Machine-Learning on Code & Community

AI Engineering ตอนที่ 6: Fine-tuning AI Models

jitaret@gmail.com (เหน่ง) — Thu, 09 Apr 2026 23:45:00 +0700

🎯 AI Engineering ตอนที่ 6: Fine-tuning AI Models

ซีรีส์: AI Engineering สำหรับนักพัฒนาชุมชน

ผู้เขียน: เหน่ง (นักวิชาการพัฒนาชุมชน)
สังกัด: กรมการพัฒนาชุมชน กระทรวงมหาดไทย
วันที่: 9 เมษายน 2569

🤖 Fine-tuning คืออะไร?

ภาพ: แนวคิด Fine-tuning - ภาพประกอบจาก Unsplash

ถ้าคุณเคยใช้ ChatGPT หรือ AI อื่นๆ มาก่อน คงสังเกตว่าบางทีมันตอบได้ดีมาก แต่บางเรื่องก็ไม่ตรงใจ หรืออาจจะตอบผิดไปเลย สาเหตุหนึ่งคือโมเดลเหล่านี้ถูกฝึกมาด้วยข้อมูลทั่วไป ไม่ได้เชี่ยวชาญในเรื่องเฉพาะทางของเรา

วันนี้เราจะมาทำความรู้จักกับ Fine-tuning เทคนิคที่จะช่วยให้ AI ของเราฉลาดขึ้นในแบบที่เราต้องการ 😎

ความหมายพื้นฐาน

Fine-tuning คือกระบวนการนำโมเดล AI ที่ถูกฝึกมาแล้ว (เรียกว่า Pre-trained Model) มาฝึกเพิ่มเติมด้วยข้อมูลเฉพาะทางของเราเอง

ลองนึกภาพแบบนี้:

Pre-trained Model = นักเรียนที่เรียนจบมหาวิทยาลัย มีความรู้กว้างๆ รู้เรื่องทั่วไปได้หลายเรื่อง แต่ไม่ได้เชี่ยวชาญอะไรเป็นพิเศษ
Fine-tuning = ส่งนักเรียนคนนั้นไปเรียนคอร์สเฉพาะทางเพิ่มเติม เช่น คอร์สกฎหมาย คอร์สแพทย์ หรือคอร์สบัญชี ทำให้เขามีความเชี่ยวชาญในเรื่องนั้นๆ มากขึ้น

ทำไมต้อง Fine-tuning?

โมเดล AI ที่ถูกฝึกมาแล้วอย่าง ChatGPT, Claude, หรือ LLaMA ล้วนถูกฝึกด้วยข้อมูลมหาศาลจากอินเทอร์เน็ต พวกมันรู้เรื่องทั่วไปได้ดี แต่ถ้าคุณต้องการให้มัน:

ตอบคำถามเกี่ยวกับสินค้าของบริษัทคุณ
เขียนโค้ดตามสไตล์ที่ทีมใช้
วิเคราะห์ข้อมูลทางการเงินของคุณ
ตอบลูกค้าในภาษาที่เป็นธรรมชาติ

…การ Fine-tuning จะช่วยให้โมเดลทำสิ่งเหล่านี้ได้ดีขึ้นมาก

ตัวอย่างในชีวิตจริง

สมมติคุณทำแชทบอทสำหรับร้านกาแฟ:

Without Fine-tuning: บอทอาจตอบว่า “ผมสามารถช่วยคุณได้” แต่ไม่รู้เมนูกาแฟ ราคา หรือโปรโมชั่นของร้านคุณ
With Fine-tuning: บอทจะรู้ว่า “ลาเต้มือถือ 45 บาท” “วันนี้มีโปรซื้อ 1 แถม 1” และตอบได้ตรงใจลูกค้ามากขึ้น

💡 อ่านเพิ่มเติม: ตอนที่ 4: RAG - วิธีเชื่อมต่อ AI กับฐานข้อมูล

⚖️ ต่างจาก Pre-trained อย่างไร?

นี่เป็นคำถามที่หลายคนสงสัย มาดูความแตกต่างกันแบบเข้าใจง่ายๆ

เปรียบเทียบแบบตาราง

หัวข้อ	Pre-trained Model	Fine-tuned Model
ข้อมูลที่ใช้ฝึก	ข้อมูลมหาศาลจากอินเทอร์เน็ต	ข้อมูลเฉพาะทางของเรา
ความรู้	ความรู้ทั่วไปกว้างๆ	ความเชี่ยวชาญเฉพาะด้าน
ทรัพยากรที่ใช้	ต้องใช้ GPU จำนวนมาก ค่าใช้จ่ายสูง	ใช้ทรัพยากรน้อยกว่ามาก
ความสามารถ	ทำงานได้หลายอย่าง แต่ไม่ลึก	ทำงานเฉพาะทางได้ลึกและแม่นยำ
ต้นทุน	สูงมาก (ต้องฝึกจากศูนย์)	ต่ำกว่า (ปรับจากโมเดลที่มีอยู่แล้ว)
เวลาในการฝึก	หลายสัปดาห์ถึงเดือน	หลายชั่วโมงถึงไม่กี่วัน

อธิบายเพิ่มเติม

Pre-trained Model เหมือนคนที่เรียนจบปริญญาตรีด้านอะไรก็ได้ รู้เรื่องทั่วไป แต่ถ้าจะให้ทำงานเฉพาะทาง ต้องฝึกเพิ่มอีกเยอะ

Fine-tuned Model เหมือนคนที่เรียนจบแล้วไปฝึกงานหรือเรียนต่อโทในสายที่ต้องการ มีความเชี่ยวชาญในเรื่องนั้นๆ

ข้อดีของ Fine-tuning

ประหยัดทรัพยากร - ไม่ต้องฝึกโมเดลจากศูนย์
ข้อมูลน้อยก็ได้ - ไม่ต้องมีข้อมูลหลายล้านตัวอย่าง
ปรับแต่งได้ - เปลี่ยนพฤติกรรมโมเดลตามต้องการ
เร็วกว่า - ฝึกเสร็จในเวลาสั้น

ข้อจำกัด

ยังต้องมีข้อมูลที่ดีพอสมควร (หลายร้อยถึงหลายพันตัวอย่าง)
ถ้าข้อมูลไม่ดี โมเดลก็จะไม่ดีตามไปด้วย (Garbage In, Garbage Out)
ต้องมีความรู้เบื้องต้นเกี่ยวกับการฝึกโมเดล

✅ เมื่อไหร่ควร Fine-tuning?

