هوش مصنوعی در تولید - Gen AI و هوش مصنوعی عاملی در مقیاس بزرگ
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- استقرار اپلیکیشنهای LLM SaaS در محیطهای تولید Vercel ،AWS، آژور و GCP با استفاده از Clerk
- طراحی معماریهای ابری با لامبدا، S3 ،CloudFront ،SQS و Route 53 App Runner و API Gateway
- یکپارچهسازی با Amazon Bedrock و SageMaker و ساخت با GPT‑5 و Claude 4 و OSS و AWS Nova و HuggingFace
- Rollout برای توسعه، تست و تولید خودکار با Terraform و انتقال مداوم از طریق GitHub Actions
- ارائه راهحلهای هوش مصنوعی سطح سازمانی که مقیاسپذیر، ایمن، قابل نظارت، توضیحپذیر، قابل مشاهده و با گاردریلها کنترل شده باشد.
- ایجاد سیستمهای چندایجنتی و حلقههای عاملی با Amazon Bedrock AgentCore و Stands Agents
پیشنیازهای دوره
- اگرچه کدنویسی پایتون و تجربهای با LLMs ایدهآل است، این دوره برای مخاطبان متنوع بدون توجه به پیشینه طراحی شده است. یک پوشه کامل لابراتوارهای خودآموز فنی و مهارتی ارائه کردهایم. اگر تازهکار هستید، فقط نیاز به صبر زیاد دارید.
- بهرهگیری بهینه از دوره با بودجه کم برای APIs و ارائهدهندگان ابری امکانپذیر است، ولی هزینه را در هر مرحله کنترل میکنیم؛ انتخاب شخصی است.
توضیحات دوره
این دوره همان دورهای است که بیشتر دانشجویان آن را میخواهند.
یک دانشجو آن را صریحاً توضیح داد: دوره گمشده در حوزه هوش مصنوعی
مخاطبان دوره:
- کارآفرینان
- مهندسان سازمانی
- و همه افرادی که در میان این دو قرار دارند.
این دوره بر موارد زیر تمرکز دارد:
- RAG، ایجنتها، MCP و بسیاری دیگر - به صورت عملی در محیط تولید
- آموزش لایو
- سطح سازمانی
- مقیاسپذیر، انعطافپذیر، ایمن، نظارت شده و توضیحپذیر
شما LLMs و ایجنتهای واقعی را در Vercel ،AWS ،GCP و آژور ارائه خواهید داد.
در طول چهار هفته چهار محصول را به تولید خواهید آورد:
هفته 1
- راهاندازی محصول SaaS Next.js در Vercel و AWS
- مدیریت کاربران و سابسکرایبرها با AWS App Runner و Clerk
هفته 2
شما مهندس پلتفرم هوش مصنوعی در AWS خواهید شد.
استقرار زیرساخت بدون سرور با:
- لامبدا، Bedrock ،API Gateway ،S3 ،CloudFront و Route 53
- نوشتن زیرساخت به عنوان کد با Terraform
- راهاندازی پایپلاینهای CI/CD با GitHub Actions - برای استقرارهای خودکار و تبلیغات تک کلیک
هفته 3
کسب مهارتهای کلی صنعت برای GenAI در تولید:
- استقرار ایجنت تحلیلگر امنیت سایبری با MCP در آژور و GCP
- راهاندازی یک SageMaker inference
- جذب داده برای بردارهای S3
- استقرار ایجنت محقق با استفاده از مدلهای OpenAI OSS در Bedrock + MCP
هفته 4
به صورت کاملاً عاملی در تولید:
- معماری سیستمهای چندایجنتی با:
- بدون سرور Aurora، لامبدا و SQS
- فرانتاندهای CloudFront احرازهویت شده با JWT
- رویتپذیری LangFuse
- بررسی AWS Agent Core
در پایان دوره موارد زیر را خواهید آموخت:
- انتخاب معماری مناسب
- قفل کردن امنیت
- نظارت بر هزینه
- ارائه بروزرسانیهای پیوسته
همه موارد لازم برای اجرای اپلیکیشنهای هوش مصنوعی مقیاسپذیر و قابل اعتماد در تولید
مجموعه دوره (هفتهها و پروژهها)
هفته 1
اپلیکیشن لایو SaaS در تولید با Vercel ،AWS ،Next.js ،Clerk و App Runner
پروژه - اپلیکیشن مراقبتهای بهداشتی SaaS
هفته 2
مهندسی پلتفرم هوش مصنوعی بر AWS با Bedrock، لامبدا، API Gateway ،Terraform و CI/CD
پروژه - دوقلوی دیجیتال
هفته 3
Gen AI در تولید با آژور، GCP ،AWS SageMaker، بردارهای Vectors و MCP
پروژه - تحلیلگر امنیت سایبری
هفته 4
هوش مصنوعی عاملی در تولید - ساخت و استقرار یک سیستم چندایجنتی در AWS (بدون سرور Aurora، لامبدا و SQS) با LangFuse و Bedrock AgentCore
پروژه پایانی - پلنر مالی SaaS
این دوره برای چه کسانی مناسب است؟
- اگر به توسعه و استقرار Gen AI و ایجنتها در محیطهای واقعی علاقهمند هستید، این دوره برای شماست.
هوش مصنوعی در تولید - Gen AI و هوش مصنوعی عاملی در مقیاس بزرگ
-
روز 1 - استقرار فوری هوش مصنوعی - اولین اپلیکیشن تولید شما در Vercel در چند دقیقه 13:49
-
روز 1 - از صفر تا لایو - استقرار اولین SaaS هوش مصنوعی در Vercel 06:29
-
روز 1 - از مفاهیم هوش مصنوعی تا استقرار ابری - ناوبری چشم انداز دواپس 10:03
-
روز 1 - بررسی دوره - ساخت سیستمهای هوش مصنوعی تولید در 4 هفته 08:20
-
روز 1 - استقرار اولین اپلیکیشن هوش مصنوعی لایو با یکپارچهسازی OpenAI و Vercel 12:28
-
روز 1 - مدیریت هزینههای API و راهاندازی محیط برای سیستمهای هوش مصنوعی تولید 11:57
-
روز 1 - انتظارات دوره و پشتیبانی کامیونیتی برای هوش مصنوعی تولید 06:02
-
روز 2 - ساخت اپلیکیشنهای فولاستک هوش مصنوعی - معماری فرانتاند و بکاند برای LLMs 07:36
-
روز 2 - ساخت اپلیکیشنهای فولاستک هوش مصنوعی با ریاکت، FastAPI و NextJS 12:39
-
روز 2 - ساخت اولین SaaS هوش مصنوعی فولاستک با NextJS و FastAPI 10:21
-
روز 2 - ساخت اولین بکاند FastAPI برای استقرار تولید LLM 09:13
-
روز 2 - استقرار اپلیکیشنهای فولاستک هوش مصنوعی با فرانتاند Next.js و بکاند FastAPI 10:42
-
روز 2 - افزودن استریمینگ بلادرنگ و رابط کاربری حرفهای به اپلیکیشن LLM خود 10:17
-
روز 2 - افزودن احرازهویت کاربر به اپلیکیشن هوش مصنوعی تولید شما 11:15
-
روز 2 - افزودن احرازهویت کاربر به اپلیکیشن هوش مصنوعی تولید با Clerk 09:20
-
روز 3 - افزودن صورتحساب اشتراک به اپلیکیشن SaaS هوش مصنوعی تولید شما 07:11
-
روز 3 - افزودن احرازهویت و صورتحساب به اپلیکیشنهای هوش مصنوعی تولید 10:51
-
روز 4 - ساخت اولین اپلیکیشن هوش مصنوعی تجاری - از نمونه اولیه تا کسبوکار 06:07
-
روز 4 - ساخت اپلیکیشنهای هوش مصنوعی مراقبتهای بهداشتی با FastAPI و پرامپتهای ساختاریافته 07:39
-
روز 4 - استقرار کامل اپلیکیشن هوش مصنوعی مراقبتهای بهداشتی بر Vercel 05:59
-
روز 4 - ساخت SaaS اپلیکیشن هوش مصنوعی مراقبتهای بهداشتی با LLMs استریمینگ 05:29
-
روز 5 - راهاندازی AWS و IAM برای هوش مصنوعی تولید - نخستین استقرار ابری شما 10:57
-
روز 5 - راهاندازی نظارت بر هزینه AWS برای استقرارهای هوش مصنوعی تولید 08:25
-
روز 5 - راهاندازی کاربران IAM ایمن برای استقرارهای هوش مصنوعی تولید ب در AWS 10:28
-
روز 5 - کانتینرسازی اپلیکیشنهای هوش مصنوعی با داکر برای استقرار ابری 10:08
-
روز 5 - مهاجرت اپلیکیشن هوش مصنوعی شما از Vercel به AWS برای مقیاس تولید 08:55
-
روز 5 - کانتینرسازی اپلیکیشن هوش مصنوعی خود - تصاویر داکر برای استقرار تولید 09:00
-
روز 5 - استقرار اپلیکیشنهای هوش مصنوعی داکری شده بر AWS با ECR و App Runner 11:51
-
روز 5 - استقرار اپلیکیشن هوش مصنوعی شما به صورت لایو در AWS App Runner با مقیاسبندی خودکار 05:29
-
روز 5 - از Vercel به AWS - استقرار اپلیکیشنهای LLM تولید در مقیاس 05:38
-
