Generative AI Engineer

About

Generative AI Engineer

เป็นหลักสูตรที่ดำเนินการภายใต้กลุ่มสาขาวิชาเทคโนโลยีการจัดการระบบสารสนเทศ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล มีวัตถุประสงค์เพื่อพัฒนาความรู้และทักษะด้านปัญญาประดิษฐ์ (AI) ให้ความรู้ในเรื่องพื้นฐานของ AI การใช้งานเทคโนโลยี Generative AI รวมถึงการทำงานกับ Large Language Models (LLMs) และการประยุกต์ใช้ AI ในการสร้างแอปพลิเคชันต่าง ๆ

วัตถุประสงค์ (Objective)

เพื่อเพิ่มทักษะความรู้ด้านปัญญาประดิษฐ์ (AI) ในการทำงาน

เพื่อจัดทำหลักสูตรที่มีเนื้อหา และเครื่องมือที่ทันสมัยสามารถนำไปประยุกต์กับการทำงานได้จริงประดิษฐ์ (AI) ในการทำงาน

⁺

Total number of participants

⁺

Number of sessions conducted

วิธีการฝึกอบรม

การจัดการอบรมเป็นแบบไฮบริด (Hybrid) โดยอบรมออนไซต์ ณ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล และออนไลน์ผ่านระบบ Zoom Conference โดยในแต่ละสัปดาห์ของการอบรมจะมีการทดลองปฏิบัติตามเนื้อหาการอบรม เพื่อที่จะได้เกิดความรู้ และความเข้าใจมากยิ่งขึ้น โดยมีการวัดผล ดังนี้

คะแนนจากแบบฝึกหัด (Assignment) ในการฝึกอบรม 80%

คะแนนการทดสอบหลังการอบรม (Post Test) 20%

โดยผู้เข้าอบรมต้องเข้าอบรมไม่น้อยกว่า 50% ของระยะเรียนทั้งหมด และได้คะแนนไม่น้อยกว่า 70% ของคะแนนทั้งหมด จึงจะผ่านการอบรม และได้รับใบประกาศนียบัตร

หัวข้อการอบรม

Week 1

– Foundations of AI and Introduction to Prompt Engineering Introduction to AI
– Overview of Generative AI
– Basic principles of AI and machine learning
– Detailed explanation of Generative Pretrained Transformers (GPT)
-The role of prompt engineering in AI applications
– Environment and Tools Setup (Hand on IDE Setup) –The role of prompt engineering in AI applications
– VENV
– GitHub
Python Review and Initial Scripting (Lab with Colab and Jupyter Notebook in VScode)
– Review Basic Python Command (VS Code)
– Refresher on Python essential for AI : Pandas NumPy (VS Code)
– Review ML Process : Linear Regression/Logistic Regression (VScode)
– NLP Task : Basic Text Classification Lab. (VS Code-Colab)

Week 2

– Working with LLM and OpenAI’s API Large Language Models (LLMs) (Demo with Colab)
– Understanding LLM
– Building LLM models with nano GPT
– Overview of Hugging Face and open source LLMs
– Local LLM (Lab with Jupyter Notebook in VScode) Introduction to Ollama
– Setting up and experimenting with local models
– Practical interface with local LLMs
– Text Classification with LLM
– Getting Started with OpenAI’s API (Lab with Jupyter Notebook inVScode)
– How to set up an OpenAI account and generate API keys
– Guidelines for Prompting
– Iterative Prompt Development
– Summarizing, Inferring and Transforming Chatbot

Week 3

– Building Applications and Integrating AI Deep Dive into OpenAI’s Assistant API (Lab with Jupyter Notebook in VScode)
– Overview of Assistant API
– Lab Conversation with Assistant API
– Introduction to Retrieval Augment Generation (RAG)
– Lab RAG with Assistant API
– A Lang Chain Framework (Lab with Jupyter Notebook in VScode)
– Introduction to Lang Chain Sending
– Models, Prompts and Output
– Memory, Chain in Lang Chain

Week 4

– Advanced Techniques and Practical Applications AI-Enhanced Web Projects (Hand on Project)
– Overview of Streamlit**
– Building a simple web application to utilize AI features.
– Project: Abdul Chat, integrating AI into a chatbot
– Introduction to Retrieval-Augmented Generation (RAG) (Hand on Project)
– Concepts and practical use of RAG
– Project: AbdulPDF, a chatbot with knowledge from PDF files
– Fine-Tuning Large Language Model (Demo Project)
– Understanding model fine-tuning techniques
– Hands-on session on
– adjusting models for specific use cases