รีวิวคอร์ส “Enhancing Business Performance with Generative AI” เรียนรู้แบบ zero to hero

Learning Sep 2, 2024

ปีนี้ Generative AI มาแรง เลยมาเล่าให้ฟังว่าคอร์สนี้ของทาง True Digital Academy เราได้เรียนอะไรไปบ้าง เผื่อใครสนใจ อาจจะ note จากที่เรียนมาให้ทุกคนอ่านบ้างเนอะ

ปล. เราได้ไปเรียนคอร์สนี้ จากการเป็น Community Leaderใน Facebook Group Learn with True Digital Academy

เราเรียนกันวันเสาร์ที่ 31 สิงหาคม 2567 เวลา 9:00 - 16:00 ที่ True Digital Academy Campus ชั้น 7 True Digital Park ฝั่ง East

คอร์สนี้ราคาตอน Early Bird สมัครพร้อมชำระเงินก่อนสิ้นเดือนกรกฏาคมอยู่ที่ 8,900 บาท และราคาปกติ 12,900 บาท แหะ ๆ รายละเอียดคร่าว ๆ ที่ website จ้า

ก่อนเรียนมี Confirmation Email พร้อม Google Calendar แจ้งเรามาก่อนเกี่ยวกับรายละเอียดของคอร์สที่เราจะเรียน ว่าเราเรียนวันไหน กี่โมง ที่ไหน เดินทางยังไง เตรียมอะไรมาบ้าง ซึ่งเขาให้เราเอา notebook มา เพื่อเอามาเขียน prompt และสมัคร 5 โปรแกรมนี้ล่วงหน้ากันก่อน

และคอร์สนี้สื่อสารผ่าน LINE Group chat ที่จะแจ้งรายละเอียดต่าง ๆ รวมถึง silde จะมาเช้าก่อนเข้าเรียนเลย ระหว่างนี้มีส่งลิ้งอื่น ๆ ให้เราเข้าไปเล่นตามอาจารย์ด้วย

วันเรียนมาถึงสาย เขามีโทรตามด้วย แหะ ๆ เข้ามามีแนะนำตัวเพื่อน ๆ ในคลาส และที่นั่งเขาจะจัดเป็นกลุ่ม ๆ เพราะมีกิจกรรมกลุ่มตอนท้ายด้วย

ของที่ระลึกหลังจากเซ็นต์ชื่อเข้าเรียน คือ powerbank อันนี้เลย

เนื้อหาทั้งหมด 6 ชั่วโมง ตาม syllabus

Part 1: ปูพื้นฐานเรื่อง Generative AI
Part 2: การประยุกต์ใช้ Generative AI ตามองค์ประกอบของ Digital Transformation (People, Process, Product, Technology)
Part 3: กรณีศึกษาและตัวอย่างจริงในการนํา Generative AI ไปใชงานในองค์กร

แล้วเราได้เรียน และได้ของเล่นอะไรใหม่ ๆ กลับไปบ้าง มาดูกัน

ก่อนอื่น AI generate อะไรได้บ้าง?

มีตัวอย่างมาให้ดู และคุณครูทำให้ดูก่อน เช่น

เขียน prompt ให้แนะนำคอร์สนี้
ให้ AI analyse จากไฟล์ข้อมูลนี้ให้หน่อย สามารถแนบไฟล์ได้ประกอบไปได้
จริง ๆ แล้ว เราสามารถสร้างรูปผ่าน ChatGPT ได้ด้วย โดยใส่คำว่า please give me a image แนบท้ายไป เพื่อให้มันเอารูปมาให้เราแทน text ไม่ถูกใจบอก AI เพิ่มเติมเพื่อ gen รูปใหม่ให้เราได้ ซึ่งก็ได้รูปใหม่เลยยยยยย ถ้าทำงานกราฟฟิคอาจจะต้องไปแต่งรูปเพิ่มเองได้ ส่วนใหญ่เรื่องรูปจะทำผ่าน MidJourney กัน ซึ่งได้รูปเสมือนจริงมากกว่า และอันนี้ใช้งานผ่าน discord เนอะ

