การปรับแต่งประสิทธิภาพ Generative AI ด้วย OpenSearch และ Bedrock

เมื่อแอปพลิเคชัน Generative AI มีการขยายขนาด การรักษา Latency ในการดึงข้อมูลให้อยู่ในระดับต่ำไปพร้อมๆ กับการทำให้ผลการค้นหามีความเกี่ยวข้องสูง จะกลายเป็นความท้าทายสำคัญในเชิงปฏิบัติการ คอร์สนี้จะนำคุณไปสู่นักออกแบบระบบผ่านแนวคิดพื้นฐานและกลยุทธ์ในทางปฏิบัติที่จำเป็นต่อการปรับแต่งระบบค้นหาและดึงข้อมูลพลัง AI ของคุณให้มีประสิทธิภาพสูงสุด การอ่านคู่มือรูปแบบข้อความที่ครอบคลุมนี้ จะช่วยให้คุณเปลี่ยนผ่านจากการสร้างระบบต้นแบบ AI พื้นฐาน ไปสู่การออกแบบระบบดึงข้อมูลที่มีประสิทธิภาพสูงและพร้อมสำหรับการใช้งานจริง (Production-ready) คุณจะเข้าใจวิธีสร้างสมดุลระหว่างความเร็ว ค่าใช้จ่าย และความแม่นยำ โดยใช้เทคโนโลยีการค้นหาและเครื่องมือบน Cloud สมัยใหม่ สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจแนวคิดหลักของ Vector Databases, Embeddings และ Hybrid Search Retrieval - ปรับแต่งตั้งค่า Index ของ OpenSearch เพื่อลด Search Latency อย่างมีนัยสำคัญ - กำหนดค่าคำสั่ง Hybrid Search ที่รวมการจับคู่ Keyword เข้ากับการค้นหาเชิงความหมายแบบ Semantic Vector Search - กำหนดค่าโมเดล Bedrock เพื่อสร้างสมดุลระหว่างความเร็วในการตอบสนองและคุณภาพของเนื้อหาที่สร้าง - ประยุกต์ใช้กลยุทธ์ Tracing และการวินิจฉัยเพื่อระบุและแก้ไขปัญหาคอขวดด้านประสิทธิภาพ - ออกแบบรูปแบบ Retrieval-Augmented Generation ที่มีประสิทธิภาพสำหรับการใช้งานในโลกแห่งความเป็นจริง คอร์สนี้เริ่มต้นด้วยคำศัพท์ที่จำเป็น โดยอธิบายกลไกของ Semantic Search และสถาปัตยกรรม AI สมัยใหม่ จากนั้นคุณจะได้เรียนรู้ผ่านคำอธิบายแบบข้อความทีละขั้นตอนเกี่ยวกับการปรับแต่ง Query, การเพิ่มประสิทธิภาพ Index และการทำ Performance Tracing คอร์สนี้ออกแบบมาสำหรับนักพัฒนา, System Architects และผู้ที่สนใจด้านเทคนิคซึ่งยังเป็นมือใหม่สำหรับ AI Operations โดยไม่จำเป็นต้องมีพื้นฐานระดับสูงด้าน Machine Learning ก็สามารถเริ่มต้นได้ เริ่มอ่านวันนี้เพื่อสร้างแอปพลิเคชัน Generative AI ที่ทำงานได้เร็วขึ้นและมีประสิทธิภาพยิ่งขึ้น