มูลนิธิเอไอ

• Explain training and inference in plain language.
• Separate demonstrated capability from marketing claims.
• Evaluate AI outputs using evidence, uncertainty, and fit-for-purpose tests.

Prerequisites:None.

1. 1

   What AI is

   ผลลัพธ์: Distinguish AI, machine learning, and ordinary software.

   การฝึกฝน: Classify five everyday systems and explain which definition of AI you used.

   AI concepts and boundaries
   เอไอคืออะไร? →พื้นฐานการเรียนรู้ของเครื่อง →
2. 2

   How systems learn

   ผลลัพธ์: Describe the role of examples, objectives, and generalization.

   การฝึกฝน: Diagnose why a model can perform well in testing but fail for a new population.

   Data, training, and generalization
   AI เรียนรู้อย่างไร →พื้นฐานการเรียนรู้ของเครื่อง →การฝึกอบรมเอไอ →
3. 3

   Models and inference

   ผลลัพธ์: Explain what happens when a trained model produces an output.

   การฝึกฝน: Trace one user request from input through model output and human review.

   แบบจําลอง การอนุมาน และข้อจํากัด
   อธิบายโมเดล AI →การอนุมาน AI →โครงข่ายประสาทเทียม →
4. 4

   Evidence and uncertainty

   ผลลัพธ์: Check claims, benchmarks, and confident-sounding outputs.

   การฝึกฝน: Create a claim ledger for one AI product announcement.

   การประเมินผลและการรู้หนังสือแบบมาตรฐานUncertainty and confidence calibrationการตรวจสอบแหล่งที่มาและคําร้อง
   เกณฑ์มาตรฐาน AI →AI ภาพหลอน →ตำนานเกี่ยวกับ AI →