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
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)
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
Section 1: Microservices: เมื่อใดควรใช้และเมื่อใดไม่ควร
Section 2: แบ่งขอบเขต Service ด้วย Domain-Driven Design
Section 3: Lab: โครงสร้าง Service ด้วย FastAPI
Section 4: Lab: Database per Service
Section 5: Workshop Day 1: รัน SiamCart ด้วย Docker Compose
Section 6: Lab: Synchronous ด้วย REST และ gRPC
Section 7: Resilience Patterns
Section 8: Lab: Event-driven ด้วย RabbitMQ
Section 9: Data Consistency ในระบบกระจาย
Section 10: Workshop Day 2: ระบบสั่งซื้อข้าม Service
Section 11: พื้นฐาน LLM สำหรับนักพัฒนา
Section 12: Lab: AI Service และ LLM Client
Section 13: Lab: RAG ด้วย pgvector
Section 14: Tool Calling, MCP และความปลอดภัยของ AI Service
Section 15: Workshop Day 3: AI Assistant ของ SiamCart
Section 16: Lab: Observability ด้วย OpenTelemetry
Section 17: Security ระหว่าง Service
Section 18: Lab: ทดสอบระบบ Microservices
Section 19: แนวทางสู่ Production
Section 20: Master Workshop: SiamCart ครบทั้งระบบ
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
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
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
ไม่บังคับ สถาบันไม่ได้จัดเตรียมบัญชีหรือ API Key ให้ หากต้องการใช้ Cloud LLM ให้ใช้ API Key ของผู้เรียนหรือองค์กรที่อนุญาต ซึ่งมีค่าใช้จ่ายตามการใช้งาน ถ้าไม่มี สามารถรันโมเดลขนาดเล็กผ่าน Ollama บน Notebook ได้โดยไม่มีค่าใช้จ่าย โค้ดใน Lab ออกแบบให้สลับระหว่างสองแบบได้ด้วยการตั้งค่า โมเดลขนาดเล็กอาจตอบได้คุณภาพต่ำกว่า แต่เพียงพอสำหรับเรียนรู้สถาปัตยกรรมทั้งหมด
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
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
Lab ใช้ข้อมูลจำลองทั้งหมดของ SiamCart เมื่อใช้ Ollama ข้อมูลจะประมวลผลอยู่บนเครื่องของผู้เรียน ส่วนเมื่อใช้ Cloud LLM ข้อความและเอกสารที่ส่งไปจะออกไปยังผู้ให้บริการตามเงื่อนไขของบริการนั้น หลักสูตรจึงสอนการออกแบบ LLM Client ที่สลับได้ การปิดบังข้อมูลส่วนบุคคลก่อนส่ง และการจำกัด Tool ที่ LLM เรียกได้ เพื่อนำไปใช้กับข้อมูลจริงขององค์กรอย่างระมัดระวัง
Microservices คือการแบ่งระบบออกเป็น Service ขนาดเล็กหลายตัว แต่ละตัวดูแลงานของตัวเอง มีฐานข้อมูลของตัวเอง และพัฒนา ทดสอบ และ Deploy แยกกันได้ แต่ยังทำงานร่วมกันเป็นระบบเดียว แนวทางนี้ช่วยให้หลายทีมทำงานคู่ขนานและขยายเฉพาะส่วนที่มีภาระสูงได้…
เมื่อพนักงานทุกแผนกเริ่มใช้ AI องค์กรมักเจอปัญหาเดียวกัน แต่ละทีมสมัครบริการคนละเจ้า ถือ API Key กันเอง ไม่มีใครรู้ว่าค่าใช้จ่ายรวมเท่าไร ข้อมูลลูกค้าหรือเอกสารลับอาจถูกส่งออกไปโดยไม่ตั้งใจ และเมื่อเกิดเหตุก็ไม่มี Log ให้ตรวจย้อนหลัง การห้ามใช้ไม่ได้ผล…
แอปพลิเคชันและเว็บไซต์ทุกวันนี้คุยกับระบบหลังบ้านผ่าน API เป็นหลัก การสร้าง REST API จึงเป็นทักษะพื้นฐานของนักพัฒนายุคใหม่ FastAPI เป็นเฟรมเวิร์ก Python ที่เขียนสั้น ทำงานเร็ว ตรวจข้อมูลจาก Type Hint ให้อัตโนมัติ และสร้างเอกสาร API ให้ทันที…
