آموزش Generative AI با ایجنت‌های هوش مصنوعی و MCP برای توسعه‌دهندگان

آنچه یاد خواهید گرفت:

• درک اصول بنیادی Generative AI و مدل‌های زبانی بزرگ (LLMs)
• طراحی و ساخت اپلیکیشن‌های Generative AI مقیاس‌پذیر با استفاده از معماری پیشرفته اپلیکیشن‌های Gen AI
• تسلط به تکنیک‌های بازیابی نسل افزوده (RAG) برای اپلیکیشن‌های هوشمندتر
• بررسی و استفاده از فریمورک‌های ارکستراسیون مانند LangChain و LlamaIndex
• دستیابی به تجربه عملی با زبان LangChain Expression (LCEL) و اکوسیستم آن
• توسعه مهارت‌های قوی مهندسی پرامپت برای بهینه‌سازی خروجی‌های LLM
• ساخت اپلیکیشن‌های end-to-end Gen AI در سطوح مختلف پیچیدگی (از مبتدی تا حرفه‌ای)
• پیاده‌سازی ایجنت هوش مصنوعی و سیستم‌های چند ایجنتی برای اتوماسیون پیشرفته
• یکپارچه‌سازی داده‌ چندوجهی (متن، تصویر و غیره) در اپلیکیشن‌های Generative AI
• یادگیری LLMOps (عملیات‌های مدل‌های زبانی بزرگ) برای استقرار و مدیریت کارآمد
• استقرار اپلیکیشن‌های Generative AI در تولید با استفاده از پایپ‌لاین‌های CI/CD
• درک و پیاده‌سازی MCP (پروتکل کانتکس مدل) برای اپلیکیشن‌های context-aware
• تیونینگ دقیق LLMs برای انطباق با نیازهای پروژه‌های سفارشی
• کار روی پروژه‌های واقعی Generative AI برای تقویت دانش عملی

پیش‌نیازهای دوره

• درک اولیه از برنامه‌نویسی پایتون
• آشنایی با مفاهیم اولیه یادگیری ماشین (مفید است اما اجباری نیست.)
• نیازی به تجربه قبلی در Generative AI یا LLMs نیست.
• کنجکاوی و تمایل به یادگیری فناوری‌های پیشرفته هوش مصنوعی

توضیحات دوره

این دوره عملی به شما می‌آموزد چگونه یک اپلیکیشن حرفه‌ای Generative AI و ایجنت‌های مستقل و هوشمند هوش مصنوعی را با استفاده از MCP (پروتکل کانتکس مدل) و چارچوب‌های مدرن LLM بسازید.

خواه شما مبتدی هوش مصنوعی باشید یا توسعه‌دهنده‌ باتجربه، این دوره شما را گام‌به‌گام با ابزارها، استراتژی‌ها و معماری‌های مدرن پشت GenAI همراهی می‌کند.

آنچه یاد خواهید گرفت:

• آشنایی با Generative AI و نقشی که در توسعه مدرن ایفا می‌کند.
• آشنایی با مدل‌های زبانی بزرگ (LLMs) و نحوه توانمندسازی اپلیکیشن‌های هوشمند توسط آنها
• مبانی معماری Generative AI - درک کامپوننت‌های کلیدی اپلیکیشن Gen AI
• معماری پیشرفته اپلیکیشن‌های Gen AI برای سیستم‌های مقیاس‌پذیر و ماژولار
• چگونه از تکنیک بازیابی نسل افزوده (RAG) برای پاسخ‌های بهبود‌یافته استفاده کنیم؟
• انتخاب فریمورک ارکستراسیون مناسب برای ساخت اپلیکیشن‌های مجهز به LLM
• LangChain - فریمورک مدرن برای ارکستراسیون LLM
• زبان LangChain Expression (LCEL) - ساخت جریان‌های هوش مصنوعی با سینتکس تمیز و اعلامی
• بررسی عمیق اکوسیستم LangChain برای ایجنت‌ها، ابزارها، حافظه و زنجیره‌ها
• تسلط به مهندسی پرامپت - یادگیری ساخت پرامپت‌های بهینه برای LLMs
• سطح یک از اپلیکیشن‌های Gen AI - ابزارها و دستیارهای اولیه مجهز به هوش مصنوعی
• LlamaIndex - جایگزینی برای LangChain برای ارکستراسیون اپلیکیشن‌های RAG و LLM
• LLMOps (عملیات‌های مدل‌های زبانی بزرگ) – مدیریت و نظارت بر اپلیکیشن‌های LLM
• سطح دو از اپلیکیشن‌های Gen AI - ساخت سیستم‌های میانی با حافظه، ابزارها و بازیابی
• توسعه اپلیکیشن‌های Gen AI چندوجهی (یکپارچه‌سازی متن، تصویر و صدا)
• ساخت و استقرار ایجنت‌های هوش مصنوعی و سیستم‌های چند ایجنتی با استفاده از فریمورک‌های ارکستراسیون
• سطح سه از اپلیکیشن‌های Gen AI (حرفه‌ای) - سیستم‌های بلادرنگ، مقیاس‌پذیر و آماده تولید
• CI/CD برای Gen AI - استقرار اپلیکیشن‌های Gen AI با پایپ‌لاین‌های خودکار
• درک و پیاده‌سازی MCP (پروتکل کانتکس مدل)
• پروژه‌های عملی - از دستیارهای هوش مصنوعی تا ایجنت‌های مستقل و اپلیکیشن‌های مجهز به RAG
• تیونینگ دقیق LLMs برای یوزکیس های خاص دامنه‌ و عملکرد بهتر

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگان و مهندسان نرم‌افزار علاقه‌مند به ساخت اپلیکیشن‌های Generative AI
• دانشمندان داده و مهندسان یادگیری ماشین که به یکپارچه‌سازی LLMs در پروژه‌های واقعی می‌پردازند.
• علاقه‌مندان هوش مصنوعی که به دنبال مفاهیم پیشرفته مانند ایجنت‌های هوش مصنوعی، MCP و RAG و LLMOps هستند.
• دانشجویان و پژوهشگرانی که به دنبال تجربه عملی در توسعه اپلیکیشن‌های مجهز به هوش مصنوعی هستند.
• فردی که به ساخت سیستم‌های end-to-end Generative و آماده تولید از مبتدی تا پیشرفته علاقه‌مند است.