# บทที่ 05 : SLMOps - คู่มือครบวงจรสำหรับการดำเนินงานโมเดลภาษาขนาดเล็ก

## ภาพรวม

SLMOps (Small Language Model Operations) เป็นแนวทางใหม่ในการนำ AI ไปใช้งานที่เน้นประสิทธิภาพ ความคุ้มค่า และความสามารถในการประมวลผลที่ขอบเครือข่าย คู่มือฉบับนี้ครอบคลุมวงจรชีวิตทั้งหมดของการดำเนินงาน SLM ตั้งแต่การทำความเข้าใจแนวคิดพื้นฐานไปจนถึงการนำไปใช้งานในระดับการผลิต

---

## [ส่วนที่ 1: การแนะนำ SLMOps](./01.IntroduceSLMOps.md)

**ปฏิวัติการดำเนินงาน AI ที่ขอบเครือข่าย**

บทพื้นฐานนี้แนะนำการเปลี่ยนแปลงจากการดำเนินงาน AI แบบดั้งเดิมที่ใช้โมเดลขนาดใหญ่ไปสู่การดำเนินงานโมเดลภาษาขนาดเล็ก (SLMOps) คุณจะได้เรียนรู้ว่า SLMOps ช่วยแก้ไขปัญหาสำคัญในการนำ AI ไปใช้งานในขนาดใหญ่ได้อย่างไร ในขณะที่ยังคงรักษาความคุ้มค่าและการปฏิบัติตามข้อกำหนดด้านความเป็นส่วนตัว

**สิ่งที่คุณจะได้เรียนรู้:**
- การเกิดขึ้นและความสำคัญของ SLMOps ในกลยุทธ์ AI สมัยใหม่
- วิธีที่ SLMs เชื่อมช่องว่างระหว่างประสิทธิภาพและการใช้ทรัพยากร
- หลักการดำเนินงานสำคัญ เช่น การจัดการทรัพยากรอย่างชาญฉลาดและสถาปัตยกรรมที่เน้นความเป็นส่วนตัว
- ความท้าทายในการนำไปใช้งานจริงและวิธีแก้ไข
- ผลกระทบทางธุรกิจเชิงกลยุทธ์และข้อได้เปรียบในการแข่งขัน

**ข้อคิดสำคัญ:** SLMOps ช่วยให้การนำ AI ไปใช้งานเป็นเรื่องง่ายขึ้น โดยทำให้ความสามารถในการประมวลผลภาษาขั้นสูงเข้าถึงได้สำหรับองค์กรที่มีโครงสร้างพื้นฐานทางเทคนิคจำกัด ส่งผลให้วงจรการพัฒนาเร็วขึ้นและต้นทุนการดำเนินงานที่คาดการณ์ได้มากขึ้น

---

## [ส่วนที่ 2: การกลั่นโมเดล - จากทฤษฎีสู่การปฏิบัติ](./02.SLMOps-Distillation.md)

**สร้างโมเดลที่มีประสิทธิภาพผ่านการถ่ายโอนความรู้**

การกลั่นโมเดลเป็นเทคนิคสำคัญในการสร้างโมเดลที่เล็กลงและมีประสิทธิภาพมากขึ้น โดยยังคงรักษาประสิทธิภาพของโมเดลขนาดใหญ่ บทนี้ให้คำแนะนำครบวงจรเกี่ยวกับการดำเนินงานการกลั่นที่ถ่ายโอนความรู้จากโมเดลครูขนาดใหญ่ไปยังโมเดลนักเรียนขนาดเล็ก

**สิ่งที่คุณจะได้เรียนรู้:**
- แนวคิดพื้นฐานและประโยชน์ของการกลั่นโมเดล
- กระบวนการกลั่นสองขั้นตอน: การสร้างข้อมูลสังเคราะห์และการฝึกโมเดลนักเรียน
- กลยุทธ์การนำไปใช้งานจริงโดยใช้โมเดลล้ำสมัย เช่น DeepSeek V3 และ Phi-4-mini
- การดำเนินงานการกลั่นบน Azure ML พร้อมตัวอย่างการใช้งาน
- แนวทางปฏิบัติที่ดีที่สุดสำหรับการปรับแต่งไฮเปอร์พารามิเตอร์และกลยุทธ์การประเมินผล
- กรณีศึกษาจริงที่แสดงให้เห็นถึงการปรับปรุงด้านต้นทุนและประสิทธิภาพอย่างมีนัยสำคัญ

**ข้อคิดสำคัญ:** การกลั่นโมเดลช่วยให้องค์กรลดเวลาในการประมวลผลลงได้ถึง 85% และลดความต้องการหน่วยความจำลงถึง 95% ในขณะที่ยังคงรักษาความแม่นยำของโมเดลเดิมไว้ถึง 92% ทำให้ความสามารถ AI ขั้นสูงสามารถนำไปใช้งานได้จริง

---

## [ส่วนที่ 3: การปรับแต่ง - ปรับโมเดลให้เหมาะกับงานเฉพาะ](./03.SLMOps-Finetuing.md)

**ปรับโมเดลที่ผ่านการฝึกมาแล้วให้เหมาะกับความต้องการเฉพาะของคุณ**

การปรับแต่งเปลี่ยนโมเดลทั่วไปให้กลายเป็นโซลูชันเฉพาะที่เหมาะกับกรณีการใช้งานและโดเมนของคุณ บทนี้ครอบคลุมทุกอย่างตั้งแต่การปรับพารามิเตอร์พื้นฐานไปจนถึงเทคนิคขั้นสูง เช่น LoRA และ QLoRA สำหรับการปรับแต่งโมเดลอย่างมีประสิทธิภาพ