روز 1 - اصول AWS برای هوش مصنوعی تولید - از کنسول تا زیرساخت 12:32
-
روز 1 - معماریهای استقرار ابری برای اپلیکیشنهای هوش مصنوعی تولید 07:49
-
روز 1 - کامپوننتهای ابر AWS برای هوش مصنوعی تولیدی - S3، لامبدا و Bedrock 06:38
-
روز 1 - ساخت دوقلوی دیجیتال - راهاندازی معماری لامبدای AWS و Bedrock 10:48
-
روز 1 - ساخت دوقلوی دیجیتال هوش مصنوعی خود - راهاندازی تولید با NextJS App Router 10:40
-
روز 1 - ساخت اولین اپلیکیشن فولاستک هوش مصنوعی با FastAPI و ریاکت 11:07
-
روز 1 - ساخت حافظه مکالمهای برای اپلیکیشنهای چت هوش مصنوعی تولید 04:58
-
روز 2 - ساخت ایجنتهای هوش مصنوعی آماده تولید با لامبدای AWS و S3 12:25
-
روز 2 - مهاجرت اپلیکیشنهای چت هوش مصنوعی از ذخیرهسازی محلی به AWS S3 و لامبدا 10:54
-
روز 2 - استقرار اولین LLM API تولید در لامبدای AWS 09:43
-
روز 2 - پیکربندی لامبدای AWS و S3 برای ذخیرهسازی حافظه LLM تولید 08:04
-
روز 2 - راهاندازی باکتهای S3 و API Gateway برای اپلیکیشنهای هوش مصنوعی تولید 13:08
-
روز 2 - استقرار رابط کاربری هوش مصنوعی از طریق CloudFront برای توزیع جهانی 09:33
-
روز 2 - تست ایجنت هوش مصنوعی لایو و پیکربندی CORS برای تولید 06:02
-
روز 3 - راهاندازی Amazon Bedrock برای استقرار LLM تولید در AWS 10:00
-
روز 3 - مهاجرت از OpenAI به AWS Bedrock برای استقرار LLM مقرون به صرفه 09:26
-
روز 3 - استقرار Bedrock LLMs در لامبدای AWS و تست APIs تولیدی 05:21
-
روز 3 - نظارت بر هوش مصنوعی تولید با CloudWatch و متریکهای Bedrock 08:09
-
روز 4 - زیرساخت به عنوان کد برای هوش مصنوعی - استقرار اپلیکیشنهای LLM با Terraform 12:34
-
روز 4 - زیرساخت بهعنوان کد - خودکارسازی استقرارهای هوش مصنوعی با Terraform 12:39
-
روز 4 - خودکارسازی استقرارهای هوش مصنوعی با Terraform و Shell Scripts 09:42
-
روز 4 - خودکارسازی استقرار فولاستک هوش مصنوعی با Terraform و AWS 08:34
-
روز 4 - استقرارهای چندمحیطی هوش مصنوعی - توسعه، تست و تولید 11:13
-
روز 4 - تست استقرارهای هوش مصنوعی تولید و گردشکارهای پاکسازی Terraform 09:24
-
روز 5 - خودکارسازی استقرار زیرساخت هوش مصنوعی با GitHub Actions CI/CD 09:15
-
روز 5 - راهاندازی گیت و GitHub Actions برای استقرارهای هوش مصنوعی تولید 10:24
-
روز 5 - راهاندازی GitHub Actions برای استقرار خودکار مدل هوش مصنوعی 09:50
-
روز 5 - راهاندازی GitHub Actions برای استقرار خودکار زیرساخت هوش مصنوعی 08:40
-
روز 5 - راهاندازی GitHub Actions برای استقرارهای خودکار ایجنت هوش مصنوعی 09:20
-
روز 5 - استقرار پایپلاین لایو CI/CD - از Git Push تا ایجنت هوش مصنوعی تولید 11:57
-
روز 5 - پایپلاینهای CI/CD خودکار برای اپلیکیشنهای هوش مصنوعی تولید با Git Deploy 08:00
-
روز 5 - مدیریت منابع و کنترل هزینه برای سیستمهای هوش مصنوعی تولید 12:35
-
روز 1 - استقرار چندابری هوش مصنوعی - آژور، GCP و راهاندازی ایجنت امنیت سایبری 11:38
-
روز 1 - ساخت ایجنتهای امنیت هوش مصنوعی با سرورهای MCP و یکپارچهسازی Semgrep 10:13
-
روز 1 - کانتینرسازی ایجنتهای هوش مصنوعی با داکر برای استقرار ابری 11:30
-
روز 1 - راهاندازی زیرساخت آژور برای استقرار کانتینر هوش مصنوعی تولید 10:18
-
روز 1 - استقرار اپلیکیشنهای هوش مصنوعی بر آژور با بهرهگیری از زیرساخت به عنوان کد Terraform 10:15
-
روز 1 - استقرار ایجنتهاب هوش مصنوعی با سرورهای MCP در اپلیکیشن کانتینری آژور 09:51
-
روز 2 - راهاندازی زیرساخت GCP برای استقرار ایجنت هوش مصنوعی تولید 10:19
-
روز 2 - راهاندازی CLI گوگل کلود برای استقرار کانتینر هوش مصنوعی تولید 03:04
-
روز 2 - استقرار ایجنتهای هوش مصنوعی بر GCP Cloud Run با زیرساخت Terraform 07:24
-
روز 2 - استقرار ایجنتهای هوش مصنوعی در سراسر GCP و آژور با سرویسهای کانتینر 10:54
-
روز 3 - ساخت ALEX - سیستم مالی چندایجنتی هوش مصنوعی بر زیرساخت AWS 13:44
-
روز 3 - راهاندازی مجوزهای AWS و SageMaker برای ایجنتهای هوش مصنوعی تولید 09:47
-
روز 3 - SageMaker در مقابل Bedrock - استقرار مدلهای سفارشی هوش مصنوعی در تولید 08:28
-
روز 3 - استقرار مدلهای تعبیه SageMaker برای سیستمهای RAG تولید 09:55
-
روز 3 - بررسی کامل پلتفرم SageMaker AI برای گردشکارهای ML تولید 02:41
-
روز 4 - ساخت پایپلاینهای داده برداری با SageMaker و S3 برای حافظه هوش مصنوعی 08:01
-
روز 4 - ساخت ذخیرهسازی بردار مقرون به صرفه با S3 و جذب لامبدا 06:46
-
روز 4 - راهاندازی پایپلاینهای جذب ایمن هوش مصنوعی با Terraform و AWS 07:43
-
روز 4 - تست پایپلاینهای End-to-End جذب بردار لامبدای AWS 06:01
-
روز 5 - ساخت ایجنتهای تحقیق هوش مصنوعی با سرورهای MCP و پایپلاینهای داده 05:24
-
روز 5 - ساخت ایجنتهای تحقیق هوش مصنوعی با Bedrock و SDK OpenAI بر AWS 08:17
-
روز 5 - استقرار ایجنتهای تحقیق هوش مصنوعی با داکر، ECR و App Runner 09:45
-
روز 5 - تست گردشکارهای End-to-End ایجنت هوش مصنوعی از تحقیق تا ذخیرهسازی بردار 08:22
-
روز 5 - خودکارسازی گردشکارهای ایجنت هوش مصنوعی با زمانبندی AWS EventBridge 09:26
-
روز 5 - جمعبندی هفته 3 - گزینههای تکلیف و گامهای بعدی هوش مصنوعی تولید 08:39
-
روز 1 - معماریهای چند ایجنت در مقابل معماری ایجنت تک برای سیستمهای هوش مصنوعی تولید 06:57
-
روز 1 - ساخت هوش مصنوعی مالی چندایجنتی - معماری پایگاه داده و راهاندازی AWS 09:28
-
روز 1 - معماری پایگاه داده برای هوش مصنوعی تولید - بدون سرور Aurora برای اپلیکیشنهای LLM 02:45
-
روز 1 - راهاندازی پایگاه داده بدون سرور Aurora برای سیستمهای چندایجنتی هوش مصنوعی 10:06
-
روز 1 - راهاندازی زیرساخت پایگاه داده Aurora برای اپلیکیشنهای هوش مصنوعی تولید 06:17
-
روز 1 - راهاندازی معماری پایگاه داده تولید برای سیستمهای ایجنت هوش مصنوعی 05:39
-
