Name: ระดับสูง: พัฒนาโซลูชันและงาน agentic ด้วย Gemini API · หลักสูตร Gemini อย่างมืออาชีพ
Author: จักริน นพรุจนธาดา

3.1

โมดูล 3.1

Google AI Studio และ Gemini API: เริ่มต้นพัฒนา

ลองร่างคำสั่ง (prompt) ขอกุญแจเชื่อมต่อ (API key) แล้วเรียกใช้ AI ผ่านโค้ด

🎯 วัตถุประสงค์การเรียนรู้

ใช้ Google AI Studio ลองร่างคำสั่ง (prompt) ลองเล่นกับ AI แล้วขอกุญแจเชื่อมต่อ (API key) มาใช้
ลองเรียกใช้ Gemini API แบบง่าย ๆ และเข้าใจว่าแพ็กเกจฟรี (free tier) ใช้ได้แค่ไหน มีลิมิตจำนวนครั้งที่เรียกได้ต่อช่วงเวลา (rate limits) อย่างไร
เลือกได้ว่าจะใช้ทางไหน ระหว่าง Gemini API (ai.google.dev เหมาะกับนักพัฒนาทั่วไป) กับ Vertex AI (เหมาะกับองค์กร)

เนื้อหา

Google AI Studio คือหน้าเว็บสำหรับลองเล่นกับ AI แบบใช้ฟรี ไว้ลองร่างคำสั่ง (prompt) ลองใช้งาน AI และขอกุญแจเชื่อมต่อ (API key) เอาไว้ต่อกับโค้ดของเรา ถือเป็นจุดเริ่มต้นของคนที่จะเอาไปเขียนโปรแกรม ส่วน Gemini API (ai.google.dev) คือช่องทางให้โค้ดของเราคุยกับ AI ได้โดยตรง มีแพ็กเกจฟรี (free tier) ให้ลองใช้ แต่มีลิมิตจำนวนครั้งที่เรียกได้ต่อช่วงเวลา (rate limits) ถ้าเป็นองค์กรที่อยากได้กติกาการใช้งานที่รัดกุมกว่า (governance) และมีการรับประกันคุณภาพบริการ (SLA) ที่สูงขึ้น ก็ให้ไปใช้ Vertex AI (ผ่าน Google Cloud) แทน นอกจากนี้ยังมี Gemini CLI และ Antigravity IDE (เริ่มมีตั้งแต่ พ.ย. 2025) ที่เอาไว้ให้ AI ช่วยเขียนโค้ดแบบทำงานเองต่อเนื่องหลายขั้น (agentic coding)

เรียกใช้ Gemini API พื้นฐานด้วย Python

from google import genai client = genai.Client(api_key="YOUR_API_KEY") response = client.models.generate_content( model="gemini-2.5-flash", contents="สรุปประเด็นหลักของอีเมลนี้เป็น 3 bullet ภาษาไทย: <วางเนื้อหาอีเมล>" ) print(response.text)

ผลลัพธ์ที่คาดหวัง

ได้ข้อความสรุป 3 ข้อภาษาไทยกลับมาผ่าน API พร้อมเห็นโครงสร้างการเรียกใช้ (client/model/contents)

จุดสอน

ให้เห็นหน้าตาการเรียก API จริง ๆ ว่าประกอบด้วยอะไรบ้าง (client, model id, contents) และแนะนำว่าควรลองใน AI Studio ให้ได้ผลดีก่อน แล้วค่อยย้ายมาเขียนเป็นโค้ด รวมถึงเตือนให้ระวังลิมิตจำนวนครั้งที่เรียกได้ (rate limits) ของแพ็กเกจฟรีด้วย

แบบฝึกหัดท้ายโมดูล

ใน AI Studio ลองเขียนและทดสอบคำสั่งหลักที่ตั้งบุคลิกให้ AI (system instruction) สำหรับผู้ช่วยเฉพาะทางสักตัว แล้วกดส่งออก (export) ออกมาเป็นโค้ดเรียก API
เขียนสคริปต์เรียก Gemini API ที่อ่านข้อความจากไฟล์เข้ามา สรุปเนื้อหา แล้วบันทึกผลลัพธ์ลงไฟล์ พร้อมเผื่อกรณีที่เกิดข้อผิดพลาด (error) และเจอลิมิตจำนวนครั้ง (rate limit) ไว้ด้วย