นี่เป็นคำถามสำคัญมาก เพราะไม่ใช่ทุกกรณีที่ต้อง Fine-tuning

ควร Fine-tuning เมื่อ

1. ต้องการเปลี่ยน “พฤติกรรม” ของโมเดล

ถ้าคุณต้องการให้โมเดล:

ตอบสนองในแบบที่คุณต้องการ เช่น เป็นทางการ หรือเป็นกันเอง
หลีกเลี่ยงเนื้อหาบางประเภท
ทำตามกฎเกณฑ์เฉพาะของคุณ

ตัวอย่าง: บริษัทต้องการ AI ที่ตอบลูกค้าด้วยน้ำเสียงเป็นมิตร ไม่ใช่แบบทางการเกินไป

2. มีข้อมูลเฉพาะโดเมน

ถ้าคุณทำงานในอุตสาหกรรมเฉพาะทาง เช่น:

การแพทย์ → ศัพท์แพทย์เฉพาะทาง
กฎหมาย → ข้อกฎหมายไทย
การเงิน → การวิเคราะห์หุ้น, พอร์ตการลงทุน

โมเดลทั่วไปอาจไม่รู้คำศัพท์เหล่านี้ดีพอ

3. ต้องการความแม่นยำสูงในงานเฉพาะ

ถ้าคุณต้องการให้ AI:

จำแนกอีเมลว่าเป็นสแปมหรือไม่ (ความแม่นยำสูงมาก)
วิเคราะห์ความรู้สึกจากรีวิวลูกค้า
ตรวจจับความผิดปกติในข้อมูล

Fine-tuning จะช่วยเพิ่มความแม่นยำได้มาก

4. มีข้อมูล labeled อย่างน้อย 1,000-5,000 ตัวอย่าง

นี่คือจำนวนขั้นต่ำที่แนะนำสำหรับ Fine-tuning ทั่วไป ยิ่งมากยิ่งดี แต่ถ้ามีน้อยกว่านี้ อาจต้องใช้เทคนิคอื่นช่วย

ไม่ควร Fine-tuning เมื่อ

1. แค่ต้องการให้โมเดลรู้ข้อมูลใหม่

ถ้าคุณแค่อยากให้ AI รู้ข้อมูลบางอย่าง เช่น:

รายชื่อสินค้าใหม่
ข้อมูลที่เปลี่ยนแปลงบ่อย
เอกสารภายในบริษัท

ควรใช้ RAG (Retrieval-Augmented Generation) แทน เพราะ:

ไม่ต้องฝึกโมเดลใหม่
อัพเดทข้อมูลได้ง่าย
ไม่ต้องมีข้อมูล labeled

2. มีข้อมูลน้อยเกินไป (<500 ตัวอย่าง)

ถ้ามีข้อมูลน้อยกว่า 500 ตัวอย่าง:

ผลลัพธ์อาจไม่ดี
โมเดลอาจจำข้อมูลแทนที่จะเรียนรู้
ควรลองใช้ Prompt Engineering ก่อน

3. ต้องการคำตอบที่อัพเดทตลอดเวลา

ถ้าข้อมูลของคุณเปลี่ยนแปลงบ่อยมาก:

ราคาสินค้า
ข่าวสาร
นโยบายบริษัท

การ Fine-tuning ทุกครั้งที่ข้อมูลเปลี่ยนจะยุ่งยากและเสียค่าใช้จ่าย RAG เหมาะกว่า

4. ใช้งานทั่วไปไม่ซับซ้อน

ถ้าคุณแค่ต้องการ:

สรุปข้อความ
แปลภาษา
ตอบคำถามทั่วไป

โมเดล Pre-trained ทั่วไปก็เพียงพอแล้ว ไม่จำเป็นต้อง Fine-tuning

สรุป: ควร vs ไม่ควร

สถานการณ์	แนะนำ
เปลี่ยนน้ำเสียง/สไตล์การตอบ	✅ Fine-tuning
เพิ่มความรู้เฉพาะทาง	✅ Fine-tuning
เพิ่มข้อมูลที่เปลี่ยนบ่อย	❌ ใช้ RAG
มีข้อมูลน้อยมาก	❌ ใช้ Prompt Engineering
ใช้งานทั่วไป	❌ ใช้ Pre-trained ตรงๆ

🛠️ ขั้นตอนการทำ Fine-tuning

การทำ Fine-tuning เป็นกระบวนการที่ต้องทำทีละขั้นตอนอย่างเป็นระบบ ไม่ใช่แค่โยนข้อมูลให้โมเดลแล้วจบ มาดูกันว่าแต่ละขั้นตอนทำอะไรบ้าง 🎯

Step 1: เตรียมข้อมูล (Data Preparation) 📚

ข้อมูลคือหัวใจสำคัญของ Fine-tuning โมเดลที่ดีต้องมาจากข้อมูลที่ดี

สิ่งที่ต้องทำ:

รวบรวมข้อมูล – ขึ้นอยู่กับ use case เช่น ถ้าต้องการให้โมเดลตอบคำถามด้านกฎหมาย ก็ต้องรวบรวมเอกสารกฎหมาย คำถาม-คำตอบ ข้อมูลถาม-ตอบ (Q&A) เป็นต้น
ทำความสะอาดข้อมูล – ลบข้อมูลที่ซ้ำ ข้อมูลที่ผิดพลาด หรือข้อมูลที่ไม่เกี่ยวข้องออก
จัดรูปแบบ (Format) – ข้อมูลต้องอยู่ในรูปแบบที่โมเดลเข้าใจได้ เช่น JSON Lines (.jsonl) ที่มี prompt และ response
แบ่งข้อมูล – แบ่งเป็นชุดฝึก (Training set) 70-80% และชุดตรวจสอบ (Validation set) 20-30%

Step 2: เลือกโมเดลฐาน (Base Model Selection) 🧠

การเลือกโมเดลฐานเหมือนการเลือกวัตถุดิบ ถ้าเลือกวัตถุดิบไม่ดี อาหารก็ออกมาไม่อร่อย

ปัจจัยที่ต้องพิจารณา:

ขนาดโมเดล – 7B, 13B, 34B, 70B ยิ่งใหญ่ยิ่งมีความสามารถมาก แต่ก็ต้องใช้ทรัพยากรมากขึ้น
License – บางโมเดลใช้ในเชิงพาณิชย์ได้ บางโมเดลใช้ได้แค่ในงานวิจัย
ความสามารถเฉพาะทาง – โมเดลบางตัวเก่งเรื่องการเขียนโค้ด บางตัวเก่งเรื่องการตอบคำถาม
ภาษา – บางโมเดลรองรับภาษาไทยดีอยู่แล้ว บางตัวต้องปรับแต่งเพิ่ม

