بوت‌کمپ کامل RAG: ساخت، بهینه‌سازی و استقرار اپلیکیشن‌های هوش مصنوعی

آنچه یاد خواهید گرفت:

• طراحی و ساخت یک سیستم تولید پاسخ مبتنی بر بازیابی (RAG)؛ درک چگونگی ادغام مدل‌های زبانی بزرگ (LLM) با پایپ‌لاین‌های بازیابی
• پیاده‌سازی Embeddingها و دیتابیس‌های برداری برای جستجوی معنایی؛ یادگیری چگونگی تولید و ذخیره Embeddingها با استفاده از ابزارهایی مانند OpenAI ،ChromaDB یا Pinecone
• توسعه یک دستیار دانش هوش مصنوعی کامل؛ ساخت و استقرار یک چت‌بات هوشمند کاربردی با استفاده از فریم‌ورک‌هایی مانند LangChain ،Streamlit و FastAPI
• ارزیابی و بهینه‌سازی معیارهای عملکرد هوش مصنوعی؛ ارزیابی دقت، ارتباط و تجربه کاربری دستیار خود با استفاده از شاخص‌های کلیدی عملکرد

پیش‌نیازهای دوره

• مهارت‌های پایه برنامه‌نویسی پایتون؛ آشنایی با سینتکس و کتابخانه‌های پایتون (مانند pandas ،requests یا json) دنبال کردن کدهای نمونه را آسان‌تر می‌کند.
• کنجکاوی درباره هوش مصنوعی و LLMها؛ درک پایه‌ای از چگونگی کارکرد مفهومی مدل‌های زبانی بزرگ (LLM) مانند ChatGPT یا Llama مفید خواهد بود، اما اجباری نیست. همه چیز به زبان ساده توضیح داده می‌شود.
• دسترسی به کامپیوتر با اینترنت؛ شما به کامپیوتری نیاز دارید که قابلیت اجرای پایتون و Jupyter notebooks یا VS Code را داشته باشد، به همراه اتصال اینترنت برای نصب پکیج‌ها و دسترسی به APIها
• حساب‌های رایگان یا آزمایشی برای ابزارها؛ برخی از آزمایشگاه‌های عملی از APIهای سطح رایگان یا ابزارهایی مانند OpenAI ،LangChain ،ChromaDB و Streamlit استفاده می‌کنند، دستورالعمل‌های راه‌اندازی در دوره ارائه شده است.

توضیحات دوره

“این دوره شامل استفاده از هوش مصنوعی است”

پتانسیل کامل تولید پاسخ مبتنی بر بازیابی (RAG) را آزاد کنید. چارچوبی که پشتوانه دقیق‌ترین و داده-محورترین سیستم‌های هوش مصنوعی امروزی است.
این بوت‌کمپ جامع شما را از مبانی معماری RAG به استقرار در سطح سازمانی می‌برد و تئوری، پروژه‌های عملی و موارد استفاده در دنیای واقعی را ترکیب می‌کند.

شما یاد خواهید گرفت چگونه اپلیکیشن‌های قدرتمند هوش مصنوعی بسازید که فراتر از چت‌بات‌های ساده هستند، با یکپارچه‌سازی دیتابیس‌های برداری، بازیابی‌کننده‌های اسناد و مدل‌های زبانی بزرگ (LLMs) برای ارائه پاسخ‌های واقعی، قابل توضیح و مبتنی بر زمینه است.

