متدهای مقیاسپذیری برای سیستمهای RAG
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت
مقیاسپذیری یک سیستم Retrieval-Augmented Generation (RAG) برای تولید نیازمند غلبه بر چالشهای محاسبه توزیعشده، پردازش موازی و لود بالانسینگ است. در این دوره، متدهای مقیاسپذیری برای سیستمهای RAG، شما یاد میگیرید چگونه راهحل RAG خود را برای آمادگی در تولید مقیاسپذیر کنید.
ابتدا اصول پردازش موازی و محاسبه توزیعشده را با PyTorch بررسی میکنید. سپس یاد میگیرید چگونه با استفاده از AWS ECS لود بالانسینگ را پیادهسازی کنید. در نهایت، نحوه بهینهسازی عملکرد از طریق کشینگ و مدیریت حافظه را میآموزید. پس از اتمام این دوره، مهارتها و دانش لازم برای مقیاسپذیری RAG را برای راهاندازی سیستمهای مقاوم و آماده تولید خواهید داشت.
متدهای مقیاسپذیری برای سیستمهای RAG
-
مقدمهای بر مقیاسپذیری سیستمهای RAG 3m 10s
-
پردازش موازی و لود بالانسینگ در سیستمهای RAG 2m 59s
-
دمو: مقیاسپذیری یک سیستم RAG با AWS ECS و PyTorch - بخش 1 7m 25s
-
دمو: مقیاسپذیری یک سیستم RAG با AWS ECS و PyTorch - بخش 2 4m 8s
-
دمو: مقیاسپذیری یک سیستم RAG با AWS ECS و PyTorch - بخش 3 5m 51s
مشخصات آموزش
متدهای مقیاسپذیری برای سیستمهای RAG
- تاریخ به روز رسانی: 1404/12/10
- سطح دوره:مقدماتی
- تعداد درس:5
- مدت زمان :00:23:34
- حجم :92.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy