หลักสูตร PostgreSQL for AI Apps with pgvector เป็นการอบรมแบบเวิร์กชอปการสร้างระบบค้นหาเชิงความหมายและ RAG บน PostgreSQL ด้วย pgvector ตั้งแต่สร้าง Embedding เลือก Index แบบ HNSW หรือ IVFFlat ทำ Hybrid Search จนถึงวัดคุณภาพการค้นหา เหมาะกับนักพัฒนา Backend และ AI ที่ใช้ PostgreSQL อยู่แล้ว
ระบบค้นหาเชิงความหมายและ RAG กลายเป็นฟีเจอร์ที่หลายองค์กรต้องการเพิ่มเข้าไปในแอปพลิเคชัน แต่การนำ Vector Database แยกมาอีกระบบหมายถึงข้อมูลที่ต้องซิงก์สองที่ สิทธิ์การเข้าถึงที่ต้องดูแลซ้ำ และงานปฏิบัติการที่เพิ่มขึ้น สำหรับทีมที่ใช้ PostgreSQL อยู่แล้ว ส่วนขยาย pgvector ช่วยให้เก็บเวกเตอร์ไว้ข้างข้อมูลธุรกิจในฐานข้อมูลเดียวกัน ค้นหาด้วย SQL ที่คุ้นเคย และใช้ Transaction, Backup และระบบสิทธิ์เดิมได้ทันที
หลักสูตรนี้พาลงมือตั้งแต่ติดตั้ง PostgreSQL 18 กับ pgvector ด้วย Docker สร้าง Embedding จากเอกสารด้วย Python เลือกชนิดข้อมูลและ Index ที่เหมาะกับขนาดข้อมูล ปรับพารามิเตอร์ของ HNSW และ IVFFlat ไปจนถึง Hybrid Search ที่รวม Full-text Search กับเวกเตอร์ การแยกข้อมูลแต่ละลูกค้าด้วย Row-Level Security และการสร้าง RAG Pipeline ที่อ้างอิงแหล่งที่มาได้ ปิดท้ายด้วยการวัดคุณภาพการค้นหา การดูแลระบบจริง และ Workshop ระบบถามตอบจากเอกสารตัวอย่าง (อบรม 1 วัน 6 ชั่วโมง ระดับ Intermediate)
รายละเอียดหลักสูตร
อบรม 1 วัน 6 ชั่วโมง (09:00-16:00 น.) รูปแบบลงมือทำ ระดับ Intermediate สำหรับผู้ที่เขียน SQL และ Python ได้ ใช้ PostgreSQL 18 และ pgvector 0.8.x บน Docker ผู้เรียนเตรียม API Key ของผู้ให้บริการ Embedding/LLM หรือเลือกใช้โมเดลแบบ Local ที่ทำงานบนเครื่อง ผู้เรียนจะได้เอกสารประกอบการอบรม ไฟล์ Docker Compose สคริปต์ SQL โค้ด Python สำหรับ Chunking, Embedding, Hybrid Search และ RAG Pipeline ชุดคำถามทดสอบพร้อมสคริปต์วัด Recall@k และ Checklist ก่อนขึ้น Production กลับไปใช้งานต่อ
Day 1: สร้างระบบค้นหาเชิงความหมายและ RAG บน PostgreSQL
Embedding คืออะไร และทำไมข้อความที่ความหมายใกล้กันจึงอยู่ใกล้กันในพื้นที่เวกเตอร์
การวัดความคล้าย: Cosine Distance, L2 Distance และ Inner Product ควรเลือกแบบใด
เก็บเวกเตอร์ใน PostgreSQL เทียบกับ Vector Database แยก: ความสอดคล้องของข้อมูล สิทธิ์ และงานดูแล
ข้อจำกัดที่ต้องรู้: ขนาดข้อมูล หน่วยความจำของ Index และปริมาณการค้นหาต่อวินาที
รัน PostgreSQL 18 พร้อม pgvector ด้วย Docker Compose และเปิดใช้ CREATE EXTENSION vector
ชนิดข้อมูล vector, halfvec และ sparsevec กับการเลือกให้เหมาะกับขนาดและจำนวนมิติ
Binary Quantization ด้วยชนิด bit และการค้นหาแบบสองขั้นเพื่อลดหน่วยความจำ
Lab: สร้างตาราง documents และ chunks แล้วลองค้นหาด้วยตัวดำเนินการระยะทางทั้งสามแบบ
