โมเดลภาษาขนาดใหญ่สำหรับทุกคน: จากพื้นฐานสู่การใช้งานจริง (ฉบับปี 2026)
หลักสูตรนี้เป็นการแนะนำแบบปฏิบัติสำหรับผู้เริ่มต้นเกี่ยวกับโมเดลภาษาขนาดใหญ่ (LLMs) เช่น ChatGPT และ Gemini โดยออกแบบมาเพื่อผู้เรียนทุกสายงาน ช่วยอธิบายว่า LLMs ทำงานอย่างไรในระดับพื้นฐาน ความสามารถและข้อจำกัดของมัน รวมถึงวิธีใช้งานอย่างมีประสิทธิภาพในการเรียน การทำงาน และชีวิตประจำวัน ผ่านการสาธิตเชิงปฏิบัติและการฝึกหัดที่มีคำแนะนำ คุณจะได้เรียนรู้เทคนิคการสร้างคำสั่ง (prompt) วิธีประเมินผลลัพธ์อย่างวิพากษ์วิจารณ์ วิธีจัดการกับข้อมูลเท็จ (hallucinations) และอคติ รวมถึงการใช้เครื่องมือทั่วไป (เช่น เอกสาร สรุปเนื้อหา การแปล งานข้อมูล) อย่างปลอดภัยและมีความรับผิดชอบ หลังจบหลักสูตร คุณจะสามารถสร้างแนวทางการทำงานเฉพาะตัวด้วยโมเดลภาษาขนาดใหญ่ (LLM workflow) สำหรับงานจริง เช่น การเขียน การวิจัย การวางแผน และการเพิ่มประสิทธิภาพ ไม่จำเป็นต้องมีทักษะการเขียนโปรแกรมขั้นสูง
ภาพรวมคอร์สเรียน
สรุปเนื้อหา
หลักสูตรนี้เป็นการแนะนำแบบเข้าใจง่ายและใช้งานได้จริงสำหรับโมเดลภาษาขนาดใหญ่ (LLM) เช่น ChatGPT และ Gemini ออกแบบมาสำหรับผู้เรียนทุกพื้นฐาน ช่วยอธิบายว่า LLM ทำงานอย่างไรในระดับสูง ความสามารถและข้อจำกัดของมัน รวมถึงวิธีใช้งานอย่างมีประสิทธิภาพในการเรียน การทำงาน และชีวิตประจำวัน ผ่านการสาธิตแบบปฏิบัติจริงและแบบฝึกหัดที่มีคำแนะนำ คุณจะได้เรียนรู้เทคนิคการเขียนคำสั่ง (prompt techniques) การประเมินผลอย่างมีวิจารณญาณ การจัดการกับความคลาดเคลื่อน (hallucinations) และอคติ (bias) และการใช้เครื่องมือทั่วไป เช่น เอกสาร สรุป แปลภาษา งานข้อมูล อย่างปลอดภัยและมีความรับผิดชอบ โดยสิ้นสุดหลักสูตร คุณจะสามารถสร้าง "กระบวนการการทำงานส่วนตัว" ด้วย LLM สำหรับงานจริง เช่น การเขียน การวิจัย การวางแผน และการเพิ่มประสิทธิภาพ ซึ่งไม่จำเป็นต้องมีทักษะการเขียนโปรแกรมขั้นสูง
จากตรรกะทางคณิตศาสตร์พื้นฐานไปจนถึงการจัดลำดับระบบเอเจนต์แบบกระจาย: สร้างสถาปนิกระบบระดับแนวหน้าสำหรับยุคของโมเดลขนาดใหญ่
เป้าหมายการเรียนรู้
- เชิงความรู้: เข้าใจโครงสร้างพื้นฐานทางคณิตศาสตร์ของเครื่องเรียนรู้ (ML) (พีชคณิตเชิงเส้น แคลคูลัส ความน่าจะเป็น) และเส้นทางประวัติศาสตร์ของโครงสร้างประสาทเทียมตั้งแต่เพอร์เซปตรอน (Perceptrons) ไปจนถึง LSTMs
- เชิงทักษะ: ดำเนินการบนเซิร์ฟเวอร์ระยะไกลโดยใช้คำสั่งชัลล์ยูนิกซ์ (Unix shell commands) และสร้างกราฟคำนวณพื้นฐานโดยใช้เครื่องมืออัตโนมัติในการคำนวณอนุพันธ์ (automatic differentiation engines)
- เชิงอารมณ์: ให้คุณค่ากับ "พื้นฐานทางทฤษฎี" มากกว่า "การสรุปที่เร็วเกินไป" เมื่อแก้ไขระบบที่ซับซ้อน เช่น การระเบิดของเกรเดียนต์ (gradient explosions)
- สร้างขึ้นโดยอัตโนมัติ
- เชิงความรู้: อธิบายกลไกของกระบวนการปรับแต่งหลังการฝึก (post-training pipeline) รวมถึงความแตกต่างระหว่างการปรับแต่งแบบควบคุม (Supervised Fine-Tuning - SFT) กับกรอบการเรียนรู้แบบเสริมแรง (Reinforcement Learning - RL) เช่น GRPO
- เชิงทักษะ: ออกแบบกระบวนการฝึกอบรมหลายขั้นตอน — จากการเริ่มต้น (Cold Start) ไปจนถึงการจัดสมดุลสุดท้าย (Final Alignment) — โดยใช้เทคนิคการปรับแต่งที่มีประสิทธิภาพต่อพารามิเตอร์ (Parameter-Efficient Fine-Tuning - PEFT) เช่น LoRA
- เชิงอารมณ์: ให้คุณค่ากับการเปลี่ยนแปลงจากการมองเห็นปัญญาประดิษฐ์เป็น "กล่องดำเวทมนตร์" ไปเป็นระบบที่ออกแบบมาอย่างเป็นขั้นตอน มีชั้นกลไกและเหตุผลภายในอย่างตั้งใจ
- เชิงความรู้: วิเคราะห์ความแตกต่างระหว่างกรอบการรวมแบบเชิงเส้นกับการจัดลำดับแบบวนรอบ (cyclic, graph-based) และแยกแยะโปรโตคอลการรวมแนวดิ่ง (MCP) กับแนวกว้าง (A2A)
- เชิงทักษะ: กำหนดโหนดเฉพาะและเส้นเชื่อมเงื่อนไขโดยใช้หลักการทฤษฎีกราฟ และนำเอาเซิร์ฟเวอร์ MCP มาใช้โดยใช้ FastMCP เพื่อเชื่อมต่อเอเจนต์กับข้อมูลภายนอก
- เชิงอารมณ์: ให้คุณค่ากับความสำคัญของการดำเนินการแบบวนรอบ (cyclic execution) และการจัดการสถานะ (state management) ในการเลียนแบบกระบวนการทำงานทางปัญญาที่ซับซ้อนของมนุษย์