“โครงการการพัฒนา GEN AI ด้วยเทคโนโลยี RAG + LLM บนฐานข้อมูลของโรงพยาบาล”

เป็นกำหนดการอบรมระยะเวลา 3 วัน ที่มุ่งเน้นการพัฒนาองค์ความรู้ด้าน Machine Learning (ML) และ Generative AI (GEN AI) โดยเฉพาะการประยุกต์ใช้เทคโนโลยี RAG (Retrieval-Augmented Generation) ร่วมกับ LLM (Large Language Model) บนฐานข้อมูลของโรงพยาบาล เพื่อพัฒนาเป็นระบบ AI ที่สามารถใช้งานจริงในองค์กรสาธารณสุข

1️⃣ พื้นฐาน Machine Learning และการสร้างโมเดล (Day 1)

วันแรกเน้นการวางรากฐานด้าน Machine Learning ตั้งแต่กระบวนการเตรียมข้อมูลไปจนถึงการนำโมเดลไปใช้งานจริง โดยสาระสำคัญที่ได้เรียนรู้ ได้แก่

🔹 1.1 Data Management & Engineering

การทำความสะอาดข้อมูล (Data Cleaning)

การจัดการ Missing Values

Feature Engineering (การเลือก/สร้างตัวแปรสำคัญ)

การแบ่งข้อมูล Train/Test เพื่อป้องกัน Overfitting

👉 แนวคิดสำคัญคือ “คุณภาพของโมเดลขึ้นอยู่กับคุณภาพของข้อมูล”

🔹 1.2 Model Building

การเลือก Algorithm ให้เหมาะกับโจทย์ Regression Classification Clustering

การสร้างโมเดลด้วยเครื่องมือ เช่น Scikit-Learn

การปรับจูน Hyperparameter เพื่อเพิ่มความแม่นยำ

🔹 1.3 Model Evaluation

ตัวชี้วัดประสิทธิภาพ เช่น  Accuracy Precision Recall F1-Score

การอ่าน Confusion Matrix และ ROC Curve

การประเมินโมเดลเชิงธุรกิจ (Business Value)

👉 เน้นว่าโมเดลที่แม่นยำอาจไม่ใช่โมเดลที่ “คุ้มค่าทางธุรกิจ” เสมอไป

🔹 1.4 Model Deployment

การ Export โมเดล

การนำโมเดลไปใช้งานจริงในระบบ

2️⃣ พื้นฐาน RAG และเครื่องมือที่เกี่ยวข้อง (Day 2)

วันที่สองเริ่มเข้าสู่หัวใจของ GEN AI โดยเฉพาะแนวคิด RAG

🔹 2.1 แนวคิด RAG (Retrieval-Augmented Generation)

RAG คือแนวทางที่ผสาน:

ระบบค้นคืนข้อมูล (Retrieval)

โมเดลภาษา LLM (Generation)

หลักการคือ:

ดึงข้อมูลจริงจากฐานความรู้ → ส่งให้ LLM → สร้างคำตอบที่แม่นยำและอ้างอิงข้อมูลจริง

เหมาะกับ:

ระบบถาม–ตอบภายในองค์กร

Chatbot ฐานความรู้โรงพยาบาล

ระบบช่วยค้นข้อมูลเวชระเบียน

🔹 2.2 เครื่องมือที่ใช้

Ollama → ใช้รัน LLM บนเครื่อง (Local)

DeepSeek → โมเดลภาษาอีกตัวที่นำมาเปรียบเทียบ

การติดตั้งและทดลองใช้งานจริง

🔹 2.3 การเรียกใช้ API

การเรียก API ผ่าน Python

การเชื่อมต่อโมเดลกับระบบภายนอก

Workshop ทดลองใช้งาน API

🔹 2.4 Vector Database & Embeddings

การดึงข้อมูลจากเอกสาร/ฐานข้อมูล/เว็บไซต์

การแปลงข้อความเป็นเวกเตอร์ (Embeddings)

การใช้ FAISS จัดเก็บเวกเตอร์

การค้นหาข้อมูลเชิงความหมาย (Semantic Search)

👉 จุดสำคัญคือทำให้ AI “เข้าใจบริบท” ไม่ใช่แค่ค้นหาคำตรงตัว

3️⃣ การพัฒนาแอปพลิเคชัน RAG เต็มรูปแบบ (Day 3)

วันที่สามเน้นการสร้างระบบจริงและนำไปใช้งาน

🔹 3.1 การผสาน RAG กับ LLM

การควบคุมผลลัพธ์ด้วย Prompt Engineering

การกำหนด Retrieval Strategy

การเชื่อม RAG กับ LLM ผ่าน Ollama / DeepSeek

🔹 3.2 การสร้างแอป RAG

ออกแบบ Workflow

ผสานกับ Web Application

ใช้ LangChain จัดการ RAG Pipeline

สร้าง RAG Chatbot

🔹 3.3 Deployment

การ Deploy บน Cloud หรือ Local

การใช้ API Gateway

Load Balancing

Workshop Deploy บน Flask

                                                                                                                                                                          นายพงศ์วิทย์ สนองบุญ

                                                                                                                                                                  นักวิชาการคอมพิวเตอร์ชำนาญการ