بوت‌کمپ مهندسی هوش مصنوعی: ساخت، آموزش و استقرار مدل‌ها با AWS SageMaker

آنچه یاد خواهید گرفت:

• ساخت و استقرار مدل‌های پیشرفته هوش مصنوعی و یادگیری ماشین در فضای ابری
• استفاده از مدل‌های قدرتمند از پیش آموزش‌دیده از Hugging Face با AWS SageMaker
• کشف اسرار ریاضی پشت چگونگی کار مدل‌های زبانی بزرگ با بررسی عمیق معماری Transformer، توکن‌سازی و موارد دیگر
• سفارشی‌سازی مدل‌ها برای برآوردن نیازهای اپلیکیشن‌های هوش مصنوعی با استفاده از PyTorch جهت ایجاد راه‌حل‌های منحصر به فرد
• آموزش و تست مدل‌ها، و اطمینان از اینکه هر بار نتایج دقیقی ارائه می‌دهند.
• یادگیری بهترین شیوه ها برای نظارت و بهینه‌سازی مدل‌ها، از جمله تست بار و مقیاس‌دهی برای تقاضای عظیم کاربران

مهندس هوش مصنوعی کیست؟

نسخه کوتاه این است که یک مهندس هوش مصنوعی روی کل چرخه حیات یک اپلیکیشن هوش مصنوعی کار می‌کند، یعنی اپلیکیشنی که از هوش مصنوعی در هسته خود استفاده می‌کند. یک مهندس هوش مصنوعی مدل‌های AI، از جمله مدل‌های زبانی بزرگ (LLM) را می‌گیرد و آن‌ها را متناسب با نیازهای خود سفارشی می‌کند.

(اگر نسخه طولانی را می‌خواهید، پست وبلاگ ما را در اینجا بررسی کنید)

این کار مستلزم همه چیز، از ساخت مدل‌ها با استفاده از دیتاست‌های سفارشی گرفته تا آموزش و تنظیم دقیق مدل‌ها، تا استقرار مدل‌ها و مقیاس‌دهی آن‌ها با استفاده از فناوری‌های ابری است.

این نقش به سرعت در حال رشد است، اما هنوز در حال تکامل است و بدون شک با تغییر چشم‌انداز هوش مصنوعی به تکامل خود ادامه خواهد داد.

سرویس AWS SageMaker چیست؟

سرویس AWS SageMaker (که به آن Amazon SageMaker نیز گفته می‌شود) یک سرویس یادگیری ماشین کاملاً مدیریت شده است که شما را قادر می‌سازد تا مدل‌های یادگیری ماشین را به سرعت در مقیاس وسیع بسازید، آموزش دهید و مستقر کنید. این سرویس کارهای سنگین مدیریت زیرساخت را حذف می‌کند، بنابراین می‌توانید روی بخش سرگرم‌کننده "ایجاد پروژه‌ها و اپلیکیشن‌های هوش مصنوعی فوق‌العاده خودتان" تمرکز کنید.

به طور خلاصه، این یکی از ابزارهای پیشرو و واقعی هوش مصنوعی است که توسط مهندسان هوش مصنوعی، مهندسان یادگیری ماشین، توسعه‌دهندگان و دانشمندان داده استفاده می‌شود.

اما می‌خواهید بدانید چه چیزی AWS SageMaker را واقعاً جذاب می‌کند؟

این سرویس امکان یادگیری ماشین سرتاسری را به روشی که استفاده از آن آسان است، بدون توجه به سطح مهارت شما، فراهم می‌کند!

بنابراین، چه یک متخصص باتجربه هوش مصنوعی باشید و چه تازه شروع کرده باشید، SageMaker ابزارهای بصری و رابط کاربری کاربرپسندی را ارائه می‌دهد که یادگیری ماشین را برای همه قابل دسترس می‌کند.

اگر به دنبال ساخت و استقرار اپلیکیشن‌های هوش مصنوعی خود هستید، اینجا بهترین مکان است.

چرا این دوره؟

خب، زیرا این بهترین، بروزترین و کاربردی‌ترین دوره بوت‌کمپ مهندسی هوش مصنوعی آنلاین است که مهارت‌های واقعی AWS SageMaker را به شما می‌آموزد و به شما اجازه می‌دهد تا به صورت عملی کار کنید تا بتوانید واقعاً از مهارت‌های خود در دنیای واقعی استفاده کنید.

