ໂທ. 02-570-8449 ມືຖື 088-807-9770 ຊຳລະເງິນ
ຈ–ສ 9:00–17:00 ໂມງ @itgenius
ສະຖາບັນໄອທີຈີເນຍສ໌IT Genius Institute
ສະຖາບັນໄອທີຈີເນຍສ໌IT Genius Institute
ຫຼັກສູດເວີກຊັອບຕາຕະລາງຝຶກອົບຮົມ
ສຳລັບອົງກອນ
ຝຶກອົບຮົມພາຍໃນອົງກອນ (In-house)AI Transformationຝຶກອົບຮົມໜ່ວຍງານລັດບໍລິການພັດທະນາລະບົບເຊົ່າຫ້ອງຝຶກອົບຮົມ
ບົດຄວາມ
ກ່ຽວກັບພວກເຮົາ
ຮູ້ຈັກສະຖາບັນໄອທີຈີເນຍສ໌ວິທະຍາກອນຜົນງານລູກຄ້າຂອງພວກເຮົາຊ່ອງທາງຊຳລະເງິນ
ຕິດຕໍ່ພວກເຮົາຄອສອອນລາຍ
ຮູບແບບສີ
ພາສາ
THENLA
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
ໜ້າຫຼັກ / ຫຼັກສູດ / ພັດທະນາເວັບໄຊ / ລາຍລະອຽດ
ພັດທະນາເວັບໄຊ · WDC-119

Python Microservices with Generative AI

หลักสูตร Python Microservices with Generative AI เป็นการอบรมการสร้างระบบ Microservices ด้วย FastAPI, gRPC และ RabbitMQ ที่มี AI Service ทำ RAG ด้วย pgvector และ Tool Calling เหมาะกับนักพัฒนา Backend สาย Python และ Tech Lead ที่ต้องเชื่อม Generative AI เข้ากับระบบงาน จบแล้วได้ระบบต้นแบบที่รันครบชุด

ອັບເດດລ່າສຸດ
Python Microservices with Generative AI
ລາຄາເລີ່ມຕົ້ນ 10,710 ບາດ / ທ່ານ 11,900 −10% ຍັງບໍ່ລວມ VAT 7% · ມີລາຄາໝູ່ຄະນະ
ຂໍໃບສະເໜີລາຄາຝຶກອົບຮົມອົງກອນ ລົງຊື່ຈອງໄວ້
PDFດາວໂຫຼດ Course Outline
  • ໄລຍະເວລາ24 ຊົ່ວໂມງ · 4 ມື້
  • ຮູບແບບຢູ່ສະຖາບັນ / ອອນລາຍສົດ
  • ຮອບຕໍ່ໄປເປີດຕາມຄຳຂໍ
  • ໃບຢັ້ງຢືນມີໃບຢັ້ງຢືນ

ພາບລວມຫຼັກສູດ

องค์กรจำนวนมากไม่ได้ต้องการเพียงระบบที่แบ่งเป็น Service ย่อยเพื่อขยายงานได้ง่าย แต่ยังต้องการนำ Generative AI เข้ามาเป็นส่วนหนึ่งของระบบ เช่น ผู้ช่วยตอบคำถามลูกค้า การค้นหาเอกสารตามความหมาย หรือการสรุปข้อมูลอัตโนมัติ ปัญหาที่ทีมพัฒนาเจอบ่อยคือแบ่ง Service ผิดขอบเขต การสื่อสารระหว่าง Service ที่เปราะบาง และการเรียก LLM กระจัดกระจายจนคุมต้นทุน ความปลอดภัย และการไล่หาปัญหาไม่ได้

หลักสูตรนี้พาผู้เรียนสร้างระบบร้านค้าจำลอง SiamCart ต่อเนื่องตลอด 4 วัน เริ่มจากกำหนดขอบเขต Service ด้วย Bounded Context สร้าง Service ด้วย FastAPI และ Pydantic สื่อสารข้าม Service ด้วย REST, gRPC และ RabbitMQ พร้อม Outbox และ Saga จากนั้นเพิ่ม AI Assistant Service ที่สลับใช้ Cloud LLM หรือ Ollama บนเครื่องได้ ทำ RAG ด้วย PostgreSQL 18 และ pgvector ให้ LLM เรียกข้อมูลคำสั่งซื้อผ่าน Tool Calling แล้วติดตามทั้งระบบด้วย OpenTelemetry จนรันได้ครบด้วย Docker Compose (อบรม 4 วัน วันละ 6 ชั่วโมง รวม 24 ชั่วโมง ระดับ Intermediate)

