AI · AIC-91

LLM Application Engineering Foundations

หลักสูตร LLM Application Engineering Foundations เป็นการอบรมพื้นฐานการพัฒนาแอป LLM ด้วย Python ตั้งแต่เรียก OpenAI, Claude และ Gemini API, Structured Output, Tool Calling และ Embedding จนถึงการวัดผลและคุมต้นทุน เหมาะกับนักพัฒนาที่อยากวางพื้นฐานก่อนไปสาย RAG และ AI Agent จบแล้วได้แอป LLM ต้นแบบ

อัปเดตล่าสุด 1 ต.ค. 2569

ราคาเริ่มต้น 8,910 บาท / ท่าน 9,900 −10% ยังไม่รวม VAT 7% · มีราคาหมู่คณะ

ขอใบเสนอราคาอบรมองค์กร ลงชื่อจองไว้

PDFดาวน์โหลด Course Outline

ระยะเวลา18 ชั่วโมง · 3 วัน
รูปแบบออนไซต์ / ออนไลน์สด
รอบถัดไปเปิดตามคำขอ
ใบรับรองมี Certificate

ภาพรวมหลักสูตร

การเรียก LLM API ให้ได้คำตอบกลับมานั้นใช้โค้ดไม่กี่บรรทัด แต่การสร้างแอปที่ใช้งานได้จริงเป็นอีกเรื่อง นักพัฒนาต้องรับมือกับคำตอบที่รูปแบบไม่แน่นอน ค่าใช้จ่ายที่บานปลาย Rate Limit ข้อมูลที่โมเดลไม่รู้ และคำถามว่าแก้ Prompt แล้วดีขึ้นจริงหรือไม่ หลายทีมจึงกระโดดไปใช้เฟรมเวิร์ก RAG หรือ Agent ทันทีโดยยังไม่มีพื้นฐานที่แน่น ทำให้แก้ปัญหาได้ยากเมื่อระบบไม่ทำงานอย่างที่คิด

หลักสูตรนี้วางพื้นฐานวิศวกรรมแอป LLM ให้นักพัฒนาแบบลงมือเขียนโค้ดด้วย Python เริ่มจากเข้าใจ Token, Context Window และพารามิเตอร์สำคัญ เรียก OpenAI, Claude และ Gemini API จัดการ Prompt แบบโค้ด และบังคับผลลัพธ์ด้วย Structured Output กับ Pydantic จากนั้นให้ LLM เรียก Tool และ API ภายใน เข้าใจ Embedding กับ Semantic Search บน Vector Database

และเขียนโค้ดที่สลับผู้ให้บริการหรือโมเดลภายในได้ ก่อนเข้าสู่เรื่องที่ทำให้แอปพร้อมใช้งาน ทั้งการวัดผลด้วยชุดทดสอบ การคุมต้นทุนและความเร็ว การจัดการ Error และความปลอดภัย และการเก็บ Log ปิดท้ายด้วย Capstone แอป LLM ที่พร้อมต่อยอดสู่หลักสูตร RAG และ AI Agent (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Beginner - Intermediate)

สิ่งที่คุณจะได้รับ

อธิบายการทำงานของ LLM ในมุมนักพัฒนา ทั้ง Token, Context Window และพารามิเตอร์สำคัญได้
เรียก OpenAI, Claude และ Gemini API ด้วย Python ทั้งแบบปกติและแบบ Streaming ได้
บังคับผลลัพธ์ให้ตรง Schema ด้วย Structured Output และตรวจสอบด้วย Pydantic ได้
ออกแบบ Tool Calling ให้ LLM เรียก API และฐานข้อมูลภายในได้อย่างปลอดภัย
ใช้ Embedding และ Vector Database ทำ Semantic Search ได้
วัดผลแอป LLM ด้วยชุดทดสอบ การตรวจอัตโนมัติ และ LLM-as-a-Judge ได้
คุมต้นทุน ความเร็ว Error และความปลอดภัยของแอป LLM ได้