Introduction to Generative AI

ทำความรู้จักจักรวาล AI และผองเพื่อนกันก่อน

โดย AI (Artificial Intelligence) เป็นปัญญาที่ถูกประดิษฐ์ขึ้นมา ให้แสดงพฤติกรรมเลียนแบบเหมือนมนุษย์ ให้ computer เรียนรู้อะไรที่ซับซ้อนมากขึ้น

ส่วน Machine Learning เป็น AI ประเภทนึง ที่ทำให้ AI โด่งดังเป็นครั้งแรก ให้ computer เรียนรู้จากข้อมูลโดยไม่ต้องบอกมันทุกขั้นตอน เช่น พยากรณ์อากาศในวันนี้

ข้างในก็มี deep learning ที่ advance กว่า ที่วิเคราะห์ pattern ได้ลึกซึ้งกว่า เช่น วิเคราะห์รูปภาพนี้เป็นแมวหรือหมา ในเรื่องภาษาก็เช่นกัน

และ Generative AI ที่เราเรียนกันในวันนี้ มี deep learning เป็นพื้นฐาน

และมีส่วนที่คาบเกี่ยวกับคือ Data Science เป็นศาสตร์การดึงความรู้จากข้อมูลนั้น พอมี AI ทำให้คนวิเคราะห์ข้อมูลได้อย่างสะดวกขึ้น โดยที่ไม่ต้องทำเป็นมาก่อน

ปัจจุบัน Generative AI สามารถ content ออกมาได้หลายแบบ เช่น text, image, video, voice ซึ่งหลักการในการทำตัว Generative AI คือ

ฝึก AI ให้ถามตอบได้
เราใส่คำสั่งสิ่งที่เราอยากได้
มันจะ generate content มาให้

หรือจะมองเป็นแนว input → output ก็ได้ เช่น MidJourney แปลงจาก text เป็น image

SearchGPT: คนใช้ ChatGPT แทนค้นหาบน Google และสามารถดึงข้อมูลได้ถูกต้องแม่นยำขึ้นได้ในอนาคต

ตัว Generative AI มีหลายแอพ หลายประเภทการใช้งานด้วยกัน และอาจารย์ลองเจนเพลงด้วย Suno ให้ดูด้วย ซึ่งเราเพิ่งเขียนบล็อกลงไปเอง

เดี๋ยวนี้คนใช้งาน Generative AI ที่เป็น LLM (Large Model Language) เยอะ มีข้อดีมากมาย แต่ละตัวก็มีข้อดีต่างกันตามบทความนี้เลย

คร่าว ๆ จะเป็นดังนี้

ChatGPT: one-stop service ทำได้หลายอย่าง
Claude: มีความลึกซึ้ง ออกแนวปรัชญาชีวิตหน่อย ๆ
Copilot: เน้นไปสาย coding (developer แบบเราจะเคยได้ยิน และใช้งาน Github Copilot กันเนอะ)
Gemini: ให้ข้อมูลที่ลึกกว่า
Perplexity: ให้ข้อมูลที่ถูกต้องแม่นยำ

blocker ถูกจำกัดด้วย business มากกว่า

rank ของอาจารย์: Perplexity > Gemini > ChatGPT

rank ของเรา: Perplexity > Gemini = Claude > ChatGPT

จากการใช้งานของเรา ทั้ง ChatGPT, Gemini หรือ Claude เอง ไม่ให้ source ต้องระบุให้มัน reference ด้วย ซึ่งก็ตรงบ้าง ไม่ตรงบ้าง ต้อง check ว่าเว็บเปิดได้ไหม เพราะมันอาจจะให้ผิดมา ส่วน Perplexity เห็น source ได้ชัดเจน ลิ้งเกือบ 90% สามารถเปิดได้ และอ้างอิงแม่นยำกว่าเพื่อน

ทำไม ChatGPT ถึงเก่ง?

