LEARNING PACK · PATH 01 · หัวข้อ 1–50
พื้นฐานดิจิทัล คอมพิวเตอร์
และภาพรวม AI
เส้นทางเริ่มต้นสำหรับผู้ที่อยากเข้าใจ AI อย่างเป็นระบบ ตั้งแต่ภาพรวมของปัญญาประดิษฐ์ บทบาทของข้อมูล โมเดล การประมวลผล และมนุษย์ ไปจนถึงพื้นฐานคอมพิวเตอร์ เครือข่าย และเครื่องมือที่ต้องใช้ก่อนเริ่มพัฒนา
OUTCOMES
เรียนเส้นทางนี้แล้วควรทำอะไรได้
เป้าหมายคือสร้างฐานความคิดที่มั่นคงก่อนลงมือเขียนโปรแกรมหรือฝึกโมเดล เพื่อให้เลือกเครื่องมือและประเมินระบบ AI ได้อย่างมีเหตุผล
ROADMAP
สามสิบหกก้าวแรกของ PATH 01
สามสิบหกบทเรียนแรกพาจากแผนที่การเรียนรู้ ความหมายและประวัติของ AI ไปสู่กลไกของระบบจริง บทบาทของข้อมูล โมเดล การประมวลผล มนุษย์ ข้อจำกัด และความเสี่ยง ก่อนต่อยอดสู่พื้นฐานฮาร์ดแวร์ วงจรของ CPU, RAM, Storage, การประมวลผลขนานของ GPU การเลือก CPU หรือ GPU และบทบาทของระบบปฏิบัติการที่จัดสรรทรัพยากรให้แอปทำงานร่วมกับฮาร์ดแวร์
เป้าหมายการเรียนรู้ด้าน AI
เห็นภาพรวม 1,500 หัวข้อ 30 PATH และวิธีเลือกเส้นทางที่เหมาะกับตนเอง
แผนที่ทักษะของผู้พัฒนา AI
เชื่อมทักษะซอฟต์แวร์ ข้อมูล โมเดล การประเมิน และการนำระบบไปใช้งานจริง
AI คืออะไร
เข้าใจความหมาย ความสามารถ และข้อจำกัดของ AI โดยไม่หลงคำโฆษณา
ประวัติของปัญญาประดิษฐ์
ตามรอยจาก Turing, AI Winter และ Deep Learning สู่ Generative AI และ Agent
ยุคของ Rule-based AI
เห็นวิธีที่มนุษย์ถ่ายทอดความรู้เป็นกฎ จุดแข็ง และข้อจำกัดของ Expert System
ยุคของ Machine Learning
เข้าใจจุดเปลี่ยนจากการเขียนกฎทีละข้อสู่การให้คอมพิวเตอร์เรียนจากข้อมูล
ยุคของ Deep Learning
เข้าใจการเรียนรู้คุณลักษณะจากข้อมูลหลายชั้น พร้อมกลไก จุดแข็ง และข้อจำกัด
ยุคของ Generative AI
เรียนรู้ว่าโมเดลสร้างข้อความ ภาพ และข้อมูลใหม่อย่างไร พร้อมด่านตรวจก่อนใช้งานจริง
AI, Machine Learning และ Deep Learning ต่างกันอย่างไร
ใช้แผนภาพวงซ้อนแยกขอบเขต วิธีเรียนจากข้อมูล และบทบาทของโครงข่ายหลายชั้น
Narrow AI และ General AI ต่างกันอย่างไร
แยกความเก่งเฉพาะขอบเขตออกจากการถ่ายโอนความรู้และการปรับตัวข้ามงานด้วยหลักฐานที่ตรวจสอบได้
Predictive AI และ Generative AI ต่างกันอย่างไร
แยกงานที่ทำนายคะแนนและความน่าจะเป็นออกจากงานที่สร้างข้อความ พร้อมดูระบบผสม หลักฐาน และจุดหยุด
Discriminative Model และ Generative Model ต่างกันอย่างไร
แยกการเรียนเส้นแบ่งออกจากการเรียนการกระจายข้อมูล ผ่านกรณี FruitLine, Bayes และ Failure Cases
องค์ประกอบของระบบ AI
เปิดดูระบบ AI ตั้งแต่เป้าหมาย ข้อมูล โมเดล กฎ ซอฟต์แวร์ คน การประเมิน และทางหยุดผ่านกรณี Campus Help
วงจรชีวิตของโครงการ AI
