โครงการ AI Builders 2022 ก่อตั้งขึ้นจากความร่วมมือระหว่าง VISTEC, VISAI, Central Digital, Krungsri Nimble, AWS, AIA, DELL, และ Kasikorn Bank เพื่อพัฒนาองค์ความรู้ทางด้านวิทยาศาสตร์ข้อมูล (Data Science) และปัญญาประดิษฐ์ (Artificial Intelligence / AI) ให้กับน้องๆระดับมัธยมต้น-ปลาย ที่สนใจอยากเรียนรู้และพัฒนาโครงงานที่ใช้ทักษะในด้านนี้เพื่อประยุกต์ใช้จริงในชีวิตประจำวัน

ช่วงเวลาการรับสมัคร 14 มีนาคม - 4 เมษายน 2022

ช่วงเวลาของโครงการ 18 เมษายน - 19 มิถุนายน 2022

ระยะเวลาของโครงการ 9 สัปดาห์ สัปดาห์ละ 4 - 8 ชั่วโมง

วัตถุประสงค์ เสริมสร้างความเชี่ยวชาญด้านปัญญาประดิษฐ์ให้กับนักเรียนระดับมัธยมต้น-ปลาย เพื่อให้เข้าใจการทำงานของปัญญาประดิษฐ์เบื้องต้น นำไปสู่การทดลองสร้างโมเดลปัญญาประดิษฐ์และแอพพลิเคชั่นเพื่อแก้ปัญหาที่เกิดขึ้นในชีวิตจริงได้ในโครงงานจบการศึกษา (Capstone Project)

ผลลัพธ์ที่คาดหวัง

• โครงงานจบการศึกษา (Capstone Project) เป็นโมเดลปัญญาประดิษฐ์และแอพพลิเคชั่นเพื่อแก้ปัญหาที่เกิดขึ้นในชีวิตจริง เช่น ลดเวลาการทำงานของมนุษย์ ทำในสิ่งที่มนุษย์ทำไม่ได้ หรือช่วยให้มนุษย์เข้าใจโลกรอบตัวได้ดีขึ้น โมเดลที่สร้างอาจจะไม่จำเป็นต้องมีประสิทธิภาพเทียบเท่า state-of-the-art (แม้เราเชื่อว่ามีความเป็นไปได้ไม่น้อย) แต่ทำเพื่อให้นักเรียนเข้าใจการทำงานของโมเดล นำไปต่อยอดในอนาคต และที่สำคัญสนุกกับการสร้างปัญญาประดิษฐ์ โครงงานประกอบด้วย
  • โมเดลปัญญาประดิษฐ์พร้อมโค้ดบน Github / Kaggle
  • บทความบรรยายวิธีคิดและการแก้ปัญหาโดยใช้ปัญญาประดิษฐ์บน Medium
  • การนำเสนอผลงานต่อผู้ทรงคุณวุฒิของ VISTEC และ Central Tech
• ความเชี่ยวชาญด้านการเขียนโปรแกรมและสร้างปัญญาประดิษฐ์
  • ทักษะการคิดวิธีแก้ปัญหาด้วยปัญญาประดิษฐ์
  • ทักษะการเขียนโปรแกรมพื้นฐานด้วย Python
  • ทักษะจัดการข้อมูลพื้นฐาน
  • ทักษะคณิตศาสตร์ระดับมัธยมปลาย
  • สร้างโมเดล deep learning สำหรับข้อมูลประเภทรูปภาพ ตาราง และข้อความด้วยเครื่องมือที่เหมาะสม
• เรียนรู้การทำงานเป็นทีม แบ่งปันทักษะ และเรียนรู้ไปด้วยกันกับเพื่อนๆในโครงการ
• เข้าใจความสำคัญของชุมชน open source และร่วมเป็นส่วนหนึ่งของการแบ่งปันทักษะ ข้อมูล และโมเดลให้กับสังคม

เกณฑ์การรับสมัคร

• คอมพิวเตอร์ที่สามารถเข้าถึงอินเตอร์เน็ตได้
• ความรู้ด้านคณิตศาสตร์ระดับมัธยมปลาย
  • พีชคณิตเชิงเส้น (linear algebra)
  • ความน่าจะเป็นและสถิติ
  • แคลคูลัสเบื้องต้น; เฉพาะเรื่อง derivatives, chain rule และ partial derivatives
• ทักษะการฟังและอ่านภาษาอังกฤษขั้นพื้นฐาน
• ความอยากรู้อยากเห็นและความมุ่งมั่นในการสร้างโครงงาน
• จิตอาสาเพื่อแบ่งปันผลงานกับชุมชน open source

โครงการรองรับน้องๆทุกระดับความเชี่ยวชาญตั้งแต่

• น้องๆที่อยากเข้ามาเรียน AI ตั้งแต่เริ่มต้น อาจจะยังไม่เคยเขียนโค้ดมาก่อน อยากพัฒนาโครงงานที่ใช้ AI ไปใช้งานในอนาคต
• น้องๆที่อยากเข้ามาเรียน AI โดยที่มีโจทย์ในใจอยู่ระดับนึงแล้ว มีประสบการณ์ด้านการเขียนโปรแกรมเบื้องต้น
• น้องๆที่กำลังทำงานวิจัย-ผลิตภัณฑ์ อยากเข้ามาเรียนรู้เพิ่มเติมและต้องการ feedback จากอาจารย์หรือ mentor

นักเรียนสามารถทำโครงงานคนเดียวหรือเป็นคู่ โดยทางโครงการส่งเสริมการแลกเปลี่ยนความคิดเห็นและ pair programming กับเพื่อนๆ TA หรือ mentor ถ้าติดขัดในโครงงานสามารถติดต่อ TA และ mentor ได้ทาง AI Builders (Facebook Page) และ AI Builders Discord (เข้าได้เฉพาะนักเรียนม mentor, TA, วิทยากร และศิษย์เก่า)

จำนวนที่รับและการลงทะเบียน

ด้วยจำนวน mentor และ TA เราสามารถรับนักเรียนเข้าโครงการได้ 60 คนเท่านั้น ผู้สนใจเข้าร่วมสามารถลงทะเบียนได้ที่ แบบฟอร์มลงทะเบียนนี้ โดยเราจะพิจารณาจากแบบทดสอบ เหตุผลที่สมัคร ความมุ่งมั่น และความหลากหลายของนักเรียนที่สมัครเข้ามาในโครงการ

รูปแบบการเรียนการสอน

เราจะใช้ระบบ flipped classroom โดยให้ผู้เรียนฟัง สำหรับตารางเรียนเราจะอิงตามเนื้อหาที่ทีมงาน AI Builders สร้างและรวบรวมขึ้นมาเองเพื่อโครงการโดยเฉพาะ ai-builders/curriculum กิจวัตรประจำในแต่ละสัปดาห์เป็นไปดังนี้

1. นักเรียนดูวิดีโอบทเรียนจาก ai-builders/curriculum

2. หากมีข้อสงสัยส่งคำถามเพื่อให้ทีมงานตอบในคาบได้ผ่านแบบฟอร์มออนไลน์

3. ทุกเย็นวันพุธ จะมีคาบเรียนออนไลน์กันใน Wonder เริ่มจากทีมงานตอบคำถามเกี่ยวกับบทเรียนและกลุ่มที่กำหนดในแต่ละสัปดาห์มาทำหน้าที่สรุปบทเรียนให้เพื่อนๆฟัง ใช้เวลารวมไม่เกิน 1 ชั่วโมง

4. หลังจากนั้น นักเรียนทุกคนแยกย้ายไปตามกลุ่มเพื่อปรึกษาโครงงานกับ mentor และ TA

5. นอกคาบเรียน นักเรียนสามารถปรึกษา mentor และ TA ได้ใน AI Builders Discord (เข้าได้เฉพาะนักเรียนม mentor, TA, วิทยากร และศิษย์เก่า)

การดำเนินโครงการ

• สัปดาห์ที่ 0 ปฐมนิเทศ:
  • ยินดีต้อนรับทุกคนเข้าสู่โครงการ AI Builders!
  • แนะนำตัวและทำความรู้จักกับเพื่อน, mentor และ TA
  • แนะนำข้อมูลเกี่ยวกับโครงการ, กิจวัตรประจำสัปดาห์ และการประเมินจบการศึกษา
• สัปดาห์ที่ 1 - บทที่ 1 Machine Learning คืออะไร / เปลี่ยนปัญหาที่อยากแก้เป็นโจทย์ Machine Learning:
  • [บทเรียน] เรียนรู้ว่า Artificial Intelligence (AI), Machine Learning (ML) และ Deep Learning (DL) คืออะไร เหมือนกันหรือแตกต่างกันอย่างไร เราจะเรียนรู้ส่วนประกอบของระบบ machine learning และวิธีการเทรน machine learning model
  • [โครงงาน] หาปัญหาที่สำคัญกับคุณ, คิดว่าจะแก้ปัญหานี้ด้วย ML ได้อย่างไร, ปัญหาของคุณเป็น ML task ชนิดไหน, จะวัดผลอย่างไรให้รู้ว่าแก้สำเร็จแล้ว, คิดถึงทางแก้ที่มีอยู่ในปัจจุบันว่าทำได้ดีแค่ไหน
• สัปดาห์ที่ 2 - บทที่ 2 ชุดข้อมูลมหัศจรรย์และถิ่นที่อยู่ / เริ่มหาข้อมูลสำหรับเทรนโมเดล:
  • [บทเรียน] เรียนรู้วิธีการหาข้อมูลมาเทรนโมเดลของเราทั้งจากชุดข้อมูล open data, web scraping, หรือสร้างขึ้นมาเองจากโมเดลและโค้ด open source
  • [โครงงาน] เริ่มหาชุดข้อมูลสำหรับเทรนโมเดล, คิดถึงวิธีการทำ train-validation-test split ที่เหมาะสมกับการวัดผล
• สัปดาห์ที่ 3 - บทที่ 3 Stochastic Gradient Descent ตั้งแต่เริ่มต้น / เทรนโมเดลแรก:
  • [บทเรียน] ลองสร้างโมเดล ML สมัยใหม่ขึ้นมาเองตั้งแต่ต้นด้วย PyTorch กับเทคนิค Stochastic Gradient Descent
  • [โครงงาน] เริ่มทำความเข้าใจชุดข้อมูลและเทคนิค ML ที่จะใช้, พยามเทรนโมเดลแรกให้เร็วที่สุดเท่าที่จะทำได้
• สัปดาห์ที่ 4 – 6 - บทที่ 4-6 เลือก Track: Images, Texts, Tabular Data / ปรับแต่งโมเดลและแก้ปัญหา:
  • [บทเรียน] เลือกเรียน Track ตามรูปแบบข้อมูลที่ต้องการ หรืออาจจะดูให้ครบทุก Track เลยก็ได้
  • [โครงงาน] เริ่มศึกษาผลจากการทำโมเดลแรก ไม่ต้องกังวลหากผลไม่เป็นไปตามที่คิด คุณอาจจะต้องกลับไปทำความสะอาดข้อมูลใหม่ ลองโมเดลใหม่ ศึกษาข้อมูลให้มากกว่าเดิม ปรับแต่งตัวชี้วัด หรือแม้แต่ลองคิดถึงปัญหาให้ละเอียดอีกรอบ นี่คือวงจรของการทำงาน AI ในชีวิตจริง
• สัปดาห์ที่ 7 - บทที่ 7 จริยธรรมปัญญาประดิษฐ์ / ตรวจสอบโครงงานและเริ่มคิดถึงการประเมินผล:
  • [บทเรียน] เรียนรู้เกี่ยวกับจริยธรรมปัญญาประดิษฐ์ ข้อมูลที่เราเก็บ-โมเดลที่เราใช้ว่าอาจมีอคติซ่อนอยู่อย่างไร และเราจะทำอย่างไรเพื่อแก้หรือบรรเทาปัญหาเหล่านี้
  • [โครงงาน] ตรวจดูโครงงานของเราว่ามีข้อกังวลทางจริยธรรมปัญญาประดิษฐ์หรือไม่ เตรียมเขียนสรุปลงใน Medium และอัพโหลดงานขึ้น Github
• สัปดาห์ที่ 8 - บทที่ 8 Prototype Deployment / เตรียมนำเสนอผลงานเพื่อประเมินผล:
  • [บทเรียน] เรียนวิธีการนำโมเดลที่เทรนเสร็จแล้วไปใช้ผ่าน web application ด้วย Streamlit
  • [โครงงาน] สรุปผลงานและเตรียมการนำเสนอต่อ mentor เพื่อประเมินผล ประกอบด้วยการนำเสนอ 7 นาทีและถาม-ตอบ 3 นาที
• สัปดาห์ที่ 9 นำเสนอผลงานเพื่อประเมินผลกับ mentor