คู่มือเริ่มต้นการทำ Fine-tuning: พื้นฐานและเกณฑ์การตัดสินใจสำหรับองค์กร B2B ก่อนสร้าง LLM ของตนเอง
อธิบายกลไก Fine-tuning ตั้งแต่พื้นฐาน ความสัมพันธ์กับ PEFT/LoRA การเลือกใช้ร่วมกับ RAG การคำนวณต้นทุน และเช็คลิสต์สำหรับธุรกิจ B2B ในการพัฒนาโมเดลเอง
การดำเนินงาน LLM & RAG
บทความหมวด "การดำเนินงาน LLM & RAG" 17 บทความ — ตัวอย่างการนำไปใช้จริง การออกแบบ PoC และแนวทางปฏิบัติด้าน AI, DX และความปลอดภัย สำหรับผู้บริหารและทีม IT
ทั้งหมดAI และ ML(19)การดำเนินงาน LLM & RAG(17)AI Agents(14)DX(14)ความปลอดภัยไซเบอร์(11)PoC(2)เครื่องมือสำหรับนักพัฒนา(4)ธุรกิจในประเทศไทย(18)
AI Grounding คืออะไร? คู่มือการเพิ่มความแม่นยำของ LLM ด้วยการตรวจสอบข้อเท็จจริงและการค้นหาผ่านเว็บ
AI Grounding ยืนยันคำตอบของ LLM ด้วยแหล่งข้อมูลที่น่าเชื่อถือ เรียนรู้วิธีลด Hallucination ด้วย RAG และการค้นหาเว็บ พร้อมขั้นตอนการนำไปใช้งานในองค์กร
AI Gateway คืออะไร? คู่มือการใช้งานเพื่อรวมศูนย์ LLM หลายผู้ให้บริการอย่างปลอดภัย
AI Gateway คือเลเยอร์ตัวกลางที่รวม LLM หลายเจ้าไว้ในอินเทอร์เฟซเดียว พร้อมคู่มือการออกแบบและใช้งานเพื่อเพิ่มประสิทธิภาพต้นทุน ทำ Failover และบันทึก Audit Log
AI × Synthetic Test คืออะไร? กลไกการประเมิน LLM และ AI Agent ด้วยข้อมูลสังเคราะห์
Synthetic Test คือการประเมิน AI ด้วยข้อมูลสังเคราะห์ เรียนรู้บทบาทในการประกันคุณภาพ LLM และ AI Agent ความต่างจาก LLM-as-a-Judge และ 4 ขั้นตอนการใช้งานจริง
Inference-time Scaling คืออะไร? วิธีปรับสมดุลระหว่างต้นทุนและความแม่นยำของ AI
เจาะลึกกลไก Test-Time Compute และวิธีเพิ่มประสิทธิภาพ Trade-off ระหว่างต้นทุนและความแม่นยำ พร้อมแนวทางออกแบบการใช้งาน LLM ให้คุ้มค่าในยุค Inference Model
คู่มือการออกแบบไฮบริด Cloud LLM × On-device SLM — กลยุทธ์การจัดเส้นทางงาน (Task Routing)
เจาะลึกกลยุทธ์การทำ Hybrid Design ระหว่าง Cloud LLM และ On-device SLM พร้อมเทคนิคการ Routing งานตามต้นทุน ความหน่วง และการปฏิบัติตามข้อกำหนด
Edge AI คืออะไร? ทำความรู้จัก On-device LLM และวิธีเลือกใช้งานในธุรกิจ
เรียนรู้พื้นฐาน Edge AI และ On-device LLM พร้อมวิธีออกแบบระบบสำหรับงานที่ต้องการความหน่วงต่ำ ข้อมูลห้ามรั่วไหล และพื้นที่ที่สัญญาณไม่เสถียร
Context Engineering คืออะไร? กระบวนทัศน์ใหม่ของการพัฒนา LLM และวิวัฒนาการจาก Prompt Engineering
Context Engineering คือเทคนิคการออกแบบเพื่อจัดเตรียมข้อมูลที่เหมาะสมที่สุดให้กับ LLM เรียนรู้ความแตกต่างจาก Prompt Engineering และรูปแบบการใช้งาน RAG/Agent
LLM-as-a-Judge คืออะไร? วิธีประเมินผลลัพธ์ AI ด้วย AI และการตรวจจับ Hallucination
LLM-as-a-Judge คือวิธีประเมินผลลัพธ์ LLM ด้วย LLM เอง ครอบคลุมการเปรียบเทียบวิธีต่างๆ การแก้ Bias, 4 ขั้นตอนการใช้งาน และการผสานกับ Observability และ Guardrails
คู่มือการเพิ่มประสิทธิภาพต้นทุน LLM — การลดโทเค็น การเลือกโมเดล และการทำแคช
คู่มือลดต้นทุนการใช้งาน LLM ในระดับโปรดักชัน ด้วย 4 กลยุทธ์: การปรับแต่ง Token, การเลือก Model, Prompt Cache และ RAG เพื่อลดค่าใช้จ่ายรายเดือนลงครึ่งหนึ่งโดยยังคงความแม่นยำไว้ได้
คู่มือการใช้งาน AI Guardrails — วิธีออกแบบระบบความปลอดภัยสำหรับแอป LLM
ปกป้องแอป LLM จาก Prompt Injection และ Hallucination เรียนรู้พื้นฐานการออกแบบ Guardrails ตั้งแต่การคัดกรอง Input/Output การประเมินผล ไปจนถึงการใช้งานแบบ Multi-tenant
AI Observability คืออะไร? คู่มือการตรวจสอบและดูแล LLM ในการใช้งานจริง
เรียนรู้พื้นฐาน AI Observability พร้อมเจาะลึกการทำ Trace, ประเมินผล และจัดการต้นทุนสำหรับ LLM ในโปรดักชัน รวมถึงขั้นตอนการใช้งานและการเลือกเครื่องมือที่เหมาะสม
