พื้นฐานการทดสอบโมเดล Machine Learning และ AI

เนื่องจากปัญญาประดิษฐ์และ Large Language Models ได้เข้ามาเป็นส่วนหนึ่งในซอฟต์แวร์ประจำวัน การสร้างความมั่นใจในความน่าเชื่อถือ ความปลอดภัย และความแม่นยำจึงเป็นเรื่องสำคัญมากกว่าที่เคย วิธีการทดสอบซอฟต์แวร์แบบดั้งเดิมนั้นยังไม่เพียงพอเมื่อนำมาใช้กับลักษณะความน่าจะเป็น (probabilistic) ของ AI สมัยใหม่ คอร์สนี้จะช่วยแนะนำขั้นตอนทีละขั้นตอนที่ชัดเจนในการประเมินโมเดล Machine Learning, LLMs พื้นฐาน และ Conversational Agents พร้อมมอบทักษะในการออกแบบกลยุทธ์การทดสอบที่รัดกุมให้แก่คุณ สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจความแตกต่างพื้นฐานระหว่างการทดสอบซอฟต์แวร์แบบดั้งเดิมกับการประเมินระบบ AI เชิงความน่าจะเป็น - ประยุกต์ใช้เทคนิคการแบ่งข้อมูล เช่น K-Fold cross-validation เพื่อป้องกันการเกิด Overfitting และรับประกันการทำงานทั่วไปของโมเดลที่เชื่อถือได้ - ประเมิน Large Language Models (LLMs) โดยใช้มาตรฐานอุตสาหกรรม เช่น MMLU, HumanEval และ BLEU - ประเมินประสิทธิภาพของแชทบอทและ Conversational AI ในด้านความแม่นยำ ความปลอดภัย และความสอดคล้อง - ใช้งานรูปแบบการทดสอบสมัยใหม่สำหรับระบบ Retrieval-Augmented Generation (RAG) โดยตรวจสอบทั้งความแม่นยำในการดึงข้อมูลและการสร้างคำตอบ - ระบุและทดสอบความเสี่ยงด้านจริยธรรม อคติ ความเป็นพิษ และช่องโหว่ด้านความปลอดภัย เช่น การทำ Prompt Injection คุณจะได้เริ่มต้นจากคำศัพท์พื้นฐานเกี่ยวกับการทดสอบและแนวคิดหลักของ Machine Learning ก่อนที่จะก้าวไปสู่เมตริกการประเมินขั้นสูงสำหรับ Generative AI ผ่านคำอธิบายที่เป็นลายลักษณ์อักษรที่ชัดเจนและแบบฝึกหัดเชิงแนวคิด คุณจะได้เรียนรู้วิธีการออกแบบ End-to-End Testing Pipelines คอร์สนี้ออกแบบมาสำหรับวิศวกร QA ระดับเริ่มต้น นักพัฒนา และผู้ที่ชื่นชอบ AI ที่ต้องการก้าวเข้าสู่สายงานความปลอดภัยและการประเมิน AI โดยไม่จำเป็นต้องมีพื้นฐานทางคณิตศาสตร์ขั้นสูงหรือประสบการณ์ด้านการเขียนโปรแกรม เริ่มต้นสร้างระบบ AI ที่ปลอดภัยและน่าเชื่อถือยิ่งขึ้นได้แล้ววันนี้