𝐃𝐚𝐲 𝟏: Essentials of LLMs and Development Life Cycle

🔹 LLMs คืออะไร และต่างจาก Deep Learning model อย่างไร [รศ.ดร.ธนชาติ นุ่มนนท์]

🔹 ความสามารถหลักของ LLMs [รศ.ดร.ธนชาติ นุ่มนนท์]

🔹 ข้อจำกัดของ LLMs [รศ.ดร.ธนชาติ นุ่มนนท์]

▪ Hallucination

▪ Size

▪ Open source or Not

▪ อื่นๆ

🔹 ทางเลือกในการพัฒนา LLMs [รศ.ดร.ธนชาติ นุ่มนนท์]

▪ Prompt Engineering

▪ RAG (Retreival Augmented Generation)

▪ Fine-tunning

▪ อื่นๆ

🔹 Real-World Application of LLMs [ดร.โกเมษ จันทวิมล]

▪ ตัวอย่างงานทางด้าน Customer Experience

▪ การใช้งานด้าน Automation

🔹 LLMs Development Life Cycle [ดร.โกเมษ จันทวิมล]

▪ Use Case & Scoping

▪ Model Selection

▪ Adapt and Integration

▪ Evaluation

🔹 การวัดผลและการเลือก LLMs ในธุรกิจ [ดร.โกเมษ จันทวิมล]

▪ การวัดผลของ LLMs

▪ เปรียบเทียบ LLMs กับ Language Model อื่นๆ

▪ ความท้าทายต่างๆของ LLMs

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

🔹 RAG คืออะไร

🔹 Understanding of RAG

🔹 Vector, Vectorization, Indexing and Embedding แตกต่างกันอย่างไร

🔹 Essential of Vector Database/Stores

🔹 ทางเลือกในการ implementation of RAG

🔹 LAB - การพัฒนา RAG Application ด้วย Azure Prompt Flow (NO Code)

▪ Overviewing of Azure Cloud

▪ การใช้ Azure Prompt Flow สร้าง Vector Database/Stores

▪ การใช้ Azure Prompt Flow สร้าง RAG app.

🔹 LAB - การพัฒนา RAG Application ด้วย LangChain (Low Code)

𝐃𝐚𝐲 𝟑 : การ Fine-Tuning local LLMs สำหรับองค์กร [อ.เอกอนันต์ ทองแท้]

🔹 สถาปัตยกรรมโมเดลของ LLMs

▪ Attention

▪ Feed Forward

▪ Softmax

▪ Embedding

🔹 จากสถาปัตยกรรมสู่ Framework/libraries สำหรับการพัฒนาด้วย code

▪ LangChain

🔹 การ fine-tuning ให้โมเดลเข้าใจและสื่อสาร ภาษาไทย ได้

🔹 เข้าใจการลดขนาดโมเดลด้วยเทคนิค Quantization

▪ BitsAndBytes

🔹 เข้าใจการเลือกปรับแต่งค่า weight/parameter อย่างมีประสิทธิภาพด้วย LoRA

▪ PEFT

🔹 LAB - การ fine-tuning local LLMs ให้เข้าใจและสื่อสาร ภาษาไทยได้

🔹 LAB - การปรับปรุง RAG app. ด้วย fine-tuned LLMs