ติดตามโครงการ AI ตั้งแต่กำหนดโจทย์ เตรียมข้อมูล พัฒนา ประเมิน Deploy ติดตาม ปรับปรุง และเลิกใช้ ผ่านกรณี Campus Help
บทบาทของข้อมูลในระบบ AI
แยกข้อมูลฝึก ตรวจสอบ ทดสอบ เรียกใช้ Feedback และ Monitoring พร้อมตรวจคุณภาพ ที่มา และข้อจำกัด
บทบาทของโมเดลในระบบ AI
แยกขอบเขตโมเดลจากระบบ ตั้งแต่อินพุต การฝึก คะแนน เกณฑ์ตัดสิน ไปจนถึงความผิดพลาดและการกำกับ
บทบาทของการประมวลผลในระบบ AI
ตามเส้นทางจากข้อมูลดิบ ผ่านการตรวจ แปลง เรียกโมเดล ใช้ผล และติดตามย้อนกลับ
บทบาทของมนุษย์ในระบบ AI
ทำความเข้าใจว่าใครกำหนดเป้าหมาย ตรวจผล อนุมัติ อุทธรณ์ และรับผิดชอบเมื่อระบบ AI ส่งผลต่อคนจริง
ตัวอย่าง AI ในชีวิตประจำวัน
ติดตามหนึ่งวันของมินเพื่อแยกข้อมูล งานของ AI ผลลัพธ์ ผู้ตัดสินต่อ และวิธีตรวจแก้เมื่อระบบพลาด
ตัวอย่าง AI ในภาคธุรกิจ: จากข้อมูลสู่การตัดสินใจที่ตรวจสอบได้
อ่านบทเรียนหัวข้อ 20
ตัวอย่าง AI ในงานอุตสาหกรรม: จากสายการผลิตถึงความปลอดภัย
ติดตามวงจรจากกระบวนการจริง เซนเซอร์ การประเมินของ AI คนและกฎ ไปจนถึงผลจริงย้อนกลับ
ตัวอย่าง AI ในภาครัฐ: บริการสาธารณะที่โปร่งใสและอุทธรณ์ได้
ติดตามระบบคัดกรองคำร้องจากข้อมูล คำแนะนำของ AI และการตรวจโดยมนุษย์ ไปจนถึงเหตุผล สิทธิอุทธรณ์ และการติดตามผล
ตัวอย่าง AI ในงานความมั่นคง: มองหาอันตรายโดยไม่มองข้ามสิทธิ
เรียนรู้จากสัญญาณสู่หลักฐาน แยก False Positive และ False Negative ให้มนุษย์ชั่งน้ำหนักความเสี่ยงกับสิทธิ ก่อนตอบสนองและนำผลกลับไปปรับระบบ
ข้อจำกัดของ AI: เก่งเฉพาะโจทย์ ไม่ได้เข้าใจโลกเหมือนมนุษย์
เข้าใจว่า AI เก่งได้ภายในขอบเขตของข้อมูล เป้าหมาย และการทดสอบ พร้อมเรียนรู้สัญญาณเตือน จุดส่งต่อมนุษย์ และวิธีเขียน Limit Statement ก่อนนำระบบไปใช้จริง
ความเสี่ยงจากการใช้ AI: มองเส้นทางความเสียหายก่อนมองคะแนน
ติดตามเส้นทางจากข้อมูลและโมเดล ผ่าน Workflow ไปสู่ผลกระทบ พร้อมวางมาตรการ Prevent, Detect, Respond และ Recover หลายชั้น
Human-in-the-loop คืออะไร: คนไม่ได้แค่กดยืนยัน แต่ต้องเปลี่ยนผลได้
เข้าใจว่าการมีคนในวงจรไม่ใช่แค่กดยืนยัน แต่ต้องเห็นหลักฐาน มีเวลา มีอำนาจเปลี่ยนผล ส่งต่อหรือหยุดระบบ และนำผลจริงกลับไปปรับวงจร
กำหนดปัญหาให้เหมาะกับ AI: เริ่มจากการตัดสินใจ ไม่ใช่เริ่มจากโมเดล
จัดกรอบผู้ใช้ การตัดสินใจ ข้อมูล ผลลัพธ์ Baseline และ Guardrail ก่อนเลือกวิธีแก้ พร้อมออกแบบ Pilot ที่วัดผลและหยุดได้
การแยกปัญหา AI ออกจากระบบอัตโนมัติทั่วไป: เลือกความแน่นอนหรือการประมาณให้ตรงงาน
แยกงานกฎที่ต้องให้ผลคงที่ออกจากงานที่ต้องประมาณจากรูปแบบ พร้อมออกแบบ Guardrail การทบทวนโดยมนุษย์ Monitoring และ Rollback
ประเมินความคุ้มค่าโครงการ AI: นับต้นทุนตลอดวงจร ไม่ใช่แค่ค่ารุ่นโมเดล
