มาเรียนรู้เบื้องหลังงาน Engineering ของระบบ AI และ Machine Learning ว่าเราจะสามารถนำ AI model ไปใช้ได้จริงบน production อย่างไรได้บ้าง
* หากวันไหนไม่สะดวก ทุกคลาสมี Recording ดูย้อนหลังได้ 12 เดือน
ในยุคที่ AI มีการใช้งานอย่างแพร่หลายมากขึ้น เช่น ChatGPT / Bard ที่ทุกคนใช้กัน และยังมีบริการอื่น ๆ อีกมากมายที่ใช้ AI เข้ามาช่วย จึงมีความต้องการใน role ที่เป็น technical เพื่อช่วยในงาน engineering ในส่วนของการพัฒนาและนำโมเดลไปใช้งาน
แต่การรันโมเดลในโลกของ AI แตกต่างจากการทำงานกับ Software แบบที่ Developer / Software Engineer ไม่คุ้นเคย อีกทั้งยังต้องใช้ความรู้ Machine Learning เพิ่มเติมมาด้วย
จึงเกิดเป็นตำแหน่ง Machine Learning Engineer มาดูแลงานในส่วนนี้
หน้าที่ของ Machine Learning Engineer คือ:
⚙️ ออกแบบ และ พัฒนา ระบบ Machine Learning สำหรับ Production (ใช้งานจริง) ให้รองรับผู้ใช้จำนวนมากอย่างมีประสิทธิภาพ
⚙️ ดูแลส่วน MLOps สำหรับทีมพัฒนาโมเดล เพื่อให้สามารถ train validate และ monitor model ได้อัตโนมัติ
⚙️ Optimize ในส่วนของโมเดล และ infrastructure ในการรันโมเดลให้มีประสิทธิภาพสูงสุด
เราลองมาดูความแตกต่างของ อาชีพที่มีความเกี่ยวข้องกับข้อมูลกันอีกครั้ง ทั้ง Machine Learning Engineer, Data Scientist และ Data Analyst โดยที่เราสามารถดูได้จากผลลัพธ์หรือ Output ที่ทั้งสามทำออกมา
⚙️ ML Engineer ทำหน้าที่ออกแบบ และสร้างระบบที่สามารถรันได้โดยอัตโนมัติ โดยมีข้อมูลและโมเดล Machine Learning เป็นส่วนประกอบเพื่อให้ใช้คนในการกำกับดูแลน้อยที่สุด เป็นเหตุผลว่าทำไมสกิลด้านวิศวกรซอร์ฟแวร์ถึงมีความสำคัญมากสำหรับ ML Engineer
⚙️ Data Scientist หรือ AI Researcher ทำหน้าที่สร้างโมเดล Machine Learning ที่แก้ปัญหาหาแนวโน้มหรือการทำนายอนาคต โดยเน้นการออกแบบและสร้างโมเดลจากความรู้ด้านสถิติ เพื่อให้ความแม่นยำสูง
⚙️ Data Engineer ทำหน้าที่สร้าง Data Pipeline และระบบในการจัดการข้อมูล ให้ Data Scientist และ Data Analyst สามารถในข้อมูลนี้ไปใช้งานต่อได้ หรือนำข้อมูลไปสร้างโมเดล Machine Learning ได้
จากด้านบน จะเห็นว่า สาเหตุหลักที่ต้องแยก 2 ตำแหน่งนี้ออกจากกัน คือ
"สกิลที่ใช้สำหรับ Machine Learning Engineer และ Data Scientist แตกต่างกันอย่างเห็นได้ชัด"
การที่แยก role ออกจากกันจะทำให้แต่ละฝ่ายได้มีเวลา focus ในงานของตัวเอง และพัฒนาต่อไปให้ได้ดีมากยิ่งขึ้น