ChatGPT เก่งเพราะ ใช้หลักการ autocomplete เดาว่าคำต่อไปควรเป็นคำไหน คำไหนเป็นไปได้มากกว่า

Language Model: ความน่าจะเป็นของคำต่อไปที่เป็นไปได้มากที่สุด ปัจจุบันมีขนาดใหญ่ → LLM ซึ่ง base by transformer ซึ่งทาง Google เป็นคนพัฒนาอันนี้ขึ้นมาในปี 2017

มีความพิเศษ คือ ปฏิวัติทางภาษาของ AI เลย เช่น Google Translate ซึ่งเป็น algorithm หลายชั้น แปลงแต่ละคำเป็นตัวเลข และเอาไปเข้าสมการหลาย ๆ ชั้น

เว็บอื่นใช้รูปนี้เยอะมาก ไม่รู้จะอ้างอิงจากใครดี

Self-attention head

อีกความพิเศษ คือสร้างให้คอมเข้าใจความสำคัญของแต่ละคำได้

แปลงเป็นตัวเลขอีกชุดนึงเพื่อเข้าใจ context ในประโยคนั้น ทำให้สื่อสารภาษาได้ดีขึ้น เข้าใจเรามากยิ่งขึ้น เช่น bat ในแต่ละ context มีความหมายไม่เหมือนกัน อย่างค้างคาว หรือไม้ตี

นอกจาก process ภาษา ยังแปลงตัวเลขเป็นกราฟความน่าจะเป็น ว่าคำต่อไปน่าจะเป็นคำไหนมากที่สุด

ขั้นตอนในการฝึก คือ ข้อมูลที่ใช้ เอาตัวหนังสือในโลกนี้มา เอาประโยคนึงมาตัดกลางประโยค และให้มันเดาคำถัดไปเป็นประโยค เพื่อให้เดาคำถัดไปได้เก่งขึ้น

สร้าง prompt ให้คนตอบ ได้ model GPT-3.5 ถามตอบและมาเทรนมาฝึก จนได้ fine-tune ออกมา

สร้าง GPT → เรียนรู้ ฝึกฝน → โหวตว่าอันไหนดีกว่ากัน → ผสมผสาน model ให้รางวัล

เรื่องรูป ทำไมต้องเจนใหม่ทุกครั้ง

แปลงประโยคเป็นตัวเลข ใจความใหม่ เจนใหม่ ไม่ได้จับบางส่วนออกมาให้เรา เพราะรูปมาจาก base ที่เราบอก และเจนขึ้นมาใหม่

เจนคำเดิม ได้รูปเหมือนเดิมไหม มีเลข random = 0 จึงจะออกมาเหมือนเดิม ตัวแกนเหมือนเดิม มีความ random เป็นการสร้างภาพขึ้นมาใหม่

จากประสบการณ์ของเรา คือมันมีค่านึง ที่ใส่เหมือนเดิม จะได้ภาพคล้าย ๆ เดิม คือ ค่า seed นั่นเอง สามารถอ่านต่อได้ที่นี่เลย

ปล. playground มี function ที่ set อะไรแบบละเอียดได้

Prompt engineering

ใจความคือสมองเราคิดได้ซับซ้อนแค่ไหน แต่ก็มีตัวช่วยให้เราเขียน prompt ได้ดีขึ้น เพื่อให้ได้คำตอบที่เราต้องการได้มากขึ้น และมีคุณภาพมากขึ้น

Chain-of-Thought: อธิบายเป็นขั้นตอน ให้มันคิดทีละขั้น เช่น ถามโจทย์เลข ให้แสดงวิธีคิดของมันออกมาให้เราด้วย ตัวใหม่ ๆ ไม่มีปัญหา เพราะทำพวกนี้ได้ดีขึ้น