ສິ່ງທີ່ທ່ານຈະໄດ້ຮັບ

  • เข้าใจข้อแลกเปลี่ยนของ Microservices เทียบกับ Monolith และ Modular Monolith และรู้ว่าเมื่อใดไม่ควรแยก Service
  • แบ่งขอบเขต Service ด้วย Domain-Driven Design, Bounded Context และ Context Map ได้อย่างมีเหตุผล
  • พัฒนา Service ด้วย FastAPI และ Pydantic ตามโครงสร้างที่ดูแลและทดสอบได้ง่าย พร้อมฐานข้อมูลแยกต่อ Service
  • ออกแบบการสื่อสารแบบ REST, gRPC และ Event-driven ผ่าน RabbitMQ ให้เหมาะกับสถานการณ์
  • ใช้ Timeout, Retry, Circuit Breaker, Idempotency, Outbox และ Saga รับมือความล้มเหลวและความสอดคล้องของข้อมูล
  • สร้าง AI Service ที่เรียก LLM ได้ทั้ง Cloud API และ Ollama ทำ RAG ด้วย pgvector และ Tool Calling อย่างปลอดภัย
  • ติดตามระบบแบบกระจายด้วย OpenTelemetry ครอบคลุม Trace, Metric, Log และการเรียก LLM
  • ทดสอบด้วย pytest และ Testcontainers และเตรียมระบบตาม Checklist ก่อนขึ้น Production

ຫຼັກສູດນີ້ເໝາະສຳລັບ

  • นักพัฒนา Backend ที่ใช้ Python และต้องการก้าวสู่การออกแบบระบบแบบ Microservices
  • นักพัฒนาที่ได้รับมอบหมายให้เชื่อม Generative AI เข้ากับระบบงานเดิมขององค์กร
  • Tech Lead และ Software Architect ที่ต้องวางโครงสร้าง Service และ AI Service ให้ดูแลได้ระยะยาว
  • ทีม DevOps หรือ Platform ที่อยากเข้าใจมุมมองนักพัฒนาในการสร้าง Service ที่พร้อม Deploy และติดตามได้

ພື້ນຖານຂອງຜູ້ເຂົ້າຝຶກອົບຮົມ

  • เขียน Python ได้ในระดับใช้งาน เข้าใจ Function, Class, Type Hints และ async/await เบื้องต้น
  • เข้าใจ HTTP, REST API และ JSON และใช้คำสั่ง SQL พื้นฐานได้
  • ใช้ Git และ Command Line ได้ และเคยรันคอนเทนเนอร์ด้วย Docker มาก่อน
  • ไม่จำเป็นต้องมีพื้นฐาน Machine Learning หรือ AI มาก่อน หลักสูตรปูแนวคิด LLM, Embedding และ RAG ที่จำเป็นให้

ຫົວຂໍ້ການຝຶກອົບຮົມ

รายละเอียดหลักสูตร

หลักสูตรนี้ต่อยอดจากหลักสูตร Building Microservices with Python (3 วัน) ที่ปูพื้นการแยก Service ด้วย Python โดยเพิ่มเรื่องที่องค์กรต้องการในปัจจุบัน คือการออกแบบ AI Service ให้เป็นส่วนหนึ่งของสถาปัตยกรรม ทำ RAG ด้วย pgvector ให้ LLM เรียกข้อมูลจาก Service อื่นผ่าน Tool Calling อย่างปลอดภัย และติดตามการเรียก LLM ด้วย OpenTelemetry ส่วนผู้ที่ต้องการเจาะลึก API ตัวเดียวให้ได้มาตรฐานองค์กร เช่น Authentication, RFC 9457 และ OWASP API Security ดูหลักสูตร Enterprise REST API with Python