**สิ่งที่คุณจะได้เรียนรู้:**
- ภาพรวมของวิธีการปรับแต่งและการนำไปใช้งาน
- ประเภทต่าง ๆ ของการปรับแต่ง: การปรับแต่งเต็มรูปแบบ การปรับแต่งที่ใช้พารามิเตอร์อย่างมีประสิทธิภาพ (PEFT) และวิธีการเฉพาะงาน
- การนำไปใช้งานจริงโดยใช้ Microsoft Olive พร้อมตัวอย่างการใช้งาน
- เทคนิคขั้นสูง เช่น การฝึกแบบหลายอะแดปเตอร์และการปรับแต่งไฮเปอร์พารามิเตอร์
- แนวทางปฏิบัติที่ดีที่สุดสำหรับการเตรียมข้อมูล การตั้งค่าการฝึก และการจัดการทรัพยากร
- ความท้าทายทั่วไปและวิธีแก้ไขที่พิสูจน์แล้วสำหรับโครงการปรับแต่งที่ประสบความสำเร็จ

**ข้อคิดสำคัญ:** การปรับแต่งด้วยเครื่องมืออย่าง Microsoft Olive ช่วยให้องค์กรปรับโมเดลที่ผ่านการฝึกมาแล้วให้เหมาะกับความต้องการเฉพาะได้อย่างมีประสิทธิภาพ ในขณะที่ยังคงปรับให้เหมาะสมกับประสิทธิภาพและข้อจำกัดด้านทรัพยากร ทำให้ AI ขั้นสูงสามารถเข้าถึงได้ในหลากหลายแอปพลิเคชัน

---

## [ส่วนที่ 4: การนำไปใช้งาน - การนำโมเดลที่ปรับแต่งแล้วไปใช้งานในระดับการผลิต](./04.SLMOps.Deployment.md)

**นำโมเดลที่ปรับแต่งแล้วไปใช้งานในระดับการผลิตด้วย Foundry Local**

บทสุดท้ายมุ่งเน้นไปที่ขั้นตอนสำคัญของการนำไปใช้งาน ครอบคลุมการแปลงโมเดล การลดขนาด และการตั้งค่าการผลิต คุณจะได้เรียนรู้วิธีการนำโมเดลที่ปรับแต่งและลดขนาดแล้วไปใช้งานโดยใช้ Foundry Local เพื่อประสิทธิภาพและการใช้ทรัพยากรที่เหมาะสมที่สุด

**สิ่งที่คุณจะได้เรียนรู้:**
- ขั้นตอนการตั้งค่าสภาพแวดล้อมและการติดตั้งเครื่องมืออย่างครบถ้วน
- เทคนิคการแปลงโมเดลและการลดขนาดสำหรับสถานการณ์การใช้งานต่าง ๆ
- การตั้งค่าการนำไปใช้งาน Foundry Local พร้อมการปรับแต่งเฉพาะโมเดล
- วิธีการวัดประสิทธิภาพและตรวจสอบคุณภาพ
- การแก้ไขปัญหาที่พบบ่อยในการนำไปใช้งานและกลยุทธ์การปรับปรุง
- แนวทางปฏิบัติที่ดีที่สุดสำหรับการตรวจสอบและบำรุงรักษาในระดับการผลิต

**ข้อคิดสำคัญ:** การตั้งค่าการนำไปใช้งานที่เหมาะสมด้วยเทคนิคการลดขนาดสามารถลดขนาดโมเดลลงได้ถึง 75% ในขณะที่ยังคงรักษาคุณภาพของโมเดลให้อยู่ในระดับที่ยอมรับได้ ทำให้การนำไปใช้งานในระดับการผลิตมีประสิทธิภาพในหลากหลายการกำหนดค่าฮาร์ดแวร์

---

## เริ่มต้นใช้งาน

คู่มือฉบับนี้ออกแบบมาเพื่อพาคุณผ่านการเดินทางของ SLMOps ตั้งแต่การทำความเข้าใจแนวคิดพื้นฐานไปจนถึงการนำไปใช้งานในระดับการผลิต แต่ละบทสร้างพื้นฐานจากบทก่อนหน้า โดยให้ทั้งความเข้าใจเชิงทฤษฎีและทักษะการนำไปใช้งานจริง

ไม่ว่าคุณจะเป็นนักวิทยาศาสตร์ข้อมูลที่ต้องการปรับปรุงการนำโมเดลไปใช้งาน วิศวกร DevOps ที่ดำเนินงาน AI หรือผู้นำด้านเทคนิคที่กำลังประเมิน SLMOps สำหรับองค์กรของคุณ คู่มือฉบับนี้ให้ความรู้และเครื่องมือที่จำเป็นสำหรับการดำเนินงานโมเดลภาษาขนาดเล็กอย่างประสบความสำเร็จ

**พร้อมเริ่มต้นหรือยัง?** เริ่มต้นที่บทที่ 1 เพื่อทำความเข้าใจหลักการพื้นฐานของ SLMOps และสร้างพื้นฐานสำหรับเทคนิคการนำไปใช้งานขั้นสูงที่ครอบคลุมในบทถัดไป

---

**ข้อจำกัดความรับผิดชอบ**:  
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้