AI ตั้งแต่พื้นฐาน
คอร์สปัญญาประดิษฐ์ครบถ้วน ตั้งแต่คณิตศาสตร์ไปจนถึง LLM, เอเจนต์ และ MCP รวม 30 บท โดยแต่ละบทคุ้มค่าที่จะอ่านได้ด้วยตัวเอง
Perceptron จากศูนย์: นิวรอนคำนวณอะไร
นิวรอนคือผลรวมถ่วงน้ำหนักกับเกณฑ์ตัดสิน นั่นคือทั้งแนวคิด — และขีดจำกัดของมันคือสิ่งที่ผลักให้ทุกอย่างหลังจากนั้นเกิดขึ้น
Loss Function มาจากไหน: จาก Likelihood ไม่ใช่ธรรมเนียม
squared error ไม่ใช่ธรรมเนียม แต่เป็นข้ออ้างเกี่ยวกับ noise และคุณมองเห็นได้เมื่อมันผิด
ลงเขา: Gradient Descent และสองขั้นตอนที่ทุกคนมักข้าม
ทุกคนเขียนเครื่องหมายลบ แต่แทบไม่มีใครบอกว่าทำไมมันอยู่ตรงนั้น หรือก้าวได้ไกลแค่ไหนก่อนพัง
Classification, Cross-Entropy และวิธีไม่หลอกตัวเอง
Accuracy เป็นตัวเลขที่รายงานง่ายที่สุด และหลอกเราได้ง่ายที่สุด
Backpropagation ตั้งแต่ศูนย์: สร้าง Engine ก่อน แล้วค่อยสร้าง Network
backpropagation ไม่ใช่อัลกอริทึมของ neural network แต่คือ chain rule ที่ถูกนำไปใช้กับกราฟในทิศทางที่มีประสิทธิภาพ
ทำให้ฝึกได้ และทำให้ใช้ได้กับข้อมูลใหม่
gradient ถูกต้อง แต่ network ก็ยังไม่เรียนรู้ บทนี้ว่าด้วยความแตกต่างตรงนั้น
สร้าง BPE Tokenizer: ทำไมโมเดลของคุณนับตัว R ไม่ถูก
โมเดลไม่เคยเห็นตัวอักษร ทุกเรื่องแปลกในการสะกด นับ และเยื้องบรรทัด ล้วนตามมาจากสิ่งนี้
การทำนาย Next-Token: Embedding และความหมายของ Perplexity
หนึ่ง objective ไม่มี labels และตารางเวกเตอร์ที่ไม่มีใครออกแบบ
Attention และบล็อก Transformer อนุมานจากค่าเฉลี่ย
Attention ไม่ใช่สูตรที่ต้องยอมรับ แต่คือสิ่งที่ได้เมื่อเลิกเฉลี่ยอดีตแบบเท่ากัน แล้วให้ model เลือกน้ำหนักเอง
Pretraining LLM: data, compute, scaling laws และต้นทุน
การตัดสินใจที่เหลือไม่ใช่เรื่องโปรแกรมมิงอีกต่อไป แต่คือการซื้อ
จาก Base Model สู่ Assistant: SFT, RLHF, DPO และ GRPO
โมเดลที่ pretrained มาไม่ได้ตอบคำถาม มันแค่ต่อข้อความ และความต่างอยู่ที่ training stage ที่สองซึ่งแทบไม่มีใครเห็น
Chain of Thought, RLVR และ Test-Time Compute ที่วัดผลได้
โมเดลไม่ได้คิด แต่มันใช้ token มากขึ้นก่อนตอบ และสิ่งนั้นวัดได้ คิดเงินได้
ทำ Inference ให้ถูกลง: KV cache, Batching และ Quantization
Generation ไม่ใช่ปัญหาเดียว แต่คือ token แรกที่ติด compute ตามด้วยอีกนับพัน token ที่ติด memory และเทคนิค serving แทบทั้งหมดมาจากรอยแยกนี้
LLM call แรกใน Production: Streaming, Retries, Timeouts
ตอนนี้โมเดลอยู่หลัง port แล้ว จากจุดนี้ แทบไม่มีอะไรที่พังเพราะคณิตศาสตร์
Prompt Engineering แบบวัดผล: อะไรเปลี่ยนผลลัพธ์