روز 2 - ساخت سیستمهای مالی هوش مصنوعی چندایجنتی با مهندسی کانتکس 08:30
-
روز 2 - راهاندازی مدلهای AWS Bedrock و APIs سازمانی برای ایجنتهای هوش مصنوعی 07:14
-
روز 2 - بررسی معماری چندایجنتی - ابزارها و خروجیهای ساختاریافته 05:05
-
روز 2 - ساخت سیستمهای مالی چندایجنتی - بازبینی کد و معماری 11:52
-
روز 2 - تست سیستمهای چندایجنتی به صورت محلی قبل از استقرار در لامبدا 13:10
-
روز 2 - بستهبندی و استقرار سیستمهای چندایجنتی هوش مصنوعی در لامبدای AWS 11:58
-
روز 2 - تست End-to-End سیستمهای چندایجنتی در لامبدای AWS 04:07
-
روز 3 - ساخت رابط کاربری برای سیستم ایجنت هوش مصنوعی تولید شما 08:21
-
روز 3 - اجرای اپلیکیشنهای فولاستک هوش مصنوعی محلی قبل از استقرار در تولید 07:02
-
روز 3 - شرایط موفقیت و شکست تولید کد هوش مصنوعی در اپلیکیشنهای تولید 10:04
-
روز 3 - استقرار APIs تولید شده توسط هوش مصنوعی در محیط تولید با لامبدای AWS و Terraform 07:21
-
روز 3 - تست سیستم مالی چندایجنتی هوش مصنوعی شما در محیط تولید لایو 08:41
-
روز 4 - هوش مصنوعی سطح سازمانی - نظارت، امنیت و رویتپذیری در مقیاس بزرگ 09:18
-
روز 4 - هوش مصنوعی سطح سازمانی - مقیاسبندی، امنیت و نظارت بر تولید 12:06
-
روز 4 - نظارت بر ایجنتهای هوش مصنوعی در تولید با CloudWatch و داشبوردها 12:07
-
روز 4 - نظارت بر سیستمهای هوش مصنوعی و ساخت گاردریلها برای ایجنتهای تولید 12:58
-
روز 4 - رویتپذیری پیشرفته LLM با Langfuse و گاردریلهای تولید 10:02
-
روز 4 - الگوی LLM-as-a-Judge با رویتپذیری Langfuse در محیط تولید 11:23
-
روز 4 - نظارت بلادرنگ بر ایجنت و ریسکهای امنیت هوش مصنوعی تولید 09:36
-
روز 4 - ایمنسازی ایجنتهای هوش مصنوعی در برابر تزریق پرامپت در سیستمهای تولید 08:52
-
روز 4 - تکلیف نهایی - وارد کردن ایجنت مالی هوش مصنوعی خود به بازار 06:50
-
روز 5 - گاردریلهای هوش مصنوعی سازمانی و Wrapping سیستم ایجنت تولید خود 06:55
-
روز 5 - پلتفرمهای ایجنت در مقابل استقرار سفارشی - چه زمانی از راهحلهای مدیریت شده استفاده کنیم؟ 10:17
-
روز 5 - ساخت ایجنتهای هوش مصنوعی تولید با Amazon Bedrock AgentCore 11:16
-
روز 5 - راهاندازی AWS Bedrock Agent Core برای استقرارهای هوش مصنوعی تولید 07:22
-
روز 5 - ساخت و استقرار اولین ایجنت هوش مصنوعی خود در AWS در چند دقیقه 10:21
-
روز 5 - ساخت ایجنتهای هوش مصنوعی تولید با سیستمهای استدلال مبتنی بر حلقه 12:04
-
روز 5 - افزودن ابزارهای اجرای کد و رویتپذیری به ایجنتهای AWS Bedrock 08:59
-
روز 5 - جمعبندی دوره - از صفر تا متخصص هوش مصنوعی تولید در 4 هفته 08:53
مشخصات آموزش
هوش مصنوعی در تولید - Gen AI و هوش مصنوعی عاملی در مقیاس بزرگ
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:همه سطوح
- تعداد درس:122
- مدت زمان :18:38:23
- حجم :14.38GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy