กลับไป
30 มิถุนายน
AI Engineering in Practice From Data Processing to Production Systems
โดย
วิทยากร
Kankawee Kiatkarun (กันต์กวี เกียรติ์กรัณย์)
Team Lead - Data Scientist Consultant, Blendata
Weerapong Manopa (วีรพงศ์ มโนปา)
Data Scientist, Blendata
กำหนดการ
09:00–09:30
Introduction: ทำไม AI ในเครื่องเรา ถึงใช้ใน Production ไม่ได้?
- •ความแตกต่างระหว่างโค้ดทดลองใน Jupyter Notebook กับระบบที่ใช้งานจริง
- •ทำไมระบบ AI จริงต้องดูมากกว่า Accuracy
- •ตัวชี้วัดสำคัญ เช่น Latency (P99), Throughput, Error Rate และ Cloud Cost
- •Performance ของระบบส่งผลต่อค่า server และประสบการณ์ผู้ใช้อย่างไร
09:30–10:45
การเตรียมข้อมูลและการคำนวณแบบกระจายตัว - Data Preprocessing & Distributed Computing
- •วิธีทำให้การเตรียมข้อมูลเร็วขึ้นด้วยการเขียนโค้ดที่มีประสิทธิภาพกว่าเดิม
- •ความแตกต่างระหว่างการใช้ for loop กับ Vectorization
- •แนวคิด Parallel Processing เพื่อแบ่งงานให้คอมพิวเตอร์ประมวลผลพร้อมกัน
- •แนวคิด Distributed Computation เมื่อต้องจัดการข้อมูลขนาดใหญ่
- •การเปลี่ยนจาก Pandas บนเครื่องเดียว ไปสู่ PySpark ที่ใช้หลายเครื่องช่วยกันประมวลผล
10:45–11:00
Break
11:00–12:00
โครงสร้างพื้นฐานและการจัดการทรัพยากร - Infrastructure & Hardware Optimization
- •ความแตกต่างของ CPU, GPU และ Network ในงาน AI
- •การเลือกทรัพยากรให้เหมาะกับประเภทของโมเดลและงานที่ทำ
- •ทำไมบางงานใช้ CPU ก็เพียงพอ แต่บางงานต้องใช้ GPU
- •การคิดเรื่อง Network Bandwidth เพื่อไม่ให้ระบบช้าเพราะคอขวด
- •การประเมินต้นทุนและความคุ้มค่าของทรัพยากร เช่น Cloud หรือ Local Deployment
12:00–13:00
Lunch Break
13:00–14:15
ระบบ AI ขั้นสูงและการเพิ่มประสิทธิภาพโมเดล - Advanced AI & Code Optimization
- •วิธีคิดเรื่อง Code Optimization สำหรับระบบ AI
- •การปรับโค้ดและสถาปัตยกรรมให้ระบบทำงานเร็วขึ้นและใช้ทรัพยากรเหมาะสมขึ้น
- •การตรวจสอบการใช้ทรัพยากร เช่น RAM ก่อนนำระบบขึ้นใช้งานจริง
- •ทำไมระบบ AI ต้องรองรับผู้ใช้จำนวนมากได้โดยไม่ล่ม
- •แนวคิดการใช้ CI/CD เพื่อตรวจสอบความพร้อมของระบบก่อน deploy
14:15–14:30
Break
14:30–15:30
Retrieval-Augmented Generation และ Multi-Model AI Systems
- •RAG คืออะไร และช่วยให้ AI ตอบจากข้อมูลภายนอกได้อย่างไร
- •RAG ช่วยลดปัญหา AI ตอบผิดหรือสร้างคำตอบขึ้นมาเองได้อย่างไร
- •Multi-Model AI Systems คืออะไร
- •ตัวอย่างการใช้หลายโมเดลร่วมกัน เช่น Computer Vision, NLP และ Speech AI
- •แนวคิดของระบบ AI ที่ไม่ได้มีแค่โมเดลเดียว แต่ต้องทำงานร่วมกันเป็นระบบ
15:30–16:45
ภาคปฏิบัติและการประยุกต์ใช้ในธุรกิจ - Case Study & Hands-on Workshop
- •ตัวอย่างการนำเทคนิค Optimization ไปใช้แก้ปัญหาจริง
- •วิธีมองปัญหาระบบ AI ในมุม Performance, Resource และ Cost
- •การเชื่อมโยงความรู้จากทฤษฎีไปสู่การเขียนโค้ดใช้งานจริง
- •การวิเคราะห์ว่าระบบช้าเพราะข้อมูล โค้ด hardware, network หรือ cloud cost
- •แนวทางปรับระบบ AI ให้พร้อมใช้งานในระดับองค์กร
16:45–17:00
Wrap-up: From Data Processing to Production Systems
- •ผู้เข้าร่วมจะเข้าใจว่า AI Engineering คือการทำให้ AI จากงานทดลองกลายเป็นระบบที่ใช้งานจริงได้ โดยต้องคิดทั้งเรื่องข้อมูล โค้ด ทรัพยากร ประสิทธิภาพ ต้นทุน และประสบการณ์ของผู้ใช้ ไม่ใช่แค่สร้างโมเดลให้มี Accuracy สูงเท่านั้น