การเชื่อมต่อระบบและออโตเมชันด้วย LLM

ออกแบบ Pipeline CI/CD สำหรับ LLM: แยกขั้นตอนการเทรน โมเดล การบิลด์คอนเทนต์โมเดล และการเตรียมอิมเมจ/แพ็กเกจเพื่อส่ง deploy

ออกแบบ Pipeline CI/CD สำหรับ LLM: แยกขั้นตอนการเทรน โมเดล การบิลด์คอนเทนต์โมเดล และการเตรียมอิมเมจ/แพ็กเกจเพื่อส่ง deploy ในยุคที่ Generative AI และ Large Language Models (LLM) เข้ามามีบทบาทสำคัญในการพัฒนาซอฟต์แวร์ การจัดการวงจรชีวิตของโมเดลเหล่านี้ไม่ได้จำกัดอยู่เพียงแค่การเขียนโค้ดอีกต่อไป

Read More
ความปลอดภัย จริยธรรม และการกำกับดูแล

กระบวนการและเทคนิคการลบข้อมูลอย่างปลอดภัยใน MLOps: การลบเชิงตรรกะ vs การลบเชิงกายภาพ และการใช้เครื่องมืออัตโนมัติ

กระบวนการและเทคนิคการลบข้อมูลอย่างปลอดภัยใน MLOps: การลบเชิงตรรกะ vs การลบเชิงกายภาพ และการใช้เครื่องมืออัตโนมัติ ในยุคที่ข้อมูลคือหัวใจสำคัญของการขับเคลื่อนโมเดล Machine Learning ความท้าทายที่ตามมาไม่ใช่เพียงแค่การจัดเก็บหรือการประมวลผล แต่คือการจัดการวงจรชีวิตของข้อมูล (Data Lifecycle Management) โดยเฉพาะอย่างยิ่ง **การลบข้อมูลอย่างปลอดภัยใน MLOps** เนื่องจากกฎหมายคุ้มครองข้อมูลส่วนบุคคลอย่าง PDPA หรือ

Read More
ความปลอดภัย จริยธรรม และการกำกับดูแล

การทำความเข้าใจเจตนาของการเก็บและลบข้อมูล (Search Intent) ใน MLOps: ทำไมต้องมีนโยบาย Retention & Deletion

การทำความเข้าใจเจตนาของการเก็บและลบข้อมูล (Search Intent) ใน MLOps: ทำไมต้องมีนโยบาย Retention & Deletion ในโลกของ Machine Learning Operations หรือ MLOps ข้อมูลเปรียบเสมือนน้ำมันที่ขับเคลื่อนโมเดลให้มีความฉลาดและแม่นยำ อย่างไรก็ตาม การเก็บข้อมูลไว้ตลอดกาลไม่ใช่กลยุทธ์ที่ดีเสมอไป การทำความเข้าใจเจตนาของการเก็บและลบข้อมูล (Search

Read More
ความปลอดภัย จริยธรรม และการกำกับดูแล

การจัดการ Retention & Deletion ข้อมูลฝึกและเทสในวงจร MLOps เพื่อความปลอดภัย ความเป็นส่วนตัว และการปฏิบัติตามกฎระเบียบ

การจัดการ Retention & Deletion ข้อมูลฝึกและเทสในวงจร MLOps เพื่อความปลอดภัย ความเป็นส่วนตัว และการปฏิบัติตามกฎระเบียบ ในยุคที่ปัญญาประดิษฐ์ (AI) และ Machine Learning (ML) กลายเป็นหัวใจสำคัญของการขับเคลื่อนธุรกิจ การจัดการข้อมูลในวงจร MLOps (Machine Learning

Read More
ความปลอดภัย จริยธรรม และการกำกับดูแล

สร้างชุดทดสอบ evals เพื่อตรวจคุณภาพคำตอบก่อนปล่อยโปรดักชัน: แนวทางเชิงปฏิบัติสำหรับทีมพัฒนาและนักวิจัย AI

สร้างชุดทดสอบ evals เพื่อตรวจคุณภาพคำตอบก่อนปล่อยโปรดักชัน: แนวทางเชิงปฏิบัติสำหรับทีมพัฒนาและนักวิจัย AI การนำโมเดลภาษาขนาดใหญ่ (LLMs) หรือระบบ AI ที่ใช้การสร้างคำตอบไปสู่โปรดักชันนั้นเต็มไปด้วยความท้าทาย เนื่องจากธรรมชาติของโมเดลเหล่านี้มีความไม่แน่นอนสูง (Non-deterministic) คำตอบที่ได้อาจแตกต่างกันไปในแต่ละครั้ง แม้จะใช้ Prompt เดียวกันก็ตาม การขาดการควบคุมคุณภาพที่เข้มงวดอาจนำไปสู่ปัญหาใหญ่ เช่น การสร้างข้อมูลหลอน (Hallucinations)

Read More
กรณีใช้งานตามสายงาน/แผนก

การออกแบบกระบวนการวิเคราะห์อัตโนมัติ: ตั้งค่าเวิร์กโฟลว์ การตรวจจับความผิดปกติ และการให้เหตุผลเชิงสาเหตุด้วย LLM

การออกแบบกระบวนการวิเคราะห์อัตโนมัติ: ตั้งค่าเวิร์กโฟลว์ การตรวจจับความผิดปกติ และการให้เหตุผลเชิงสาเหตุด้วย LLM ในยุคที่ข้อมูลหลั่งไหลเข้ามาอย่างไม่หยุดยั้ง ความสามารถในการประมวลผลและวิเคราะห์ข้อมูลเหล่านั้นอย่างรวดเร็วและแม่นยำจึงเป็นปัจจัยชี้ขาดความสำเร็จทางธุรกิจและเทคโนโลยี การเปลี่ยนจากการวิเคราะห์ข้อมูลแบบ Manual ไปสู่ การออกแบบกระบวนการวิเคราะห์อัตโนมัติ (Automated Analytical Process Design) จึงเป็นสิ่งจำเป็น บทความนี้จะเจาะลึกถึงวิธีการตั้งค่าเวิร์กโฟลว์ที่มีประสิทธิภาพ การใช้เทคนิคขั้นสูงในการตรวจจับความผิดปกติ (Anomaly Detection)

Read More