เรียก Embedding API หรือโมเดล Open Source แบบ Local จาก Python
Chunking: แบ่งตามขนาด ตามหัวข้อ และการกำหนดส่วนซ้อนทับระหว่าง Chunk
เก็บ Metadata ที่จำเป็น เช่น แหล่งที่มา หน้า วันที่ และเวอร์ชันของโมเดล
Lab: โหลดเอกสารแบบ Batch ด้วย psycopg 3 และ COPY เพื่อความเร็ว
Exact Search แบบ Sequential Scan เทียบกับ Approximate Nearest Neighbor
HNSW: พารามิเตอร์ m, ef_construction และ hnsw.ef_search กับผลต่อความแม่นและความเร็ว
IVFFlat: การกำหนด lists, ivfflat.probes และเหตุผลที่ต้องมีข้อมูลก่อนสร้าง Index
Iterative Index Scan ใน pgvector 0.8 สำหรับการค้นหาที่มีเงื่อนไข WHERE
Lab: สร้าง Index ทั้งสองแบบ แล้วเทียบเวลาและผลลัพธ์กับ Exact Search
จุดอ่อนของ Vector Search กับชื่อเฉพาะ รหัสสินค้า และคำย่อ
Full-text Search ด้วย tsvector, tsquery และ GIN Index
รวมผลสองแบบด้วย Reciprocal Rank Fusion ใน SQL คำสั่งเดียว
Lab: เทียบผลค้นหาแบบเวกเตอร์ แบบคำค้น และแบบ Hybrid กับคำถามชุดเดียวกัน
ออกแบบคอลัมน์ Metadata และ JSONB สำหรับกรองตามประเภท วันที่ และสิทธิ์
Partial Index และ Partitioning เมื่อข้อมูลแต่ละกลุ่มมีขนาดต่างกันมาก
Row-Level Security แยกข้อมูลแต่ละ Tenant ให้การค้นหาเห็นเฉพาะข้อมูลของตนเอง
Lab: ทดสอบว่าผู้ใช้คนละ Tenant ค้นหาแล้วไม่เห็นเอกสารของกันและกัน
ขั้นตอน RAG: รับคำถาม สร้าง Embedding ดึง Chunk ที่เกี่ยวข้อง และประกอบ Context
เขียน Prompt ให้ LLM ตอบจาก Context เท่านั้น และบอกเมื่อไม่พบคำตอบ
แนบแหล่งที่มาของแต่ละคำตอบ เช่น ชื่อเอกสารและหน้า
Workshop: สร้าง API ถามตอบขนาดเล็กที่ดึงข้อมูลจาก PostgreSQL
สร้างชุดคำถามทดสอบพร้อมคำตอบที่ถูกต้องจากเอกสารจริง
วัด Recall@k และเทียบผลของการปรับ Chunking, Index และ Hybrid Search
อ่าน EXPLAIN ANALYZE ว่า Query ใช้ Index หรือไม่ และจุดที่ช้า
Lab: ปรับ ef_search และ probes แล้วบันทึกผลความแม่นเทียบกับเวลา
เวลาและหน่วยความจำในการสร้าง Index, maintenance_work_mem และการสร้างแบบขนาน
อัปเดตเอกสาร ลบข้อมูลเก่า และการสร้าง Embedding ใหม่เมื่อเปลี่ยนโมเดล
Backup, Restore และ Replication ของตารางที่มีเวกเตอร์
บริการ Managed ที่รองรับ pgvector เช่น Supabase, Neon และ Amazon RDS
ทางเลือก: เปิดฐานข้อมูลให้ AI Agent ผ่าน MCP อย่างปลอดภัยด้วย Role อ่านอย่างเดียว
Workshop: นำชุดเอกสารตัวอย่างหรือเอกสารของผู้เรียนเข้าระบบตั้งแต่ Chunking ถึง Index
ทดสอบคำถามจริง ตรวจแหล่งที่มา และปรับจุดที่ค้นหาไม่เจอ
สรุปแนวทางนำไปใช้กับระบบของตนเองและ Checklist ก่อนขึ้น Production
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