اما البته، مدرس ممکن است کمی جانبدارانه قضاوت کند. بنابراین در اینجا تفکیک بخش‌به‌بخش این دوره AWS SageMaker آورده شده است تا بتوانید خودتان تصمیم بگیرید:

1. مقدمه: مروری بر آنچه در این دوره انجام خواهید داد داشته باشید، با سایر دانشجویانی که این دوره را می‌گذرانند آشنا شوید و با مدرس فوق‌العاده خود ملاقات کنید: مهندس ارشد یادگیری ماشین، Patrik Szepesi!

2. راه‌اندازی محیط AWS و بهترین شیوه ها: ما بلافاصله با راه‌اندازی یک حساب AWS، پیکربندی نقش‌های IAM برای امنیت و اعمال بهترین شیوه ها، به ایجاد یک اصول محکم می‌پردازیم. همچنین یاد می‌گیرید که دامنه AWS SageMaker را راه‌اندازی کنید، تنظیمات رابط کاربری را تغییر دهید و ساختارهای قیمت‌گذاری در SageMaker Studio را درک کنید.

3. مقدمه‌ای ملایم بر HuggingFace در Amazon SageMaker: سپس مقدمه‌ای کاربردی برای ادغام HuggingFace با AWS SageMaker خواهید داشت. این بخش شامل راه‌اندازی SageMaker با PyTorch و استقرار مدل‌های از پیش ساخته شده HuggingFace برای تسک هایی مانند تحلیل احساسات، و همچنین ملاحظات مربوط به مقیاس‌دهی خودکار است.

4. جمع‌آوری دیتاست برای پروژه طبقه‌بندی متن چندکلاسه: وقت آن است که دست به کار شوید و یاد بگیرید چگونه دیتاست‌ها را برای یک تسک طبقه‌بندی متن چندکلاسه منبع‌یابی و آماده کنید. شما درباره به دست آوردن دیتاست‌ها، ایجاد باکت‌های S3 و آپلود موثر داده‌ها در AWS خواهید آموخت.

5. تحلیل اکتشافی داده‌ها (EDA): در این بخش شما درگیر تحلیل اکتشافی داده‌ها خواهید شد تا بینش‌هایی را از دیتاست‌های خود کشف کنید، از جمله یادگیری تکنیک‌های مصورسازی داده‌ها و بهترین شیوه ها برای درک بهتر الگوهای اساسی که می‌تواند بر تصمیمات بعدی مدل‌سازی تأثیر بگذارد.

6. راه‌اندازی نوت‌بوک آموزشی: این بخش عملی به شما کمک می‌کند تا محیط‌های آموزشی خود را در Amazon SageMaker از جمله پیکربندی نوت‌بوک‌ها و اسکریپت‌نویسی با پایتون برای HuggingFace Estimators راه‌اندازی کنید. این راه‌اندازی برای آموزش و تکرار کارآمد مدل حیاتی است!

7. مقدمه‌ای بر توکن‌سازی‌ها و کدگذاری‌ها: این بخش بسیار جذابی است. شما فرآیندهای ضروری NLP (پردازش زبان طبیعی) یعنی توکن‌سازی و کدگذاری را که برای مدل‌های هوش مصنوعی مانند LLMها (مدل‌های زبانی بزرگ) اساسی هستند، بررسی خواهید کرد. درس‌ها شامل فعالیت‌های عملی برای ایجاد نوت‌بوک‌ها، درک واژگان توکن‌سازی و مثال‌های عملی از اعمال این تکنیک‌ها در آموزش مدل است.

8. راه‌اندازی بارگذاری داده با PyTorch: در اینجا یاد می‌گیرید که کلاس‌های بارگذاری دیتاست ایجاد کنید و PyTorch DataLoader را پیکربندی کنید، که اجزای کلیدی برای مدیریت کارآمد حجم زیادی از داده‌ها در طول آموزش مدل هستند.