หลักสูตรนี้เหมาะสำหรับ

นักพัฒนา Backend และ Full-stack ที่เริ่มนำ LLM เข้ามาใช้ในแอป
นักพัฒนา Python ที่อยากวางพื้นฐานก่อนเรียน RAG และ AI Agent
Data Engineer และ Data Scientist ที่ต้องใช้ LLM ดึงหรือจัดหมวดข้อมูล
Tech Lead ที่ต้องกำหนดแนวทางการเขียนโค้ดที่ใช้ LLM ของทีม
นักศึกษาและผู้เปลี่ยนสายงานที่มีพื้นฐาน Python และอยากเป็น AI Engineer

พื้นฐานของผู้เข้าอบรม

เขียน Python ได้ เช่น Function, Class, Virtual Environment และการติดตั้ง Package
เข้าใจ REST API และ JSON และใช้ Git ขั้นพื้นฐานได้
เคยใช้ ChatGPT, Claude หรือ Gemini ในการทำงาน
โน้ตบุ๊กที่ติดตั้ง Python และ VS Code ได้ พร้อม API Key ของผู้ให้บริการอย่างน้อยหนึ่งราย

หัวข้อการฝึกอบรม

รายละเอียดหลักสูตร

หลักสูตรนี้อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab เขียนโค้ด Python ที่ต่อยอดบริการเดียวตลอดหลักสูตร ระดับ Beginner - Intermediate ผู้เรียนใช้ API Key จากบัญชีของตนเองหรือขององค์กร ค่าใช้ API ผู้เรียนรับผิดชอบเอง และทำ Lab

ด้วยผู้ให้บริการรายเดียวหรือโมเดลภายในผ่าน Ollama ก็ได้ หลักสูตรนี้เป็นจุดเริ่มต้นของสาย LLM Engineering วางพื้นฐานเรื่อง API, Structured Output, Tool Calling, Embedding การวัดผล และต้นทุน ก่อนต่อยอดสู่หลักสูตร RAG & Knowledge Base และ AI Agents for Business ผู้เรียนจะได้ Lab Guide โค้ดตัวอย่างครบทุก Lab และโปรเจกต์ Capstone ต้นแบบกลับไปใช้งานต่อ

Day 1 LLM API และผลลัพธ์ที่โค้ดใช้ต่อได้

Section 1: LLM ในมุมนักพัฒนา

LLM ทำงานอย่างไรแบบที่นักพัฒนาต้องรู้: Token, การทำนายคำถัดไป และ Context Window
Temperature, Max Tokens และพารามิเตอร์ที่มีผลต่อคำตอบ
เลือกโมเดลตามงาน: รุ่นใหญ่ รุ่นเล็ก และ Reasoning Model
ค่าใช้จ่ายแบบนับ Token และการประมาณต้นทุนตั้งแต่ออกแบบ
Lab: นับ Token ของข้อความไทยและอังกฤษแล้วเทียบต้นทุน

Section 2: Lab: เรียก LLM API ด้วย Python

ตั้งโปรเจกต์ Python และเก็บ API Key อย่างปลอดภัยด้วย Environment Variable
เรียก OpenAI, Claude และ Gemini API ผ่าน SDK ทางการ
Message Role: System, User และ Assistant และการเก็บประวัติบทสนทนา
Streaming คำตอบเพื่อให้ผู้ใช้เห็นผลเร็วขึ้น
เปรียบเทียบรูปแบบ API ของแต่ละผู้ให้บริการ

Section 3: Prompt แบบโค้ด

แยก Prompt ออกจากโค้ดด้วย Template และตัวแปร
เขียน System Prompt ที่ชัดเจน และใช้ตัวอย่างแบบ Few-shot
จัดการเวอร์ชันของ Prompt ด้วย Git เหมือนโค้ด
ส่งข้อมูลยาวเข้า Context อย่างมีโครงสร้างและไม่เกิน Context Window
Lab: สร้างไลบรารี Prompt ของทีมพร้อมตัวอย่างการใช้งาน