เริ่มจาก Baseline เชื่อมความสามารถสู่ Outcome นับ TCO และความเสี่ยง เทียบทางเลือก แล้วใช้ Pilot กับเกณฑ์ Go/No-Go/Rollback ตัดสินใจ
พื้นฐานฮาร์ดแวร์คอมพิวเตอร์: มองเครื่องเป็นระบบส่งข้อมูล ไม่ใช่รายการสเปก
ตามข้อมูลจาก Storage และ Network ผ่าน RAM/VRAM ไปยัง CPU/GPU ใช้ Metrics หา Bottleneck และเลือกทรัพยากรจากหลักฐาน
CPU ทำงานอย่างไร: วงจร Fetch–Decode–Execute ที่ทำให้โปรแกรมเคลื่อน
ติดตามคำสั่งผ่าน Fetch, Decode, Execute และ Write-back พร้อมเข้าใจ Pipeline, Cache, Branch Prediction และการหา Bottleneck จากหลักฐาน
RAM คืออะไร: โต๊ะทำงานของโปรแกรมที่ความจุและความเร็วต้องพอดี
ตามข้อมูลจาก Storage ผ่าน RAM ไปยัง Cache, CPU และ GPU เข้าใจ Working Set, Memory Pressure, Swap และเลือกความจุจากการวัดงานจริง
SSD กับ HDD ต่างกันอย่างไร: เลือกที่เก็บข้อมูลจากรูปแบบการอ่านเขียน
เข้าใจกลไก HDD และ SSD ผ่าน I/O Pattern, IOPS, Throughput, Latency, Queue และ Backup เพื่อเลือก Storage จาก Workflow และหลักฐาน
GPU คืออะไร: เครื่องคำนวณขนานที่เร็วเมื่อให้งานถูกแบบ
เข้าใจ GPU ผ่าน Parallelism, Thread, Warp/Wave, Kernel, VRAM, Memory Bandwidth และ Data Movement เพื่อเลือกงานให้ตรงสถาปัตยกรรมและวัดคอขวดจากหลักฐาน
CPU กับ GPU ต่างกันอย่างไร: เลือก Latency หรือ Throughput ให้ตรงงาน
เปรียบเทียบ CPU และ GPU ผ่าน Latency, Throughput, Control Flow, Data Parallelism และ Data Movement พร้อมกรอบเลือก CPU-only, GPU หรือ Hybrid จาก Workflow จริง
ระบบปฏิบัติการคืออะไร: ผู้จัดการทรัพยากรระหว่างแอปกับฮาร์ดแวร์
เข้าใจเส้นทางจาก Application ผ่าน System Call สู่ Kernel, Process, Thread, Memory, File, Driver และ Permission พร้อมวิธีตามหลักฐานเมื่อเครื่องช้าหรือโปรแกรมเข้าถึงทรัพยากรไม่ได้
ไฟล์ โฟลเดอร์ และสิทธิ์การเข้าถึง: อ่านเส้นทางข้อมูลให้เป็นก่อนแก้ Permission denied
เข้าใจ File, Folder, Path, Owner, Group, Permission และ ACL พร้อมตามคำขอเข้าถึงจริง วิเคราะห์ Permission denied อย่างปลอดภัย และแก้ตามหลัก Least privilege
RESOURCES
ทรัพยากรที่มีในบทเรียนปัจจุบัน
START HERE
เริ่มจากแผนที่ใหญ่ แล้วค่อยลงลึกทีละชั้น
หัวข้อ 1 ช่วยให้เห็นจุดหมายและโครงสร้างทั้งหมด จากนั้นหัวข้อ 2–18 จะพาไปรู้จักทักษะ ความหมาย ประวัติ จุดเปลี่ยนจาก Rule-based AI สู่ Machine Learning, Deep Learning และ Generative AI รวมถึงความสัมพันธ์ของ AI, Machine Learning และ Deep Learning ตลอดจนเส้นแบ่งระหว่าง Narrow AI กับ General AI ก่อนเชื่อมเข้าสู่ระบบคอมพิวเตอร์และเครื่องมือพัฒนาในบทเรียนถัดไป