โมเดลแนะนำสำหรับ Fine-tuning:

ขนาด	โมเดลแนะนำ	เหมาะกับ
7B	Llama 3.8B, Qwen 1.8B, Mistral 7B	ผู้เริ่มต้น, งบน้อย
13B	Llama 3.13B, Qwen 2.5-14B	งบปานกลาง, งานทั่วไป
34B+	Qwen 2.5-32B, Llama 3.1-70B	งานที่ต้องการความแม่นยำสูง

Step 3: เลือกเทคนิค Fine-tuning ⚙️

ต่อไปนี้คือเทคนิคหลักๆ ที่นิยมใช้กัน

Full Fine-tuning

หลักการ: ปรับแต่งทุก Parameter ของโมเดล
ข้อดี: ได้ผลลัพธ์ดีที่สุด โมเดลเรียนรู้ได้เต็มที่
ข้อเสีย: ต้องใช้ GPU ทรัพยากรสูงมาก (ต้องมี VRAM เยอะ)
เหมาะกับ: โมเดลขนาดเล็ก (7B พารามิเตอร์) ที่มี GPU แรงๆ

LoRA (Low-Rank Adaptation)

หลักการ: เพิ่ม “Weight” ที่เรียกว่า LoRA adapters แทนที่จะแก้ไขโมเดลต้นฉบับ
ข้อดี: ประหยัด VRAM มาก เร็วกว่า ใช้ GPU ระดับ consumer ได้
ข้อเสีย: คุณภาพอาจด้อยกว่า Full fine-tuning เล็กน้อย
เหมาะกับ: คนทั่วไปที่มี GPU ระดับ gaming card

QLoRA (Quantized LoRA)

หลักการ: รวม Quantization (การบีบอัดโมเดล) เข้ากับ LoRA ทำให้สามารถ fine-tune โมเดลขนาดใหญ่มากๆ ได้ใน GPU ที่มี VRAM น้อย
ข้อดี: ฝึกโมเดล 70B ได้ใน GPU 24GB VRAM!
ข้อเสีย: ซับซ้อนกว่า ต้องตั้งค่าเยอะ
เหมาะกับ: คนที่อยากลองโมเดลใหญ่แต่มี GPU จำกัด

สรุปเปรียบเทียบ:

เทคนิค	VRAM ที่ต้องการ	คุณภาพ	ความเร็ว	เหมาะกับ
Full FT	สูงมาก (40GB+)	ดีที่สุด	ช้า	GPU ระดับ server
LoRA	ปานกลาง (24GB)	ดี	เร็ว	Gaming GPU
QLoRA	ต่ำ (12-24GB)	ดีพอ	เร็ว	มือใหม่, GPU จำกัด

Step 4: ฝึกโมเดล (Training) 🏋️

เมื่อเตรียมข้อมูล เลือกโมเดล และเลือกเทคนิคพร้อมแล้ว ก็ถึงขั้นตอนการฝึกโมเดล

สิ่งที่ต้องตั้งค่า:

Learning Rate – ความเร็วในการเรียนรู้ ถ้าเร็วเกินโมเดลจะไม่ converge (ไม่ลู่เข้า) ถ้าช้าเกินใช้เวลานาน ค่าแนะนำ: 1e-4 ถึง 3e-4
Epochs – จำนวนรอบที่โมเดลเรียนรู้จากข้อมูลทั้งหมด มากเกินไปจะ overfit (จำข้อมูลฝึกไปทั้งหมด)
Batch Size – จำนวนข้อมูลที่ป้อนให้โมเดลทีละครั้ง ขึ้นกับ VRAM
Warmup Steps – จำนวน steps แรกที่ learning rate ค่อยๆ เพิ่มขึ้น

Step 5: ประเมินผล (Evaluation) 📊

โมเดลฝึกเสร็จแล้ว ต้องวัดผลว่าดีจริงหรือไม่

วิธีการประเมินที่นิยม:

Automatic Metrics:
- BLEU, ROUGE – วัดความเหมือนกับคำตอบแบบ reference
- Perplexity – วัดความแม่นยำของโมเดลในการทำนายคำถัดไป
- Exact Match – ว่าตอบตรงกับคำตอบมากแค่ไหน
Human Evaluation:
- ให้คนตรวจสอบคุณภาพคำตอบ
- ให้คะแนนความถูกต้อง ความเป็นธรรมชาติ

Step 6: Deploy และ Monitor 🚀

ขั้นตอนสุดท้ายคือนำโมเดลไปใช้งานจริง

การ Deploy:

Local/On-premise – ใช้ vLLM, Text Generation Inference (TGI) สำหรับรันบนเครื่องตัวเอง
Cloud API – ใช้ Hugging Face Inference Endpoints, Together AI, RunPod
Edge Deployment – ใช้ llama.cpp, Ollama สำหรับรันบนเครื่องทั่วไป

🧰 เครื่องมือ/Platform ที่แนะนำ

มีเครื่องมือและบริการ Cloud หลายตัวที่ช่วยให้การ Fine-tuning ง่ายขึ้น แบ่งเป็น 2 กลุ่มหลัก

เครื่องมือ Open Source 📦

เครื่องมือ	วัตถุประสงค์	เหมาะกับ
Hugging Face	Framework หลัก	ทุกคน
PEFT	LoRA, QLoRA	ประหยัดทรัพยากร
Axolotl	Fine-tuning Orchestrator	ฝึก LLM ด้วย YAML config
BitsAndBytes	Quantization (4-bit, 8-bit)	ลดการใช้ VRAM
Ollama	รัน Local LLM	รันบนเครื่องตัวเอง

🆕 เทรนด์ 2026: Local AI และ Reasoning Models

Local AI - รันบนเครื่องตัวเอง

ทำไม Local AI ถึงมาแรง?