Section 4: Lab: Structured Output

ทำไมการขอให้โมเดลตอบ JSON ด้วย Prompt อย่างเดียวยังไม่พอ
กำหนด Schema ด้วย Pydantic และใช้ Structured Output ของแต่ละผู้ให้บริการ
ตรวจสอบผลลัพธ์ จัดการกรณีไม่ตรง Schema และลองใหม่อย่างมีขอบเขต
ออกแบบ Schema ให้โมเดลตอบง่าย เช่น Enum และฟิลด์ที่อธิบายชัด
Lab: ดึงข้อมูลจากอีเมลและใบเสนอราคาภาษาไทยเป็น JSON

Section 5: Lab: บริการดึงข้อมูลด้วย FastAPI

ห่อการเรียก LLM เป็น REST API ด้วย FastAPI
รับไฟล์หรือข้อความ แล้วคืนผลลัพธ์ตาม Schema
ตั้ง Timeout และส่ง Error ที่ผู้เรียกใช้เข้าใจได้
ทดสอบ API ด้วย Swagger UI และ pytest
Lab: สร้างบริการจัดหมวดและสรุปคำร้องเรียนลูกค้า

Day 2 Tool Calling, Embedding และการสลับโมเดล

Section 6: Tool Calling

Tool Calling ทำงานอย่างไร: โมเดลเลือก Tool แต่โค้ดของเราเป็นผู้เรียกจริง
เขียนคำอธิบาย Tool และ Parameter Schema ให้โมเดลเลือกถูก
วงรอบการเรียก Tool หลายครั้ง และการเรียกหลาย Tool พร้อมกัน
จัดการกรณี Tool ล้มเหลวหรือได้ Argument ที่ไม่ถูกต้อง
Lab: ให้ LLM เรียก Function คำนวณและค้นข้อมูลสินค้า

Section 7: Lab: ผู้ช่วยที่เรียก API ภายใน

ต่อ LLM เข้ากับฐานข้อมูลคำสั่งซื้อและ API ภายในของธุรกิจตัวอย่าง
จำกัดสิทธิ์ของ Tool: อ่านอย่างเดียว และขอยืนยันก่อนทำรายการที่เปลี่ยนข้อมูล
จำกัดจำนวนรอบเพื่อไม่ให้วนไม่สิ้นสุดและคุมค่าใช้จ่าย
ภาพรวม MCP ในฐานะมาตรฐานเชื่อม Tool และจุดที่ต่อยอดไปสู่ Agent
Lab: ผู้ช่วยตอบสถานะคำสั่งซื้อจากข้อมูลจริงในฐานข้อมูล

Section 8: Embedding และ Semantic Search

Embedding คืออะไร และวัดความคล้ายของข้อความอย่างไร
เลือก Embedding Model ที่รองรับภาษาไทย และเรื่องจำนวนมิติกับต้นทุน
แบ่งเอกสารเป็น Chunk และผลของขนาด Chunk ต่อคุณภาพการค้นหา
การใช้งานนอกเหนือจาก RAG: ค้นหาคำถามซ้ำ จัดกลุ่ม และแนะนำเนื้อหา
Lab: สร้าง Embedding ของคำถามที่พบบ่อยแล้วค้นหาด้วยความหมาย

Section 9: Lab: Vector Database เบื้องต้น

ภาพรวม Vector Database และการเลือกใช้ เช่น Chroma และ pgvector
บันทึกเอกสารพร้อม Metadata และค้นหาแบบมีเงื่อนไข
Index สำหรับค้นหาเร็ว และข้อแลกเปลี่ยนเรื่องความแม่นยำ
รวมผลค้นหาเข้ากับคำตอบของ LLM เป็นรูปแบบ RAG อย่างง่าย
Lab: ระบบค้นหาคู่มือสินค้าด้วยความหมายบน pgvector

Section 10: Lab: เขียนโค้ดที่สลับโมเดลได้

ความต่างของผู้ให้บริการที่ต้องระวัง: รูปแบบ Message, Tool และ Structured Output
ใช้ OpenAI-compatible Endpoint และ LiteLLM SDK เพื่อเรียกหลายผู้ให้บริการด้วยโค้ดเดียว
รันโมเดลภายในด้วย Ollama สำหรับพัฒนาและงานที่ข้อมูลห้ามออกนอกเครื่อง
ออกแบบชั้น Abstraction ของทีมโดยไม่ผูกติดกับผู้ให้บริการรายเดียว
Lab: สลับบริการจัดหมวดจาก Day 1 ไปใช้อีกผู้ให้บริการและโมเดลภายใน