prompt ต้องวัด ไม่ใช่เถียงกัน 4 variant ใน 20 case แยกอะไรไม่ออกเลย
Context Window, Tokens และใบเรียกเก็บเงิน: วัดให้เห็นจริง
window ไม่ใช่ memory แต่ถูกเติมใหม่ตั้งแต่ต้นทุกครั้งที่เรียก และคุณจ่ายค่าเติมนั้น
Temperature, Top-p และ Determinism ที่คุณไม่มี
Temperature ไม่ได้ทำให้โมเดลสร้างสรรค์ขึ้น แต่มันเพิ่มโอกาสของ tokens ที่โมเดลเองให้คะแนนไว้ต่ำสุด และคุณเห็นได้กับตา
Tool Calling และ Structured Outputs: ข้อตกลงที่ยืนอยู่ได้
โมเดลไม่เคย execute อะไรเอง มันแค่ขอในรูปแบบที่คุณกำหนดไว้ และรูปแบบนั้นคือส่วนเดียวที่คุณควบคุมได้
RAG ใน Production: Chunking, Retrieval และการอ้างอิงที่ซื่อสัตย์
chunking แย่ทำลายคำตอบก่อนการค้นหาเริ่ม และไม่มี reranker ใดกู้คืนได้
Fine-Tune, Retrieve หรือ Prompt? คำตอบอยู่ที่เศรษฐศาสตร์
ไม่มีใครถามเรื่องนี้เพราะ model แต่ถามเพราะงบประมาณ
ราคา Multimodal: รูปภาพ เสียง และวิดีโอคิดเงินจริงอย่างไร
ภาพถ่ายหนึ่งภาพไม่ได้คิดราคาเป็นหนึ่งภาพ แต่มันคิดเป็น token ด้วยสูตรที่คุณไม่ได้เลือก
AI Agent คืออะไร: 5 ประเภทคลาสสิก กับ 2 นิยามคู่แข่ง
tool เดียวในแคตตาล็อกทำให้หนึ่ง call กลายเป็นสอง และ input 39 token กลายเป็น 420 จะเรียกว่า agent หรือไม่ ขึ้นกับนิยามที่คุณเปิดอ่าน
สร้าง agent harness: ลูปและห้าทางออกของมัน
ลูปมีแค่ 15 บรรทัด สิ่งที่ทำให้ส่งใช้งานจริงได้คือทุกทางที่พาออกจากมัน
Context Engineering: ทำไม agent ของคุณโง่ลงที่เทิร์น 40
window ไม่ได้ล้น ข้อเท็จจริงแค่ถูกย้าย แล้ว agent ก็หาไม่เจอ
การประสานงาน Multi-agent: 5 รูปแบบ และเมื่อใดที่รูปแบบเดียวชนะ
สี่การจัดวาง งานเดียว บิลเดียว แบบถูกที่สุดผิด และแบบแพงที่สุดตรวจ worker ของตัวเองไม่ได้
อธิบาย MCP เทียบกับสเปก: เซิร์ฟเวอร์จริง ๆ คืออะไร
ไม่ใช่เวทมนตร์ แต่คือ transport, รูปแบบข้อความ และ primitive สามอย่างที่คุณพิมพ์เองได้
Ship MCP Server: วัดกันจริงด้วย TypeScript และ Python
สอง SDKs, สายเดียวกัน ความต่างที่น่าสนใจคือสิ่งที่โปรโตคอลมองไม่เห็น
Agent Skills และ SKILL.md: วัด Progressive Disclosure อย่างเป็นรูปธรรม
skill คือโฟลเดอร์ที่มีไฟล์ Markdown อยู่ข้างใน สิ่งสำคัญทั้งหมดตามมาจากว่าไฟล์ส่วนนั้นถูกอ่านเมื่อไรและส่วนไหนถูกอ่าน
การประเมิน LLM: จาก public benchmarks สู่ golden set ของคุณ
ตัวเลขที่ไม่มีช่วงความเชื่อมั่น คือเรื่องเล่าที่มีทศนิยม
Prompt injection และ lethal trifecta: ทำให้ agent จริงปลอดภัย
model แยกไม่ออกว่าคำสั่งไหนเป็นของคุณหรือของคนแปลกหน้า ทุกอย่างที่ใช้ได้ต้องเริ่มจากการยอมรับข้อนี้