Tree-of-Thought: แตกแขนง แล้วมาค้นหาคำตอบกัน

และเทคนิคอื่น ๆ

Maieutic: อธิบายหลาย ๆ แบบ
Complexity-based: คุยยาว ๆ เบรคเป็นขั้นตอนได้ง่ายขึ้น (Chain-of-Thought)
Generated knowledge: fact checking ถามก่อนว่าคืออะไร และ check คำตอบ ถ้าถูกก็ลุยต่อ
Least-to-most: ถามเป็นขั้นตอน (Chain-of-Thought)
Self-refine: วิจารณ์ตัวเอง ว่าตัวเองตอบยังไง
Directional-stimulus: hint ให้ model มีคำตอบที่เราต้องการ ให้คำใบ้ไปเรื่อย ๆ

เว็บสอนเราทำ prompt engineering ของ aws เราจะให้เราลองพิมพ์ prompt ต่าง ๆ และมีการเปรียบเทียบ model จากหลาย ๆ เจ้าด้วย

ถ้าเขาไม่มั่ว ก็จะไม่ตอบ และเราสามารถคุยต่อ หรือให้ตัวอย่างเขาไปได้

มี feature นึงบน PartyRock คือ การสร้างโปรแกรม AI ทำแบบสำเร็จให้เรา กดปุ่ม "Generate app" พิมพ์สิ่งที่เราอยากได้ลงไป กด "Generate"

ถ้าต้องการ custom กว่านี้ อาจจะต้องไปทำแอพเองจะดีกว่า เพราะช่องที่ให้มาก็ตามใจ AI ก็สามารถนำไปใช้งานในระดับนึง แต่ไม่ได้ตามใจเราไง

จากนั้นมีพักเบรก แล้วมาเล่น prompt ต่อกันเลย

Apply Generative AI in work functions

เปิดคอมลงมือทำกันเลย เพราะเป็นตัวอย่าง prompt ที่ใช้ใน function งานต่าง ๆ

สามารถเลือกใช้พวก LLM ได้ตามสบายเลย เราจะลองเล่นทั้ง ChatGPT, Gemini และ Claude

ที่เราลองไปหลาย ๆ อันมาก และในสไลด์มี prompt ให้เราลองเล่นพอสมควร ยกตัวอย่าง

Create a skills gap analysis and plan the training program for iOS Developer (Objective-C and Swift) and Android Developer (most Kotlin)

เราลอง 3 ตัวนี้พร้อมกันเลย

ChatGPT ชอบความที่ทำตารางมาให้เลยแหะ

Gemini จริง ๆ มัน generate มาให้ 3 แบบ กดจิ้มดูได้นะ แต่ถ้าเราถามมันใหม่เราจะเห็นของใหม่แทน

Claude พี่แกเล่น gen plan แยกให้เลย พอกด download จะเป็นไฟล์ markdown (.md) มาให้

ตอนเขียนบล็อกรู้สึกว่าลืม Perplexity อ่ะลองหน่อย

อีกอัน

Based on the findings from our recent user research, design low-fidelity mockups for the key user interfaces of our notebook bag. Focus on usability and user experience by incorporating insights from user feedback while maintaining a visually appealing and consistent design language. target group is developers or people bring notebook to office and difference style from market.

ของ ChatGPT จะถามต่อว่าจะให้ generate mock ให้ไหม เอาสิ ซึ่งวันนี้เจนรูปจนครบ limit แล้ว

เราสามารถใส่เพิ่มว่า Create an image of the product หรือ Give me an image prototype เพื่อให้ได้รูปออกมาได้

รูป ใช้ Adobe Firefly

สำหรับสาย Data Analytics จะใช้ Google Collab ไว้รัน python ข้อดีคือเขียนตัวหนังสือประกอบ หรือเขียนโค้ดก็ได้ และตอนนี้สามารถเขียนโค้ดโดยการ generate by AI ได้แล้ว

แล้วเราจะถามยังไงดี?