Day 3 วัดผล คุมต้นทุน และทำให้พร้อมใช้งาน

Section 11: Lab: วัดผลแอป LLM ขั้นพื้นฐาน

ทำไมต้องมีชุดทดสอบ ก่อนแก้ Prompt หรือเปลี่ยนโมเดล
สร้างชุดทดสอบจากตัวอย่างจริง พร้อมคำตอบที่คาดหวัง
ตรวจอัตโนมัติด้วยกฎ เช่น ตรง Schema, มีคำสำคัญ และค่าตัวเลขถูกต้อง
LLM-as-a-Judge สำหรับคำตอบแบบข้อความ และข้อจำกัดที่ต้องรู้
Lab: รันชุดทดสอบใน pytest เพื่อเทียบ Prompt สองเวอร์ชัน

Section 12: คุมต้นทุนและความเร็ว

วัดต้นทุนต่อคำขอและต่อผู้ใช้จากจำนวน Token จริง
Prompt Caching และการจัดลำดับ Prompt ให้ใช้ Cache ได้
Batch API สำหรับงานที่ไม่ต้องได้ผลทันที
เลือกโมเดลเล็กสำหรับงานง่ายและส่งงานยากไปโมเดลใหญ่
Lab: ลดต้นทุนของบริการจาก Day 1 แล้ววัดผลก่อนและหลัง

Section 13: Error, Rate Limit และความปลอดภัย

จัดการ Rate Limit และ Error ชั่วคราวด้วย Retry แบบ Exponential Backoff
Timeout, Fallback ไปโมเดลสำรอง และข้อความแจ้งผู้ใช้เมื่อระบบขัดข้อง
Prompt Injection เบื้องต้น และการแยกคำสั่งออกจากข้อมูลผู้ใช้
ข้อมูลส่วนบุคคลกับ PDPA: ส่งอะไรได้ ปกปิดอะไร และเก็บ Log อย่างไร
จัดการ API Key ในทีม และการหมุนเวียน Key

Section 14: Lab: Log และ Trace ของแอป LLM

บันทึก Prompt, คำตอบ, Token, เวลา และต้นทุนของทุกคำขอ
ตั้ง Trace ให้เห็นขั้นตอนของ Tool Calling และการค้นหา
ใช้ Log หาคำถามที่ระบบตอบไม่ดีเพื่อเพิ่มเข้าชุดทดสอบ
เลือกระดับรายละเอียดของ Log ให้สมดุลกับความเป็นส่วนตัว

Section 15: Capstone: แอป LLM ของตัวเอง

ออกแบบแอป LLM ขนาดเล็กจากโจทย์งานของตนเองหรือโจทย์ตัวอย่าง
ใช้ Structured Output, Tool Calling และ Semantic Search อย่างน้อยสองอย่าง
สร้างชุดทดสอบ วัดต้นทุน และจัดการ Error ให้ครบ
นำเสนอผลงาน รีวิวร่วมกัน และวางเส้นทางต่อยอดสู่ RAG และ AI Agent

รอบอบรมและรูปแบบการอบรม

สำหรับบุคคล — รอบอบรมทั่วไป

ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770

ลงชื่อจองไว้ สอบถามรอบอบรม

สำหรับองค์กร — In-house / Private Training

ปรับเนื้อหาให้ตรงกับเครื่องมือและงานจริงของทีม
เลือกวันเอง อบรมที่บริษัทหรือออนไลน์สด
ออกใบเสนอราคาในนามนิติบุคคลให้ฝ่ายจัดซื้อ

