คอร์ส · Building RAG Knowledge Assistants
อบรมสร้าง RAG: ผู้ช่วย AI ที่ตอบจากเอกสารขององค์กร
ผู้ช่วยที่ตอบจากเอกสารขององค์กรเองคือ use case ระดับ production ที่ถูกถามถึงมากที่สุด หลักสูตรนี้สำหรับทีมเทคนิคที่จะสร้างและดูแลระบบนั้นจริง ครอบคลุมทั้งคุณภาพคำตอบ สิทธิ์เข้าถึง และการประเมิน
- ระดับ
- ขั้นสูง
- ระยะเวลา
- 1 วัน
- เวลา
- 09:00–16:00
- เครื่องมือ
- API ของโมเดลและฐานข้อมูลเวกเตอร์
- รูปแบบ
- onsite หรือออนไลน์ เน้นลงมือทำ
หลักสูตรนี้จัดแบบ in-house ที่องค์กรของคุณได้ โดยปรับเคสและแบบฝึกหัดให้เป็นงานจริงของแผนกที่เข้าอบรม
สิ่งที่คุณจะได้
- ออกแบบ pipeline จากเอกสารดิบถึงคำตอบที่มีอ้างอิง
- เตรียมและแบ่งเอกสารให้ค้นคืนได้แม่น
- ตั้งค่าการค้นคืนและการจัดอันดับ และรู้ว่าจะปรับตรงไหนเมื่อคำตอบผิด
- บังคับสิทธิ์เข้าถึงให้ผู้ใช้เห็นเฉพาะเอกสารที่มีสิทธิ์
- ประเมินคุณภาพคำตอบอย่างเป็นระบบก่อนและหลังขึ้นใช้งาน
ตารางเวลาอบรม 1 วัน
09:00–16:00 · ปรับหัวข้อ เคส และแบบฝึกหัดให้ตรงงานขององค์กรได้ · ขยายเป็น 2 วันได้ เมื่ออยากให้ทีมทำเวิร์กชอปกับงานจริงนานขึ้น
09:00–10:30
RAG และการเตรียมเอกสาร
- RAG คืออะไร และแก้ปัญหาอะไรที่ fine-tuning ไม่แก้
- การแบ่งเอกสาร (chunking) และ metadata
- การอัปเดตเอกสารเมื่อมีฉบับใหม่
กิจกรรมออกแบบ pipeline จากเอกสารดิบถึงคำตอบที่มีอ้างอิง
10:30–10:45
พัก
10:45–12:00
การค้นคืนและการสร้างคำตอบ
- embedding การจัดอันดับ และ hybrid search
- สร้างคำตอบพร้อมอ้างอิง และควบคุมการแต่งข้อมูล
- ปรับตรงไหนเมื่อคำตอบผิด
กิจกรรมตั้งค่าการค้นคืนและการจัดอันดับกับชุดเอกสารตัวอย่าง
12:00–13:00
พักกลางวัน
13:00–14:30
สิทธิ์เข้าถึงและการประเมินคุณภาพ
- บังคับสิทธิ์ให้ผู้ใช้เห็นเฉพาะเอกสารที่มีสิทธิ์
- ข้อมูลอ่อนไหวในเอกสาร
- ประเมินคุณภาพคำตอบด้วยชุดทดสอบ
กิจกรรมสร้างชุดทดสอบคำถาม-คำตอบ และวัดคุณภาพก่อนและหลังปรับ
14:30–14:45
พัก
14:45–16:00
ขึ้นใช้งานจริง
- ต้นทุน latency และการดูแลระบบ
- การติดตามคุณภาพหลังขึ้นใช้งาน
กิจกรรมเวิร์กชอป: ผู้ช่วย AI จากเอกสารจริงขององค์กร
เตรียมก่อนเข้าเรียน
- ทีมที่เขียนโค้ดได้และเข้าใจ API พื้นฐาน
คำถามที่พบบ่อย
- ต้องมีพื้นฐานอะไร?
- ทีมต้องเขียนโค้ดได้และเข้าใจ API พื้นฐาน หลักสูตรอยู่ที่ระดับ 4 ของกรอบ AI Learning Layer สำหรับทีมเทคนิคโดยเฉพาะ
บทความที่เกี่ยวข้องกับหลักสูตรนี้
- ให้ AI ตอบจากข้อมูลภายในบริษัท: RAG คืออะไร และเริ่มอย่างไร
RAG คือการให้ AI ค้นเอกสารของบริษัทก่อนแล้วค่อยตอบ จึงตรงกับระเบียบจริงและอ้างแหล่งได้ บทความนี้บอกว่าใช้กับงานแบบไหนได้ดี งานแบบไหนยังไม่เหมาะ เริ่มอย่างไรโดยไม่มีทีมพัฒนา วิธีเตรียมข้อมูลให้ตอบแม่น และข้อควรระวังเรื่องสิทธิ์การเข้าถึง
- ระบบค้นข้อมูลภายในองค์กรด้วย AI: เทียบ Claude, Copilot Search, ChatGPT Company Knowledge, Gemini Enterprise และ Glean
ระบบค้นข้อมูลภายในองค์กรด้วย AI ให้พนักงานถามเป็นภาษาธรรมดาแล้วได้คำตอบพร้อมแหล่งที่มาจากอีเมล ไฟล์ แชท และระบบงาน ห้าตัวเลือกหลักระบุว่าผลค้นหาเคารพสิทธิ์เดิมทั้งหมด ความต่างอยู่ที่วิธีดึงข้อมูล (ค้นสดหรือทำดัชนีล่วงหน้า) ระบบที่องค์กรใช้อยู่ และที่ตั้งข้อมูล ซึ่งไม่มีรายใดระบุ region ไทย บทความนี้มีตารางเทียบห้าตัว ราคาเริ่มต้น ตารางเลือกตามสภาพองค์กร และคำถามแปดข้อก่อนเลือก
- จัดบ้านข้อมูลก่อนใช้ AI: ข้อมูลองค์กรต้องพร้อมแค่ไหน
ไม่ต้องรอให้ข้อมูลทั้งองค์กรสมบูรณ์ แต่ต้องจัดสี่อย่างในชุดที่จะใช้ก่อน — ข้อมูลอยู่ที่ไหน คุณภาพและเวอร์ชัน เจ้าของ และสิทธิ์การเข้าถึงที่ต้องสะท้อนสิทธิ์เดิม พร้อมข้อมูลที่ไม่ควรเอาเข้าตั้งแต่แรก และใครควรรับผิดชอบ
อยากจัด Building RAG Knowledge Assistants ให้ทีมของคุณ?
บอกจำนวนคน สายงาน และช่วงเวลาที่สะดวก แล้วเราจะเสนอรูปแบบการจัดและใบเสนอราคาให้