สร้างระบบ AI ที่จับเงินจริง
ให้ เชื่อถือได้ ไม่ใช่แค่เดโมสวย ๆ
คอร์สนี้รวมแพทเทิร์นระดับ production ตั้งแต่การจับคู่ข้อมูล ป้องกันทุจริต การตรวจตำหนิด้วย vision ไปจนถึงการเฝ้าระวัง drift แต่ละบทมีโค้ดที่ใช้ได้จริงและควิซท้ายบทให้ทบทวน
ระบบ AI การเงิน (Financial AI Systems)
6 บทเรียน- 01
Fuzzy Matching และการค้นหารายการธุรกรรม
จับคู่ข้อมูลกับฐานข้อมูลขนาดใหญ่
จับคู่ชื่อ เลขที่อ้างอิง และรายการธุรกรรมที่สะกดไม่ตรงเป๊ะ ด้วย pg_trgm (trigram index) ของ PostgreSQL และการค้นหาด้วย vector similarity พร้อม schema และโค้ดที่ใช้ได้จริง
PostgreSQLpg_trgmpgvectorอ่าน + ควิซ - 02
ป้องกันทุจริตด้วย Perceptual Hashing
จับสลิปโอนเงินซ้ำก่อนเกิด double-spending
ใช้ pHash / dHash ตรวจจับสลิปโอนเงินที่เป็นภาพเดียวกัน (หรือถูกแก้ไขเล็กน้อย) เพื่อกันการนำสลิปเดิมมาใช้ซ้ำ พร้อม Hamming distance และ index แบบ BK-tree
PythonpHashdHashอ่าน + ควิซ - 03
Scaling OCR Pipelines
งาน VLM/OCR หนัก ๆ โดยไม่บล็อก event loop
สถาปัตยกรรมที่ทนทานด้วย message queue (Redis/RabbitMQ) และ background worker แบบ async (Celery/BullMQ) เพื่อรองรับงาน OCR ที่กินทรัพยากร โดยไม่ทำให้ FastAPI ค้าง
FastAPICeleryBullMQอ่าน + ควิซ - 04
Hallucination Guardrails
บังคับให้โมเดลตอบตรงตามความจริง
ตรวจสอบผลลัพธ์จากโมเดลด้วย Levenshtein / Edit Distance สำหรับข้อมูลสลิปธนาคาร ควบคู่กับ Pydantic v2 แบบ strict=True เพื่อบังคับโครงสร้าง JSON ให้เป๊ะ
Pydantic v2LevenshteinEdit distanceอ่าน + ควิซ - 05
ความเสถียรของ Agent และการกู้คืนเมื่อพัง
ตัด loop ไม่รู้จบ และ fallback ข้ามผู้ให้บริการ
แพทเทิร์นตรวจจับ infinite loop ใน DAG/State machine (LangGraph/Hermes) ตั้งเพดานการเปลี่ยน state และ fallback หลายผู้ให้บริการ (Claude สู่ Gemini) พร้อม exponential backoff
LangGraphState machineBackoffอ่าน + ควิซ - 06
MLOps และการเฝ้าระวัง Drift
รู้ก่อนที่โมเดลจะแย่ลงเงียบ ๆ
ติดตามคุณภาพโมเดลที่ค่อย ๆ ลดลงด้วย Population Stability Index (PSI) แจ้งเตือนผ่าน Discord/Slack และ deploy แบบ blue-green ที่ไม่มี downtime สำหรับ model server บน FastAPI
PSIBlue-greenDiscordอ่าน + ควิซ
Pandora Vision AI - Mock Interview
3 บทเรียน- 07
Precision Vision และ Segmentation สำหรับเครื่องประดับ
ตัดแสงสะท้อน, MobileSAM ข้อมูลน้อย, คลี่ผิวโค้ง, สร้างตำหนิสังเคราะห์
เตรียมตัวสัมภาษณ์ตำแหน่ง Vision AI สาย Pandora: ลดแสงสะท้อน (specular) ด้วย bilateral filter + inpainting, ใช้ MobileSAM แบบ zero-shot กับข้อมูลน้อย, คลี่ผิวโค้งด้วย OpenCV polar transform, และสร้างตำหนิสังเคราะห์ด้วย Poisson blending
MobileSAMOpenCVInpaintingอ่าน + ควิซ - 08
Manufacturing QC และ MLOps สำหรับสายการผลิต
ปรับ FAR vs FRR ด้วย cost-based ROC, active learning, กัน catastrophic forgetting
ออกแบบโปรโตคอลทดสอบที่ปรับ FAR/FRR ด้วยการ optimize ROC แบบอิงต้นทุน, วงจร active learning รับมือ lighting drift, และกัน catastrophic forgetting ด้วย Elastic Weight Consolidation (EWC) + Experience Replay
ROCFAR/FRRActive Learningอ่าน + ควิซ - 09
สถาปัตยกรรม Edge แบบ High-Throughput
Cascade pipeline (classify ก่อน segment) และ sensor fusion
ออกแบบ pipeline แบบ multi-stage cascade (จัดประเภทก่อนค่อย segment) เพื่อเพิ่ม throughput บน edge และทำ sensor fusion รวม visual feature กับข้อมูลน้ำหนัก/ความบริสุทธิ์จาก scale เพื่อการตัดสินใจที่แม่นขึ้น
CascadeEdgeSensor Fusionอ่าน + ควิซ
Doubt-Driven Development
เช็กลิสต์ของ Fame ที่ตั้งอยู่บนหลักง่าย ๆ ว่า โค้ดที่ AI หรือเราเขียนขึ้นมา “รันได้” ไม่ได้แปลว่า “ถูก” ก่อนจะมั่นใจ ให้สงสัยสี่จุดนี้ก่อนทุกครั้ง
เปิดเช็กลิสต์เต็ม- 01Importsimport ผิดตัว / ผิด path เงียบ ๆ
- 02Path Trapsrelative path พังตอนเปลี่ยน cwd
- 03Async Mismatchลืม await / ปน sync กับ async
- 04Env Ghostenv var หายตอน production