คอร์ส
Building RAG Knowledge Assistants
ผู้ช่วยที่ตอบจากเอกสารขององค์กรเองคือ use case ระดับ production ที่ถูกถามถึงมากที่สุด หลักสูตรนี้สำหรับทีมเทคนิคที่จะสร้างและดูแลระบบนั้นจริง ครอบคลุมทั้งคุณภาพคำตอบ สิทธิ์เข้าถึง และการประเมิน
ขั้นสูง · 8 บทเรียน · จัดอบรมในองค์กรได้
หลักสูตรนี้จัดแบบ in-house ที่องค์กรของคุณได้ โดยปรับเคสและแบบฝึกหัดให้เป็นงานจริงของแผนกที่เข้าอบรม
สิ่งที่คุณจะได้
- ออกแบบ pipeline จากเอกสารดิบถึงคำตอบที่มีอ้างอิง
- เตรียมและแบ่งเอกสารให้ค้นคืนได้แม่น
- ตั้งค่าการค้นคืนและการจัดอันดับ และรู้ว่าจะปรับตรงไหนเมื่อคำตอบผิด
- บังคับสิทธิ์เข้าถึงให้ผู้ใช้เห็นเฉพาะเอกสารที่มีสิทธิ์
- ประเมินคุณภาพคำตอบอย่างเป็นระบบก่อนและหลังขึ้นใช้งาน
หัวข้อในคอร์ส
- 01RAG คืออะไร และแก้ปัญหาอะไรที่ fine-tuning ไม่แก้
- 02เตรียมเอกสาร: การแบ่ง metadata และการอัปเดต
- 03การค้นคืน: embedding การจัดอันดับ และ hybrid search
- 04การสร้างคำตอบพร้อมอ้างอิงและการควบคุมการแต่งข้อมูล
- 05สิทธิ์เข้าถึงและข้อมูลอ่อนไหว
- 06การประเมินคุณภาพและชุดทดสอบ
- 07ขึ้นใช้งาน: ต้นทุน latency และการดูแล
- 08เวิร์กชอป: เอกสารจริงขององค์กร
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
- จัดบ้านข้อมูลก่อนใช้ AI: ข้อมูลองค์กรต้องพร้อมแค่ไหน
ไม่ต้องรอให้ข้อมูลทั้งองค์กรสมบูรณ์ แต่ต้องจัดสี่อย่างในชุดที่จะใช้ก่อน — ข้อมูลอยู่ที่ไหน คุณภาพและเวอร์ชัน เจ้าของ และสิทธิ์การเข้าถึงที่ต้องสะท้อนสิทธิ์เดิม พร้อมข้อมูลที่ไม่ควรเอาเข้าตั้งแต่แรก และใครควรรับผิดชอบ
อยากจัด Building RAG Knowledge Assistants ให้ทีมของคุณ?
บอกจำนวนคน สายงาน และช่วงเวลาที่สะดวก แล้วเราจะเสนอรูปแบบการจัดและใบเสนอราคาให้