مهندسی Generative AI با OpenAI و Anthropic
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- طراحی و ساخت اپلیکیشن های Generative AI با استفاده از مدلهای OpenAI (GPT) و Anthropic (Claude) - از چتباتهای هوشمند تا copilotها
- تسلط به Prompt Engineering، مدیریت Context و Fine-Tuning برای تولید پاسخهای دقیق، خلاقانه و آگاه از زمینه توسط هوش مصنوعی، متناسب با موارد استفاده در دنیای واقعی
- پیادهسازی پایپلاینهای Retrieval-Augmented Generation (RAG) با اتصال Vector Databaseهایی مانند Pinecone FAISS یا Chroma برای توانمندسازی سیستمهای هوش مصنوعی
- یکپارچهسازی و استقرار سیستمهای هوش مصنوعی با استفاده از فریمورکهای مدرن مانند FastAPI ،Flask ،Streamlit و React برای ساخت AI copilotها و برنامههای آماده تولید
- بهکارگیری تکنیکهای ایمنی هوش مصنوعی، بهینهسازی هزینه و نظارت برای اطمینان از کارایی، امنیت و مقیاسپذیری سیستمها، همراه با گاردریلهای اخلاقی
- ارکستراسیون گردشکارهای Multi-Model با ترکیب مدلهای OpenAI ،Anthropic و Mistral برای استدلال پیشرفته، فرمتدهی و کارایی عملکرد
پیش نیازهای دوره
- دانش اولیه برنامهنویسی - آشنایی با Python یا JavaScript به دنبال کردن آسان مثالهای عملی کمک میکند.
- درک اساسی از مفاهیم هوش مصنوعی یا Machine Learning - اجباری نیست، اما برای درک رفتار و معماری مدل مفید است.
- دسترسی به APIهای OpenAI و Anthropic - مدرس چگونگی دریافت API keyها و اتصال آنها به اپلیکیشن ها را آموزش میدهد.
- یک کامپیوتر با دسترسی به اینترنت - برای ساخت، تست و استقرار پروژهها با استفاده از ابزارهایی مانند FastAPI ،Flask، Streamlit یا React
توضیحات دوره
«این دوره شامل استفاده از هوش مصنوعی است»
با دوره مهندسی Generative AI: ساخت با OpenAI و Anthropic به آینده نوآوری قدم بگذارید؛ یک دوره عملی و آزمایشگاهمحور که طراحی شده است تا به شما در تسلط به هنر و علم ساخت برنامههای هوش مصنوعی در دنیای واقعی کمک کند. چه توسعهدهنده، مهندس داده، محقق یا علاقهمند به هوش مصنوعی باشید، این دوره شما را با عمق فنی و تجربه عملی برای طراحی، پیادهسازی و استقرار سیستمهای هوشمند مبتنی بر Large Language Models (LLMs) مانند OpenAI’s GPT و Anthropic’s Claude مجهز میکند.
شما با کشف چگونگی تفکر، استدلال و تولید محتوا توسط LLMها شروع خواهید کرد، سپس به مبانی مهندسی که آنها را قدرت میبخشد. Prompt Engineering، مدیریت Context ،Embeddings و Fine-Tuning — خواهید پرداخت. از طریق آزمایشگاههای تعاملی فراگیر، با APIهای OpenAI ،Anthropic و Mistral آزمایش خواهید کرد و یاد میگیرید که دما، توکنها و عمق استدلال را برای ساخت پاسخهای دقیق، قابل اعتماد و خاص دامنه کنترل کنید.
فراتر از تئوری، این دوره بر پیادهسازی در دنیای واقعی از طریق مجموعهای کامل از 12 آزمایشگاه عملی و 3 پروژه نهایی تأکید دارد:
- آزمایشگاههای 1 تا 7 زنجیرهسازی prompt، ارکستراسیون API، بنچمارک تأخیر و بهینهسازی عملکرد را پوشش میدهند.
- آزمایشگاههای 8 تا 12 استدلال پیشرفته (Chain-of-Thought، خودبازتابی)، گاردریلهای ایمنی و نظارت بر استقرار را معرفی میکنند.
- پروژههای 1 تا 3 شما را در ساخت یک Copilot برنامه سفر، یک دستیار مرور کد و یک RAG Copilot آگاه به دانش با یکپارچهسازی ابزار بلادرنگ راهنمایی میکنند.
همچنین ارکستراسیون چندمدلی، پایپلاینهای هیبریدی مقرونبهصرفه و استقرار امن را با استفاده از فریمورکهایی مانند FastAPI ،Flask ،Streamlit و React بررسی خواهید کرد - که قابلیتهای انتزاعی هوش مصنوعی را به اپلیکیشن های سطح تولید تبدیل میکند.
در پایان این دوره، شما یک جعبهابزار کامل مهندسی Generative AI - شامل طراحی، ارزیابی، ایمنی و مقیاسدهی LLM - در اختیار خواهید داشت که به شما قدرت میدهد ایدههای نوآورانه را به محصولات هوشمند و قابل استقرار تبدیل کنید.
به یک مهندس Generative AI تبدیل شوید که پل میان تخیل و اجرا است و نسل بعدی سیستمهای هوش مصنوعی هوشمند و انسانمحور را میسازد.
این دوره برای چه کسانی مناسب است؟
- مهندسان نرمافزار یا توسعهدهندگانی که مشتاق یکپارچهسازی APIهای OpenAI و Anthropic در اپلیکیشن های هوشمند، copilotها و ابزارهای اتوماسیون هستند.