9. مسیر خود را انتخاب کنید: زمان یک میان‌پرده کوتاه دیگر! این بخش شما را برای موضوعات پیشرفته پیش رو آماده می‌کند و به شما کمک می‌کند مسیری را که در یادگیری جزئیات فنی عمیق‌تر یادگیری ماشین و مدل‌های هوش مصنوعی طی خواهید کرد، انتخاب کنید. می‌توانید تصمیم بگیرید که آیا می‌خواهید در ریاضیات عمیق شوید یا خیر (ما می‌دانیم که برخی از شما عاشق ریاضی نیستید و این اشکالی ندارد!).

10. ریاضیات پشت مدل‌های زبانی بزرگ و ترانسفورمرها: این بخش گسترده به مبانی ریاضی و عملکرد ترانسفورمرها و مدل‌های زبانی بزرگ، از جمله توجه چند‌سر، کدگذاری‌های موقعیتی و تئوری پشت مکانیزم‌های توجه می‌پردازد.

11. سفارشی‌سازی معماری مدل در PyTorch: یاد بگیرید که یک مدل DistilBERT را با افزودن dropout، لایه‌های خطی و فعال‌سازی‌های ReLU سفارشی کنید. این سفارشی‌سازی برای متناسب کردن مدل با تسک های طبقه‌بندی و دیتاست‌های خاص کلیدی است.

12. ایجاد تابع دقت، آموزش و اعتبارسنجی: این بخش بر ایجاد توابع دقیق و قوی آموزش و اعتبارسنجی تمرکز دارد تا اطمینان حاصل شود که مدل‌ها به درستی ارزیابی می‌شوند و تحت شرایط مختلف عملکرد خوبی دارند.

13. توابع بهینه‌ساز، پارامترهای مدل، تابع هزینه Cross Entropy: درک و پیاده‌سازی توابع بهینه‌سازی، تنظیم پارامترهای مدل و بررسی عمیق ریاضیات تابع هزینه آنتروپی متقاطع که برای آموزش مدل‌های یادگیری ماشین مؤثر ضروری است.

14. خطاهای احتمالی محدودیت منابع قبل از آموزش و استقرار: برای آمادگی در برابر مشکلات احتمالی، این بخش به شما می‌آموزد که چگونه با مدیریت و درخواست افزایش سهمیه AWS، خطاهای محدودیت منابع را مدیریت کنید.

15. شروع Job آموزشی و نظارت بر آن در AWS CloudWatch: این بخش هیجان‌انگیز است! زیرا در اینجا کارهای آموزشی خود را در SageMaker شروع خواهید کرد و یاد می‌گیرید که این کارها را با استفاده از AWS CloudWatch نظارت و دیباگ کنید و بینش‌هایی درباره سلامت و عملکرد مدل‌های خود به دست آورید.

16. استقرار Endpoint طبقه‌بندی متن چندکلاسه در SageMaker: این بخش حیاتی استقرار مدل آموزش‌دیده طبقه‌بندی متن چندکلاسه را به عنوان یک Endpoint در Amazon SageMaker پوشش می‌دهد و اطمینان حاصل می‌کند که مراحل در دسترس قرار دادن مدل‌های خود برای اپلیکیشن‌های دنیای واقعی را درک می‌کنید.

17. تست بار مدل یادگیری ماشین: فقط به این دلیل که یک مدل زنده است، به این معنی نیست که کار خواهد کرد! شما باید روی مدل‌های مستقر شده خود تست بار انجام دهید تا عملکرد و مقیاس‌پذیری را ارزیابی کنید و آن‌ها را برای استقرارهای قوی و کارآمد در دنیای واقعی آماده کنید.

18. استقرار در سطح تولید مدل یادگیری ماشین: این بخش شما را از مراحل استقرار مدل در مقیاس تولید، از جمله راه‌اندازی توابع AWS Lambda و API Gateway و تست استقرار با ابزارهایی مانند Postman عبور می‌دهد. اینجاست که کار به مرحله عمل می‌رسد!

19. پاکسازی منابع: آخرین اما نه کم‌اهمیت‌ترین، ما باید چیزها را تمیز کنیم تا مطمئن شویم که از بهترین شیوه های دنیای واقعی استفاده می‌کنید! این بخش بر اهمیت پاکسازی منابع AWS برای مدیریت هزینه‌ها و حفظ یک محیط ابری کارآمد تأکید می‌کند.