เมื่อเพื่อน ๆ อยากคิด prompt เอง ควรเริ่มยังไงดี

มี 5 หลักด้วยกัน คือ Prompting, Priming, Refining, Iterating, Probing

3 ส่วนหลัก ๆ ที่ควรมี คือ

persona: บอก AI ว่าเขาเป็นใคร
task: เราอยากให้เขาทำอะไร
guardrails: และไม่อยากให้เขาทำอะไรบ้าง สิ่งที่เราไม่ต้องการ เช่น ไม่รู้ก็ไม่ต้องตอบ

ทริคการใช้ ChatGPT จากใน session

เราไม่ควร put sensitive data ลงไป (ซึ่งเราคิดว่าหลาย ๆ บริษัทน่าจะยํ้ากันอยู่แล้ว) เพราะว่าตัว platform อาจจะเก็บข้อมูลที่เราพิมพ์ เอามาสอน AI เพิ่มเติมได้

ดังนั้นบางทีเราไม่ได้พิมพ์อะไรที่เป็น sensitive ไป แต่ไม่อยากให้เอาข้อมูลไปเทรนต่อ สามารถปิดได้ ที่ Setting → Data control → Model improvement

เราสามารถ set position และ tone ของ ChatGPT ได้ที่ Customize ChatGPT และมันเก็บไว้ใน memory โดยไปดูได้ที่ Setting → Personalization → Memory เพื่อเปิดปิดได้นะ

อีกทั้งมัน analyse จากข้อมูลต่าง ๆ ที่เราพิมพ์ใช้งาน โอเครอด5555

ข้อดี ทำอะไรได้ตรงใจเรา ข้อเสีย ตรงใจเราเกินไป เพราะบาง usecase อยากได้ละเอียดหรือลดทอนมากขึ้น

มีพักเบรคและอาหารกลางวัน เราเลือกเป็นปลากะพงซอสมะขาม และลาบหมูทอด

และสำหรับที่นี่ เจอกันหลัง 7-eleven ปิดก็เป็นไปได้ทุกวันเสาร์อาทิตย์

How to use & best practices

เล่าถึงการนำไปใช้ และ policy ต่าง ๆ

Agentic workflow: assign task ให้ model แต่ละตัว ให้ทำงานที่ใหญ่ขึ้นได้ เช่น เขียน essay ให้หน่อย เป็นการแบ่งงานเป็นส่วน ๆ เช่น ตัวนึงคิด ตัวนึงทวน ทำให้ได้ผลงานออกมาดีขึ้น แยกย่อยหน้าที่ เช่น อันนึงเขียน อันนึง research อันนึง edit เพื่อให้ได้บทความขึ้นมา

AI เก่ง แต่ไม่ได้เป็นพหูสูตรขนาดนั้น

คนพยายามจะบอกว่าฉันมี AI และจะไม่จ้างคนได้ ซึ่ง AI ไม่สามารถทำงานแทนเขาทั้งคนได้ จึงต้องมี AI หลายตัวทำงานร่วมกัน ให้ทำงานได้มีประสิทธิภาพ และแม่นยำมากขึ้น

ดังนั้นเรามาลองแตกหน้าที่ในการใช้งาน Genrative AI กัน โดยให้คนนึงเป็น Logistics coordinator อีกคนเป็น People and culture specialist

อาจจะใช้ตัวเองกันแบบ 2 หน้าแชท เช่น เปิด ChatGPT สองหน้าแชท หรือใช้คนละตัวกันก็ได้ เช่น ใช้ ChatGPT อันนึง ใช้ Gemini อันนึง ในการทำ workflow สร้าง agent แต่ละตัว เราสามารถ rename ชื่อ agent ให้เรารู้ว่ามันคืออะไร

และตอนทำ ถ้าใช้ Gemini จะพบว่า พอมันทำ output ออกมาเป็นตาราง สามารถจิ้มไปเป็นไฟล์ Google Sheet ได้ด้วยนะ

ระหว่างนั้นเราก็ได้รู้จากเพื่อนร่วมคลาส ว่า Gemini ดู YouTube ได้ด้วยนะ เราเลยไปถาม Gemini ดู มันตอบว่าเราดูคนละแบบกันนะ ของเขาจะดูข้อมูลในนั้นแล้วมาวิเคราะห์ สรุปเนื้อหาได้ อะเครงั้นลองดูอันนี้หน่อยสิ

และมันบอกว่า สามารถใช้ extension ได้โดยการ tag แอพนั้น ๆ ที่เราจะใช้งานนะ

อะเครลองอีกอันตอนเขียนบล็อก คือเรา @youtube ตามด้วย url ของคลิปเลย

เท่าที่ส่อง ที่ใช้ได้ นอกจาก YouTube ยังมี Google Flight, Google Hotel และ Google Maps นะ ที่ไม่ได้มี Gmail, Google Docs, Google Drive และ YouTube Music ไม่แน่ใจว่าแต่ละคนได้เหมือนกันไหมนะ

การใช้ generative AI ไม่ได้ทำได้ทุกบริบท ใช้สองแกนหลัก ๆ คือ generation effort, validation effort

งานที่เหมาะ คือ งานที่สร้างยาก แต่ตรวจสอบได้ เช่นเขียน job description
อันที่กลาง ๆ เช่น ทนายเขียนสัญญา
ไม่ควรใช้ AI ในชีวิตจริง คือ สร้างง่ายมาก และตรวจสอบไม่ได้ เช่น ร่างสัญญา แล้วเราไม่ใช่ทนาย ดังนั้นจะตรวจสอบไม่ได้

สิ่งที่ควรระวัง

ตรวจสอบคุณภาพ
กฏหมาย พวกลิขสิทธิ์
ความโปร่งใส และความรับผิดชอบของพนักงาน ตรวจสอบเนื้อหาจาก AI ก่อนส่ง
ใช้ prompt ใช้กันในด้านธุรกิจ อาจจะเจอไอเดียที่ซํ้าได้
การคิด ทำให้เราคิดน้อยลง เจอในเด็กรุ่นใหม่
ความลับขององค์กร ต้องดูว่าบางทีเอาข้อมูลเราไปเทรรนต่อไหม

web search vs LLM

LLM เหมาะกับคำถามที่ตอบไม่ชัดเจนและแน่นอน ตอบไม่ซับซ้อนมาก ๆ เหมาะกับการ check ความเข้าใจทั่วไป
ถ้าเป๊ะ ๆ ต้องเป็นการ research ปกติ
ถ้า search แล้วอ่านไม่รู้เรื่อง ใช้ LLM ประกอบได้ ช่วยอธิบายให้เรา

Applying Generative AI in your organization

cost: ตัว text คิดราคาเป็น token เช่น ตอนยิง API

token คือหน่วยของตัวหนังสือ อาจจะเป็นคำ หรือส่วนหนึ่งของคำก็ได้ ซึ่งภาษาไทย 1 token = 1 char (ตัวอักษร) ทำให้แพงกว่าภาษาอังกฤษที่คิดเป็นคำ กว่าประมาณ 2 -3 เท่า

Key considerations: จริยธรรม / ความโปร่งใส / การมีนโยบายการใช้ AI ที่ชัดเจน

ความโปร่งใสสำคัญ ทำให้ทุกภาคส่วนไว้เนื้อเชื่อใจเรา, manage ความคาดหวังได้, แจ้งว่าใช้เมื่อไหร่ และทำให้มันอธิบายได้ มีที่มาที่ไปของ data

การสร้าง policy สำคัญว่าตกลงกันได้ว่าใช้แบบมีจริยธรรม ป้องกันเหตุการณ์ที่ไม่คาดคิด align กับนโยบายองค์กร และลด bias ของข้อมูล, รับผิดชอบ content ที่สร้างขึ้น และ PDPA

ใช้ shareholder หลาย ๆ แผนก และ training พนักงานเรื่อย ๆ รวมในขั้นตอนการทำ audit, สนับสนุนให้คนรายงานว่าใช้ AI นะ อาจจะ sharing ว่าใช้ AI ทำอะไร ยังไงได้บ้าง