🔒 Privacy - ข้อมูลอ่อนไหวไม่ต้องส่งไป Cloud
💰 ประหยัด - จ่ายครั้งเดียว ใช้ชั่วลันนาน
⚡ เร็ว - ไม่ต้องรอ API response

โมเดล	ขนาด	RAM ที่ต้องการ	เหมาะกับ
Qwen 3.5	122B params	64GB+	Laptop ระดับสูง
Gemma 4	Open-source	32GB+	ผู้เริ่มต้น
Llama 3.1	70B	48GB+	งานหนัก

Reasoning Models - o1, o3

คืออะไร? โมเดลที่ฉลาดในการคิดวิเคราะห์ ทำงานซับซ้อนได้ดี

โมเดล	จุดเด่น	ราคา
OpenAI o1	คิดก่อนตอบ, เหมาะ Math/Coding	$15/1M input
OpenAI o3	ฉลาดกว่า o1, วิเคราะห์ลึก	$10/1M input
DeepSeek R1	Open-source Reasoning	$0.14/1M

เมื่อไหร่ควรใช้:

✅ งานวิเคราะห์ซับซ้อน
✅ การคำนวณทางคณิตศาสตร์
✅ เขียนโปรแกรมขั้นสูง
❌ งานทั่วไป (ใช้โมเดลถูกกว่า)

Cloud Platforms ☁️

Platform	จุดเด่น	ราคาเริ่มต้น
Together AI	Fine-tune โมเดลจาก HF Hub ได้โดยตรง	~$50-500
Hugging Face AutoTrain	No-code, ง่าย	$9-99/เดือน
Google Vertex AI	Enterprise-grade	ตามการใช้งาน
Azure OpenAI	Fine-tune GPT models	$2-20/ชั่วโมง
RunPod	GPU Cloud ราคาประหยัด	$1-2/ชั่วโมง

ตารางเปรียบเทียบ Platform:

Platform	ความง่าย	ราคา	เหมาะกับ
HF AutoTrain	ง่ายมาก	$$-$$$	มือใหม่
Together AI	ง่าย	$$	ทั่วไป
Google Vertex AI	ปานกลาง	$$$$	Enterprise
Azure OpenAI	ปานกลาง	$$$$	ที่ใช้ Azure
RunPod	ยาก	$	มือโปร

💰 ต้นทุนและเวลา

คำถามสำคัญคือ “มันแพงไหม?” คำตอบคือ “ขึ้นอยู่กับ”

ต้นทุนโดยประมาณ

ปัจจัยที่ส่งผลต่อราคา:

ขนาดโมเดล (7B vs 13B vs 70B)
เทคนิคที่ใช้ (Full FT vs LoRA vs QLoRA)
จำนวนข้อมูล
Cloud Provider ที่เลือก

ตารางค่าใช้จ่ายโดยประมาณ:

โมเดล	เทคนิค	ต้นทุน ($)	เวลา (ชม.)	VRAM ที่ต้องการ
7B	QLoRA	50-200	2-8	12-16GB
7B	LoRA	100-300	2-8	16-24GB
7B	Full FT	200-500	4-12	40GB+
13B	LoRA	500-2,500	2-8	24-48GB
13B	QLoRA	200-800	2-8	16-24GB
34B	QLoRA	500-2,000	4-12	24-32GB
70B	QLoRA	1,000-5,000	8-24	24-48GB

วิธีประหยัด 💡

1. เริ่มจากโมเดลเล็ก

เริ่มที่ 7B ก่อน ถ้าได้ผลลัพธ์ที่ต้องการแล้ว ไม่จำเป็นต้องไปโมเดลใหญ่

2. ใช้ QLoRA

ประหยัด VRAM ลดค่าใช้จ่ายได้มหาศาล ในขณะที่คุณภาพลดลงไม่มาก

3. ใช้ Cloud ที่ราคาถูก

RunPod, Lambda Labs ราคาถูกกว่า AWS, GCP
Reserved instances ถูลงกว่า on-demand

4. ลดขนาดข้อมูล

ข้อมูล 1,000-5,000 examples เพียงพอสำหรับหลายๆ use cases ไม่จำเป็นต้องล้าน records

5. ใช้ Prompt Engineering ก่อน

บางครั้งการปรับ Prompt ให้ดีกว่าใช้ Fine-tuning ก็ได้ผลลัพธ์ที่ดีพอ ลองก่อน!

🚀 อ่านตอนต่อไป (ตอนที่ 7)

ภาพ: สรุปซีรีส์ AI Engineering - ภาพประกอบจาก Unsplash

ยินดีด้วยครับ! คุณอ่านมาถึงตอนที่ 6 ของซีรีส์ AI Engineering สำหรับนักพัฒนาชุมชน แล้ว! 🎉

เหลืออีก 1 ตอนเท่านั้น! ตอนต่อไปจะเป็นสรุปซีรีส์พร้อม Roadmap เริ่มต้นใช้งานจริง

ย้อนรอย 6 ตอนที่ผ่านมา:

ตอน	หัวข้อ	ลิงก์
1	บทนำ: ทำไมต้องใช้ AI	อ่านเลย
2	Prompt Engineering	อ่านเลย
3	RAG (Retrieval-Augmented Generation)	อ่านเลย
4	วางแผน AI App	อ่านเลย
5	Agentic AI	อ่านเลย
6	Fine-tuning AI Models	บทความนี้

AI Engineering Stack (จากง่ายไปยาก):

1┌─────────────────────────────────────────────────┐
2│ AI Engineering Stack (จากง่ายไปยาก) │
3├─────────────────────────────────────────────────┤
4│ 1. Prompt Engineering → เร็ว, ฟรี, เริ่มได้เลย │
5│ 2. RAG → เมื่อต้องการความถูกต้อง มีแหล่งอ้างอิง │
6│ 3. Fine-tuning → เมื่อต้องการความสม่ำเสมอ │
7│ 4. Train From Scratch → เมื่อไม่มีโมเดลที่ตรง │
8└─────────────────────────────────────────────────┘

คำแนะนำสำหรับมือใหม่:

1💡 เริ่มจาก 1 → 2 → 3 ตามความจำเป็น
2 อย่าข้ามขั้นโดยไม่จำเป็น (ประหยัดเวลาและเงิน)

สิ่งที่ได้เรียนรู้ทั้งซีรีส์:

ตอนที่ 1: บทนำ

AI Engineering คืออะไร
ต่างจาก Data Science และ ML Engineering อย่างไร
ทักษะที่จำเป็น

ตอนที่ 2: Prompt Engineering

เทคนิคการเขียน Prompt
Few-shot, Chain-of-Thought
Best Practices

💡 อ่านเพิ่มเติม: ตอนที่ 2: Prompt Engineering

ตอนที่ 3: RAG

RAG ทำงานอย่างไร
Vector Database
เมื่อไหร่ควรใช้ RAG

💡 อ่านเพิ่มเติม: ตอนที่ 3: RAG

ตอนที่ 4: วางแผน AI App

5 ขั้นตอนวางแผน AI App
วิธีระบุปัญหาให้ชัดเจน
การเลือก Use Case ที่เหมาะสม

💡 อ่านเพิ่มเติม: ตอนที่ 4: วางแผน AI App

ตอนที่ 5: Agentic AI

AI Agents คืออะไร
การสร้าง Autonomous Agents
Use Cases จริง

💡 อ่านเพิ่มเติม: ตอนที่ 5: Agentic AI

ตอนที่ 6: Fine-tuning (ตอนนี้)

Fine-tuning คืออะไร
ต่างจาก Pre-trained อย่างไร
เมื่อไหร่ควร Fine-tuning
ขั้นตอนการทำ
เครื่องมือและ Platform
ต้นทุนและเวลา

Key Takeaway ทั้งซีรีส์:

1✅ เริ่มจาก Prompt Engineering ก่อน (ฟรี เร็ว)
2✅ เพิ่ม RAG เมื่อต้องการความถูกต้อง
3✅ ใช้ Fine-tuning เมื่อต้องการความสม่ำเสมอ
4✅ Train From Scratch เมื่อไม่มีโมเดลที่ตรง

🙌 ขอบคุณที่ติดตามครับ!

🚀 อ่านตอนต่อไป (ตอนสุดท้ายของซีรีส์)

ซีรีส์ยังไม่จบ! อ่านตอนที่ 7 ต่อได้เลยครับ:

ตอนที่ 7: สรุปซีรีส์ - เริ่มต้นใช้งาน AI Engineering สำหรับงานชุมชน

สิ่งที่คุณจะได้เรียนรู้:

10 หลักการ AI Engineering (2026)
Roadmap เริ่มต้นสำหรับนักพัฒนาชุมชน
Checklist: 30 วันแรก
แหล่งเรียนรู้ต่อ
สรุปและส่งท้ายซีรีส์

ซีรีส์ AI Engineering เกือบจบแล้ว แต่การเรียนรู้ไม่มีวันจบ!

สิ่งที่ควรทำต่อ:

ลงมือทำ - เลือก 1 เทคนิคที่สนใจ เริ่มทดลองเลย
ติดตามข่าวสาร - วงการ AI เปลี่ยนแปลงเร็วมาก
เข้าร่วมชุมชน - เรียนรู้จากคนอื่น
แชร์ความรู้ - สอนคนอื่นคือวิธีเรียนที่ดีที่สุด

📬 ติดต่อได้ที่

Telegram: https://t.me/Jitaret
Email: jitaret@gmail.com

📚 ซีรีส์อ้างอิง

บทความชุดนี้เขียนโดยอ้างอิงจากหนังสือ “AI Engineering” โดย Chip Huyen

📖 หนังสือ: AI Engineering
🐙 GitHub: chiphuyen/aie-book
👩‍💻 ผู้เขียน: Chip Huyen

หมายเหตุ: บทความชุดนี้ปรับเนื้อหาให้เหมาะกับบริบทของนักพัฒนาชุมชนไทย โดยเพิ่มตัวอย่าง Use Cases ในภาครัฐและชุมชน

ซีรีส์: AI Engineering สำหรับนักพัฒนาชุมชน
ตอนที่ 6/7: Fine-tuning AI Models
โดย เหน่ง - นักวิชาการพัฒนาชุมชน
กรมการพัฒนาชุมชน กระทรวงมหาดไทย

📚 อ่านบทความอื่นในซีรีส์

ตอน	หัวข้อ	ลิงก์
1	วางแผน AI App	อ่านตอนที่ 1
2	Prompt Engineering	อ่านตอนที่ 2
3	RAG	อ่านตอนที่ 3
4	Dataset สำหรับวิจัย	อ่านตอนที่ 4
5	Agentic AI	อ่านตอนที่ 5
7	สรุปซีรีส์	อ่านตอนที่ 7

🚀 อ่านตอนต่อไป (ตอนที่ 7 - ตอนสุดท้ายของซีรีส์)

ซีรีส์ยังไม่จบ! อ่านตอนที่ 7 ต่อได้เลยครับ:

ตอนที่ 7: สรุปซีรีส์ - เริ่มต้นใช้งาน AI Engineering สำหรับงานชุมชน

สิ่งที่คุณจะได้เรียนรู้:

10 หลักการ AI Engineering (2026)
Roadmap เริ่มต้นสำหรับนักพัฒนาชุมชน
Checklist: 30 วันแรก
แหล่งเรียนรู้ต่อ
สรุปและส่งท้ายซีรีส์

🎉 เกือบจบซีรีส์แล้ว!

ขอบคุณที่ติดตามครับ! 🙏

อ่านตอนที่ 7 ต่อเลยครับ! 🚀

AI Engineering ตอนที่ 4: Dataset สำหรับวิจัย - คู่มือฉบับสมบูรณ์

jitaret@gmail.com (เหน่ง) — Thu, 09 Apr 2026 23:12:00 +0700

📊 AI Engineering ตอนที่ 4: Dataset สำหรับวิจัย - คู่มือฉบับสมบูรณ์

ซีรีส์: AI Engineering สำหรับนักพัฒนาชุมชน

📋 สารบัญ

Dataset คืออะไร?
ทำไม Dataset สำคัญสำหรับ AI?
ประเภทของ Dataset
แหล่งข้อมูล Dataset ฟรี
วิธีสร้าง Dataset เอง
การทำความสะอาดข้อมูล (Data Cleaning)
Use Cases สำหรับงานวิจัย/ชุมชน

📌 Dataset คืออะไร?

ภาพ: แนวคิด Dataset - ภาพประกอบจาก Unsplash

Dataset (ชุดข้อมูล) คือ การนำข้อมูลที่มีคุณสมบัติเหมือนกันมาจัดเป็นชุดให้ถูกต้องตามโครงสร้างข้อมูล

ลองนึกภาพง่ายๆ ว่ามันเหมือนกับ:

📝 ตาราง Excel หรือ Spreadsheet
📋 สมุดบันทึก ที่เก็บข้อมูลลูกค้า
🗃️ แฟ้มเอกสาร ที่จัดหมวดหมู่ไว้อย่างดี

โครงสร้างของ Dataset:

ชื่อ	อายุ	เพศ	อาชีพ	รายได้ต่อเดือน
สมชาย	28	ชาย	พนักงานบริษัท	25,000 บาท
สมใจ	35	หญิง	ธุรกิจส่วนตัว	45,000 บาท
วิชัย	42	ชาย	ข้าราชการ	30,000 บาท
มาลี	26	หญิง	พนักงานบริษัท	22,000 บาท

จากตารางนี้:

แถว (Row) = 1 ตัวอย่าง (1 คน) → เรียกว่า “Sample” หรือ “Data Point”
คอลัมน์ (Column) = คุณสมบัติของข้อมูล → เรียกว่า “Feature” หรือ “Attribute”

💡 อ่านเพิ่มเติม: ตอนที่ 3: RAG - วิธีเชื่อมต่อ AI กับฐานข้อมูล

❤️ ทำไม Dataset สำคัญสำหรับ AI?