อบรม 4 วัน วันละ 6 ชั่วโมง รวม 24 ชั่วโมง (09:00-16:00 น.) รูปแบบ Workshop ต่อเนื่องบนโปรเจกต์จำลอง SiamCart ซึ่งใช้ข้อมูลจำลองทั้งหมด ผู้เรียนใช้ Notebook ของตนเองที่ติดตั้ง Docker ไว้แล้ว Cloud LLM ใช้ API Key ของผู้เรียนหรือองค์กรซึ่งมีค่าใช้จ่ายตามการใช้งาน หรือใช้ Ollama บนเครื่องแทนได้ ผู้เรียนจะได้ซอร์สโค้ดทุก Service ไฟล์ Docker Compose และ Checklist ความพร้อมก่อนขึ้น Production กลับไปใช้เป็นต้นแบบ

Day 1 Microservices Architecture และ Service Design

Section 1: Microservices: เมื่อใดควรใช้และเมื่อใดไม่ควร

  • เปรียบเทียบ Monolith, Modular Monolith และ Microservices ในมุมทีม การ Deploy และความซับซ้อน
  • ลักษณะของ Service ที่ดี: Loose Coupling, High Cohesion และ Deploy แยกกันได้
  • ต้นทุนแฝง: Network Latency, Data Consistency และภาระด้าน Operation
  • กรณีศึกษา: ระบบที่ควรเริ่มจาก Modular Monolith ก่อนแยก Service

Section 2: แบ่งขอบเขต Service ด้วย Domain-Driven Design

  • Ubiquitous Language, Subdomain และ Bounded Context
  • Event Storming แบบย่อเพื่อค้นหา Domain Event และขอบเขต Service
  • Context Map และความสัมพันธ์แบบ Customer/Supplier และ Anti-corruption Layer
  • Workshop: ทำ Event Storming และวาด Context Map ของ SiamCart

Section 3: Lab: โครงสร้าง Service ด้วย FastAPI

  • ตั้งโปรเจกต์ด้วย uv และ Ruff และแบ่งชั้น Router, Service และ Repository
  • กำหนด Schema ด้วย Pydantic และจัดการ Config ด้วย pydantic-settings
  • Dependency Injection ของ FastAPI, Health Check และ Readiness Endpoint
  • Lab: สร้าง Catalog Service ตามโครงสร้างมาตรฐานของทีม

Section 4: Lab: Database per Service

  • หลักการ Database per Service และผลต่อการ Query ข้าม Service
  • SQLAlchemy 2 แบบ async กับ PostgreSQL 18 และ Migration ด้วย Alembic
  • เก็บ Snapshot ข้อมูลสินค้าในคำสั่งซื้อแทนการ JOIN ข้ามฐานข้อมูล
  • Lab: สร้าง Order Service พร้อมฐานข้อมูลและ Migration ของตนเอง

Section 5: Workshop Day 1: รัน SiamCart ด้วย Docker Compose

  • Dockerfile แบบ Multi-stage สำหรับ Python Service ที่ใช้ uv
  • Docker Compose หลาย Service พร้อม Network, Volume และ Health Check
  • แยก Config ตามสภาพแวดล้อมด้วย Environment Variable
  • Workshop: รัน Catalog Service, Order Service และ PostgreSQL แยกฐานข้อมูลด้วยคำสั่งเดียว
Day 2 Service Communication: REST, gRPC และ Event-driven

Section 6: Lab: Synchronous ด้วย REST และ gRPC

  • เรียก Service อื่นด้วย HTTPX แบบ async และกำหนด Timeout ที่เหมาะสม
  • ออกแบบ Contract ด้วย Protocol Buffers และสร้าง gRPC Server และ Client ด้วย Python
  • เปรียบเทียบ REST กับ gRPC ด้านประสิทธิภาพ การ Versioning และงานภายในระบบ
  • Lab: ให้ Order Service ตรวจสินค้าและราคาจาก Catalog ผ่าน gRPC

Section 7: Resilience Patterns

  • Retry แบบ Exponential Backoff ด้วย Tenacity และความเสี่ยงของ Retry Storm
  • Circuit Breaker, Bulkhead และ Fallback เมื่อ Service ปลายทางไม่พร้อม
  • Idempotency Key เพื่อป้องกันการทำรายการซ้ำ
  • Lab: ปิด Catalog Service ระหว่างสั่งซื้อแล้วสังเกตพฤติกรรมของระบบ

Section 8: Lab: Event-driven ด้วย RabbitMQ

  • Event, Command และ Message Broker พร้อมเปรียบเทียบแนวคิด RabbitMQ กับ Apache Kafka
  • Exchange, Queue, Routing Key, Quorum Queue และ Dead Letter Queue ใน RabbitMQ 4
  • Publisher และ Consumer แบบ async ด้วย aio-pika และการจัดการ Acknowledgement
  • Lab: ส่ง Event OrderPlaced ไปยัง Notification Service

Section 9: Data Consistency ในระบบกระจาย

  • ปัญหา Dual Write และการแก้ด้วย Transactional Outbox
  • Saga แบบ Choreography และ Orchestration พร้อม Compensating Transaction
  • Consumer ที่รับมือ Message ซ้ำและ Message มาไม่เรียงลำดับ
  • Cache ด้วย Redis หรือ Valkey, Cache Invalidation และ Read Model แบบ CQRS เบื้องต้น

Section 10: Workshop Day 2: ระบบสั่งซื้อข้าม Service

  • เพิ่ม Payment Service (จำลอง) และ Notification Service ที่ทำงานผ่าน Event
  • ส่ง Event อย่างน่าเชื่อถือด้วย Outbox
  • Saga ยกเลิกคำสั่งซื้ออัตโนมัติเมื่อชำระเงินล้มเหลว
  • Workshop: ทดสอบส่ง Message ซ้ำและ Consumer ล่มกลางคัน แล้วตรวจว่าข้อมูลยังถูกต้อง
Day 3 Generative AI Services: LLM, RAG และ Tool Calling

Section 11: พื้นฐาน LLM สำหรับนักพัฒนา

  • Token, Context Window และ Temperature กับผลต่อคุณภาพและต้นทุน
  • Chat Messages, System Prompt และ Structured Output ที่ตรวจด้วย Pydantic
  • Cloud LLM กับ Local LLM ด้านความเป็นส่วนตัวของข้อมูล ค่าใช้จ่าย และประสิทธิภาพ
  • Lab: เรียก LLM ให้ตอบเป็น JSON ตาม Schema ที่กำหนด

Section 12: Lab: AI Service และ LLM Client

  • แยก AI Service ออกจาก Business Service และกำหนด Contract ให้ชัด
  • LLM Client Abstraction ที่สลับ Cloud API แบบ OpenAI-compatible กับ Ollama ด้วย Config
  • รัน Ollama ใน Docker Compose และเลือก Chat Model กับ Embedding Model ให้เหมาะกับเครื่อง
  • Streaming Response ผ่าน Server-Sent Events (SSE) จาก FastAPI
  • Lab: สร้าง AI Assistant Service ที่ตอบแบบ Streaming

Section 13: Lab: RAG ด้วย pgvector

  • Embedding, Chunking และ Similarity Search
  • ติดตั้ง pgvector บน PostgreSQL 18 สร้างตาราง Vector และ Index แบบ HNSW
  • Ingestion Pipeline ที่รับเอกสารผ่าน Event แล้วสร้าง Embedding แบบ Asynchronous
  • ประกอบ Prompt จากผลค้นหา อ้างอิงแหล่งที่มา และวัดคุณภาพคำตอบเบื้องต้น
  • Lab: นำเอกสารนโยบายร้าน (ข้อมูลจำลอง) เข้า pgvector

Section 14: Tool Calling, MCP และความปลอดภัยของ AI Service

  • Function/Tool Calling และการกำหนด Schema ของ Tool
  • เชื่อม Tool เข้ากับ Order Service โดยส่งต่อสิทธิ์ของผู้ใช้อย่างถูกต้อง
  • แนวคิด Model Context Protocol (MCP) และการเปิด Service เป็น MCP Tool (สาธิต)
  • Prompt Injection, Data Leakage, การจำกัด Tool และปิดบังข้อมูลส่วนบุคคล
  • Timeout, Rate Limit, Fallback Model และบันทึกจำนวน Token เพื่อคุมต้นทุน

Section 15: Workshop Day 3: AI Assistant ของ SiamCart

  • ตอบคำถามนโยบายร้านแบบ RAG พร้อมอ้างอิงแหล่งที่มา
  • ให้ LLM เรียกดูสถานะคำสั่งซื้อของผู้ใช้จาก Order Service ผ่าน Tool Calling
  • ทดลองสลับระหว่าง Cloud LLM และ Ollama แล้วเปรียบเทียบคุณภาพ ความเร็ว และต้นทุน
  • Workshop: ทดสอบ Prompt Injection ที่พยายามดูคำสั่งซื้อของผู้อื่นและปิดช่องโหว่
Day 4 Observability, Security และ Production Readiness

