เอกสารคู่มือการอบรมและเอกสารประกอบ Workshop
AI-Assisted Software Engineering: Practical, Secure & Production-Ready
หลักสูตรนี้ออกแบบเพื่อให้ Software Engineer สามารถใช้ AI เช่น ChatGPT, Copilot และ Codex ในการพัฒนา Software ได้อย่างมีประสิทธิภาพ พร้อมทั้งเข้าใจความเสี่ยงด้าน Security และสามารถควบคุมคุณภาพของระบบในระดับ Production ได้จริง ผู้เรียนจะได้เรียนรู้ผ่าน Workshop เป็นหลัก โดยครอบคลุมตั้งแต่การเขียน Prompt, การ generate code, การ review และ debug ไปจนถึงการตรวจสอบช่องโหว่และออกแบบ workflow ที่ปลอดภัย
ยังไม่มีกำหนดการหลักสูตรอบรมสาธารณะในขณะนี้
หากต้องการอบรมแบบ private หรือเงื่อนไขพิเศษ กรุณาติดต่อเรา
เนื้อหาเชิง Workshop มากกว่า 70% ให้ผู้เรียนได้ฝึกกับสถานการณ์งานพัฒนาจริงอย่างต่อเนื่อง
ได้ลงมือสร้างและปรับปรุง API รวมถึงฟีเจอร์ระดับ production โดยใช้ AI เป็นผู้ช่วยใน workflow
คอร์สนี้ออกแบบมาเพื่อให้เรียนแล้วนำไปใช้ต่อได้จริง
สรุปเหตุผลสำคัญที่ทำให้คอร์สนี้เหมาะกับคนที่ต้องการอัปสกิลอย่างจริงจังและต่อยอดงานได้ทันที
เรียนแบบลงมือทำจริง
ทุกช่วงถูกออกแบบให้ต่อจากภาพรวมไปสู่การลงมือทำจริง เพื่อให้ผู้เรียนกลับไปใช้ต่อได้เร็ว
เนื้อหาจัดลำดับเพื่อคนทำงานจริง
จัดลำดับหัวข้อให้เข้าใจง่ายขึ้น ลดความล้าจากเนื้อหาหนัก และช่วยให้จับประเด็นสำคัญได้ไว
ตัดสินใจก่อนซื้อได้อย่างมั่นใจ
มีทั้งช่องทางสอบถามและลงทะเบียนที่ชัดเจนในจังหวะสำคัญของหน้า เพื่อช่วยให้ตัดสินใจได้ง่ายขึ้น
วัตถุประสงค์
สิ่งที่คุณจะเข้าใจและนำไปใช้ต่อได้หลังจบคอร์ส สรุปเป็นรายการที่อ่านเร็วและเห็นภาพชัด
- ใช้ AI ใน workflow การพัฒนา Software ได้อย่างมีโครงสร้าง
- เขียน Prompt สำหรับงานจริงได้อย่างมีประสิทธิภาพ
- ตรวจสอบและปรับปรุง AI-generated code ได้
- เข้าใจข้อจำกัดของ LLM เช่น hallucination
- ป้องกันช่องโหว่ด้าน Security ที่เกิดจาก AI
- ออกแบบ Secure AI Workflow สำหรับองค์กร
เหมาะกับใคร และควรเตรียมตัวอย่างไรก่อนเข้าร่วม
ดูได้ชัดเจนว่าคอร์สนี้เหมาะกับใคร และควรมีพื้นฐานอะไรบ้างก่อนเข้าเรียน
เนื้อหาคอร์ส
โครงสร้างเนื้อหาถูกแบ่งเป็นโมดูล เพื่อให้ดูภาพรวมได้ง่ายและเลือกเปิดอ่านรายละเอียดในส่วนที่สนใจ
01AI กับบทบาทในงาน Software Engineering
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
AI กับบทบาทในงาน Software Engineering
4 หัวข้อย่อยในโมดูลนี้
- ภาพรวมของ AI ใน Software Development Lifecycle
- หลักการทำงานของ LLM เช่น token, context และ prediction
- ข้อจำกัดของ AI เช่น hallucination และ pattern-based reasoning
- แนวคิด Vibe Coding เทียบกับ Structured AI Development
02การเขียน Prompt สำหรับงานพัฒนา Software
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
การเขียน Prompt สำหรับงานพัฒนา Software
4 หัวข้อย่อยในโมดูลนี้
- องค์ประกอบของ Prompt ที่ดี เช่น context, constraint และ output format
- เทคนิคการควบคุมคุณภาพผลลัพธ์จาก AI
- เปรียบเทียบ Prompt คุณภาพต่ำกับ Prompt คุณภาพสูง
- Workshop: ทดลองเขียน Prompt หลายรูปแบบกับโจทย์เดียวกันและวิเคราะห์ผลลัพธ์
03AI-Assisted Development Workflow
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
AI-Assisted Development Workflow
4 หัวข้อย่อยในโมดูลนี้
- Workflow มาตรฐานตั้งแต่ requirement, design, code, review, test ไปจนถึง deploy
- แนวคิด Trust Boundary ระหว่างการตัดสินใจของมนุษย์กับผลลัพธ์จาก AI
- การแบ่งบทบาทระหว่าง Human และ AI ในงานพัฒนา
- Mini Project: ใช้ AI generate REST API และปรับปรุงให้พร้อมใช้งานจริง
04การตรวจสอบและแก้ไขโค้ดจาก AI
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
การตรวจสอบและแก้ไขโค้ดจาก AI
4 หัวข้อย่อยในโมดูลนี้
- หลักการ review AI-generated code ด้าน logic
- การมองหา edge case และ error handling ที่ไม่สมบูรณ์
- การ debug ปัญหาที่เกิดจากโค้ดที่ AI สร้าง
- Workshop: วิเคราะห์โค้ดที่มี bug และช่องโหว่แล้วปรับปรุงให้ดีขึ้น
05การทดสอบระบบด้วย AI
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
การทดสอบระบบด้วย AI
4 หัวข้อย่อยในโมดูลนี้
- การใช้ AI เพื่อช่วยสร้าง unit test
- การออกแบบ edge case และ negative case
- การประเมินคุณภาพและความครอบคลุมของ test
- Workshop: สร้าง test จากโค้ดที่พัฒนาในคลาส
06Integrated Practice
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
Integrated Practice
4 หัวข้อย่อยในโมดูลนี้
- เพิ่ม feature ใหม่ด้วย AI-assisted workflow
- เพิ่ม validation และปรับปรุง error handling
- ขยาย test coverage ให้ครอบคลุมมากขึ้น
- ปรับคุณภาพ implementation ก่อนนำไปใช้งาน
07ความปลอดภัยของ AI-Generated Code
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
ความปลอดภัยของ AI-Generated Code
4 หัวข้อย่อยในโมดูลนี้
- ความเสี่ยงด้าน Security ที่เกี่ยวข้องกับ AI-assisted software development
- ประเด็นด้านความปลอดภัยที่เชื่อมโยงกับ OWASP
- ช่องโหว่สำคัญ เช่น SQL Injection, XSS และ Broken Authentication
- ความเสี่ยงจาก Secret Leakage, Data Exposure และ Dependency Risk
08Workshop การตรวจจับช่องโหว่
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
Workshop การตรวจจับช่องโหว่
4 หัวข้อย่อยในโมดูลนี้
- วิเคราะห์ตัวอย่างโค้ดที่มีช่องโหว่
- ระบุความเสี่ยงทั้งเชิงเทคนิคและด้าน Security
- แก้ไข implementation ให้ปลอดภัยขึ้น
- ตรวจสอบผลลัพธ์หลังการปรับปรุง
09Simulation การโจมตี AI
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
Simulation การโจมตี AI
4 หัวข้อย่อยในโมดูลนี้
- พื้นฐานของ Prompt Injection
- Jailbreak Techniques และการหลบเลี่ยงข้อจำกัด
- Simulation แบบ attacker vs defender
- เรียนรู้วิธีลดความเสี่ยงจากพฤติกรรมที่ไม่ปลอดภัยของ AI
10การออกแบบ Secure AI Workflow
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
การออกแบบ Secure AI Workflow
4 หัวข้อย่อยในโมดูลนี้
- การออกแบบ Prompt ให้ปลอดภัยมากขึ้น
- การควบคุม context และขอบเขตของข้อมูล
- การ validate output ก่อนนำไปใช้งาน
- การกำหนด AI Usage Policy สำหรับทีมและองค์กร
11Production Capstone Project
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
Production Capstone Project
4 หัวข้อย่อยในโมดูลนี้
- พัฒนา feature ระดับ production โดยใช้ AI
- ใส่ input validation และ authentication หรือ authorization
- มี unit test และโครงสร้างโค้ดที่ปลอดภัย
- เตรียมงานสำหรับการ review และนำเสนอผลงาน
12การนำเสนอผลงานและสรุป Best Practices
4 หัวข้อย่อยในโมดูลนี้
ดูรายละเอียด
การนำเสนอผลงานและสรุป Best Practices
4 หัวข้อย่อยในโมดูลนี้
- นำเสนอผลงานจากโปรเจกต์
- รับ feedback จากผู้สอน
- สรุปแนวทางการใช้ AI ในงานวิศวกรรมซอฟต์แวร์อย่างปลอดภัยและใช้งานได้จริง
- ต่อยอดสู่การนำไปใช้ในทีมและองค์กร
กำหนดการอบรม
ตรวจสอบรอบอบรม วันที่ เวลา สถานที่ และรายละเอียดการลงทะเบียนได้ในส่วนเดียว
ยังไม่มีกำหนดการหลักสูตรอบรมสาธารณะในขณะนี้
หากต้องการอบรมแบบ private หรือเงื่อนไขพิเศษ กรุณาติดต่อเรา