มีสุภาษิตของคนในวงการ AI ที่ว่า:

“ข้อมูลคือหัวใจของ AI” 💯

หรือพูดอีกแบบคือ “Garbage In, Garbage Out” 🗑️

หมายความว่า ถ้าข้อมูลไม่ดี โมเดล AI ก็ไม่สามารถเรียนรู้ได้อย่างถูกต้อง

บทบาทของ Dataset ใน 3 ขั้นตอน:

ขั้นตอน	คำอังกฤษ	คำอธิบาย	ทำไมถึงสำคัญ
การฝึก	Training	Dataset ให้ตัวอย่างที่โมเดลใช้เรียนรู้รูปแบบ	เป็นพื้นฐานให้โมเดล “จำ” และ “เข้าใจ” รูปแบบของข้อมูล
การตรวจสอบ	Validation	ช่วยปรับแต่งประสิทธิภาพของโมเดล	ใช้ตรวจสอบว่าโมเดลทำงานได้ดีแค่ไหน ก่อนนำไปใช้จริง
การทดสอบ	Testing	ข้อมูลที่ไม่เคยเห็น ใช้วัดความสามารถจริงของโมเดล	เป็นการทดสอบของจริงว่าโมเดลทำงานได้ดีจริงหรือไม่

ตัวอย่างจริง:

สมมติเราจะสร้าง AI ทำนายราคาบ้าน

🏠 Training Data:

บ้าน 1,000 หลัง พร้อมราคาจริง
AI เรียนรู้ว่า “บ้าน 3 ห้องนอน อยู่ในเมือง ราคาเท่าไหร่”

🏠 Validation Data:

บ้าน 200 หลัง
ใช้ปรับแต่งโมเดลว่า “ควรให้น้ำหนักอะไรมากกว่ากัน”

🏠 Testing Data:

บ้าน 100 หลัง ที่ AI ไม่เคยเห็น
ถ้าทำนายได้ใกล้เคียงราคาจริง = โมเดลดี!

🗂️ ประเภทของ Dataset

1. แบ่งตามการกำกับข้อมูล (Labeling):

Labeled Data (ข้อมูลมีป้ายกำกับ)

คือข้อมูลที่มีการระบุคำตอบหรือหมวดหมู่ไว้ชัดเจน

รูปภาพ	ป้ายกำกับ
🐱	แมว
🐕	สุนัข
🐱	แมว
🦅	นก

ข้อดี: โมเดลเรียนรู้ได้ตรงไปตรงมา เพราะรู้คำตอบแล้ว

ข้อเสีย: ต้องใช้แรงงานคนในการติดป้าย (Labeling) ทำให้มีราคาแพง

Unlabeled Data (ข้อมูลไม่มีป้ายกำกับ)

คือข้อมูลดิบที่ไม่มีการระบุคำตอบ

ตัวอย่าง:

รูปภาพหลายพันรูป (ไม่ได้บอกว่าคืออะไร)
ข้อความอีเมลหลายพันฉบับ (ไม่ได้บอกว่าอันไหนสแปม)

ข้อดี: หาได้ง่าย มีเยอะ ไม่ต้องใช้แรงงานในการติดป้าย

ข้อเสีย: ยากกว่าในการสอนโมเดล ต้องใช้เทคนิคพิเศษ

Semi-Supervised Data (ข้อมูลกึ่งกำกับ)

คือการผสมระหว่าง 2 แบบข้างบน

ตัวอย่าง:

รูปภาพ 10,000 รูป แต่มีป้ายเพียง 1,000 รูป
อีเมล 100,000 ฉบับ แต่รู้ว่า 5,000 ฉบับเป็นสแปม

ข้อดี: ใช้ประโยชน์จากข้อมูลที่มีป้ายน้อยๆ ให้เรียนรู้ข้อมูลที่ไม่มีป้ายด้วย

2. แบ่งตามโครงสร้าง:

Structured Data (ข้อมูลมีโครงสร้าง)

ข้อมูลที่จัดเก็บในรูปแบบที่เป็นระเบียบ มีช่องให้กรอกชัดเจน

ตัวอย่าง:

ฐานข้อมูลลูกค้า
Excel ข้อมูลพนักงาน
ตารางราคาสินค้า

ข้อดี: วิเคราะห์ง่าย เข้าถึงง่าย ใช้พื้นที่น้อย

Unstructured Data (ข้อมูลไม่มีโครงสร้าง)

ข้อมูลที่ไม่มีรูปแบบตายตัว อยู่ในรูปแบบอิสระ

ตัวอย่าง:

📝 ข้อความ (Text)
🖼️ รูปภาพ (Image)
🎵 เสียง (Audio)
🎬 วิดีโอ (Video)

ความท้าทาย: ต้องใช้เทคนิคพิเศษ เช่น NLP หรือ Computer Vision ในการวิเคราะห์

🆓 แหล่งข้อมูล Dataset ฟรี

1. Kaggle — สวรรค์ของ Data Scientist 🥇

Kaggle เป็นแพลตฟอร์มที่ได้รับความนิยมมากที่สุดในโลกสำหรับ Data Science

จุดเด่น:

มี Dataset หลายหมื่นชุดข้อมูล
มีทั้งผู้เชี่ยวชาญและมือใหม่แชร์ข้อมูล
สามารถดู Discussion และ Code ของคนอื่นได้
มี Competitions ที่ให้ลองทักษะ

Free Tier 2026:

30 ชั่วโมง GPU/สัปดาห์ (Kaggle Notebooks)
100GB Dataset storage

ลิงก์: kaggle.com/datasets

2. UCI Machine Learning Repository 🏛️

UCI ML Repository เป็นแหล่งข้อมูลคลาสสิกที่มีชื่อเสียงมากๆ ในวงการ Machine Learning

จุดเด่น:

มี Dataset กว่า 689 ชุดข้อมูล
ข้อมูลส่วนใหญ่ clean และพร้อมใช้งาน
เหมาะสำหรับมือใหม่เริ่มต้น
มีเอกสารอธิบายข้อมูลชัดเจน

ลิงก์: archive.ics.uci.edu

3. Google Dataset Search 🔍

Google Dataset Search เป็นเครื่องมือค้นหา Dataset จากหลายแหล่งทั่วโลก

จุดเด่น:

ค้นหาข้อมูลจากหลายแหล่งในครั้งเดียว
รองรับหลายหัวข้อ
มีตัวกรองวันที่ ประเภทข้อมูล
แสดงข้อมูล License ให้เห็นชัดเจน

ลิงก์: datasetsearch.research.google.com

4. data.world 🌍

data.world เป็นแพลตฟอร์มที่น่าสนใจมากๆ เพราะสามารถทำงานกับข้อมูลได้โดยตรงบนเว็บไซต์

จุดเด่น:

ทำงานบนเว็บได้โดยไม่ต้องติดตั้งโปรแกรม
รองรับ SQL Query
มี API ให้ใช้งาน
ชุมชน active แชร์ข้อมูลบ่อย

ลิงก์: data.world

5. World Bank Data 🏦

สำหรับคนที่สนใจข้อมูลด้านเศรษฐกิจ สังคม และการพัฒนา

จุดเด่น:

ข้อมูลเศรษฐกิจและสังคมจากทั่วโลก
อัปเดตสม่ำเสมอ
มี Visualization ในตัว
ดาวน์โหลดได้หลายรูปแบบ (CSV, Excel, XML)

ลิงก์: data.worldbank.org

ตารางสรุปแหล่งข้อมูล Dataset ฟรี:

แหล่ง	จุดเด่น	ลิงก์
Kaggle	Dataset หลากหลาย, 30 ชม. GPU/สัปดาห์	kaggle.com/datasets
UCI ML	ข้อมูลคลาสสิก 689+ ชุด เหมาะเริ่มต้น	archive.ics.uci.edu
Google Dataset Search	ค้นหาข้อมูลจากทุกแหล่ง	datasetsearch.research.google.com
Hugging Face	ข้อมูลภาษา, โมเดล, Dataset	huggingface.co/datasets
World Bank Data	ข้อมูลเศรษฐกิจ-สังคมระดับโลก	data.worldbank.org

🆕 โมเดล AI สำหรับงานวิจัย (2026)

Qwen 3.5 และ Gemma 4

นอกจาก Dataset แล้ว การเลือกโมเดลที่เหมาะสมก็สำคัญ:

โมเดล	จุดเด่น	รันบน Laptop
Qwen 3.5	122B params, ภาษาไทยดี, ฟรี 1M tokens/เดือน	✅ ได้ (64GB RAM)
Gemma 4	Open-source, ปรับแต่งได้	✅ ได้ (32GB RAM)
Llama 4	Open-source, $0.15/1M tokens	✅ ได้

ทำไมต้องรู้? เลือกโมเดลที่รันบนเครื่องตัวเองได้ ช่วยประหยัดค่าใช้จ่ายและรักษา Privacy

🛠️ วิธีสร้าง Dataset เอง

บางครั้งการหา Dataset จากข้างนอกมาใช้อาจไม่ตรงกับความต้องการของเรา การสร้าง Dataset เองก็เป็นอีกทางเลือกที่น่าสนใจ

ขั้นตอนที่ 1: กำหนดวัตถุประสงค์ 🎯

ตอบคำถามเหล่านี้ก่อน:

ต้องการข้อมูลอะไร (What)
เอาไปใช้ทำอะไร (How)
ใครจะเป็นคนใช้ (Who)
ต้องการข้อมูลกี่ชุด/กี่รายการ (How much)

ตัวอย่าง: “อยากสร้าง Dataset รีวิวร้านอาหารไทย เพื่อใช้วิเคราะห์ความรู้สึกของลูกค้า (Sentiment Analysis) จำนวน 10,000 รีวิว”

ขั้นตอนที่ 2: รวบรวมข้อมูล (Data Collection) 📥

Primary Data (ข้อมูลปฐมภูมิ):

ข้อมูลที่เราเก็บเองโดยตรงจากแหล่งข้อมูล:

แบบสอบถาม (Survey): ส่งให้กลุ่มเป้าหมายตอบ
การสัมภาษณ์ (Interview): พูดคุยเก็บข้อมูลเชิงลึก
การสังเกต (Observation): เก็บข้อมูลจากการดู/ใช้งานจริง
การทดลอง (Experiment): เก็บข้อมูลจากการทดลองที่เราควบคุม

Secondary Data (ข้อมูลทุติยภูมิ):

ข้อมูลที่มีคนเก็บไว้แล้ว เรานำมาใช้:

ข้อมูลจากเว็บไซต์ (Web Scraping): ดึงข้อมูลจากเว็บ
API: ดึงข้อมูลจากบริการต่างๆ เช่น X API, Google Maps API
ข้อมูลจากหน่วยงานราชการ: สถิติ กรมต่างๆ
ข้อมูลจากงานวิจัย: งานวิจัยเก่าที่เปิดเผยต่อสาธารณะ

ขั้นตอนที่ 3: จัดโครงสร้างข้อมูล (Data Structuring) 📋

กำหนด Column/Field: แต่ละคอลัมน์เก็บข้อมูลอะไร
กำหนด Data Type: ข้อมูลเป็น Text, Number, Date หรืออื่นๆ
สร้างไฟล์: ใช้รูปแบบ CSV, JSON, Excel หรือ Database
กำหนด Primary Key: หมายเลขหรือ ID ที่ไม่ซ้ำกัน

ขั้นตอนที่ 4: ติดป้ายกำกับ (Labeling) 🏷️

สำหรับงาน Machine Learning เราต้องมี “Label” หรือ “คำตอบ” ให้โมเดลเรียนรู้:

Classification: ติดป้ายว่าข้อมูลอยู่ใน class ไหน เช่น Positive/Negative
Object Detection: วาดกรอบรอบวัตถุ + ระบุชนิด
Sentiment Analysis: ระบุว่ารีวิวเป็น ดี/เฉย/ไม่ดี

วิธี Labeling:

ทำเอง (Manual Labeling)
ใช้ Tool ช่วย เช่น Label Studio, Prodigy
ใช้ Crowd-sourcing เช่น Amazon Mechanical Turk

ขั้นตอนที่ 5: เก็บรักษาและจัดการ (Storage & Management) 💾

เลือกรูปแบบไฟล์: CSV สำหรับข้อมูลตาราง, JSON สำหรับข้อมูลซับซ้อน
สร้าง Documentation: อธิบายว่าแต่ละ Column คืออะไร
Version Control: เก็บหลายเวอร์ชัน เผื่อต้องย้อนกลับ
Backup: สำรองข้อมูลไว้หลายที่
License: กำหนดว่าใครใช้ได้บ้าง