แล้วก็มีเกมส์หลอก AI พ่อมดน้อย goal คือคิด prompt หลอกถาม password พ่อมดน้อย ทำให้เราตระหนักถึงการใช้งาน AI ว่ามีความปลอดภัยมากน้อยแค่ไหน ตอนนี้เล่นถึงเท่านี้ล่ะ

Group activity

มีโจทย์ให้ หรือคิดโจทย์เองก็ได้ เอา Genrerate AI มาแก้ปัญหาในชีวิตประจำวัน ให้เวลา 1 ชั่วโมง มี present กลุ่มละ 5 นาที กับ 2 category คือ Strategic planning และ New product design

ตอนทำคือไปถามข้อมูลจาก Generative AI มากันแหละ เท่าที่ลองทำคือมันได้ในเบื้องต้นในการรวบรวม idea อะไรงี้

และตอนทำเราแยกแชทในการค้นหา

อันนี้ถามผู้สูงอายุ ซึ่งเป็น user target เพราะการทำอะไร ต้องคิดจาก user ก่อน แล้วค่อยคิด product
อันนึงถามผู้เชี่ยวชาญด้าน hardware ในความเป็นไปได้
อันนึงถาม marketing specialist เรื่อง marketing strategy

ซึ่งในการทำธุรกิจ หรือ product จริง ก็คงใช้คนคิดอยู่ดีแหละ เพราะประสบการณ์ แล้วก็ pain point หลาย ๆ อย่างของ user ด้วยแหละ ที่เข้าถึง user จริง ๆ

สาเหตุที่แยกแชท คือ แต่ละแชทอ่ะ AI เรียนรู้ว่าเขาเป็นใคร ต้องทำอะไรจากเราไปแล้ว โดยเราสามารถถามคำถาม หรืออื่น ๆ เพิ่มเติม โดยไม่ต้องพิมพ์แชทใหม่

หลังจากทำเสร็จก็มี present และให้คะแนน มอบรางวัลให้คนชนะ

และกลุ่มที่ชนะใช้สิ่งนี้ทำสไลด์

จากนั้นทาง True Digital Academy ก็ให้เราทำ feedback หลังเรียน และแนะนำคอร์สเรียนอื่น ๆ แต่ที่น่าสนใจคืออันนี้ เขามีอัพเดตมาเหมือนกัน ทางเรารอ QR Code เข้างานอยู่

สุดท้ายก็มีชักภาพที่ระลึกก่อนกลับบ้านจ้า รีวิวก็จะประมาณนี้

สรุปคอร์สนี้แบบสั้น ๆ

คอร์สนี้เหมาะกับใคร?: เหมาะกับคนที่จะเอา Generative AI ไปใช้ในงานพวกสาย business ต่าง ๆ คนที่ไม่เคยรู้เรื่อง Generative AI มาก่อน

คอร์สนี้ไม่เหมาะกับใคร?: ไม่เหมาะแน่ ๆ คือ ไม่เหมาะกับ developer เพราะเนื้อหาจะเป็น user ที่เอาไปใช้ต่อในทาง business และอาจารย์ที่สอนคือสายใช้ AI ไม่ใช่สาย coding น้า

แล้วก็มีให้เราเตรียมตัวมาก่อนเรียนว่าต้องทำอะไรบ้าง และได้รู้หลาย ๆ เรื่องเพิ่มเติม อย่างเรื่องความเป็นมา model AI และทริคการใช้งานต่าง ๆ จากอาจารย์ และคนเรียนที่มาแชร์อาจารย์อีกที เรียนแล้วก็ได้ทำด้วยเนอะ แต่บางทีก็ทำไม่ sync กับอาจารย์บ้าง ส่วนกิจกรรมกลุ่ม ได้ระดมสมองแบบงง ๆ เพราะเราเป็นเดฟ ไม่ใช่สาย business โดยตรง

ถ้าสนใจอยากอ่านเกี่ยวกับ Generative AI เพิ่มเติม สามารถอ่านต่อได้ที่นี่เลย