این دوره شما را برای چه مشاغلی آماده می‌کند؟

هوش مصنوعی و یادگیری ماشین در حال حاضر بسیار پرطرفدار هستند. اگر می‌خواهید موج هوش مصنوعی را بگیرید و سوار آن شوید، SageMaker مکانی عالی برای شروع است. این مهارتی است که در بسیاری از مشاغل پرتقاضا که در خط مقدم هوش مصنوعی هستند استفاده می‌شود، از جمله:

مهندس هوش مصنوعی و مهندس یادگیری ماشین: تمرکز بر طراحی، توسعه و سفارشی‌سازی مدل‌های یادگیری ماشین و استقرار آن‌ها در محیط‌های تولید. نیاز به مهارت در آموزش مدل، بهینه‌سازی و استقرار دارد.

متخصص هوش مصنوعی: متخصص در ساخت اپلیکیشن‌ها با استفاده از فناوری‌های هوش مصنوعی و مدل‌های یادگیری ماشین

دانشمند داده: شامل تحلیل و تفسیر داده‌های پیچیده برای کمک به شرکت‌ها در تصمیم‌گیری آگاهانه. نیاز به تخصص در آماده‌سازی داده‌ها، تحلیل اکتشافی داده‌ها و ساخت مدل دارد.

دانشمند تحقیقات هوش مصنوعی: انجام تحقیقات برای پیشبرد زمینه هوش مصنوعی و یادگیری ماشین. نیاز به درک عمیق مفاهیم پیشرفته یادگیری ماشین، از جمله مکانیزم‌های توجه و مدل‌های زبانی بزرگ دارد.

مهندس ابر: تمرکز بر طراحی، برنامه‌ریزی، مدیریت، نگهداری و پشتیبانی از اپلیکیشن‌های رایانش ابری. نیاز به دانش سرویس‌های AWS و بهترین شیوه ها برای استقرار ابری دارد.

مهندس DevOps: پر کردن شکاف بین توسعه و عملیات با خودکارسازی فرآیند تحویل نرم‌افزار و تغییرات زیرساخت. نیاز به مهارت در استقرار و نظارت بر مدل‌های یادگیری ماشین با استفاده از ابزارهایی مانند AWS CloudWatch دارد.

مهندس نرم‌افزار: شامل توسعه اپلیکیشن‌های نرم‌افزاری، از جمله آن‌هایی که دارای اجزای یادگیری ماشین یکپارچه هستند. نیاز به درک یکپارچه‌سازی مدل‌های یادگیری ماشین در اپلیکیشن‌ها و اطمینان از مقیاس‌پذیری و عملکرد آن‌ها دارد.

مهندس داده: تمرکز بر ساخت و نگهداری پایپ لاین های داده، اطمینان از تمیز بودن، قابل اعتماد بودن و آماده بودن داده‌ها برای تحلیل. نیاز به دانش راه‌حل‌های ذخیره‌سازی داده مانند AWS S3 و تکنیک‌های آماده‌سازی داده دارد.

مدیر محصول فنی: مدیریت توسعه و استقرار محصولات تکنولوژی، از جمله محصولاتی که شامل یادگیری ماشین هستند. نیاز به درک جنبه‌های فنی استقرار و نظارت بر یادگیری ماشین دارد.

چه چیز دیگری باید بدانم؟

با عضویت در ZTM، شما نه تنها به تمام دوره‌های بوت‌کمپ، بایت‌ها و پروژه‌ها دسترسی خواهید داشت.

بلکه همچنین می‌توانید به کلاس درس آنلاین و اختصاصی جامعه بپیوندید تا در کنار هزاران دانشجو، فارغ‌التحصیل، منتور، دستیار آموزشی و مدرس یاد بگیرید.

مهم‌تر از همه، شما از یک متخصص صنعت (Patrik) که تجربه واقعی به عنوان مهندس هوش مصنوعی و یادگیری ماشین دارد، خواهید آموخت. او استراتژی‌ها و تکنیک‌های دقیقی را که در نقش خود استفاده می‌کند، به شما آموزش می‌دهد.