการใช้งานและผู้เรียนรับผิดชอบเอง สถาบันไม่ได้จัดเตรียมบัญชีหรือเครดิตคลาวด์ให้ ทุก Lab ออกแบบให้ทำด้วยโมเดล Local บน Ollama ได้ จึงเรียนครบได้แม้ไม่มีบัญชีคลาวด์

โน้ตบุ๊กต้องมีสเปกแค่ไหนสำหรับรันโมเดล Local

แนะนำ RAM 16 GB ขึ้นไป และต้องติดตั้ง .NET 10 SDK, Docker Desktop และ Ollama ได้ พร้อมพื้นที่ว่างสำหรับไฟล์โมเดล ใน Lab จะใช้โมเดลขนาดเล็กที่รันบนโน้ตบุ๊กทั่วไปได้ ความเร็วในการตอบขึ้นกับเครื่องของผู้เรียน สถาบันไม่ได้จัดเตรียมฮาร์ดแวร์หรือ GPU ให้

ทำไมใช้ Microsoft.Extensions.AI แทนการเรียก SDK ของผู้ให้บริการโดยตรง

Microsoft.Extensions.AI ให้ IChatClient และ IEmbeddingGenerator เป็นมาตรฐานกลาง ทำให้สลับระหว่างโมเดลคลาวด์และโมเดล Local ได้ด้วยการตั้งค่า และเพิ่มความสามารถอย่าง Function Calling, Caching และ Telemetry ผ่าน Middleware ได้แบบเดียวกันทุกผู้ให้บริการ โค้ดของแอปจึงไม่ผูกกับผู้ให้บริการรายใดรายหนึ่ง

หลักสูตรนี้สอนการสร้าง AI Agent ด้วยหรือไม่

หลักสูตรนี้เน้นพื้นฐานที่ Agent ต้องใช้ ทั้ง Function Calling, RAG และ Structured Output และปิดท้ายด้วยภาพรวม Microsoft Agent Framework และ MCP C# SDK เพื่อให้รู้แนวทางต่อยอด แต่ไม่ได้ลงลึกการสร้างระบบ Multi-agent ชื่อเครื่องมือและฟีเจอร์ในวงการนี้เปลี่ยนบ่อย เนื้อหาจะอิงเวอร์ชันล่าสุด ณ วันอบรม