รายละเอียด Bootcamp

"Modern AI Engineering Bootcamp" รุ่นที่ 1

วันที่ 22 กันยายน 2569 ถึง 28 มีนาคม 2570 (6 เดือน Online + On-site)

( รวม 84 ชั่วโมง )

ภาพรวม Bootcamp

Modern AI Engineering Bootcamp คือหลักสูตรพิเศษที่ออกแบบขึ้นสำหรับผู้ที่ต้องการพัฒนาตัวเองเข้าสู่สายงาน AI Engineer, Generative AI Engineer และ Applied AI Engineer โดยมุ่งเน้นการสร้างระบบ AI และ Large Language Model (LLM) ที่สามารถนำไปใช้งานจริงในระดับ Production

ในช่วงไม่กี่ปีที่ผ่านมา Generative AI และ Large Language Model (LLM) ได้เปลี่ยนรูปแบบการพัฒนา Software อย่างรวดเร็ว จากเดิมที่ AI ถูกใช้เป็นเพียงเครื่องมือช่วยตอบคำถามหรือสร้างเนื้อหา ปัจจุบัน AI สามารถเชื่อมต่อกับฐานข้อมูล เรียกใช้ API เข้าถึงเครื่องมือภายนอก ค้นหาข้อมูลจากเอกสาร ทำงานเป็น Agent และดำเนิน Workflow ที่ซับซ้อนได้มากขึ้น

ขณะเดียวกัน รูปแบบการพัฒนา Software ก็กำลังเปลี่ยนแปลง จากการมาถึงของ AI Coding Assistants และ Coding Agents ซึ่งสามารถอ่าน Codebase วิเคราะห์ Requirement วางแผนงาน เขียนและแก้ไขโค้ด รันคำสั่ง ทดสอบระบบ ตรวจสอบผลลัพธ์ และช่วย Review Code ได้

อย่างไรก็ตาม การสร้างระบบ AI ที่ใช้งานได้จริง ไม่ได้จบเพียงแค่การเรียกใช้ LLM API หรือเขียน Prompt ให้ได้คำตอบที่ดี แต่ต้องอาศัยความเข้าใจทั้งด้าน Software Engineering, Data, Machine Learning Fundamentals, AI System Architecture, Evaluation, Security และ Production Infrastructure

Bootcamp นี้จึงไม่ได้ออกแบบมาเพื่อสอนเพียงการ “ใช้ AI” หรือ “สร้าง Chatbot” แต่เน้นการพัฒนาทักษะด้าน AI Engineering อย่างเป็นระบบ ตั้งแต่พื้นฐานภาษา Python การสร้าง AI Backend การทำงานกับข้อมูล การเชื่อมต่อ LLM การสร้าง Retrieval-Augmented Generation (RAG) การพัฒนา Tools และ MCP ไปจนถึงการสร้าง AI Agents และ Agentic Workflows

หลักสูตรให้ความสำคัญกับแนวคิด AI Engineering as Software Engineering โดยผู้เรียนจะได้ฝึกพัฒนาระบบ AI ด้วยกระบวนการที่สามารถตรวจสอบ ทดสอบ และควบคุมคุณภาพได้ เช่น

Requirement → Specification → Plan → Implementation → Test → Evaluate → Review → Deploy → Observe → Improve

ผู้เรียนจะได้เรียนรู้แนวคิดสำคัญอย่าง Prompt Engineering, Context Engineering และ Harness Engineering เพื่อเข้าใจว่าคุณภาพของ AI System ไม่ได้ขึ้นอยู่กับ Prompt เพียงอย่างเดียว แต่ยังขึ้นอยู่กับ Context, Data, Tools, Environment, Memory และ Runtime ที่ถูกส่งให้ Model ในแต่ละช่วงของการทำงาน

หลักสูตรยังครอบคลุม Grounding Models with Data ตั้งแต่ Semantic Search, Vector Database, Retrieval-Augmented Generation (RAG), Hybrid Search และ Reranking ไปจนถึงการเชื่อม LLM กับ SQL Database, REST API, Search Service และ Business Systems

ในด้าน Agentic AI ผู้เรียนจะได้เรียนรู้ Tool Calling, Model Context Protocol (MCP), AI Agents และ Agentic Workflows ตั้งแต่ Agent Loop, State, Memory, Planning, Tools และ Human-in-the-loop ไปจนถึง Workflow Pattern เช่น Sequential, Parallel, Router และ Orchestrator–Worker

อีกหนึ่งแนวคิดสำคัญของหลักสูตรคือ Evaluation-Driven Development ซึ่งเปลี่ยนกระบวนการพัฒนาจาก Build แล้วค่อยดูผลลัพธ์ มาเป็นการกำหนด Success Criteria, Test Dataset และ Evaluation ตั้งแต่ช่วงการออกแบบระบบ

