หลักสูตร RAG & Knowledge Base เป็นการอบรมสร้าง AI ที่ตอบจากเอกสารภายในองค์กร ครอบคลุม Embeddings, Vector Database, Chunking, Hybrid Search และ Reranking โดยไม่ลงลึกการเขียนโปรแกรม เหมาะกับทีม IT, Data และ Helpdesk จบแล้วได้ Chatbot ที่ตอบพร้อมอ้างอิงแหล่งที่มาและลด Hallucination
โมเดล AI ทั่วไปเก่งเรื่องภาษาก็จริง แต่ไม่รู้จักข้อมูลภายในองค์กรของคุณ ไม่ว่าจะเป็นคู่มือ นโยบาย สัญญา ข้อมูลลูกค้า หรือองค์ความรู้ที่สั่งสมมา เมื่อถามเรื่องเฉพาะขององค์กร AI จึงมักตอบมั่ว (Hallucination) หรือตอบจากข้อมูลทั่วไปที่ไม่ตรงบริบท ปัญหานี้คือกำแพงสำคัญที่ทำให้หลายองค์กรยังไม่กล้านำ AI มาใช้กับงานจริงที่ต้องการความถูกต้องสูง RAG (Retrieval Augmented Generation) คือคำตอบของเรื่องนี้ ด้วยการต่อ AI เข้ากับ Knowledge Base ขององค์กร ให้ AI
ค้นข้อมูลจริงมาประกอบก่อนตอบทุกครั้ง ผลลัพธ์คือผู้ช่วย AI ที่ตอบจากเอกสารขององค์กรได้อย่างแม่นยำ อ้างอิงแหล่งที่มาได้ และลด Hallucination ลงอย่างมาก หลักสูตรนี้ออกแบบสำหรับคนทำงานและทีมที่ต้องการสร้างระบบ RAG ได้จริง โดยเน้นการใช้งานเชิงธุรกิจ ไม่ลงลึกด้านการเขียนโปรแกรม ผู้เรียนจะได้เข้าใจกลไกของ RAG ตั้งแต่การเตรียมเอกสาร การทำ Embeddings การเก็บลง Vector Database การค้นคืน (Retrieval) ไปจนถึงการให้ AI ตอบพร้อมอ้างอิง เรียนรู้เทคนิค Advanced Retrieval
อย่าง Hybrid Search และ Reranking การวัดและปรับคุณภาพของ RAG การเชื่อมเข้ากับระบบงานจริงผ่าน MCP และ n8n และการวางแนวปฏิบัติด้าน Access Control, Security และ PDPA ที่จำเป็นสำหรับข้อมูลองค์กร เนื้อหาทั้งหมดสอนผ่าน Workshop ที่ใช้เอกสารและโจทย์เสมือนจริง และปิดท้ายด้วย Capstone Project ที่ผู้เรียนจะได้สร้างผู้ช่วย AI ที่รู้จักองค์กรของตนเองแบบครบวงจร (อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง ระดับ Intermediate ถึง Advanced ควรเคยใช้งาน Generative AI มาก่อน ไม่จำเป็นต้องเขียนโปรแกรม)
รายละเอียดหลักสูตร
อบรม 2 วัน วันละ 6 ชั่วโมง รวม 12 ชั่วโมง รูปแบบบรรยายพร้อมปฏิบัติจริง (Hands-on Workshop) และ Capstone Project ระดับ Intermediate ถึง Advanced ผู้เรียนจะได้ระบบ RAG และ Knowledge Base ที่สร้างเอง, Template RAG Pipeline, และ Checklist ด้าน Access Control, Security และ PDPA กลับไปใช้งานจริง
Section 1: ทำไมองค์กรต้องมี RAG
Section 2: กายวิภาคของ RAG
Section 3: Embeddings และ Vector Database
Section 4: การเตรียมและ Chunking เอกสาร
Section 5: สร้าง Knowledge Base และ Retrieval แรก
Section 6: การวัดและปรับคุณภาพ RAG
Section 7: Advanced Retrieval
Section 8: สร้าง RAG Application และ Chatbot
Section 9: เชื่อม RAG เข้ากับระบบงานจริง
Section 10: Security, Access Control และ PDPA
Section 11: Capstone Project และการนำไปใช้จริง
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
RAG หรือ Retrieval-Augmented Generation คือการค้นข้อความที่เกี่ยวข้องจากเอกสารขององค์กรก่อน แล้วส่งให้ LLM ใช้เป็นข้อมูลประกอบการตอบ คำตอบจึงอิงเอกสารจริง อ้างแหล่งที่มาได้ และอัปเดตได้ทันทีเมื่อเพิ่มเอกสารใหม่ ส่วน Fine-tune คือการฝึกโมเดลเพิ่มด้วยข้อมูลของเรา เหมาะกับการปรับสไตล์หรือรูปแบบคำตอบ แต่ใช้ต้นทุนสูงกว่าและไม่เหมาะกับข้อมูลที่เปลี่ยนบ่อย
Chunking คือการตัดเอกสารเป็นชิ้นก่อนทำ Embedding ควรแบ่งตามโครงสร้างเอกสาร เช่น หัวข้อหรือย่อหน้า มากกว่าตัดตามจำนวนตัวอักษรอย่างเดียว เลือกขนาดชิ้นให้พอมีบริบทครบแต่ไม่ยาวจนปนหลายเรื่อง ใส่ส่วนซ้อน (Overlap) เล็กน้อยระหว่างชิ้นเพื่อไม่ให้ประโยคสำคัญขาด และแนบ Metadata เช่น ชื่อเอกสาร หัวข้อ และวันที่ เพื่อใช้กรองและอ้างอิง แล้วทดสอบกับคำถามจริงเพื่อปรับขนาด
Semantic Search ค้นตามความหมายได้ดี แต่อาจพลาดคำเฉพาะ เช่น รหัสสินค้า ชื่อเฉพาะ หรือเลขมาตรา ส่วน Keyword Search จับคำเหล่านี้ได้แม่น Hybrid Search รวมผลจากทั้งสองแบบเพื่อให้ได้ทั้งความหมายและคำตรง จากนั้น Reranking ใช้โมเดลอีกตัวอ่านคำถามคู่กับแต่ละผลลัพธ์แล้วเรียงลำดับใหม่ตามความเกี่ยวข้องจริง ทำให้ข้อความที่ส่งให้ LLM ตรงประเด็นขึ้นและลดโอกาสตอบผิด
เหมาะกับทีม IT Data และ Knowledge Management ที่ต้องสร้างระบบค้นและตอบคำถามจากข้อมูลองค์กร ทีม Helpdesk และบริการลูกค้าที่ตอบคำถามซ้ำจากคู่มือ และทีม HR Legal หรือ Compliance ที่มีเอกสารนโยบายจำนวนมาก ควรเคยใช้ ChatGPT หรือ Claude และเข้าใจเอกสารในหน่วยงานของตัวเอง ไม่ต้องเขียนโปรแกรม แต่ถ้าอ่าน JSON หรือเคยเรียก API จะเข้าใจส่วน Vector Database และ MCP ได้ลึกขึ้น
อธิบายกลไก RAG ตั้งแต่ Ingest Chunk Embed Store Retrieve จนถึง Generate เลือก Embedding Model และ Vector Database ให้เหมาะกับองค์กร เตรียมและ Chunk เอกสารพร้อม Metadata ใช้ Hybrid Search Reranking และ Query Rewriting วัดคุณภาพทั้ง Retrieval และ Faithfulness และสร้าง Chatbot ที่ตอบพร้อมอ้างอิงแหล่งที่มา โดยวางสิทธิ์การเข้าถึงข้อมูลตาม PDPA ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้
ได้ หลักสูตรนี้จัดเป็นการอบรมแบบ In-house ให้ทีมในองค์กรได้ และปรับตัวอย่างให้ตรงกับงานของทีม เช่น ใช้คู่มือ นโยบาย หรือฐานความรู้ขององค์กรเป็นโจทย์ และวางสิทธิ์การเข้าถึงเอกสารตามโครงสร้างหน่วยงาน ขอใบเสนอราคาได้จากหน้านี้ หรือติดต่อทาง LINE @itgenius โทร 02-570-8449
ที่ผ่านมาองค์กรใช้ AI ในรูปแบบถาม-ตอบเป็นหลัก คนถาม AI ตอบ แล้วคนนำผลไปทำต่อเองทุกครั้ง แต่ปัจจุบัน AI ก้าวข้ามจากผู้ช่วยที่รอรับคำสั่ง ไปสู่ AI Agent ที่รับเป้าหมายเป็นภาษามนุษย์ แล้ววางแผนเอง เลือกใช้เครื่องมือเอง ทำงานหลายขั้นตอนต่อเนื่อง ตรวจสอบผลลัพธ์…
หลายองค์กรใช้ ChatGPT ในงานประจำจนคล่องแล้ว แต่ยังติดอยู่ที่การพิมพ์คำสั่งซ้ำเดิมทุกวัน ต้องคอยก๊อปวางข้อมูลไปมาระหว่างระบบ และผลลัพธ์ก็ไม่เป็นมาตรฐานเดียวกันเมื่อคนละคนใช้งาน ก้าวต่อไปที่สร้างความต่างจริงจึงไม่ใช่การใช้ AI เก่งขึ้น แต่คือการหยุดสั่งงาน AI…
ในยุคที่ AI ก้าวจากแชทบอทตอบคำถามมาเป็น AI Agent ที่ลงมือทำงานแทนเราได้จริง Claude คือหนึ่งในเครื่องมือที่โดดเด่นที่สุดในเวลานี้ โดยเฉพาะความสามารถด้านการทำงานกับเอกสารยาว การให้เหตุผลเชิงลึก และความสามารถใหม่อย่าง Cowork Mode ที่เปิดให้ Claude…