- دانشمندان داده، مهندسان ML یا محققانی که به دنبال درک ارکستراسیون چندمدلی، پایپلاینهای RAG و معماریهای مبتنی بر LLM هستند.
- کارآفرینان فناوری یا سازندگان محصول که میخواهند استارتاپها، ابزارها یا پلتفرمهای مبتنی بر هوش مصنوعی را با استفاده از متدهای مقرونبهصرفه و مقیاسپذیر ایجاد کنند.
- دانشجویان یا مبتدیان در هوش مصنوعی که میخواهند مهارتهای عملی در Prompt Engineering، مدیریت Context و گردشهای کاری استقرار هوش مصنوعی کسب کنند.
- متخصصان کسبوکار، تحلیل یا طراحی که به دنبال استفاده از AI copilotها برای بهبود بهرهوری، خودکارسازی بینشها و نوآوری در فرآیندها هستند.
مهندسی Generative AI با OpenAI و Anthropic
-
مدلهای Generative AI چه هستند؟ 18:50
-
توضیح ساده ترانسفورمرها 15:02
-
خانوادههای LLM: شامل GPT ،Claude و Mistral 15:23
-
پنجرههای Context، توکنها و دما 11:15
-
راهاندازی دسترسی API (کلیدها، محدودیتها، SDKها) 09:03
-
ساختار Prompt: نقشهای سیستم، کاربر، دستیار 08:23
-
پارامترهای مدل که بر کیفیت خروجی تأثیر میگذارند 09:43
-
آناتومی یک Prompt خوب 09:01
-
پرامپتنویسی مبتنی بر نقش (نقشهای سیستم، دستیار، توسعهدهنده) 08:51
-
تکنیکهای Few-Shot و Zero-Shot 08:40
-
سبک، لحن و سازگاری دستورالعملها 11:55
-
فشردهسازی Prompt و خلاصهسازی برای مدیریت Context 10:25
-
دیباگ و بهینهسازی Prompt 13:59
-
بررسی معماریهای API 14:42
-
بررسی عمیق APIهای OpenAI GPT-4o و GPT-5 13:29
-
مروری بر Anthropic Claude 3.x (Haiku ،Sonnet ،Opus) 10:49
-
مدلهای Mistral و Mixtral برای توسعهدهندگان 09:29
-
معیارهای مقایسهای هزینه، سرعت و کیفیت 13:22
-
احراز هویت، محدودیت نرخ و مدیریت خطا 13:41
-
فراخوانی تابع چیست و چرا اهمیت دارد؟ 10:01
-
تعریف مشخصات ابزار در APIهای OpenAI و Anthropic 12:00
-
اعتبارسنجی JSON Schema 11:22
-
مدیریت آرگومانهای تابع و ورودیهای پویا 10:12
-
ارکستراسیون چند-تابعی 11:51
-
بازیابی خطا و منطق تلاش مجدد 10:48
-
زنجیره فکر (Chain of Thought) چیست؟ 10:06
-
استدلال ضمنی در مقابل صریح 11:19
-
استدلال پنهان (ایمنی و تفسیرپذیری) 10:46
-
حالت JSON و فرمتدهی پاسخ 13:45
-
استدلال چندمرحلهای و بازتاب 09:27
-
مقایسه response_format در OpenAI در مقابل json_schema در Anthropic 10:19
-
الگوهای ترکیب CoT و Function Calling 09:35
-
آناتومی یک AI Copilot 08:07
-
کوپایلتهای Stateless در مقابل Stateful 09:51
-
یکپارچهسازی APIها از طریق FastAPI ،Flask ،Streamlit یا React 10:52
-
پاسخهای جریانی بلادرنگ 08:39
-
مدیریت امن کلید و محدودیتهای نرخ 09:59
-
نظارت و ثبت تعاملات 08:51
-
چرا باید چندین مدل را ارکستراسیون کرد؟ 09:17
-
منطق مسیریابی کوئری 09:38
-
پایپلاینهای ترتیبی در مقابل موازی 10:40
-
راهاندازی ترکیب Claude (پلنر) + GPT (مجری) + Mistral (فرمتدهنده) 11:13
-
رایگیری مدل و راستیآزمایی متقابل 11:41
-
استراتژیهای بهینهسازی هزینه 12:25
-
افزودن حافظه به Copilotها 09:59
-
پایگاههای داده برداری: شامل Pinecone ،FAISS ،Chroma 11:15
-
مبانی RAG (تولید افزوده به بازیابی) 12:36
-
جستجوی ترکیبی: کلمه کلیدی + وکتور 10:58
-
استفاده از APIهای بلادرنگ (آب و هوا، مالی، اخبار) 11:28
-
تزریق پویای Context 13:02
-
معیارهای ارزیابی LLM: دقت، انسجام، وفاداری 09:06
-
ارزیابی انسان در حلقه 09:15
-
گاردریلهای ایمنی و هوش مصنوعی مشروطه 10:23
-
حریم خصوصی، ویرایش و حاکمیت داده 10:40
-
نظارت بر استفاده، لاگها و حلقههای بازخورد 09:47
-
مقیاسپذیری API و مدیریت هزینه 09:47
مشخصات آموزش
مهندسی Generative AI با OpenAI و Anthropic
- تاریخ به روز رسانی: 1404/10/04
- سطح دوره:مقدماتی
- تعداد درس:56
- مدت زمان :10:35:52
- حجم :6.9GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy