| รายละเอียด

ปลดล็อกพลังของข้อมูลคุณ สู่การสร้าง AI Agent และ Chatbot อัจฉริยะด้วย n8n แบบลงมือปฏิบัติจริง

Generative AI กลายเป็นปัจจัยสำคัญในการสร้างความได้เปรียบทางการแข่งขัน แต่ความท้าทายที่แท้จริงไม่ใช่แค่การใช้ AI — แต่คือการทำให้ AI ตอบคำถามจากข้อมูลจริงขององค์กรได้อย่างแม่นยำ ไม่ว่าจะเป็นเอกสาร ฐานข้อมูล หรือข้อมูลจากเว็บไซต์

หลักสูตรนี้ออกแบบมาให้ผู้เรียนสามารถสร้าง AI Agent และ Chatbot ที่เชื่อมต่อกับข้อมูลจริงได้ครบทุกรูปแบบ โดยครอบคลุม 4 เทคนิคหลัก ได้แก่

• RAG (Retrieval-Augmented Generation) — สร้าง AI ที่ตอบคำถามจากเอกสารและองค์ความรู้ภายในองค์กรได้อย่างแม่นยำ ลด Hallucination และอ้างอิงแหล่งที่มาได้ ด้วยเทคนิคขั้นสูงอย่าง Hybrid Search, BM25, Reranking และ Context Retrieval
• Text-to-SQL — สร้าง AI Agent ที่แปลงคำถามภาษาธรรมชาติเป็น SQL Query เพื่อดึงข้อมูลจากฐานข้อมูลได้โดยตรง
• Web Scraping — สร้าง Agent ที่ดึงและประมวลผลข้อมูลจากเว็บไซต์แบบอัตโนมัติ
• OCR — สกัดข้อมูลจากเอกสารรูปภาพและ PDF เพื่อนำเข้าสู่ระบบ AI ได้อย่างมีประสิทธิภาพ

ทั้งหมดนี้พัฒนาบน n8n ซึ่งเป็น Low-code Automation Platform ที่ช่วยให้ผู้เรียนออกแบบ ปรับปรุง และ Deploy Workflow ได้รวดเร็ว โดยไม่ต้องเขียนโค้ดทั้งหมด

หลักสูตร 3 วันเต็ม อัดแน่นด้วยภาคทฤษฎีและ Workshop ปฏิบัติจริงกว่า 10 Workshop ครอบคลุมทุก Use Case ตั้งแต่ Simple RAG, Hybrid RAG บน Qdrant Vector Database, Text-to-SQL Agent, Web Scraping Agent ไปจนถึงการพัฒนา Chat UI ที่ตอบจากข้อมูลภายในองค์กร พร้อม Inline Citation เพื่อให้ผู้เรียนนำไปใช้งานได้จริงทันทีหลังจบหลักสูตร

ระยะเวลา 3 วัน (09:00 – 16:30 น.)

💰 หลักสูตรของสถาบันไอเอ็มซี สามารถยื่นรับรองหลักสูตรและลดหย่อนภาษีได้ 200%

หลักสูตรนี้เหมาะกับ

• AI Developers & Engineers ที่ต้องการสร้าง AI Agent และ Chatbot ที่เชื่อมต่อกับข้อมูลจริง ด้วยเทคนิค RAG, Text-to-SQL และ Hybrid Search บน n8n และ Qdrant
• Data Scientists & Analysts ที่ต้องการเปลี่ยนเอกสาร ฐานข้อมูล และองค์ความรู้ขององค์กรให้เป็น AI Application ที่ตอบคำถามได้อย่างแม่นยำพร้อมอ้างอิงแหล่งที่มา
• Software Developers ที่ต้องการขยายความสามารถสู่การพัฒนา AI Agent, Chatbot และระบบ Automation ที่ครอบคลุมทั้ง RAG, Text-to-SQL, Web Scraping และ OCR
• Project Managers & Team Leaders ที่ดูแลโครงการ AI และต้องการเข้าใจสถาปัตยกรรมระบบ เพื่อวางแผน ประเมินขอบเขต และบริหารทีมพัฒนาได้อย่างมีประสิทธิภาพ
• IT Professionals & Consultants ที่ต้องการให้คำปรึกษาและออกแบบระบบ AI Agent, RAG และ n8n Workflow ให้กับลูกค้าหรือองค์กร
• ผู้ที่สนใจทั่วไป ที่อยากสร้าง AI Agent และ Chatbot จากข้อมูลของตัวเอง โดยไม่จำเป็นต้องมีพื้นฐานการเขียนโค้ด

