Knowledge & RAG — ให้ AI ใช้ความรู้ขององค์กร

เนื้อหาในคอร์ส (8 บท)

1. ความรู้ให้ LLM มีทางไหน — in-weights (train) กับ in-context (RAG / Wiki)
2. RAG คืออะไร ทำงานอย่างไร (retrieve → augment → generate)
3. Embeddings + vector search: chunking, embedding model, similarity, store
4. RAG ให้ดี: hybrid search, reranking, query rewrite, context assembly
5. LLM-Wiki #1 — แนวคิด Karpathy: entity pages, 3 ชั้น, [[links]], compounding vs RAG
6. LLM-Wiki #2 — maintenance loop: LLM reader + maintainer, tools, schema, กับดัก
7. RAG vs Wiki vs knowledge graph vs agentic memory — เลือก/ผสมเมื่อไหร่
8. ลงมือบน Spark: local embeddings + vector store + LLM ในเครื่อง + วัดผลภาษาไทย

ต่างจากวิธีอื่นอย่างไร

• RAG vs Post-trainingRAG ค้นความรู้ภายนอกมาประกอบตอนตอบ ไม่แตะน้ำหนักโมเดล · Post-training/Distillation เปลี่ยนโมเดลระหว่างฝึก — เป้าหมายและต้นทุนต่างกัน
• ทำได้บนเครื่องเดียวembedding + vector store + LLM รันใน DGX Spark ทั้งหมด เอกสารไม่ออกจากเครื่อง
• ใช้ต่อใน SuiteRAG Engine ใน AI Server Suite (รุ่นทดลอง) สร้างจากแนวทางในคอร์สนี้

รายละเอียดคอร์ส · เส้นทางเรียนทั้ง 11 คอร์ส