หนังสือแนะนำ

คู่มือเริ่มต้นเป็น AI Engineer อย่างเป็นระบบ

เปลี่ยนจาก “ใช้ AI เป็น” ไปเป็น “สร้างระบบ AI ได้เอง” ด้วย roadmap ที่เรียงลำดับให้แล้วตั้งแต่พื้นฐานถึงระบบใช้งานจริง

ปูพื้นเท่าที่ต้องใช้จริง: ML, LLM, Prompt Engineering และการเรียก API โดยไม่จมทฤษฎี
สร้าง RAG ด้วย embeddings และ vector database พร้อมวิธีวัดผล (evals) อย่างเป็นระบบ
เห็นภาพว่า AI app ที่ใช้งานจริงควรออกแบบ วัดผล และดูแลต่ออย่างไร รวมถึงการรัน Local LLM เอง

PDF 235 หน้า อ่านตัวอย่างฟรี 18 หน้า อ่านได้ทุกอุปกรณ์

เหมาะกับใคร

โปรแกรมเมอร์ที่อยากเปลี่ยนสายมาทำ AI
คนสาย Tech ที่ใช้ AI เป็นแต่อยากสร้างระบบเองได้
นักศึกษา IT ที่อยากมี roadmap ชัดเจน

Roadmap ในเล่ม: เรียนอะไรก่อน-หลัง พร้อม milestone ที่วัดได้

ย่อจากตารางจริงในบทที่ 2 (ในเล่มวางเป็นแผนรายเดือนที่ ~10 ชม./สัปดาห์ ปรับช้า-เร็วตามเวลาที่มีได้) · ในเล่มยังมี Self-Assessment 10 ข้อ และ Skill Gap Worksheet ให้เช็คก่อนว่าตัวเองยืนอยู่ตรงไหน จะได้เริ่มจากช่วงที่ตรงกับตัวเองจริง

ช่วงที่	โฟกัสหลัก	ตัวอย่าง milestone ที่วัดได้
1	Python + CLI + Git	เขียนสคริปต์ Python เรียก REST API ได้เอง
2	Data + Environment	Parse JSON · Query SQLite · เก็บ API key อย่างปลอดภัย
3	Prompt Engineering + LLM API	ได้ structured JSON จาก LLM แบบ consistent
4	RAG + Evals พื้นฐาน	สร้าง mini RAG จากไฟล์ของตัวเอง + eval set 10 ตัวอย่าง
5	Docker + FastAPI + Deployment	เปิด LLM app ของตัวเองเป็น API endpoint ได้
6	Local LLM + Portfolio	Local RAG Assistant พร้อม README และผล eval ลง portfolio

เกี่ยวกับหนังสือเล่มนี้

หนังสือเล่มนี้พาคุณเข้าใจบทบาทของ AI Engineer ในยุค LLM แบบไม่จมทฤษฎี เริ่มจากพื้นฐาน ML, LLM, Prompt Engineering และการเรียกใช้ API

ต่อยอดสู่การสร้าง RAG, embeddings, vector database และ evals อย่างเป็นระบบ พร้อมปูทางสู่การรันและจัดการ Local LLM บนเครื่องของตัวเอง

เหมาะสำหรับโปรแกรมเมอร์หรือคนสาย Tech ที่อยากมี roadmap ชัดเจนสู่สาย AI Engineer อ่านจบแล้วคุณจะเห็นภาพว่า AI app ที่ใช้งานจริงควรถูกออกแบบ วัดผล และดูแลอย่างไร