ประโยชน์ที่ได้รับ

• เข้าใจหลักการทำงานของ RAG อย่างครบวงจร ตั้งแต่ Chunking, Embedding, Vector Database และ Retrieval จนถึง Hybrid RAG ด้วย Dense + Sparse Vector, BM25 และ Reranking เพื่อเลือกใช้เทคนิคให้เหมาะกับแต่ละ Use Case
• สร้าง AI Agent และ Chatbot ที่ตอบคำถามจากข้อมูลจริงได้ครบทุกรูปแบบ ทั้งเอกสาร ฐานข้อมูล เว็บไซต์ และรูปภาพ ด้วย RAG, Text-to-SQL, Web Scraping และ OCR บน n8n
• ออกแบบและพัฒนา Workflow AI Agent บน n8n ได้จริง ตั้งแต่ Simple RAG จนถึง Production-Grade Hybrid RAG พร้อมบริหารจัดการ Token, Parameter และเลือกโมเดลให้เหมาะสมและคุ้มค่า
• ประยุกต์ใช้ Qdrant Vector Database ในระดับขั้นสูง ด้วย Indexing, Filtering, การสร้าง Metadata อัตโนมัติด้วย Generative AI และการให้ AI Agent เขียน Filter ก่อน Retrieval เพื่อเพิ่มความแม่นยำ
• สร้าง Chat UI ที่ตอบจากข้อมูลภายในองค์กรพร้อม Inline Citation ลด Hallucination และสร้างความน่าเชื่อถือ พร้อมแนวทางต่อยอดสู่ Use Case ใหม่ในอนาคต

เนื้อหาในการอบรม

วันที่ 1: ปูพื้นฐาน Generative AI และสร้าง AI Agent ด้วย n8n

วิทยากร: รศ.ดร.ธนชาติ นุ่มนนท์ และ คุณกิตติกร ศรีวิชัย

บรรยาย: พื้นฐานและ Trend ของ Generative AI

• ความเข้าใจพื้นฐานของ Generative AI
• บทบาทของ AI ต่อการเพิ่มขีดความสามารถในการแข่งขันขององค์กร
• Finetuning vs RAG
• แนวทางการพัฒนา AI Agent ในองค์กร

บรรยาย: Generative AI Concept & Parameter

• รู้จักกับหน่วยการนับ Token และค่าใช้จ่ายในการใช้งาน
• ขีดจำกัดและความสามารถของแต่ละโมเดล
• Parameter ที่ส่งผลต่อการตอบของ Generative AI

Workshop 1: รู้จักกับ n8n เครื่องมือในการพัฒนา AI Agent

• รู้จักกับ n8n Automation Workflow
• เรียนรู้การตั้งค่า n8n การใช้งาน Trigger Node และเครื่องมือพื้นฐาน 
• สร้าง AI Agent พื้นฐาน: Model, System Prompt และ Memory

Workshop 2: AI Agent กับการเชื่อมต่อ External Tools

• การเชื่อมต่อ AI Agent กับ External Tools และ API (Wikipedia, Google Services)
• สร้าง Multi-step AI Agent Workflow บน n8n อย่างเป็นระบบโดยใช้ Flow Node และ Data Transformation Node 

---

วันที่ 2: Text-to-SQL, OCR, Web Scraping 

วิทยากร: คุณนิธิรันดร์ นุ่มนนท์

Workshop 1: Text-to-SQL AI Agent

• หลักการทำงานของ Text-to-SQL
• สร้าง AI Agent ที่แปลงคำถามภาษาธรรมชาติเป็น SQL Query
• เชื่อมต่อ AI Agent กับฐานข้อมูลและทดสอบการดึงข้อมูลจริง