🧹 การทำความสะอาดข้อมูล (Data Cleaning)

ได้ยินมั้ยครับ ที่ชาว Data Science พูดว่า “80% ของเวลาทำงานคือการทำความสะอาดข้อมูล” 😱

ข้อมูลดิบที่เราได้มามักมีปัญหาหลายอย่าง เช่น ข้อมูลหาย ข้อมูลซ้ำ ข้อมูลผิดรูปแบบ ถ้าไม่แก้ไขก่อน โมเดลที่เราสร้างก็จะมีปัญหาได้

12 ขั้นตอน Data Cleaning:

ขั้นตอน	สิ่งที่ทำ	เครื่องมือ
1	ตรวจสอบ Missing Values	`df.isnull().sum()`
2	ลบข้อมูลซ้ำ	`df.drop_duplicates()`
3	ตรวจสอบประเภทข้อมูล	`df.dtypes`
4	แก้ไขค่าผิดปกติ (Outliers)	IQR Method
5	จัดการ Missing Data	`df.dropna()` หรือ `df.fillna()`
6	ลบคอลัมน์ไม่จำเป็น	`df.drop(columns=[...])`
7	จัดการ Text Data	`.str.lower()`, `.str.strip()`
8	ตรวจสอบความสอดคล้อง	Condition checks
9	จัดการ Encoding	One-Hot, Label Encoding
10	Normalization/Standardization	MinMaxScaler, StandardScaler
11	บันทึกข้อมูลที่ทำความสะอาดแล้ว	`df.to_csv()`
12	สร้างเอกสาร (Documentation)	README, Data Dictionary

🏛️ Use Cases สำหรับงานวิจัย/ชุมชน

ภาพ: AI เพื่อสังคม - ภาพประกอบจาก Unsplash

ด้าน	ตัวอย่างการใช้ Dataset
สุขภาพ	วิเคราะห์ภาพ X-ray วินิจฉัยโรค, พยากรณ์การระบาด
การศึกษา	GenAI เพื่อการศึกษาสำหรับผู้ด้อยโอกาส
สิ่งแวดล้อม	วิเคราะห์ข้อมูลสภาพอากาศ, พยากรณ์น้ำท่วม
การเกษตร	พยากรณ์ผลผลิต, ตรวจจับโรคพืช
ความเหลื่อมล้ำ	ระบุผู้ต้องการความช่วยเหลือทางสังคม
ความปลอดภัย	ตรวจจับการทุจริต, อาชญากรรม

ตัวอย่างจริง:

1. สุขภาพ:

1- วิเคราะห์ภาพ X-ray วินิจฉัยโรคปอด
2- พยากรณ์การระบาดของโรคติดเชื้อ
3- ระบุผู้ป่วยที่มีความเสี่ยงสูง

2. การศึกษา:

1- GenAI เพื่อการสอนพิเศษ
2- วิเคราะห์ผลการเรียนเพื่อปรับปรุงหลักสูตร
3- แนะนำเส้นทางการเรียนรู้ส่วนบุคคล

3. สิ่งแวดล้อม:

1- วิเคราะห์ข้อมูลสภาพอากาศ
2- พยากรณ์น้ำท่วม/ภัยแล้ง
3- ติดตามการเปลี่ยนแปลงของป่าไม้

4. การเกษตร:

1- พยากรณ์ผลผลิตพืชผล
2- ตรวจจับโรคพืชจากภาพถ่าย
3- แนะนำเวลาปลูกและเก็บเกี่ยว

หลักการสำคัญ:

1✅ ต้องมีข้อมูลที่มีคุณภาพ และ จริยธรรม
2✅ ร่วมมือกับชุมชนท้องถิ่น เพื่อเข้าใจปัญหาจริง
3✅ เน้น ความโปร่งใส และ ความเป็นธรรม (ไม่ Bias)

📚 สรุป

สิ่งที่ได้เรียนรู้:

✅ Dataset คืออะไร — ชุดข้อมูลที่จัดอย่างเป็นระบบ
✅ ทำไมสำคัญ — “ข้อมูลคือหัวใจของ AI”
✅ ประเภทของ Dataset — Labeled, Unlabeled, Semi-Supervised
✅ แหล่งข้อมูลฟรี — Kaggle, UCI, Google Dataset Search
✅ วิธีสร้าง Dataset เอง — 5 ขั้นตอน
✅ Data Cleaning — 12 ขั้นตอนสำคัญ
✅ Use Cases — AI เพื่อสังคม

คำแนะนำ:

1💡 เริ่มจาก Dataset เล็กๆ ก่อน
2💡 ใช้ Dataset ฟรีที่มีอยู่ก่อนสร้างเอง
3💡 ทำความสะอาดข้อมูลให้ดีก่อนสอน AI
4💡 เก็บเอกสารประกอบเสมอ

🔗 อ่านบทความที่เกี่ยวข้อง:

ตอนที่ 3: RAG - วิธีเชื่อมต่อ AI กับฐานข้อมูล
ตอนที่ 5: Agentic AI - เมื่อ AI ทำงานแทนคุณ
ตอนที่ 6: Fine-tuning - ปรับแต่ง AI ให้เชี่ยวชาญ

📬 ติดต่อได้ที่

Telegram: https://t.me/Jitaret
Email: jitaret@gmail.com

📚 ซีรีส์อ้างอิง

บทความชุดนี้เขียนโดยอ้างอิงจากหนังสือ “AI Engineering” โดย Chip Huyen

📖 หนังสือ: AI Engineering
🐙 GitHub: chiphuyen/aie-book
👩‍💻 ผู้เขียน: Chip Huyen

📚 อ่านบทความอื่นในซีรีส์

ตอน	หัวข้อ	ลิงก์
1	วางแผน AI App	อ่านตอนที่ 1
2	Prompt Engineering	อ่านตอนที่ 2
3	RAG	อ่านตอนที่ 3
5	Agentic AI	อ่านตอนที่ 5
6	Fine-tuning AI Models	อ่านตอนที่ 6
7	สรุปซีรีส์	อ่านตอนที่ 7

ซีรีส์: AI Engineering สำหรับนักพัฒนาชุมชน
ตอนที่ 4/7: Dataset สำหรับวิจัย
โดย เหน่ง - นักวิชาการพัฒนาชุมชน
กรมการพัฒนาชุมชน กระทรวงมหาดไทย

ขอบคุณที่ติดตามครับ! 🙏

พบกันใหม่ในตอนต่อไป! 🚀