Section 16: Lab: Observability ด้วย OpenTelemetry

  • Trace, Span, Metric, Log และ Context Propagation ข้าม HTTP, gRPC และ RabbitMQ
  • Auto-instrumentation สำหรับ FastAPI, HTTPX และ SQLAlchemy และการเพิ่ม Custom Span
  • OpenTelemetry Collector ส่งข้อมูลไปยัง Jaeger, Prometheus และ Grafana
  • ติดตามการเรียก LLM: Latency, จำนวน Token และอัตราความผิดพลาด
  • Lab: ดู Distributed Trace ตั้งแต่ผู้ใช้ถามจนถึง LLM และ Order Service

Section 17: Security ระหว่าง Service

  • Authentication ด้วย JWT ที่ขอบระบบและการส่งต่อ Identity ไปยัง Service ภายใน
  • จัดการ Secret และ API Key ของ LLM อย่างปลอดภัย
  • บทบาทของ API Gateway ในระบบ Microservices พร้อมตัวอย่างด้วย Traefik
  • Lab: เพิ่ม JWT และ Traefik เป็นทางเข้าเดียวของ SiamCart

Section 18: Lab: ทดสอบระบบ Microservices

  • Unit Test และ Integration Test ด้วย pytest และ Testcontainers สำหรับ PostgreSQL และ RabbitMQ
  • Contract Testing ระหว่าง Service
  • ทดสอบ AI Service ด้วยการ Mock LLM
  • Lab: เขียน Integration Test ของกระบวนการสั่งซื้อ

Section 19: แนวทางสู่ Production

  • Configuration, Graceful Shutdown และ Health Check สำหรับ Orchestrator
  • ภาพรวมการนำระบบขึ้น Kubernetes และสิ่งที่ต้องเตรียมเพิ่มจาก Docker Compose
  • Checklist ความพร้อมของ Service และ AI Service ก่อนใช้งานจริง
  • Lab: ตรวจ SiamCart ตาม Checklist และสรุปสิ่งที่ต้องเพิ่มก่อนใช้งานจริง

Section 20: Master Workshop: SiamCart ครบทั้งระบบ

  • รวมทุก Service ตั้งแต่ค้นหาสินค้า สั่งซื้อ ชำระเงิน แจ้งเตือน จนถึงสอบถามผ่าน AI Assistant
  • จำลอง Payment Service ล่มและ LLM ตอบช้า แล้ววิเคราะห์ต้นเหตุจาก Trace ใน Jaeger
  • ปรับ Timeout, Fallback และ Alert จากสิ่งที่พบ
  • นำเสนอสถาปัตยกรรมและเหตุผลการออกแบบของทีม

ຮອບຝຶກອົບຮົມ ແລະ ຮູບແບບການຝຶກອົບຮົມ

ສຳລັບບຸກຄົນ — ຮອບຝຶກອົບຮົມທົ່ວໄປ

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

ລົງຊື່ຈອງໄວ້ ສອບຖາມຮອບຝຶກອົບຮົມ

ສຳລັບອົງກອນ — In-house / Private Training

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

ວິທະຍາກອນຜູ້ສອນ

ຄຳຖາມທີ່ພົບເລື້ອຍ

หลักสูตรนี้ต่างจาก Building Microservices with Python และ Enterprise REST API with Python อย่างไร

Building Microservices with Python เป็นหลักสูตร 3 วันที่ปูพื้นการแยกระบบเป็น Service ด้วย Python หลักสูตรนี้ใช้เวลา 4 วัน ต่อยอดด้วยการออกแบบขอบเขต Service ด้วย DDD การสื่อสารแบบ gRPC และ RabbitMQ พร้อม Outbox และ Saga และเพิ่ม AI Service ที่ทำ RAG ด้วย pgvector และ Tool Calling ทั้งหมดติดตามได้ด้วย OpenTelemetry ส่วน Enterprise REST API with Python ซึ่งเปิดพร้อมกัน เน้น API ตัวเดียวให้ได้มาตรฐานองค์กรในเชิงลึก เช่น OAuth2/JWT, RBAC, Error ตาม RFC 9457 และ OWASP API Security ไม่ครอบคลุมหลาย Service หรือ Generative AI

