การสร้าง AI Agents ด้วย LlamaIndex และ RAG

ในขณะที่ปัญญาประดิษฐ์วิวัฒนาการไป โมเดลภาษาแบบคงที่ (static) นั้นไม่เพียงพออีกต่อไป แอปพลิเคชันสมัยใหม่ต้องการ AI ที่สามารถดึงข้อมูลที่กำหนดเองและดำเนินงานหลายขั้นตอนได้อย่างคล่องตัว คอร์สนี้จะสอนวิธีเชื่อมช่องว่างระหว่าง Large Language Models และแหล่งข้อมูลของคุณเองโดยใช้ LlamaIndex คุณจะเริ่มต้นด้วยแนวคิดพื้นฐานของ AI agents และ Retrieval-Augmented Generation (RAG) โดยจะดำเนินการไปทีละขั้นตอนผ่านกระบวนการสร้างเวิร์กโฟลว์แบบ agentic ที่แข็งแกร่งและขับเคลื่อนด้วยข้อมูล สิ่งที่คุณจะได้เรียนรู้: ทำความเข้าใจคำศัพท์พื้นฐานของ AI agents, LLMs และสถาปัตยกรรม RAG กำหนดค่า LlamaIndex เพื่อนำเข้า (ingest), ทำดัชนี (index) และสืบค้นแหล่งข้อมูลที่คุณกำหนดเอง สร้าง RAG pipelines พื้นฐานเพื่อปรับปรุงความแม่นยำและความเกี่ยวข้องของการตอบสนองของ AI ออกแบบเวิร์กโฟลว์แบบ agentic ที่สามารถแยกย่อยคำถามที่ซับซ้อนและกำหนดเส้นทางงานได้อย่างมีประสิทธิภาพ รวมฐานข้อมูลเวกเตอร์ (vector databases) สมัยใหม่เพื่อจัดเก็บและดึงข้อมูลอย่างมีประสิทธิภาพ ประยุกต์ใช้พื้นฐาน prompt engineering เพื่อแนะนำ agents ของคุณไปสู่ผลลัพธ์ที่เชื่อถือได้ คอร์สนี้เริ่มต้นด้วยคำศัพท์ที่จำเป็นและแนวคิดพื้นฐาน ก่อนที่จะนำคุณผ่านแบบฝึกหัดการเขียนเพื่อสร้างดัชนีข้อมูลและลูป agentic แรกของคุณ คุณจะก้าวหน้าจากการสืบค้นเอกสารแบบง่ายๆ ไปสู่การออกแบบ AI agents แบบหลายขั้นตอนที่สามารถให้เหตุผลเหนือชุดข้อมูลที่ซับซ้อนได้ คอร์สนี้ออกแบบมาสำหรับผู้เริ่มต้น ผู้ที่ต้องการเป็นวิศวกรข้อมูล และนักพัฒนาที่ไม่มีประสบการณ์ด้าน AI มาก่อน ซึ่งต้องการทำความเข้าใจกลไกของเวิร์กโฟลว์แบบ agentic เริ่มอ่านวันนี้เพื่อปลดล็อกศักยภาพของข้อมูลของคุณและสร้าง AI agent ที่ชาญฉลาดตัวแรกของคุณ