เหมาะกับ นักพัฒนา Backend และ AI ที่ต้องสร้างฟีเจอร์ค้นหาเชิงความหมายหรือ RAG · ทีมที่ใช้ PostgreSQL อยู่แล้วและไม่ต้องการเพิ่ม Vector Database อีกระบบ · Data Engineer ที่ดูแล Pipeline ข้อมูลและต้องเตรียมข้อมูลให้ระบบ AI พื้นฐานที่ผู้เรียนควรมี เขียน SQL ได้ในระดับ SELECT, JOIN, CREATE TABLE และ CREATE INDEX · เขียน Python ขั้นพื้นฐานได้ เช่น ฟังก์ชัน การติดตั้งแพ็กเกจ และการเรียก API หากไม่แน่ใจว่าพื้นฐานพอหรือไม่ ปรึกษาทีมงานได้ฟรีทาง LINE @itgenius หรือโทร 02-570-8449
ราคาปกติ 3,900 บาท (โปรโมชันปัจจุบันเหลือ 3,510 บาท) ใช้เวลาอบรม 6 ชั่วโมง ราคานี้ยังไม่รวม VAT 7% (กรณีชำระในนามนิติบุคคล) ชำระค่าอบรมด้วยการโอนเข้าบัญชีบริษัท แล้วแจ้งชำระเงินผ่านหน้าแจ้งชำระเงินของเว็บไซต์ และขอใบเสร็จรับเงินหรือใบกำกับภาษีในนามบริษัทได้
ได้รับ ผู้ผ่านการอบรมทุกท่านจะได้รับใบประกาศนียบัตร (Certificate of Completion) จากสถาบันไอทีจีเนียส ใบประกาศแต่ละใบมีเลขที่ของตัวเอง ใครก็ตามที่มีเลขที่ใบประกาศตรวจสอบความถูกต้องออนไลน์ได้ที่หน้าตรวจสอบใบประกาศของสถาบัน จึงใช้แนบแฟ้มผลงานหรือส่งให้ฝ่ายบุคคลประกอบการพัฒนาบุคลากรได้
เรียนได้ทั้งแบบออนไซต์ที่สถาบันไอทีจีเนียส และนัดเรียนผ่านออนไลน์ และรับจัดอบรมเฉพาะทีม (In-house Training) ให้องค์กร สอบถามรอบและสถานที่ได้ที่ LINE @itgenius หรือโทร 02-570-8449
มี ผู้เรียนสามารถแจ้งขอเรียนซ้ำ (repeat) ในรอบถัดไปของหลักสูตรเดียวกันได้ฟรีตามเงื่อนไขของสถาบัน แจ้งชื่อหลักสูตรและรอบที่เคยเรียนกับทีมงาน แล้วทีมงานจะตรวจสอบและแจ้งรอบที่ยังมีที่นั่งว่างให้เลือก สอบถามได้ที่ LINE @itgenius หรือโทร 02-570-8449
สมัครออนไลน์ได้จากแบบฟอร์มลงทะเบียนบนหน้านี้ ลงทะเบียนผู้เข้าอบรมหลายคนได้ในครั้งเดียว และกรอกเลขประจำตัวผู้เสียภาษีกับที่อยู่สำหรับออกใบกำกับภาษีได้ในฟอร์ม หรือขอใบเสนอราคา (Quotation) ในนามนิติบุคคลได้ทันทีจากปุ่มขอใบเสนอราคา สอบถามเพิ่มเติมโทร 02-570-8449 หรือ LINE @itgenius
PostgreSQL กลายเป็นฐานข้อมูลตัวเลือกแรกของแอปยุคใหม่ ทั้งระบบหลังบ้าน SaaS และงานที่ต้องเก็บข้อมูลแบบ JSON หรือ Vector ไว้ที่เดียวกัน แต่นักพัฒนาจำนวนมากยังใช้ PostgreSQL เหมือนฐานข้อมูลทั่วไปผ่าน ORM อย่างเดียว พอข้อมูลโตขึ้นก็เจอ Query ช้า Lock ค้าง…
โมเดล AI ทั่วไปเก่งเรื่องภาษาก็จริง แต่ไม่รู้จักข้อมูลภายในองค์กรของคุณ ไม่ว่าจะเป็นคู่มือ นโยบาย สัญญา ข้อมูลลูกค้า หรือองค์ความรู้ที่สั่งสมมา เมื่อถามเรื่องเฉพาะขององค์กร AI จึงมักตอบมั่ว (Hallucination) หรือตอบจากข้อมูลทั่วไปที่ไม่ตรงบริบท…
งานอัตโนมัติแบบเดิมทำงานตามเงื่อนไขที่เขียนไว้ล่วงหน้า พอเจอข้อความที่ไม่ตรงรูปแบบหรือคำถามที่ต้องดูข้อมูลหลายแหล่งประกอบกันก็ไปต่อไม่ได้ Agentic AI เปลี่ยนโจทย์นี้ด้วยการให้ LLM เป็นผู้ตีความ วางแผน และเลือกเครื่องมือเองว่าต้องดึงข้อมูลอะไร จากที่ไหน…