آنچه خواهید آموخت

• مفاهیم اصلی سیستم تولید پاسخ مبتنی بر بازیابی (RAG) و چرایی دگرگون کردن هوش مصنوعی توسط آن
• ساخت پایپ‌لاین‌های RAG از ابتدا با استفاده از LangChain، LlamaIndex و FAISS
• پیاده‌سازی جستجوی ترکیبی (کلمه کلیدی + برداری) برای بازیابی هوشمندتر
• ایجاد سیستم‌های RAG چندوجهی که متن، تصاویر و PDFها را پردازش می‌کنند.
• ساخت گردش‌کارهای RAG مبتنی بر عامل که در آن عامل‌های هوشمند به صورت خودکار برنامه‌ریزی، بازیابی و استدلال می‌کنند.
• بهینه‌سازی عملکرد RAG با تنظیم پرامپت، انتخاب Top-k و آستانه‌های شباهت
• افزودن امنیت، انطباق و حاکمیت مبتنی بر نقش به پایپ‌لاین‌های RAG سازمانی
• یکپارچه‌سازی RAG در گردش‌کارهای دنیای واقعی مانند Slack Power BI و Notion
• استقرار کامل سیستم‌های فرانت‌اند و بک‌اند RAG با استفاده از Streamlit و FastAPI
• طراحی معیارهای ارزیابی (شباهت معنایی، دقت، فراخوانی) برای ارزیابی کیفیت بازیابی

ابزارها و تکنولوژی‌های پوشش داده شده

• LangChain ،LlamaIndex ،FAISS، OpenAI API ،CLIP ،Sentence Transformers
• Streamlit ،FastAPI ،Pandas ،Slack SDK ،Power BI Integration
• Python، مهندسی پرامپت LLM و چارچوب‌های امنیت سازمانی

آزمایشگاه‌های عملی دنیای واقعی

هر بخش از دوره شامل آزمایشگاه‌های تعاملی و Jupyter notebookها است که موارد زیر را پوشش می‌دهند:

• اصول RAG – ساخت اولین پایپ‌لاین بازیابی + تولید
• یکپارچه‌سازی LangChain – اتصال بارگذارنده‌های اسناد، مخازن برداری و LLMها
• بهینه‌سازی عملکرد – تنظیمات ترکیبی، MMR و زمینه 
• استقرار – راه‌اندازی اپلیکیشن‌های کامل RAG از طریق Streamlit و FastAPI
• موارد استفاده سازمانی – سیستم‌های مالی، بهداشتی، هوانوردی و حقوقی

این دوره برای چه کسانی است؟

• توسعه‌دهندگان و دانشمندان داده که در حال بررسی در طراحی اپلیکیشن‌های هوش مصنوعی هستند.
• مهندسین یادگیری ماشین که در حال ساخت LLMهای آگاه از زمینه هستند.
• متخصصان تکنولوژی که هدفشان ادغام هوش مصنوعی تقویت‌شده با بازیابی در محصولات است.
• دانشجویان و محققان مشتاق به درک معماری‌های مدرن هوش مصنوعی مانند RAG

نتیجه‌گیری

تا پایان این دوره، شما با اعتماد به نفس سیستم‌های RAG کامل را طراحی، پیاده‌سازی و مستقر خواهید کرد، با ترکیب قدرت LLMها و داده‌های سازمانی برای اپلیکیشن‌های هوش مصنوعی هوشمندتر، قابل توضیح و آماده برای محیط پروداکشن است.

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگان و برنامه‌نویسانی که می‌خواهند مدل‌های زبانی بزرگ (LLM) را با داده‌های بلادرنگ، APIها و گردش‌کارهای سازمانی ادغام کنند.
• دانشمندان داده و علاقه‌مندان به یادگیری ماشین که به دنبال تسلط به Embeddingها، دیتابیس‌های برداری و جستجوی معنایی برای استقرار عملی هوش مصنوعی هستند.
• دانشجویان و محققان هوش مصنوعی/یادگیری ماشین که مشتاق ساخت یک پروژه کامل دستیار دانش مبتنی بر RAG برای تقویت رزومه یا کار دانشگاهی خود هستند.
• مربیان و مدیران دانش که علاقه‌مند به خودکارسازی بازیابی اطلاعات، سوالات متداول و خلاصه‌سازی محتوا در سازمان‌ها هستند.
• کارآفرینان و نوآورانی که هدفشان ایجاد دستیارهای هوش مصنوعی برای حوزه‌های کسب و کار است، از بهداشت و درمان تا مالی، پشتیبانی یا آموزش است.