จัดอบรม สร้าง AI Chatbots On-Premise ด้วย LangChain และ LangGraph Python สำหรับองค์กร โดยสถาบันไอทีจีเนียส

สาขากรุงเทพฯ (ลาดพร้าว)

ยังไม่มีรอบเปิดอบรม (ลงชื่อจองไว้ได้)

ลงทะเบียนจอง ขอใบเสนอราคา

สร้าง AI Chatbots On-Premise ด้วย LangChain และ LangGraph Python สำหรับองค์กร (Course outline PDF)
โปรไฟล์ของบริษัทไอทีจีเนียส เอ็นจิเนียริ่ง (โปรไฟล์ไอทีจีเนียส PDF)

เน้นสอนการใช้ Tech Stack ที่รันแบบ Offline ได้ทั้งหมด (Local LLM, Local Embeddings) ตัดความกังวลเรื่องข้อมูลรั่วไหล
เปลี่ยนจาก LangChain Chains แบบเดิมที่ทำงานเป็นเส้นตรง มาสู่ LangGraph ที่รองรับการทำงานแบบ Loop และจดจำ Context ได้ดีกว่า (Stateful)
สอนใช้ vLLM ซึ่งเป็น Inference Engine ที่เร็วที่สุดในปัจจุบัน และ FastAPI ที่เป็นมาตรฐานของ Python Backend
เรียนรู้วิธีแยกส่วน Frontend (Chainlit), Backend (FastAPI) และ Database (Qdrant) ออกจากกัน เพื่อความง่ายในการดูแลรักษา
ทุก Workshop รันบน Docker Environment จำลองสภาพแวดล้อมการทำงานจริงในระดับองค์กร

Software Developers / AI Engineers ที่ต้องการย้ายจาก OpenAI API มาทำระบบเอง (Self-hosted)
Web Developers (Frontend/Full-stack) ที่ต้องการเพิ่มทักษะด้าน AI และ LLMs เข้าไปในสายงาน
Data Scientists ที่ต้องการ Deploy โมเดลให้เป็น Application
Solution Architects หรือ Tech Leads ที่ต้องการเข้าใจกระบวนการสร้าง AI Chatbot เพื่อนำไปประยุกต์ใช้กับระบบขององค์กร
ผู้ที่สนใจสร้าง Product AI และต้องการเรียนรู้ Tech Stack ที่ทันสมัยและครบวงจร
IT Infrastructure / DevOps ที่ต้องการเข้าใจการวางระบบ AI Server ในองค์กร

มีความรู้ภาษา Python เบื้องต้น
เข้าใจคอนเซปต์ของ Web API (REST) เบื้องต้น
เคยใช้งานคำสั่ง Docker พื้นฐาน (pull, run, ps)
คอมพิวเตอร์ส่วนตัวสำหรับใช้ในการอบรม (Windows, macOS, หรือ Linux)

18 ชั่วโมง

ราคาปกติ 6,500 บาท / คน
โปรโมชั่นลด 10% เหลือ 5,850 บาท / คน
ราคาเหมาจ่าย (ผู้อบรมตั้งแต่ 10 คน) ตามแต่ตกลงกัน
ขอใบเสนอราคา

อาจารย์สามิตร โกยม

เนื้อหาการอบรม:

Day 1: ปูพื้นฐาน Local AI Infrastructure และ vLLM

On-Premise AI Overview: ทำความเข้าใจความแตกต่างระหว่าง Cloud AI กับ Local AI และทำไมองค์กรถึงต้องการ Privacy
รู้จัก vLLM (Inference Engine): เจาะลึกเครื่องมือรันโมเดลภาษาที่เร็วที่สุดในปัจจุบัน และสถาปัตยกรรม PagedAttention
Environment Setup with Docker: การติดตั้ง Docker, NVIDIA Container Toolkit และเตรียม Python Virtual Environment
Running Local LLM: เวิร์กชอปการรันโมเดล Open Source (เช่น Llama-3, Qwen, Typhoon) ผ่าน vLLM บนเครื่องตัวเอง
LangChain Integration: การเขียน Python เพื่อเชื่อมต่อ vLLM ผ่าน OpenAI Compatible API

Day 2: สร้างสมองความจำด้วย Vector Database และ RAG

RAG Architecture 101: เข้าใจกระบวนการ Retrieval-Augmented Generation เพื่อลดอาการ Hallucination ของ AI
Vector Embeddings: หลักการแปลงข้อความภาษาไทยเป็นตัวเลข (Vector) และการเลือก Embedding Model (HuggingFace)
Setting up Qdrant: การติดตั้งและบริหารจัดการ Qdrant Vector Database ผ่าน Docker Compose
Data Ingestion Pipeline: เขียน Script อ่านไฟล์เอกสารองค์กร (PDF/Text) ตัดคำ (Chunking) และบันทึกลงฐานข้อมูล
Similarity Search: เทคนิคการเขียน Query เพื่อค้นหาข้อมูลที่เกี่ยวข้องจาก Qdrant มาใช้งาน

Day 3: ยกระดับสู่ AI Agent ด้วย LangGraph

Why LangGraph?: ข้อจำกัดของ LangChain แบบเดิม (Chains) และการเปลี่ยนผ่านสู่การทำงานแบบ Graph (Cyclic)
Core Concepts: ทำความเข้าใจ Nodes (จุดทำงาน), Edges (เส้นเชื่อม), และ State (หน่วยความจำกลาง)
Building Graph Workflow: เวิร์กชอปสร้าง Flow การทำงาน: รับคำถาม -> ค้นหาข้อมูล (Retrieve) -> สรุปคำตอบ (Generate)
Agent State Management: การออกแบบโครงสร้างข้อมูลเพื่อเก็บ Chat History และ Context ระหว่างการสนทนา
Visualizing the Graph: การ Compile และแสดงภาพ Diagram การทำงานของ Agent เพื่อ Debug Logic

Day 4: พัฒนา Backend API มาตรฐานองค์กรด้วย FastAPI

Microservices Design: การออกแบบโครงสร้างโปรเจกต์แบบแยกส่วน (Decoupled Architecture) เพื่อการขยายตัวในอนาคต
FastAPI Implementation: การสร้าง RESTful API Endpoint เพื่อรับ-ส่งข้อความกับ LangGraph
Asynchronous Programming: เทคนิคการเขียน Python แบบ Async/Await เพื่อรองรับผู้ใช้งานจำนวนมากพร้อมกัน
Streaming Response (SSE): การทำ Server-Sent Events เพื่อส่งข้อความตอบกลับทีละตัวอักษร (Token Streaming) แบบ Real-time
API Documentation: การจัดการ Swagger UI เพื่อให้ทีม Frontend หรือ Mobile นำ API ไปใช้งานต่อได้ง่าย

Day 5: เชื่อมต่อ Frontend และ Deployment (Production Ready)

Introduction to Chainlit: รู้จัก Python Framework สำหรับสร้าง Chat Interface สวยงามโดยไม่ต้องเขียน HTML/CSS
Frontend Integration: การเชื่อมต่อ Chainlit UI เข้ากับ FastAPI Backend แบบ Streaming
Full Stack Docker Compose: การมัดรวมทุก Service (vLLM, Qdrant, Backend, Frontend) ในไฟล์ docker-compose.yml เดียว
End-to-End Testing: ทดสอบระบบจำลองสถานการณ์จริง ตั้งแต่ User พิมพ์ถาม จนถึง AI ค้นข้อมูลและตอบกลับ
Deployment & Scaling: แนวทางการนำไปติดตั้งบน Server องค์กร และเทคนิคการขยาย Scaling เมื่อ User เพิ่มขึ้น