ต้องมีพื้นฐาน AI หรือ Machine Learning มาก่อนหรือไม่

ไม่จำเป็น หลักสูตรมองการใช้ LLM ในมุมนักพัฒนาระบบ วันที่สามเริ่มจากแนวคิดที่ต้องรู้ เช่น Token, Context Window, Embedding และ RAG ก่อนลงมือ สิ่งที่ควรมีคือเขียน Python ได้คล่องรวมถึง async/await เบื้องต้น เข้าใจ REST API และ SQL และเคยรันคอนเทนเนอร์ด้วย Docker หลักสูตรไม่ครอบคลุมการ Train หรือ Fine-tune โมเดล

ต้องใช้ API Key ของ Cloud LLM หรือไม่ และใครเป็นผู้จ่ายค่าใช้งาน

ไม่บังคับ สถาบันไม่ได้จัดเตรียมบัญชีหรือ API Key ให้ หากต้องการใช้ Cloud LLM ให้ใช้ API Key ของผู้เรียนหรือองค์กรที่อนุญาต ซึ่งมีค่าใช้จ่ายตามการใช้งาน ถ้าไม่มี สามารถรันโมเดลขนาดเล็กผ่าน Ollama บน Notebook ได้โดยไม่มีค่าใช้จ่าย โค้ดใน Lab ออกแบบให้สลับระหว่างสองแบบได้ด้วยการตั้งค่า โมเดลขนาดเล็กอาจตอบได้คุณภาพต่ำกว่า แต่เพียงพอสำหรับเรียนรู้สถาปัตยกรรมทั้งหมด

Notebook ต้องมีสเปกเท่าไร

ควรมี RAM อย่างน้อย 16 GB และพื้นที่ว่างอย่างน้อย 40 GB เพราะต้องรันหลาย Service พร้อม PostgreSQL, RabbitMQ และเครื่องมือ Observability ใน Docker Compose หากต้องการรัน Local LLM ด้วย Ollama ไปพร้อมกันแนะนำ 32 GB ติดตั้ง Docker Desktop (Windows ใช้ WSL2) หรือ Docker Engine, Python 3.14 ขึ้นไป, uv, Git และ VS Code หรือ PyCharm ไว้ก่อนวันอบรม และควรดาวน์โหลด Docker Image กับโมเดลตามรายการที่แจ้งล่วงหน้า

หลักสูตรสอน Kafka และ Kubernetes ด้วยหรือไม่

Lab ใช้ RabbitMQ เป็น Message Broker หลัก ส่วน Apache Kafka สอนในระดับแนวคิดและเปรียบเทียบว่าแบบใดเหมาะกับงานใด Kubernetes และ API Gateway ครอบคลุมในระดับภาพรวมและสาธิต โดยมี Traefik เป็นตัวอย่าง เพื่อให้เวลาส่วนใหญ่ไปอยู่กับการออกแบบ Service, AI Service และการติดตามระบบ ผู้ที่ต้องการลงลึกเรื่อง Kubernetes ต่อยอดได้ด้วยหลักสูตร Kubernetes (K8s) Orchestration

ข้อมูลที่ใช้ใน Lab ส่งออกไปนอกเครื่องหรือไม่

Lab ใช้ข้อมูลจำลองทั้งหมดของ SiamCart เมื่อใช้ Ollama ข้อมูลจะประมวลผลอยู่บนเครื่องของผู้เรียน ส่วนเมื่อใช้ Cloud LLM ข้อความและเอกสารที่ส่งไปจะออกไปยังผู้ให้บริการตามเงื่อนไขของบริการนั้น หลักสูตรจึงสอนการออกแบบ LLM Client ที่สลับได้ การปิดบังข้อมูลส่วนบุคคลก่อนส่ง และการจำกัด Tool ที่ LLM เรียกได้ เพื่อนำไปใช้กับข้อมูลจริงขององค์กรอย่างระมัดระวัง

ບົດຄວາມທີ່ກ່ຽວຂ້ອງ

ບົດຄວາມເຜີຍແຜ່ເປັນພາສາໄທ.