معماری اپلیکیشن های GenAI: طراحی هوش مصنوعی مقیاسپذیر و امن
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- طراحی اپلیکیشنهای GenAI مقیاسپذیر: معماری و ساخت اپلیکیشنهای GenAI مقیاسپذیر را با استفاده از معماری LGPL با تمرکز بر لایه، گیت و پایپ ها بیاموزید.
- پیادهسازی تابآوری و مدیریت خطا: چگونگی گنجاندن مدیریت خطا، نظارت، لاگ کردن و بازیابی از فاجعه را برای ایجاد اپلیکیشنهای GenAI مقاوم درک کنید.
- تضمین امنیت و بهرهوری هزینه: راهحلهای GenAI امن و مقرونبهصرفه را با استفاده از سرویسهای امنیتی AWS و کانتینرسازی توسعه دهید.
- خودکارسازی و بهینهسازی با MLOps و CI/CD: پیادهسازی MLOps، CI/CD و هوش مصنوعی قابل توضیح (XAI) را برای استقرار ساده و آیندهنگر کردن اپلیکیشنهای GenAI بیاموزید.
پیشنیازهای دوره
- دانش اولیه هوش مصنوعی و یادگیری ماشین: درک مفاهیم اساسی هوش مصنوعی و یادگیری ماشین.
- آشنایی با AWS: تجربه کار با سرویسهای AWS مانند Lambda S3 و DynamoDB توصیه میشود.
- مهارتهای برنامه نویسی: دانش سطح متوسط Python ضروری است.
- درک پایه از معماری نرمافزار: آشنایی با اصول معماری نرمافزار مانند مقیاسپذیری، لود بالانسینگ و مدیریت خطا
توضیحات دوره
به تکنیکهای ضروری و بهترین شیوهها برای طراحی و معماری اپلیکیشنهای کاربردی Generative AI (GenAI) مقیاسپذیر، امن و مقرونبهصرفه مسلط شوید.
در این دوره، اصول معماری LGPL (لایهها، گیتها، پایپها و حلقهها) و نحوه اعمال آنها برای ساخت سیستمهای GenAI با استفاده از سرویسهای ابری مدرن مانند AWS را بررسی خواهید کرد.
موضوعات حیاتی مانند لود بالانسینگ، کانتینرسازی، مدیریت خطا، نظارت، لاگ کردن و بازیابی از فاجعهپوشش داده خواهد شد. این دوره برای کسانی ایدهآل است که به دنبال درک معماری GenAI هستند تا از مقاوم، امن و کارآمد بودن اپلیکیشنها اطمینان حاصل کنند.
آنچه خواهید آموخت:
- معماری اپلیکیشنهای GenAI مقیاسپذیر و امن با استفاده از مدل LGPL
- درک مفاهیم اصلی مانند کانتینرسازی، لود بالانسینگ و بازیابی از فاجعه
- یادگیری بهترین شیوهها برای نظارت، لاگ کردن و مدیریت خطا در سیستمهای GenAI
- بررسی MLOps، CI/CD و استراتژیهای امنیتی برای آیندهنگر کردن اپلیکیشنهای هوش مصنوعی
این دوره بر معماری و اصول پشت ساخت سیستمهای قوی GenAI تمرکز دارد و دانش مورد نیاز برای طراحی راهحلهای مؤثر هوش مصنوعی را ارائه میدهد.
اکنون در این دوره شرکت کنید تا مهارتهای خود در معماری اپلیکیشنهای GenAI را به سطح بعدی ارتقا دهید. به معماری اپلیکیشنهای GenAI یعنی بهترین شیوهها و تکنیکهای اصلی برای ساخت اپلیکیشنهای GenAI امن، کارآمد و مقیاسپذیر مسلط شوید.
آمادهاید تا مهارتهای خود را به سطح بعدی ببرید؟ با مدرس همراه شوید و بیایید شروع کنیم.
شما را در دوره خواهیم دید!
این دوره برای چه کسانی مناسب است؟
- توسعهدهندگان و مهندسان هوش مصنوعی: کسانی که به دنبال ساخت اپلیکیشنهای GenAI مقیاسپذیر، امن و مقرونبهصرفه هستند.
- معماران ابر: متخصصانی که با AWS کار میکنند و میخواهند معماریهای GenAI را با استفاده از بهترین شیوهها پیادهسازی کنند.
- علاقهمندان به یادگیری ماشین: افرادی با درک اولیه از یادگیری ماشین و برنامه نویسی که میخواهند دانش خود را به توسعه GenAI گسترش دهند.
