แนะนำ 7 หนังสือฟรี ฝึกฝนทักษะวิศวกรรมการสร้างระบบ AI

เมื่อมีคนถามผมว่า "คุณสามารถสร้างแอปพลิเคชัน AI เพียงแค่ใช้ vibe coding ได้ไหม?" คำตอบของผมคือได้ครับ แต่การสร้างแอปที่แค่ทำงานได้ กับการสร้างระบบ AI ที่รองรับคำขอนับล้านครั้งโดยไม่หน่วงหรือมีค่าใช้จ่ายบานปลายนั้น เป็นความท้าทายที่แตกต่างกันอย่างสิ้นเชิง

งานด้าน AI engineering มีรายละเอียดมากกว่าแค่การทำให้ Model ให้คำตอบที่ถูกต้อง คุณต้องคำนึงถึง inference latency, หน่วยความจำ GPU, การ deployment, การจัดการ context และการรองรับ traffic ที่อาจพุ่งสูงขึ้น ซึ่งหากคุณกำลังสร้าง AI agents ความซับซ้อนเหล่านี้จะยิ่งเพิ่มขึ้นทวีคูณ

แม้จะมีหลักสูตรออนไลน์มากมาย แต่ผมแนะนำให้อ่านหนังสืออย่างเจาะลึกเพื่อสร้างพื้นฐานที่แข็งแกร่ง และที่สำคัญคือฟรี! ผมได้รวบรวม หนังสือฟรี 7 เล่ม ที่คุ้มค่าแก่การอ่านมาให้ ตั้งแต่เล่มคลาสสิกไปจนถึงเนื้อหาใหม่ล่าสุด ดังนี้ครับ

1. Machine Learning Systems Design โดย Chip Huyen

หนังสือเล่มนี้เป็นหนึ่งในเล่มคลาสสิกที่เหมาะสำหรับผู้เริ่มต้น เล่มนี้ มอง machine learning เป็นปัญหาแบบ end-to-end โดยครอบคลุม 4 ขั้นตอนหลัก ได้แก่ 1) การตั้งค่าโครงการ 2) การเตรียม data pipelines 3) การทำ modeling และ 4) การ serving (การทดสอบ, deployment และบำรุงรักษา)

ในแต่ละขั้นตอนจะมีลิงก์ไปยังทรัพยากรใช้งานจริงและกรณีศึกษาจากวิศวกรในบริษัทเทคโนโลยีชั้นนำ พร้อมคำถามด้าน system design 27 ข้อเพื่อฝึกฝน แม้เนื้อหาบางส่วนจากปี 2019 อาจไม่ครอบคลุมโครงสร้างพื้นฐานของ large language model (LLM) ในปัจจุบัน แต่ยังเป็นพื้นฐานที่ดีเยี่ยมในการเข้าใจภาพรวมของระบบ

2. Machine Learning Engineering Open Book โดย Stas Bekman

เล่มนี้เปรียบเสมือนเอกสารอ้างอิงที่รวบรวมจาก ประสบการณ์ของ Stas Bekman ในโครงการ Model ขนาดใหญ่อย่าง BLOOM-176B และ IDEFICS-80B เนื้อหาครอบคลุมตั้งแต่ฮาร์ดแวร์ GPU, ระบบเครือข่าย, การจัดเก็บข้อมูล ไปจนถึงการจัดการด้วย SLURM, การฝึกสอน และการ debugging

ผมแนะนำให้บุ๊กมาร์กเก็บไว้เปิดดูเมื่อเจอปัญหาทางเทคนิค เช่น GPU out-of-memory หรือความล่าช้าในการฝึกสอนแบบ multi-node โดย repository บน GitHub นี้ได้รับความนิยมสูงมากและเผยแพร่ภายใต้ใบอนุญาต CC BY-SA 4.0 ทำให้สามารถอ่านและแบ่งปันได้ฟรี

3. AI Agents in Depth: Design Principles and Engineering Practice โดย Bojie Li

หากคุณเน้นการสร้าง AI agents ต้องไม่พลาด เล่มนี้ ซึ่งเริ่มตั้งแต่นิยามพื้นฐานว่า agent ประกอบด้วย LLM, context และเครื่องมือ จากนั้นจึงขยายความไปสู่ context engineering, retrieval-augmented generation (RAG) และระบบ multi-agent

หนังสือเล่มนี้อธิบายการตัดสินใจทางวิศวกรรมเบื้องหลังการจัดการงานที่ซับซ้อน พร้อมการทดลองเชิงปฏิบัติมากมาย นอกจากนี้ผู้เขียนยังมีหนังสืออีกเล่มคือ Understanding AI Infra ที่ช่วยให้เข้าใจโครงสร้างพื้นฐาน AI ได้ลึกซึ้งยิ่งขึ้น

4. The Architecture of AI Agents and LLM Systems โดย Aleksandr Drobiazkin

นี่คือ หนังสือ รุ่นใหม่ที่เน้นการพัฒนาแอปพลิเคชัน LLM โดยเฉพาะ ครอบคลุมทั้งกลไกการทำงานของโมเดลภาษา, structured outputs, การเรียกใช้เครื่องมือ (tool calling) และสถาปัตยกรรม agent รูปแบบต่างๆ

จุดเด่นคือการลงลึกด้านวิศวกรรม เช่น การประเมินผล (evaluation), observability, ความปลอดภัย และต้นทุน โดยอธิบายข้อดีข้อเสียของแต่ละวิธีแทนการสอนใช้ framework เพียงอย่างเดียว และยังมีหลักสูตรเสริมให้ศึกษาควบคู่ไปด้วย

5. Inference Engineering โดย Philip Kiely

เล่มนี้ มีความสำคัญมากหากคุณต้องการ deploy LLM ให้เร็วและประหยัดขึ้น โดยจะพาไปดู stack ของ inference ทั้งหมด ตั้งแต่ระดับ GPU ไปจนถึงซอฟต์แวร์ serving ในระบบจริง

คุณจะได้เรียนรู้เทคนิค batching, quantization และวิธีการเลือกฮาร์ดแวร์ที่เหมาะสม เหมาะสำหรับผู้ที่ทดลองใช้ LLM แบบ local หรือเครื่องมืออย่าง vLLM หนังสือยังช่วยตอบคำถามว่าทำไมระบบที่ทำงานได้ดีกับผู้ใช้คนเดียว ถึงเริ่มมีปัญหาเมื่อต้องรองรับคำขอนับร้อยพร้อมกัน

6. LLM Inference Illustrated โดย Ted Kyi

หนังสือ เล่มนี้ยอดเยี่ยมมากสำหรับการทำความเข้าใจกระบวนการสร้างคำตอบของ LLM ผ่านแผนภาพที่ละเอียดและเข้าใจง่าย เหมาะสำหรับผู้ที่เรียนรู้ได้ดีจากภาพประกอบ

เนื้อหาจะนำเสนอตั้งแต่วิธีการสร้าง token ทีละตัว ไปจนถึงเทคนิคทางวิศวกรรมที่ช่วยให้กระบวนการ inference เร็วขึ้นและประหยัดหน่วยความจำ ช่วยเปลี่ยนภาพลักษณ์ของการทำ model serving จากกล่องดำที่ซับซ้อนให้กลายเป็นระบบที่มีประสิทธิภาพ

7. How to Scale Your Model โดย Jacob Austin และคณะ

เขียนโดยทีมนักวิจัยจาก Google DeepMind หนังสือ เล่มนี้เหมาะสำหรับผู้ที่ต้องการเข้าใจการฝึกสอนและให้บริการ LLM ผ่านตัวเร่งความเร็ว (accelerator) นับพันตัว เริ่มตั้งแต่การทำงานของ TPU ไปจนถึงการฝึกสอนแบบกระจาย (distributed training)

สิ่งที่น่าสนใจคือการใช้ LLaMA 3 เป็นตัวอย่างเชิงปฏิบัติ เพื่ออธิบายถึงทรัพยากรหน่วยความจำ พลังประมวลผล และงบประมาณที่ต้องใช้จริง แม้จะมีคณิตศาสตร์เชิงเทคนิคค่อนข้างมาก แต่ถือเป็นแหล่งข้อมูลที่มีค่ามหาศาล

บทสรุป

คุณไม่จำเป็นต้องอ่านทั้ง 7 เล่มในคราวเดียว แต่ควรเลือกเล่มที่ตรงกับโปรเจกต์ที่กำลังทำอยู่ แล้วค่อยกลับมาศึกษาเล่มอื่นเมื่อจำเป็น

ในยุคที่ใครก็สร้างแอป AI ได้ด้วยความช่วยเหลือของ coding agents ทักษะการทำให้แอปพลิเคชันนั้นเชื่อถือได้ รวดเร็ว ปลอดภัย และราคาประหยัด คือสิ่งที่จะแยก "งานเดโม" ออกจาก "ระบบ Production" ที่ใช้งานได้จริง และนั่นคือเหตุผลที่วิศวกรรมระบบ AI จะมีความสำคัญมากขึ้นเรื่อยๆ ในอนาคต