Day 1: Essentials of LLMs and Development Life Cycle [รศ.ดร.ธนชาติ นุ่มนนท์]

🔹 LLMs คืออะไร และต่างจาก Deep Learning model อย่างไร

🔹 ความสามารถหลักของ LLMs

🔹 ข้อจำกัดของ LLMs

▪️ Hallucination

▪️ Size

▪️ Open source or Not

▪️ อื่น ๆ

🔹 ทางเลือกในการพัฒนา LLMs

▪️ Prompt Engineering

▪️ RAG (Retreival Augmented Generation)

▪️ Fine-tunning

▪️ อื่น ๆ

🔹 Real-World Application of LLMs

▪️ ตัวอย่างงานทางด้าน Customer Experience

▪️ การใช้งานด้าน Automation

🔹 LLMs Development Life Cycle

▪️ Use Case & Scoping

▪️ Model Selection

▪️ Adapt and Integration

▪️ Evaluation

🔹 การวัดผลและการเลือก LLMs ในธุรกิจ

▪️ การวัดผลของ LLMs

▪️ เปรียบเทียบ LLMs กับ Language Model อื่นๆ

▪️ ความท้าทายต่างๆของ LLMs

Day 2: การพัฒนา RAG Applications with Contextual Retrieval [อ.เอกอนันต์ ทองแท้]

🔹 RAG คืออะไร และข้อจำกัดของ Traditional RAG

🔹 Understanding of Contextual Retrieval

▪️ ปัญหาของการสูญเสีย Context ใน Traditional RAG

▪️ หลักการทำงานของ Contextual Retrieval

▪️ การเพิ่ม Context ให้กับ Chunks

🔹 ทำความเข้าใจอย่างลึกซึ้งกับกลไกการทำงาน Embedding

🔹 ลึก ๆ แล้วมีอะไรจัดเก็บใน Vector Database บ้าง

🔹 Advanced Hybrid Search

▪️ การออกแบบ Hybrid Search ที่มีประสิทธิภาพ

▪️ การผสมผสาน Dense และ Sparse Retrieval

▪️ เทคนิค Reciprocal Rank Fusion

▪️ การปรับแต่ง Weight และ Scoring Algorithm

🔹 Hands-on (ภาคปฏิบัติ): Contextual RAG Application

▪️ การสร้าง Contextual Embeddings

▪️ การ implement Hybrid Search ที่ได้ผลอย่างแท้จริง

▪️ การวัดผลและเปรียบเทียบกับ Traditional RAG

Day 3: Multi-Agent Systems Concepts & Demonstration [อ.เอกอนันต์ ทองแท้]

🔹 สถาปัตยกรรมโมเดลของ LLMs ในมุมมองด้าน Agentic AI

▪️ Attention, Feed Forward, Softmax, Embedding

▪️ การประยุกต์ใช้สำหรับ Agent Systems

🔹 Introduction to Multi-Agent Systems

▪️ ทำไมต้องใช้หลาย Agent? แทนที่จะใช้ Agent เดียว

▪️ ตัวอย่างจากชีวิตจริง: ทีมงานในออฟฟิศ vs คนเดียวทำงานทุกอย่าง

▪️ ประโยชน์ของ Multi-Agent: แยกหน้าที่, เชี่ยวชาญเฉพาะด้าน, ทำงานพร้อมกัน

🔹 Multi-Agent Design Patterns (แบบง่าย)

▪️ Sequential: Agent A → Agent B → Agent C

▪️ Parallel: Agent A, B, C ทำงานพร้อมกัน แล้วรวมผล

▪️ Supervisor: มี Agent หลักคอยสั่งงาน Agent อื่น ๆ

🔹 Multi-Agent Frameworks และ Workflow Automation

▪️ n8n: สำหรับ workflow automation และการเชื่อมต่อระบบต่างๆ

▪️ Workflow Automation Tools อื่น ๆ สำหรับ Multi-Agent Systems

▪️ เปรียบเทียบแบบง่าย ๆ: ใช้ตัวไหน เมื่อไหร่

🔹 Hands-on (ภาคปฏิบัติ) Customer Service Agent System

▪️ Scenario: ระบบ Customer Service แบบ Multi-Agent

▪️ Agent 1: Intent Classifier (จำแนกประเภทคำถาม)

▪️ Agent 2: RAG & Database Agent (ค้นหาข้อมูลจาก RAG และ MSSQL + สร้างคำตอบ)

▪️ Agent 3: Quality Controller (ตรวจสอบคุณภาพและความถูกต้อง)

🔹 Hands-on (ภาคปฏิบัติ) การสาธิต HR Agent สำหรับสรรหาบุคคลที่มีคุณสมบัติตามตำแหน่งงาน และแนะนำการพัฒนา competency

▪️ Scenario: ระบบ HR Multi-Agent

▪️ Agent 1: Job Requirements Analyzer (วิเคราะห์ความต้องการตำแหน่งงาน)

▪️ Agent 2: Candidate Profile Matcher (จับคู่ผู้สมัครกับตำแหน่ง)

▪️ Agent 3: Competency Development Advisor (แนะนำการพัฒนาทักษะ)

🔹 Best Practices & Tips

▪️ เริ่มจาก Single Agent ก่อน แล้วค่อยแยกเป็น Multi-Agent

▪️ การออกแบบ Agent Roles ให้ชัดเจน

▪️ การจัดการ errors ใน Multi-Agent systems