3.2

โมดูล 3.2

การจัดการ Context ขนาดใหญ่ ~1M token

ป้อนโค้ดทั้งโปรเจกต์ เอกสารยาว ๆ หรือไฟล์ถอดเสียงให้ AI อ่านทีเดียวจบ

🎯 วัตถุประสงค์การเรียนรู้

ใช้ความจำของ AI ในบทสนทนาเดียว (context window) ที่จำได้ราว ๆ 1 ล้านคำย่อย (token) อ่านและวิเคราะห์เอกสาร โค้ด หรือไฟล์ถอดเสียงยาว ๆ ได้รวดเดียว
รู้วิธีจัดระเบียบข้อมูลยาว ๆ ที่ป้อนเข้าไป ให้ AI ตอบได้แม่นและเราตรวจย้อนกลับได้ว่าคำตอบมาจากตรงไหน
เข้าใจข้อควรระวัง ทั้งเรื่องค่าใช้จ่าย (คิดตามจำนวน token) และคุณภาพคำตอบเมื่อป้อนข้อมูลยาวมาก ๆ

เนื้อหา

จุดเด่นตัวจริงของ Gemini คือความจำในบทสนทนาเดียว (context window) ที่ใหญ่ราว ๆ 1 ล้านคำย่อย (token) หรือคิดง่าย ๆ ประมาณ 1,500 หน้ากระดาษ โค้ด 50,000 บรรทัด หรือไฟล์ถอดเสียงพอดแคสต์ 200 กว่าตอน นี่แหละคือจุดที่ทำให้ Gemini ต่างจากตัวอื่นจริง ๆ (ทั้งใน Gemini 2.5 และ Gemini 3) เพราะมันทำให้เราโยนโค้ดทั้งโปรเจกต์ สัญญายาว ๆ หรือไฟล์ถอดเสียงวิดีโอ ให้ AI อ่านทีเดียวจบได้เลย ข้อควรระวังคือ ยิ่งป้อนข้อมูลยาว ค่าใช้จ่ายก็ยิ่งสูง เพราะคิดตามจำนวน token (อย่าง Gemini 2.5 Pro พอข้อมูลที่ป้อนเข้าเกิน 200K token ราคาต่อหน่วยจะแพงขึ้น) และควรจัดข้อมูลที่ป้อนให้เป็นระเบียบ พร้อมสั่งให้ AI บอกด้วยว่าอ้างอิงมาจากตรงไหนหรือไฟล์ไหน เราจะได้ตรวจย้อนกลับได้

รีวิวโค้ดเบสทั้งชุดในคำสั่งเดียว

ฉันแนบซอร์สโค้ดของโปรเจกต์ทั้งหมดมา (~30,000 บรรทัด) ช่วยระบุ 5 จุดเสี่ยงด้านความปลอดภัยที่สำคัญที่สุด เรียงตามความรุนแรง โดยแต่ละจุดให้ระบุชื่อไฟล์ เลขบรรทัดโดยประมาณ อธิบายความเสี่ยง และแนวทางแก้ไข

ผลลัพธ์ที่คาดหวัง

ได้รายการ 5 จุดเสี่ยงเรียงตามความรุนแรง พร้อมชื่อไฟล์ ตำแหน่งโดยประมาณ คำอธิบาย และวิธีแก้ โดย AI ดูโค้ดครบทั้งโปรเจกต์ให้ในครั้งเดียว

จุดสอน

ให้เห็นพลังของความจำขนาดใหญ่จริง ๆ สอนให้บังคับ AI ว่า 'ต้องบอกชื่อไฟล์และเลขบรรทัดด้วย' เราจะได้ตรวจตามได้ และเตือนว่าอย่าเชื่อทันที ควรเอาไปยืนยันกับเครื่องมือหรือให้คนดูอีกที เพราะ AI ก็ยังพลาดได้

แบบฝึกหัดท้ายโมดูล

เอาเอกสารหลายไฟล์ (นโยบาย + สัญญา + คำถามที่พบบ่อย) ป้อนเข้าไปพร้อมกันทีเดียว แล้วให้ Gemini ตอบคำถามโดยดึงข้อมูลข้ามหลายเอกสาร พร้อมบอกด้วยว่าแต่ละคำตอบมาจากไฟล์ไหน
ลองเทียบดูว่าระหว่าง 'ป้อนเอกสารทั้งหมดทีเดียว' กับ 'แบ่งเป็นส่วน ๆ ป้อน' แบบไหนได้คำตอบดีกว่าและถูกกว่า (คิดคร่าว ๆ) แล้วสรุปข้อดีข้อเสียของแต่ละแบบ

3.3

โมดูล 3.3

Grounding with Google Search: ให้ AI ค้นข้อมูลจริงแล้วตอบพร้อมแหล่งอ้างอิง

เปิดเครื่องมือ google_search ให้ AI ค้นแล้วตอบพร้อมแทรกที่มาไว้ในคำตอบ (inline citations)

🎯 วัตถุประสงค์การเรียนรู้

เปิดเครื่องมือ google_search ให้ Gemini ไปค้นข้อมูลจริงแล้วตอบพร้อมบอกแหล่งที่มา
อ่านและใช้ข้อมูลที่ได้จากการค้นแบบสด (grounding) เป็น ได้แก่ คำค้นที่ AI ใช้ (webSearchQueries) แหล่งข้อมูลที่เจอ (groundingChunks) และข้อมูลว่าคำตอบส่วนไหนอ้างจากแหล่งไหน (groundingSupports)
เข้าใจว่า grounding คิดเงินยังไง และรู้จักการให้ AI ค้นข้อมูลจาก Google Maps (Google Maps grounding)

เนื้อหา

Grounding with Google Search ก็คือการให้ AI ไปค้นข้อมูลสด ๆ จาก Google ให้เรา (มีค่าใช้จ่าย) พอเราเปิดเครื่องมือ google_search AI จะตัดสินใจเองว่าคำถามไหนควรออกไปค้น แล้วมันจะคิดคำค้น (query) ขึ้นเอง ไปค้น แล้วเอาข้อมูลจริงมาตอบ พร้อมแทรกแหล่งที่มาไว้ในคำตอบให้เลย (inline citations) โดย API จะส่งข้อมูลกลับมาให้ด้วยว่า AI ใช้คำค้นอะไร (webSearchQueries) เจอแหล่งข้อมูลอะไรบ้าง (groundingChunks) และคำตอบแต่ละส่วนอ้างจากแหล่งไหน (groundingSupports) วิธีนี้ช่วยให้คำตอบไม่ล้าสมัยและมีหลักฐาน แถมแก้ปัญหาที่ AI รู้ข้อมูลแค่ถึงช่วงที่มันเรียนมา ไม่รู้เรื่องใหม่กว่านั้น (knowledge cutoff) ได้ด้วย เรื่องราคา เดิมคิด $35 ต่อ 1,000 คำถาม (prompts) พอมาเป็น Gemini 3 เปลี่ยนเป็นคิดรายคำค้น อยู่ที่ราว ๆ $14 ต่อ 1,000 คำค้น นอกจากนี้ Gemini 3 ยังค้นข้อมูลจาก Google Maps ได้ และใช้หลายเครื่องมือร่วมกัน พร้อมส่งข้อมูลต่อกันระหว่างขั้นตอนได้ (tool combos และ context circulation)

เปิด grounding เพื่อตอบคำถามที่ต้องอ้างอิงล่าสุด

(เปิด tool google_search) ช่วยสรุปแนวโน้มราคาพลังงานล่าสุดที่กระทบต้นทุนร้านอาหารในไทยช่วง 3 เดือนที่ผ่านมา และให้ลิงก์แหล่งอ้างอิงประกอบทุกข้อสรุป

ผลลัพธ์ที่คาดหวัง

ได้คำตอบที่อ้างอิงจากข้อมูลจริง พร้อมแหล่งที่มาแทรกอยู่ในคำตอบ (inline citations) และลิงก์ให้กดตามไปดูได้ โดย API ยังแนบข้อมูล webSearchQueries/groundingChunks/groundingSupports มาให้ด้วย

จุดสอน

สอนว่าถ้าคำถามต้องการข้อมูลใหม่ ๆ หรือข้อมูลที่ต้องตรวจสอบได้ ก็ให้เปิด grounding แล้วอย่าลืมกดดูแหล่งอ้างอิงทุกครั้ง และย้ำว่า grounding มีค่าใช้จ่ายนะ ไม่ได้ฟรี

แบบฝึกหัดท้ายโมดูล

เรียก Gemini API โดยเปิดเครื่องมือ google_search แล้วดึงข้อมูล groundingChunks/groundingSupports ออกมาแสดงเป็นรายการแหล่งอ้างอิงให้ผู้ใช้เห็น
ตั้งกติกาให้ตัวเองว่า 'คำถามแบบไหนควรเปิด grounding และแบบไหนไม่ต้องเปิดก็ได้' พร้อมประเมินว่าแต่ละครั้งที่ค้น (ต่อ query) มีผลกับค่าใช้จ่ายแค่ไหน

3.4

โมดูล 3.4

งานที่ให้ AI ทำเองหลายขั้น (Agentic) และการคุมการคิดวิเคราะห์

งานยาวหลายขั้นตอน, การปรับระดับความคิด (thinking_level/Deep Think) และการใช้หลายเครื่องมือร่วมกัน

🎯 วัตถุประสงค์การเรียนรู้

ออกแบบงานที่ปล่อยให้ AI เดินงานเองต่อเนื่องหลายขั้น (agentic) เช่น วิเคราะห์การเงิน ตรวจสัญญา หรือวางแผนซัพพลายเชน
ปรับได้ว่าจะให้ AI คิดหนักแค่ไหน ผ่านค่า thinking_level (ใน Gemini 3) หรือโหมด Deep Think (ในแพ็กเกจ Ultra)
ใช้หลายเครื่องมือร่วมกันได้ และเข้าใจข้อจำกัดกับเงื่อนไขที่โหมดคิดหนัก ๆ เปิดให้ใช้เฉพาะบางแพ็กเกจ

เนื้อหา

Gemini ถนัดงานที่ปล่อยให้ AI เดินงานเองต่อเนื่องหลายขั้น (agentic) แบบใช้เวลานาน ๆ เช่น วิเคราะห์การเงิน ตรวจสัญญา หรือวางแผนซัพพลายเชน (Gemini 3 เน้นเรื่องนี้มาก) ส่วนการคุมว่าจะให้ AI คิดหนักแค่ไหน พอมาถึง Gemini 3 Pro เขาแนะนำให้ปรับด้วยค่า thinking_level (เลือก low หรือ high) แทนค่า thinking_budget แบบเดิม ส่วน Deep Think คือโหมดที่ให้ AI คิดหนักเป็นพิเศษ เอาไว้แก้โจทย์คณิตศาสตร์หรือโค้ดยาก ๆ ซึ่งเปิดให้เฉพาะแพ็กเกจ Ultra และทยอยเปิดให้ใช้หลังผ่านการทดสอบความปลอดภัยแล้ว นอกจากนี้ Gemini 3 ยังใช้หลายเครื่องมือร่วมกัน (tool combos) และส่งข้อมูลต่อกันไปมาระหว่างขั้นตอน (context circulation) ได้ ทำให้เราสร้างขั้นตอนงานอัตโนมัติที่ซับซ้อนขึ้นได้

งานตรวจสัญญาแบบหลายขั้น

ทำหน้าที่เป็นผู้ช่วยกฎหมายเชิงธุรกิจ วิเคราะห์สัญญาจัดซื้อที่แนบมาแบบเป็นขั้นตอน: (1) สรุปหน้าที่และความรับผิดของแต่ละฝ่าย (2) ระบุข้อที่มีความเสี่ยงสูงต่อผู้ซื้อ พร้อมเลขข้อ (3) เสนอถ้อยคำแก้ไขสำหรับข้อที่เสี่ยงที่สุด 3 ข้อ และ (4) สรุปคำถามที่ควรถามคู่สัญญาก่อนลงนาม

ผลลัพธ์ที่คาดหวัง

ได้คำตอบแบ่งเป็น 4 ขั้นชัดเจน มีการอ้างเลขข้อในสัญญา ระบุความเสี่ยง เสนอถ้อยคำที่แก้ไขแล้ว และรายการคำถามที่ควรถามก่อนเซ็น

จุดสอน

สอนวิธีออกแบบงานที่ปล่อยให้ AI ทำเองหลายขั้น (agentic) โดยซอยเป็นขั้นตอนที่เราตรวจได้ทีละขั้น ใช้ thinking_level ระดับสูงกับงานที่ต้องคิดลึก และย้ำว่าผลลัพธ์เรื่องกฎหมายต้องให้ผู้เชี่ยวชาญตัวจริงตรวจอีกทีเสมอ

แบบฝึกหัดท้ายโมดูล

ออกแบบขั้นตอนงานแบบปล่อยให้ AI ทำเอง (agentic) สัก 4-6 ขั้น สำหรับงานในสายของตัวเอง (เช่น วิเคราะห์งบการเงิน) โดยกำหนดให้แต่ละขั้นได้ผลลัพธ์ที่เราตรวจได้
ลองเทียบผลของงานคิดยาก ๆ ระหว่างใช้ thinking_level ระดับ low กับ high (หรือถ้าเข้าถึง Deep Think ได้ก็ลองเทียบเปิดกับไม่เปิด) แล้วสรุปว่าที่ AI คิดหนักขึ้นมันคุ้มกับค่าใช้จ่ายและเวลาที่เสียไปไหม

3.5

โมดูล 3.5

ทำงานกับหลายสื่อขั้นสูง (Multimodal) และสร้างภาพ/วิดีโอผ่าน API

ให้ AI อ่านไฟล์วิดีโอและเสียง แล้วเรียก Nano Banana/Imagen/Veo มาสร้างสื่อในงานอัตโนมัติ

🎯 วัตถุประสงค์การเรียนรู้

ป้อนไฟล์เสียงและวิดีโอเข้า API ให้ AI ฟัง/ดู แล้วดึงข้อมูลที่จัดเป็นระเบียบออกมาใช้ต่อ
เรียกใช้ Nano Banana หรือ Imagen สร้างและแก้ภาพ และใช้ Veo สร้างวิดีโอ ให้เป็นส่วนหนึ่งของงานอัตโนมัติ
เข้าใจค่าใช้จ่ายในการสร้างสื่อ (เช่น Nano Banana ราว ๆ $0.039 ต่อภาพ) และรู้ข้อจำกัดของแต่ละตัว

เนื้อหา

เพราะ Gemini ออกแบบมาให้รับได้หลายสื่อตั้งแต่แรก (multimodal) มันเลยรับข้อมูลปนกันทั้งข้อความ รูป เสียง และวิดีโอ ผ่าน API ในคำขอเดียวได้เลย เช่น ให้มันดูวิดีโอการประชุมแล้วถอดออกมาเป็นบันทึกที่จัดระเบียบเรียบร้อย ส่วนการสร้างสื่อ ถ้าจะสร้างภาพก็ใช้ Nano Banana (ราว ๆ 1,290 token ต่อภาพ หรือประมาณ $0.039 ต่อภาพ อิงจากราคาราว ๆ $30 ต่อ token ขาออก 1 ล้านตัว) และ Imagen 4 ส่วนวิดีโอสร้างผ่าน Veo ไม่ได้ใช้ตัวแชตหลักตรง ๆ เวลาเอาไปใส่ในงานอัตโนมัติ ต้องคิดเผื่อค่าใช้จ่ายต่อภาพและต่อวิดีโอ ลายน้ำ SynthID ที่จะติดมากับทุกภาพ ความยาวคลิปที่ได้ราว ๆ 8 วินาที และข้อจำกัดของโมเดลภาพตัวเล็ก (เช่น ความรู้เรื่องโลก การมองมิติ 3 มิติ และความถูกต้อง) หมายเหตุ ราคาต่อ token ต่อภาพ และต่อวิดีโอ เปลี่ยนบ่อยและขึ้นกับประเทศที่ใช้ ควรเช็กหน้าราคาล่าสุดก่อนเอาไปใช้จริงเสมอ

ถอดวิเคราะห์วิดีโอเป็นบันทึกมีโครงสร้าง

ฉันแนบไฟล์วิดีโอบันทึกการประชุม 30 นาทีมาให้ ช่วยสร้างบันทึกการประชุมภาษาไทยที่มี: หัวข้อที่คุย ผู้พูดหลักของแต่ละประเด็น การตัดสินใจสำคัญ และ action items พร้อมผู้รับผิดชอบ ระบุ timestamp โดยประมาณของแต่ละการตัดสินใจ

ผลลัพธ์ที่คาดหวัง

ได้บันทึกการประชุมที่จัดเป็นระเบียบ ครบทั้งหัวข้อ การตัดสินใจ รายการสิ่งที่ต้องทำ (action items) ผู้รับผิดชอบ และเวลาคร่าว ๆ ของแต่ละช่วง (timestamp) โดย AI ดูวิดีโอเข้าใจเองโดยตรง

จุดสอน

ให้เห็นว่า AI ดูวิดีโอเข้าใจได้จริงด้วยความสามารถแบบหลายสื่อ (multimodal) สอนให้ขอเวลาแต่ละช่วง (timestamp) ไว้ย้อนตรวจ และต่อยอดไปฝังในงานอัตโนมัติได้ (เช่น ส่งบันทึกเข้า Docs เอง)

แบบฝึกหัดท้ายโมดูล

เขียนสคริปต์ที่รับภาพสินค้าเข้ามาผ่าน API แล้วใช้ Nano Banana เปลี่ยนพื้นหลังให้ 3 แบบ พร้อมคำนวณค่าใช้จ่ายต่อภาพคร่าว ๆ
สร้างขั้นตอนงานอัตโนมัติสั้น ๆ (pipeline) แบบนี้ คือ รับวิดีโอเข้ามา → ให้ Gemini สรุปเป็นบันทึก → สั่ง Imagen สร้างภาพสรุปประกอบ 1 ภาพ แล้วประเมินว่าเจอข้อจำกัดอะไรบ้าง

3.6

โมดูล 3.6

กติกาการใช้งาน ความปลอดภัย และการเอาไปใช้ในองค์กร

Vertex AI, การรับมือข้อจำกัดของ AI, ความเป็นส่วนตัว และการวางแผนเลือกโมเดล

🎯 วัตถุประสงค์การเรียนรู้

เลือกใช้ Vertex AI สำหรับงานองค์กรที่ต้องการกติกาการใช้งานที่รัดกุม (governance) และการรับประกันคุณภาพบริการ (SLA) ที่สูง
วางวิธีรับมือข้อจำกัดของ AI ในระบบจริง (ทั้งการที่ AI มั่วข้อมูล การที่มันไม่รู้เรื่องใหม่ ๆ และการที่บางฟีเจอร์ยังจำกัดตามประเทศ)
วางแผนเลือกโมเดลและแพ็กเกจให้ตามทันของใหม่ (2.5 → Gemini 3 → รุ่นถัดไป)

เนื้อหา

พอจะเอา Gemini ไปใช้ในองค์กรจริง เรื่องกติกาการใช้งาน (governance) เป็นสิ่งที่ต้องคิดให้ดี ซึ่ง Vertex AI ตอบโจทย์ตรงนี้ เพราะให้ทั้งกติกาที่รัดกุม การรับประกันคุณภาพบริการ (SLA) ที่สูงกว่า และการคุมข้อมูลแบบที่องค์กรต้องการ อีกอย่างที่ต้องเตรียมคือวิธีรับมือกับข้อจำกัดของ AI ที่มีอยู่จริง ได้แก่ (1) การที่ AI มั่วข้อมูล (hallucination) ซึ่งมีในทุกรุ่น มีรายงานว่า Gemini 3 Pro เคยมั่วในอัตราสูงในการทดสอบมาตรฐาน (benchmark) ตัวหนึ่ง แล้วลดลงมากใน 3.1 Pro แต่ให้ถือว่านี่เป็นตัวเลขเฉพาะการทดสอบนั้น อย่าเอาไปเหมารวมแบบพาดหัวข่าว (2) การที่ AI รู้ข้อมูลแค่ถึงช่วงที่มันเรียนมา ไม่รู้เรื่องใหม่กว่านั้น (knowledge cutoff ราว ๆ ม.ค. 2025) (3) ฟีเจอร์ดี ๆ มักถูกล็อกไว้หลังการจ่ายเงิน และเปิดให้สหรัฐฯ กับภาษาอังกฤษได้ใช้ก่อน และ (4) ความปลอดภัยของข้อมูล นอกจากนี้ยังต้องวางแผนเลือกโมเดลให้ตามทันของใหม่ เพราะเทคโนโลยีสายนี้เปลี่ยนเร็วมาก (2.5 → Gemini 3 เมื่อ พ.ย. 2025 → 3.1/3.5 ในปี 2026) โดยส่วนใหญ่ฟีเจอร์ยังใช้ได้เหมือนเดิมแม้ข้ามรุ่น แต่ชื่อโมเดลกับราคานี่แหละที่เปลี่ยนบ่อยสุด