ขอใบเสนอราคาอบรมองค์กร

วิทยากรผู้สอน

สามิตร โกยมCEO ที่สถาบันไอทีจีเนียส

คำถามที่พบบ่อย

หลักสูตร LLM Application Engineering Foundations เหมาะกับใคร ต้องมีพื้นฐานอะไรมาก่อน

เหมาะกับ นักพัฒนา Backend และ Full-stack ที่เริ่มนำ LLM เข้ามาใช้ในแอป · นักพัฒนา Python ที่อยากวางพื้นฐานก่อนเรียน RAG และ AI Agent · Data Engineer และ Data Scientist ที่ต้องใช้ LLM ดึงหรือจัดหมวดข้อมูล พื้นฐานที่ผู้เรียนควรมี เขียน Python ได้ เช่น Function, Class, Virtual Environment และการติดตั้ง Package · เข้าใจ REST API และ JSON และใช้ Git ขั้นพื้นฐานได้ หากไม่แน่ใจว่าพื้นฐานพอหรือไม่ ปรึกษาทีมงานได้ฟรีทาง LINE @itgenius หรือโทร 02-570-8449

หลักสูตร LLM Application Engineering Foundations ราคาเท่าไร ใช้เวลาเรียนกี่ชั่วโมง

ราคาปกติ 9,900 บาท (โปรโมชันปัจจุบันเหลือ 8,910 บาท) ใช้เวลาอบรม 18 ชั่วโมง ราคานี้ยังไม่รวม VAT 7% (กรณีชำระในนามนิติบุคคล) ชำระค่าอบรมด้วยการโอนเข้าบัญชีบริษัท แล้วแจ้งชำระเงินผ่านหน้าแจ้งชำระเงินของเว็บไซต์ และขอใบเสร็จรับเงินหรือใบกำกับภาษีในนามบริษัทได้

เรียนจบได้รับ Certificate หรือไม่

ได้รับ ผู้ผ่านการอบรมทุกท่านจะได้รับใบประกาศนียบัตร (Certificate of Completion) จากสถาบันไอทีจีเนียส ใบประกาศแต่ละใบมีเลขที่ของตัวเอง ใครก็ตามที่มีเลขที่ใบประกาศตรวจสอบความถูกต้องออนไลน์ได้ที่หน้าตรวจสอบใบประกาศของสถาบัน จึงใช้แนบแฟ้มผลงานหรือส่งให้ฝ่ายบุคคลประกอบการพัฒนาบุคลากรได้

อบรมที่ไหน มีเรียนแบบออนไลน์หรือไม่

เรียนได้ทั้งแบบออนไซต์ที่สถาบันไอทีจีเนียส และนัดเรียนผ่านออนไลน์ และรับจัดอบรมเฉพาะทีม (In-house Training) ให้องค์กร สอบถามรอบและสถานที่ได้ที่ LINE @itgenius หรือโทร 02-570-8449

ถ้าเรียนไม่ทันหรือขาดเรียน มีเรียนซ้ำ/เรียนชดเชยหรือไม่

มี ผู้เรียนสามารถแจ้งขอเรียนซ้ำ (repeat) ในรอบถัดไปของหลักสูตรเดียวกันได้ฟรีตามเงื่อนไขของสถาบัน แจ้งชื่อหลักสูตรและรอบที่เคยเรียนกับทีมงาน แล้วทีมงานจะตรวจสอบและแจ้งรอบที่ยังมีที่นั่งว่างให้เลือก สอบถามได้ที่ LINE @itgenius หรือโทร 02-570-8449

สมัครเรียนหรือขอใบเสนอราคาในนามบริษัทได้อย่างไร

สมัครออนไลน์ได้จากแบบฟอร์มลงทะเบียนบนหน้านี้ ลงทะเบียนผู้เข้าอบรมหลายคนได้ในครั้งเดียว และกรอกเลขประจำตัวผู้เสียภาษีกับที่อยู่สำหรับออกใบกำกับภาษีได้ในฟอร์ม หรือขอใบเสนอราคา (Quotation) ในนามนิติบุคคลได้ทันทีจากปุ่มขอใบเสนอราคา สอบถามเพิ่มเติมโทร 02-570-8449 หรือ LINE @itgenius