ผู้เรียนจะได้เรียนรู้การสร้าง Golden Dataset, Automated Evaluation, LLM-as-a-Judge, Human Evaluation, RAG Evaluation, Agent Evaluation และ Regression Testing เพื่อให้สามารถวัดคุณภาพของ AI System ได้อย่างเป็นระบบ

หลักสูตรยังเพิ่มทักษะด้าน Coding Agents และ AI-Assisted Software Engineering โดยผู้เรียนจะได้ฝึกเตรียม Repository Context, Project Instructions, Specification และ Agent Plan ก่อนให้ Coding Agent ลงมือพัฒนา

Workflow ที่ใช้จะเน้นแนวทาง Requirement → Consolidated Specification → Agent Plan → Implementation → Test → Review → Fix → Test Again → Commit เพื่อให้ AI ช่วยเพิ่ม Productivity โดยยังคง Engineering Discipline และ Human Oversight

นอกจากนี้ ผู้เรียนจะได้เรียนรู้ Shaping the Build ตั้งแต่ Problem Framing, Requirement Engineering, AI Use Case Design, Success Criteria, Architecture Decisions, Build vs Buy และ Model Selection

เป้าหมายคือให้สามารถตัดสินใจได้ว่า โจทย์ใดควรใช้ Traditional Software / Rules, Prompt, RAG, Tool Calling, Agent หรือ Fine-tuning รวมถึงรู้ว่าเมื่อใด ไม่จำเป็นต้องใช้ AI

หลักสูตรให้ความสำคัญอย่างมากกับ AI Security, Guardrails, Responsible AI และ AI Governance เพื่อให้ผู้เรียนสามารถวิเคราะห์และลดความเสี่ยงจาก Prompt Injection, Indirect Prompt Injection, Data Leakage, Tool Abuse และ Excessive Agency รวมถึงเข้าใจ Privacy, PII, Auditability และ Human Oversight

ในส่วน Production ผู้เรียนจะได้เรียนรู้ LLMOps, Observability, Reliability และ Production AI Architecture เช่น Logging, Tracing, Token Usage, Latency, Cost Monitoring, Model Routing, Fallback, Caching, Docker, HTTPS และ CI/CD

หลักสูตรยังครอบคลุมพื้นฐาน AI Infrastructure และ Model Serving เช่น Open-weight Models, Hugging Face, Local AI, GPU, VRAM, Quantization, Throughput, Latency และ Model Serving เพื่อให้เข้าใจความแตกต่างระหว่าง Cloud Model, Local Model และ Hybrid AI Architecture

เป้าหมายของเราคือการสร้าง AI Engineer ยุคใหม่ ที่ไม่ได้เพียงรู้จัก Framework หรือเครื่องมือ AI ที่กำลังได้รับความนิยม แต่สามารถคิดเชิงระบบ วิเคราะห์ปัญหา เลือกเทคโนโลยี ออกแบบ Architecture ประเมินคุณภาพ ดูแลระบบ และนำ AI System ขึ้นใช้งานจริงได้

ด้วยเหตุนี้ Modern AI Engineering Bootcamp จึงให้ความสำคัญกับทั้ง Fundamentals, Software Engineering, System Thinking, AI Architecture, Evaluation และ Production Engineering เพื่อให้ผู้เรียนสามารถสร้างระบบ AI ที่มีคุณภาพ สามารถดูแล ทดสอบ ประเมิน และต่อยอดได้จริงในระยะยาว

“ถ้าคุณต้องการก้าวเข้าสู่สายงาน AI Engineer หรือพัฒนาตัวเองจาก Software Developer ไปสู่การสร้างระบบ AI ที่ใช้งานได้จริง ผมขอแนะนำหลักสูตรนี้ครับ”

โค้ชเอก เอกนรินทร์ คำคูณ

"Modern AI Engineering Bootcamp" รุ่นที่ 1

ภาพรวม Bootcamp

เป้าหมายการเรียนรู้ (Learning Goals)

คอร์สนี้เหมาะกับใคร?

เนื้อหาการเรียน

วัน เวลา และรูปแบบการเรียน

ราคาต่อท่าน

ลงทะเบียนที่นี่

ชำระเงินด้วยการโอนเงินได้ที่

ชำระเงินผ่านบัตรเครดิต และผ่อนชำระเงินผ่านบัตรเครดิต (สูงสุด 6 เดือน)

รายชื่อผู้ลงทะเบียน Bootcamp นี้

ติดต่อสอบถามเพิ่มเติม

ลงทะเบียนที่นี่