Data Scientist หรือ AI Researcher จะเน้นในส่วนการใช้หลักสถิติ คณิตศาสตร์ และอัลกอริทีม ในการวิจัยและพัฒนาโมเดลที่ดีที่สุด ไม่ว่าจะเป็นโมเดลในการทำนายผล แบบ classification หรือ regression หรือโมเดลแบบ Deep Learning เช่น Computer Vision, NLP เป็นต้น
ส่วน ML Engineer จะเน้นการ สร้างระบบ และ deploy โมเดลสำหรับการใช้งานใน production จึงต้องใช้
⚙️ skill ในส่วนของ Software Engineer, DevOps และ
⚙️ ความเข้าใจถึงการทำงานของโมเดลแบบต่าง ๆ
เพื่อให้โมเดลสามารถรองรับ scale การใช้งานได้เหมาะสมในแต่ละ use case
จะเห็นได้ว่า ทั้งสองตำแหน่ง ต่างมาเพื่อทำงานร่วมกัน ช่วยเหลือกัน ความต้องการของ อาชีพ Machine Learning Engineer เป็นไปตามความต้องการของ AI ยิ่งมีการใช้งาน AI มากขึ้น ก็จะต้องอาศัย engineer ที่เข้ามาดูแลระบบ และ deploy โมเดลให้เหมาะสมตามแต่ละ use case ที่ใช้งาน
ตำแหน่ง Machine Learning Engineer ได้รับความนิยมมากขึ้นเรื่อย ๆ ในต่างประเทศ และในไทยก็เริ่มเห็นบริษัทเปิดรับตำแหน่งนี้ด้วยเช่นกัน
คอร์สนี้ เป็น คอร์สสำหรับปูพื้นฐาน ด้าน Machine Learning Engineering เพื่อการสร้างและออกแบบระบบสำหรับ Machine Learning System ที่สามารถนำโมเดลไปใช้ได้จริงใน production system
ตัวอย่าง tech stack ที่จะได้เรียนรู้ในคอร์ส อาทิเช่น MLflow, BentoML, Docker, DVC, Google Cloud, Nvidia, Apache Airflow เป็นต้น
โดยคอร์สนี้ จะเรียน 8 คลาส คลาสละ 3 ชั่วโมง แบ่งเนื้อหาออกเป็น 4 สัปดาห์ ตั้งแต่พื้นฐาน จนถึง หลักการออกแบบ พร้อม demo ที่สามารถนำไปใช้ได้จริง ใน use case ต่าง ๆ
1️⃣ Week 1: พื้นฐานความรู้ทั่วไปของ Machine Learning Engineer
👷🏻 Introduction to MLE
🐍 Python in Production + 🐳 Docker
2️⃣ Week 2: Deep Learning นำไปใช้อย่างไรได้บ้าง
🧠 ML Applications
👁️ Computer Vision & 📄 NLP
3️⃣ Week 3: เรียนรู้การออกแบบ System Design สำหรับ ML และ MLOps
⚙️ ML System Design & 🔲 GPU Accelerator
♾️ MLOps: End-to-End ML Lifecycle
4️⃣ Week 4: การ Deploy โมเดล และบทสรุปรวม
🚀 MLOps: Model Deployment and Orchestration
🪄 Bonus: Generative AI / 🎁 Wrap-up!
เพื่อให้ทุกท่านได้เรียนชิล ๆ และหยุดพักผ่อนในช่วงเดือนธันวาคม คอร์สนี้เราจะเรียนกันทุกเสาร์ และ อาทิตย์ เวลา 09:30 - 12:00 น.
🟢 Week 1 - เสาร์ 4 พฤศจิกายน, อาทิตย์ 5 พฤศจิกายน เวลา 09:30 - 12:00 น.
🟢 Week 2 - เสาร์ 11 พฤศจิกายน, อาทิตย์ 12 พฤศจิกายน เวลา 09:30 - 12:00 น.
🟢 Week 3 - เสาร์ 18 พฤศจิกายน, อาทิตย์ 19 พฤศจิกายน เวลา 09:30 - 12:00 น.
🟢 Week 4 - เสาร์ 25 พฤศจิกายน, อาทิตย์ 26 พฤศจิกายน เวลา 09:30 - 12:00 น.
ทุกคลาสมีอัด Recording วีดิโอย้อนหลัง เข้ามาดูย้อนหลัง ตอนไหนก็ได้ กี่ครั้งก็ได้ เป็นเวลา 12 เดือน ผ่านระบบเรียนออนไลน์ของ DataTH
ex-Senior Machine Learning Engineer
Google Developer Expert - Google Cloud
Data Scientist
แอดมินเพจ Data Tipsy
Data Engineer
Master of IT at UNSW (Sydney, Australia)
ชอบมากครับ สอนลงรายละเอียด คุ้มค่าเงินมาก คอมมูนิตี้ก็น่ารักมากเช่นกัน
ดีที่ได้เจอคอร์สของ DataTH ในช่วงกำลังค้นหาตัวเอง
คุณ Takorn M.
ชอบเรื่องการจัดลำดับบทเรียนครับ มีการอธิบายภาพรวมและลงรายละเอียดเป็นตอนๆไปตั้งแต่ต้นจนจบ รวมทั้งการถามตอบก็ไม่ต้องรอนานมา แอดมินใส่ใจดีมากครับ
คุณ Nuttapol T.
เพิ่งได้เห็นถึงเบื้องหลังการใช้งานของข้อมูลเชิงลึกว่ามีความเป็นมาและมีกระบวนการอะไรบ้างกว่าจะได้มาซึ่งข้อมูลสำหรับใช้งาน
เหมือนได้เปิดโลกใบใหม่ดีค่ะ
คุณอุทัยทิพย์
หลังจากเรียนจบแล้ว ผู้เรียนจะสามารถทำ Final Exam ได้
🏆 เมื่อสอบผ่าน ก็จะได้รับ Certificate ไปครอบครอง
* หมายเหตุ: Certificate Design ในรูปเป็นดีไซน์ตัวอย่างเท่านั้น
ตอนนี้มีตำแหน่ง Machine Learning Engineer (MLE) ที่เปิดรับทั้งในตลาดไทยและในตลาดโลกยิ่งมีโอกาสเยอะ
ความต้องการ MLE จะแปรผันตรงกับความต้องการอาชีพ AI researcher / AI developer / Data scientists (แล้วแต่องค์กรจะเรียกตำแหน่งที่สร้าง Machine Learning Model / AI ว่าอะไร)
เนื่องจากว่า MLE เป็นคนที่ทำให้ ML / AI Model ขึ้นไปอยู่ในระบบที่ใช้จริงได้
องค์กรไหนมีการนำ ML model ไปใช้จริง ก็จะยิ่งมีความต้องการ MLE มากขึ้น
(คล้ายกับที่อาชีพ Data Engineer เป็นที่ต้องการมาก เพราะทุกองค์กรที่อยากใช้ประโยชน์จาก Data ให้ได้เต็มที่ ต้องมีทีมนี้)
ได้ แต่จะไม่ได้ความรู้แบบเต็มเม็ดเต็มหน่วย เพราะบางครั้งอาจจะพูดถึงคอนเซปต์ Data ที่เคยสอนไปแล้วใน R2DE
หากคุณเคยทำงานกับ Data และ Machine Learning model มาบ้างแล้ว เข้าใจคอนเซปต์ Data ในระดับหนึ่ง สามารถเรียนคอร์สนี้เพื่ออัปสกิลเรื่องเครื่องมือ Data ใหม่ ๆ และวิธีใช้ร่วมกันได้
อย่างไรก็ตาม หากต้องการลงในรายละเอียดคอนเซปต์สำคัญของงาน Data Engineer เราแนะนำให้ลองเรียนคอร์ส Road to Data Engineer ซึ่งจะสอนตั้งแต่พื้นฐาน แล้วจึงมาเรียนคอร์สนี้ จะสนุกมากขึ้น ^^
R2DE (Road to Data Engineer) เป็นคอร์สที่สอนตั้งแต่พื้นฐาน ไม่ต้องมีความรู้มาก่อน เพื่อให้เรียนจบแล้วสามารถเข้าสู่ตลาดงาน Data Engineer ได้
คอร์สนี้ (R2MLE) เราจะเน้นการออกแบบและสร้างระแบบสำหรับ AI และ Deep Learning model เพื่อให้ใช้งานได้บน production ในการทำงานจึงเป็นงานคนละส่วนกัน แต่ก็มี skill หลัก ๆ คล้ายคลึงกันในบางส่วน
การเรียนคอร์สนี้จึงไม่ได้บังคับว่าต้องเรียน R2DE มาก่อน เพราะถ้าเนื้อหา R2MLE มีตรงไหนที่ต้องใช้ความรู้ DE เราก็จะมีปูพื้นฐานให้
สำหรับลูกค้าบุคคล สามารถชำระได้ทางบัตรเครดิต และหากต้องการชำระด้วย PromptPay หรือในนามบริษัท สามารถติดต่อได้ที่ Facebook Page: DataTH
🟢 สำหรับท่านที่เข้าคลาสไลฟ์สด สามารถสอบถามคำถามในระหว่างเรียนได้เลย เรามีระบบเก็บคำถามและมาตอบในช่วงท้ายคลาส
🟢 สำหรับท่านที่เรียนย้อนหลัง หรือท่านที่ดูไลฟ์สดแล้วมีคำถามทีหลัง สามารถมาสอบถามได้ใน Facebook Group กลุ่มปิด เฉพาะผู้เรียนเท่านั้น
ไม่พบคำถามที่คุณต้องการ? ทักมาคุยกับทีม DataTH ได้เลย ที่ Facebook Page: DataTH
ราคา 11,900 โปร Early Bird 9,900 บาท
ถึงเที่ยงคืน วันอาทิตย์ 29 ตุลาคม 2023
เรียนรู้เทคโนโลยีและ Platform สำหรับ Machine Learning Engineer เช่น Google Cloud, NVIDIA, Docker, MLflow, Apache Airflow, BentoML, DVC, Hugging Face ฯลฯ กับผู้เชี่ยวชาญด้าน Machine Learning ตัวจริง
Bonus:
💎 Facebook Group เฉพาะนักเรียน R2MLE รุ่นแรก สามารถเข้ามาพูดคุย หาเพื่อน ร่วมกิจกรรม กับทีมสอนได้ชิล ๆ
💎 Recording ย้อนหลัง ชมซ้ำกี่ครั้งก็ได้ นาน 12 เดือน
Road to Analytics Engineer (R2AE) เป็นคอร์สอัปสกิลด้าน Data ของคุณให้โดดเด่นกว่าใคร ด้วยเซ็ตเครื่องมือ Data สมัยใหม่ ได้รับความนิยมทั่วโลก กับ Analytics Engineer และ Data Engineer ตัวจริง
เรียนรู้เทคโนโลยีระดับโลก สำหรับคนสาย Data เช่น AWS, Snowflake, Databricks, dbt, Fivetran, Airbyte, Dagster, Terraform ฯลฯ
⚡️ Road to Analytics Engineer เป็นคอร์สออนไลน์ สามารถเข้าเรียนทั้ง 9 EP (EP ละ 3 ชม.) ได้ทันทีหลังชำระเงิน ⚡️
ซื้อพร้อมกัน 2 คอร์ส ลดเพิ่มอีก 4,000 บาท
หากต้องการสั่งซื้อในนามองค์กร หรือมีคำถามเพิ่มเติม สอบถามได้ที่ Facebook Page: DataTH