Workshop 2: การสกัดข้อมูลจากแหล่งต่างๆ

• Workshop 2.1: OCR — สกัดข้อมูลจากไฟล์รูปภาพและ PDF
• Workshop 2.2: Web Scraping — ดึงข้อมูลจากเว็บไซต์อัตโนมัติ
• Workshop 2.3: Google Drive — เชื่อมต่อและดึงข้อมูลจาก Google Drive

Workshop 3: เชื่อมต่อ AI Agent กับ LINE

• ตั้งค่า LINE Messaging API
• สร้าง n8n Workflow รับ-ส่งข้อความผ่าน LINE
• เชื่อมต่อ AI Agent กับ LINE Chatbot

---

วันที่ 3: Hybrid RAG ด้วย Qdrant, Context Retrieval และ Chat UI

วิทยากร: คุณกฤษกร เขียวส่องสกุล

บรรยาย: ทฤษฎี Retrieval-Augmented Generation

• สาเหตุที่ต้องสร้าง Knowledge ขององค์กรด้วย RAG
• ขั้นตอนพื้นฐาน: Information Extraction, Chunking, Embedding, Vector Database, Retrieval และ LLM Response
• จุดเด่นและข้อควรระวังในการทำ RAG

Workshop 1: Naive RAG System with Qdrant Vector Database

• Feature ต่างๆ ของ Qdrant Vector Database
• สร้าง RAG System บน Qdrant ด้วย n8n
• ทดสอบการถามตอบจากข้อมูลจริง

Workshop 2: การเพิ่มประสิทธิภาพ Chunk ด้วย Context Retrieval

• ปัญหาของการ Chunking
• ทฤษฎี Context Retrieval ของ Anthropic
• สร้าง n8n Workflow ปรับปรุง Chunk ด้วย Context Retrieval บน Qdrant

Workshop 3: Indexing & Filtering Qdrant

• การทำ Indexing & Filtering บน Qdrant
• การให้ AI Agent เขียน Filter สำหรับ Qdrant ก่อนดึงข้อมูล
• การดึงข้อมูลและ Reranking ผลลัพธ์

Workshop 4: Metadata Extraction

• การออกแบบ Metadata
• การให้ AI Agent สกัด Metadata จากเอกสาร

บรรยาย: ทฤษฎี Hybrid RAG
Dense & Sparse Vector

• Semantic Search & BM25
• Reranking
• เปรียบเทียบผลลัพธ์ Naive RAG กับ Hybrid RAG

Workshop 5: Hybrid RAG — สร้าง Vector Database (n8n Workflow)

• การโหลดข้อมูลและจัดการไฟล์ประเภทต่างๆ
• การสร้าง Metadata อัตโนมัติด้วย Generative AI
• การนำเข้าข้อมูล Metadata, Dense Vector และ Sparse Vector
• การจัดเก็บ Log และระบบลบ/อัปเดตข้อมูล

Workshop 6: Hybrid RAG — Query & AI Filtering (n8n Workflow)

• การทำ Indexing & Filtering บน Qdrant
• การให้ AI Agent เขียน Filter สำหรับ Qdrant ก่อนดึงข้อมูล
• การดึงข้อมูลและ Reranking ผลลัพธ์

Workshop 7: Chat UI & Citation (n8n Workflow)

• สร้าง AI Agent ตอบคำถามจาก Vector Database
• การอ้างอิง Citation และ Inline Citation ระดับมืออาชีพ

บรรยาย: ตัวอย่างการใช้งาน LLM Wiki

• LLM Wiki (Karpathy): แทนที่จะให้ LLM ค้นหาจากเอกสารดิบซ้ำทุกครั้ง (RAG) ให้ LLM สร้างและดูแล Wiki Markdown แบบถาวร ที่สะสมความรู้ เชื่อมโยง และสังเคราะห์ข้อมูลไว้ล่วงหน้า — ความรู้จึง compound ขึ้นเรื่อยๆ แทนที่จะเริ่มใหม่ทุกคำถาม