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
การดำเนินงาน LLM & RAG
บทความหมวด "การดำเนินงาน LLM & RAG" 34 บทความ — ตัวอย่างการนำไปใช้จริง การออกแบบ PoC และแนวทางปฏิบัติด้าน AI, DX และความปลอดภัย สำหรับผู้บริหารและทีม IT
ทั้งหมดAI และ ML(25)การดำเนินงาน LLM & RAG(34)AI Agents(35)DX(23)ความปลอดภัยไซเบอร์(17)การขายและการหาลูกค้า(5)PoC(2)เครื่องมือสำหรับนักพัฒนา(5)ธุรกิจในประเทศไทย(21)
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
วิธีเลือกใช้ Fine-tuning และ RAG: คู่มือเปรียบเทียบตามต้นทุน ความแม่นยำ และการใช้งานจริง
เลือกใช้ Fine-tuning หรือ RAG ดี? เปรียบเทียบ 4 ปัจจัยหลัก (ต้นทุน, ความแม่นยำ, การอัปเดต, ความปลอดภัย) พร้อมเกณฑ์การเลือกที่เหมาะสมกับธุรกิจคุณ
Hybrid Search คืออะไร? กลไกและวิธีเพิ่มความแม่นยำให้ RAG ด้วย Vector Search และ Full-Text Search
อธิบายกลไก Hybrid Search ผ่าน Vector Search, BM25 และ RRF พร้อมสรุปเทคนิคการออกแบบเพื่อเพิ่มความแม่นยำให้ RAG และข้อควรระวังในการใช้งานจริง
10 ข้อผิดพลาดในการสร้าง RAG และวิธีแก้ไข — ป้องกันปัญหาที่อาจเกิดขึ้นในการใช้งานจริง
เจาะลึก 10 ข้อผิดพลาดที่พบบ่อยในการทำ RAG ทั้งก่อนและหลังใช้งานจริง ตั้งแต่การแบ่ง Chunk การเพิ่มความแม่นยำในการค้นหา ไปจนถึงวิธีแก้ปัญหา Hallucination
ฐานข้อมูลเวกเตอร์คืออะไร? อธิบายครบจบ ตั้งแต่หลักการทำงาน เปรียบเทียบผลิตภัณฑ์หลัก ไปจนถึงการใช้งาน RAG
อธิบายแนวคิดพื้นฐานของ Vector Database เปรียบเทียบผลิตภัณฑ์หลักอย่าง Pinecone, Weaviate, pgvector และการนำไปใช้ใน RAG System สำหรับผู้รับผิดชอบด้าน AI
การเปรียบเทียบการติดตั้ง LLM / SLM แบบโลคอล — การใช้ AI โดยไม่พึ่งพา Cloud API
เปรียบเทียบ Open-weight Model เช่น GPT OSS, Phi-4, Llama 4 Scout กับ Cloud API ใน 3 มิติ: GPU, ความแม่นยำ และ TCO พร้อมคู่มือ Local AI เพื่อ Data Sovereignty และลดต้นทุน