ออกแบบนโยบายการใช้ Gemini ในองค์กร

ทำหน้าที่เป็นที่ปรึกษาด้าน AI governance ช่วยร่างนโยบายการใช้ Google Gemini สำหรับบริษัท 300 คน ครอบคลุม: ประเภทข้อมูลที่ห้ามป้อน, ขั้นตอนตรวจสอบข้อเท็จจริงก่อนเผยแพร่, การเลือกระหว่าง Gemini API กับ Vertex AI, และแนวทางรับมือเมื่อ Google ออกโมเดลรุ่นใหม่ ทำเป็นเอกสารมีหัวข้อและ checklist

ผลลัพธ์ที่คาดหวัง

ได้ร่างนโยบายที่มีหัวข้อครบ ทั้งการจัดประเภทข้อมูล ขั้นตอนตรวจสอบ การเลือกระหว่าง API กับ Vertex AI และแผนรับมือเมื่อมีโมเดลใหม่ พร้อมรายการเช็ก (checklist) ให้ทำตามได้

จุดสอน

เอาข้อจำกัดทุกอย่างที่เรียนมาทั้งหมด มาร้อยเข้ากับการกำกับดูแลจริง ย้ำว่าการเลือก Vertex AI เกี่ยวโดยตรงกับกติกาการใช้งาน (governance) และการรับประกันคุณภาพบริการ (SLA) และแผนเลือกโมเดลต้องเผื่อว่าจะมีรุ่นใหม่ออกมาบ่อย ๆ

แบบฝึกหัดท้ายโมดูล

ทำตารางช่วยตัดสินใจ (decision matrix) ว่าจะเลือก Gemini API หรือ Vertex AI สำหรับ 3 กรณีใช้งานในองค์กร พร้อมบอกเหตุผลทั้งด้านกติกาการใช้งาน (governance) ค่าใช้จ่าย และการรับประกันคุณภาพบริการ (SLA)
เขียนแผนรับมือสัก 1 หน้า สำหรับตอนที่ 'Google เปลี่ยนโมเดลเรือธง' ให้ครบทั้งการทดสอบว่าของเดิมยังทำงานดีอยู่ไหม (regression) การรับมือกับราคาที่เปลี่ยนไป และการสื่อสารกับทีม

🏆 Capstone ระดับสูง: สร้างระบบ Gemini ที่ค้นข้อมูลจริง (grounding) พร้อมกติกาการใช้งานสำหรับองค์กร

เลือกงานในองค์กรจริงมา 1 อย่าง (เช่น ผู้ช่วยตอบคำถามจากคลังเอกสารภายใน หรือระบบตรวจสัญญา) แล้ววางโครงสร้างระบบด้วย Gemini API หรือ Vertex AI
สร้างต้นแบบที่ใช้งานได้จริง ที่ป้อนข้อมูลยาว ๆ (context ขนาดใหญ่) จากเอกสารจริง และเปิด Grounding with Google Search ให้ AI ค้นข้อมูลจริง พร้อมดึงแหล่งอ้างอิงออกมาแสดง
ออกแบบให้เป็นงานที่ปล่อยให้ AI ทำเองหลายขั้น (agentic) แบบที่เราตรวจได้ทีละขั้น และเลือกว่าจะให้ AI คิดหนักแค่ไหน (thinking_level) ให้พอดีกับค่าใช้จ่าย
ถ้าเข้ากับงาน ก็เพิ่มการสร้างสื่อประกอบด้วย (เช่น ใช้ Imagen หรือ Nano Banana สร้างภาพประกอบรายงาน)
ทำเอกสารกติกาการใช้งาน (governance) ให้ครบ ทั้งวิธีรับมือเมื่อ AI มั่วข้อมูลและเมื่อข้อมูลเก่า ความปลอดภัยของข้อมูล การประเมินค่าใช้จ่ายต่อคำค้นและต่อภาพ และแผนรับมือเมื่อต้องเปลี่ยนรุ่นโมเดล แล้วนำเสนอตัวอย่างการใช้งานจริง (demo) พร้อมผลการทดสอบ

🎓

จบหลักสูตรการใช้งาน Gemini อย่างมืออาชีพ

สร้างรูป →สร้างวิดีโอ →Flow →หมายเหตุ →