بوت‌کمپ LLMOps و AIOps با بیش از 9 پروژه کامل و جامع

آنچه یاد خواهید گرفت:

• ساخت و استقرار اپلیکیشن‌های هوش مصنوعی واقعی با استفاده از Langchain و FAISS و ChromaDB و سایر ابزارهای پیشرفته
• راه‌اندازی پایپ‌لاین‌های CI/CD با استفاده از Jenkins و GitHub Actions CircleCI و GitLab و ArgoCD
• استفاده از Docker، Kubernetes، AWS و GCP برای استقرار و مقیاس‌پذیری اپلیکیشن‌های هوش مصنوعی
• مانیتورینگ و ایمن‌سازی سیستم‌های هوش مصنوعی با استفاده از Trivy و Prometheus و Grafana و ELK Stack

پیش‌نیازهای دوره

• دانش برنامه‌نویسی پایتون به صورت ماژولار
• دانش اولیه Generative AI مانند Langchain، پایگاه‌های داده برداری و غیره

توضیحات دوره

آیا آماده‌اید تا مهارت‌های خود در زمینه Generative AI و مدل‌های زبان بزرگ (LLM) را به سطح قابل استفاده در پروداکشن برسانید؟ این دوره جامع و عملی LLMOps برای توسعه‌دهندگان، دانشمندان داده، مهندسان MLOps و علاقه‌مندان به هوش مصنوعی طراحی شده است که می‌خواهند اپلیکیشن‌های LLM مقیاس‌پذیر را با استفاده از ابزارهای پیشرفته و تکنولوژی‌های مدرن cloud-native بسازند، مدیریت کنند و مستقر نمایند.

در این دوره، شما یاد خواهید گرفت که چگونه شکاف بین ساخت اپلیکیشن‌های قدرتمند LLM و استقرار آن‌ها در محیط‌های پروداکشن واقعی را با استفاده از GitHub و Jenkins و Docker و Kubernetes و FastAPI، سرویس‌های ابری (AWS و GCP) و پایپ‌لاین‌های CI/CD پر کنید.

ما چندین پروژه کامل و جامع را بررسی خواهیم کرد که نشان می‌دهند چگونه می‌توان HuggingFace Transformers، مدل‌های fine-tune شده و استقرار Groq API را با مانیتورینگ عملکرد با استفاده از Prometheus و Grafana و SonarQube عملیاتی کرد. همچنین یاد خواهید گرفت که چگونه زیرساخت و ارکستراسیون را با استفاده از Kubernetes (Minikube ،GKE) و AWS Fargate و Google Artifact Registry (GAR) مدیریت کنید.

آنچه خواهید آموخت:

مقدمه‌ای بر LLMOps و چالش‌های پروداکشن

• چالش‌های استقرار LLMها و چگونگی گسترش اصول MLOps به LLMOps را درک کنید. بهترین شیوه‌ها برای مقیاس‌پذیری و نگهداری کارآمد این مدل‌ها را بیاموزید.

کنترل نسخه و مدیریت سورس کد 

• مخازن کد را با Git و GitHub راه‌اندازی و مدیریت کنید، pull requestها، استراتژی‌های شاخه‌سازی و گردش‌کارهای پروژه را یکپارچه کنید.

پایپ‌لاین CI/CD با Jenkins و GitHub Actions

• پایپ‌لاین‌های آموزش، تست و استقرار را با استفاده از Jenkins و GitHub Actions و AWS runnerهای سفارشی خودکارسازی کنید تا تحویل مدل را ساده‌تر نمایید.

FastAPI برای استقرار LLM

• سرویس‌های LLM را با استفاده از FastAPI بسته‌بندی و ارائه دهید و اندپوینت‌های استنتاج را با مدیریت خطای مناسب، امنیت و لاگ کردن مستقر کنید.

یکپارچه‌سازی Groq و HuggingFace

• Groq API را برای استنتاج فوق‌العاده سریع LLM یکپارچه کنید. از مدل‌های HuggingFace و fine-tuning و گزینه‌های هاستینگ برای استقرار مدل‌های زبان سفارشی استفاده کنید.

کانتینرسازی و بررسی کیفیت 

• یاد بگیرید چگونه اپلیکیشن‌های LLM خود را با استفاده از Docker کانتینری کنید. کیفیت و قابلیت نگهداری کد را با استفاده از SonarQube و سایر ابزارهای تحلیل استاتیک تضمین کنید.

استقرارهای Cloud-Native (AWS & GCP)

• اپلیکیشن‌ها را با استفاده از AWS Fargate و GCP GKE مستقر کرده و با GAR (Google Artifact Registry) یکپارچه کنید. یاد بگیرید چگونه secrets، ذخیره‌سازی و مقیاس‌پذیری را مدیریت کنید.

پایگاه‌های داده برداری و جستجوی معنایی

• با پایگاه‌های داده برداری مانند FAISS و Weaviate یا Pinecone برای پیاده‌سازی جستجوی معنایی و پایپ‌لاین‌های RAG (Retrieval-Augmented Generation) کار کنید.

مانیتورینگ و مشاهده‌پذیری

• سیستم‌های LLM خود را با استفاده از Prometheus و Grafana مانیتور کنید و سلامت سیستم را با لاگ کردن، هشداردهی و داشبوردها تضمین نمایید.

کوبرنتیز و Minikube

• کانتینرها را ارکستریت کرده و بارهای کاری LLM را با استفاده از Kubernetes، هم به صورت محلی با Minikube و هم بر روی ابر با استفاده از GKE (Google Kubernetes Engine) مقیاس‌پذیر کنید.

این دوره برای چه کسانی است؟

مهندسان MLOps و DevOps که به دنبال ورود به حوزه استقرار LLM هستند.

• دانشمندان داده و مهندسان یادگیری ماشین که می‌خواهند راه‌حل‌های LLM خود را به محصول تبدیل کنند.
• توسعه‌دهندگان بک‌اند که قصد دارند در استقرارهای مقیاس‌پذیر هوش مصنوعی متخصص شوند.
• هر کسی که به تقاطع LLMها، MLOps و DevOps و فضای ابری علاقه‌مند است.

فناوری‌های پوشش داده شده:

Git، GitHub ،Jenkins ،Docker ،FastAPI ،Groq ،HuggingFace، SonarQube ،AWS Fargate ،AWS Runner ،GCP ،Google Kubernetes Engine (GKE) ،Google Artifact Registry (GAR) ،Minikube، پایگاه‌های داده برداری، Prometheus ،Grafana ،Kubernetes و موارد دیگر

در پایان این دوره، شما تجربه عملی در استقرار، مانیتورینگ و مقیاس‌پذیری اپلیکیشن‌های LLM با زیرساخت‌های سطح پروداکشن خواهید داشت که به شما در ساخت سیستم‌های هوش مصنوعی واقعی، یک مزیت رقابتی می‌دهد.

برای ارتقای سفر LLMOps خود آماده شوید! هم‌اکنون در این دوره شرکت کنید و آینده Generative AI را بسازید.

این دوره برای چه کسانی مناسب است؟

• دانشجویان یا متخصصانی که قصد ورود به بازار کار هوش مصنوعی + DevOps را دارند.