- مهندسان نرمافزار: مهندسانی که به دنبال یکپارچهسازی هوش مصنوعی در اپلیکیشنهای (cloud-native) و پیادهسازی پایپ لاین های MLOps هستند.
معماری اپلیکیشن های GenAI: طراحی هوش مصنوعی مقیاسپذیر و امن
-
مقدمه و پیشنیازهای دوره 02:23
-
یادداشت مهم و ساختار دوره 02:37
-
بررسی عمیق GenAI - چیست و نمونههایی از GenAI - کاربردهای واقعی 05:52
-
تکامل معماری هوش مصنوعی - از سنتی تا Generative AI - بررسی 06:42
-
مفاهیم کلیدی GenAI: خودرمزگذاران واریاسیونال و شبکههای مولد تخاصمی 04:46
-
خودرمزگذاران واریاسیونال (VAEs) و شبکههای مولد تخاصمی (LLM) 02:27
-
مزایا و چالشهای ساخت اپلیکیشن های GenAI 03:59
-
بررسی 00:56
-
بررسی عمیق معماری LGPL - چرا معماری اپلیکیشن های GenAI ضروری است؟ 03:43
-
گیتها 02:27
-
معماری LGPL و لایهها - بررسی 02:42
-
پایپ ها 02:16
-
حلقهها و جمعبندی - بررسی معماری LGPL 04:37
-
کار عملی - شبیهسازی ساده گیتها - برنامه کنسول Python 04:11
-
کار عملی - شبیهسازی حلقه بازخورد 03:35
-
کار عملی - شبیهسازی کامل شامل تمام لایههای معماری 07:51
-
ساخت اپلیکیشن های GenAI مقیاسپذیر - مقدمه و انتخاب زیرساخت 10:09
-
کانتینرسازی و دوره فشرده Docker 07:30
-
معماری Microservices در مقابل Monolith 04:53
-
عملکرد همزمان لود بالانسینگ و تحمل خطا - بررسی کامل 05:23
-
لود بالانسینگ و تحمل خطا - بررسی کامل 03:06
-
استفاده از ابر برای اپلیکیشن های GenAI مقیاسپذیر - مقدمه 00:45
-
مزیت ابر برای اپلیکیشن های GenAI 04:16
-
ساخت اپلیکیشن های GenAI مقاوم - مدیریت خطا و مدیریت استثنا 02:15
-
لاگ کردن خطا - جلوگیری از شکست آبشاری و منطق تلاش مجدد برای اقدام اصلاحی 01:57
-
نظارت، لاگ کردن و هشداردهی 02:56
-
نمودارهای نظارت - پردازش لاگ و سیستمهای هشدار 02:36
-
استراتژیهای بازیابی از فاجعه (DR) و دسترسی بالا (HA) - مقدمهای بر DR 01:50
-
دسترسی بالا (HA) و بازیابی از فاجعه (DR) در عمل - پشتیبانی AWS برای DR و HA 04:45
-
مطالعه موردی 1 - سیستم معاملات لحظهای - معماری کامل اپلیکیشن GenAI 08:56
-
مطالعه موردی 2 - نوبت شما - سیستم GenAI برای سیستم توصیه تشخیص 01:45
-
تهدیدات امنیتی در اپلیکیشن های GenAI - ربودن مدل و نشت حریم خصوصی 03:23
-
دیپفیک - حملات فرار- تهدیدات داخلی - حملات خصمانه 03:55
-
راهحل حملات خصمانه - XAI (هوش مصنوعی قابل توضیح) 01:38
-
بهینهسازی هزینه اپلیکیشن های GenAI - اندازهگذاری صحیح، نمونههای Spot و کانتینرها 03:56
-
چند تکنیک برای کاهش هزینه 04:12
-
انتخاب پلتفرم ابری مناسب و خلاصه بهینهسازی قیمت 00:43
-
موضوعات پیشرفته در معماری اپلیکیشن های GenAI - بررسی کامل XAI 04:27
-
بررسی کامل و اهمیت MLOps و CI/CD 03:47
-
Responsible AI و ملاحظات اخلاقی برای اپلیکیشن های GenAI 01:45
-
روندهای نوظهور - بررسی کامل 05:21
-
گامهای بعدی 03:09
مشخصات آموزش
معماری اپلیکیشن های GenAI: طراحی هوش مصنوعی مقیاسپذیر و امن
- تاریخ به روز رسانی: 1404/10/04
- سطح دوره:متوسط
- تعداد درس:42
- مدت زمان :02:40:23
- حجم :2.51GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy