مهندسی هوش مصنوعی عاملی روی AWS

آنچه یاد خواهید گرفت:

• طراحی و ساخت عامل‌های هوش مصنوعی در سطح تولید با استفاده از الگوهای معماری واقعی
• ساخت گردش های کاری چندعاملی با ارزیاب‌ها، ارکستراسیون و واگذاری
• ایجاد دروازه‌های LLM، حافظه و بازیابی برای معماری تمیز
• استقرار عامل‌های هوش مصنوعی روی AWS با استفاده از Terraform ،EKS و Kubernetes

پیش‌نیازهای دوره

• دانش اولیه از برنامه‌نویسی پایتون
• آشنایی با سرویس‌های AWS (IAM ،EC2 ،EKS یا مفاهیم کلی ابر)
• راحتی در استفاده از خط فرمان و داکر

توضیحات دوره

عامل‌های هوش مصنوعی همه‌جا هستند. اما سیستم‌های هوش مصنوعی در سطح تولید نیستند.

بیشتر دوره‌ها در حد پرامپت و نسخه‌های نمایشی متوقف می‌شوند. این دوره به شما یاد می‌دهد چگونه یک پلتفرم هوش مصنوعی عاملی در سطح تولید را روی AWS طراحی، ساخته و مستقر کنید؛ درست همان‌طور که تیم‌های مهندسی، سیستم‌های واقعی را در مقیاس بالا می‌سازند.

در طول 31 درس عملی، شما یک پلتفرم کامل چندسرویسی را از صفر با استفاده از پایتون، AWS Bedrock (مدل‌های Claude و Titan)، Terraform ،Kubernetes (EKS) ،FastAPI، داکر و Helm خواهید ساخت. این یک پروژه نمایشی نیست. این یک سیستم تولید کامل با احراز هویت، حافظه، بازیابی، ارکستراسیون، قابلیت مشاهده‌پذیری و ارتباط امن سرویس‌به‌سرویس است که همگی روی زیرساخت واقعی AWS مستقر می‌شوند.

آنچه خواهید ساخت و یاد خواهید گرفت:

• الگوهای هوش مصنوعی عاملی: زنجیره‌سازی، مسیریابی، موازی‌سازی، هماهنگ‌کننده-کارگر و گردش های کاری ارزیاب-بهینه‌ساز با استفاده از LangGraph و عامل‌های Strands
• Retrieval-Augmented Generation (RAG) با پایگاه‌های دانش Bedrock، جستجوی برداری OpenSearch و یک دروازه بازیابی اختصاصی
• سیستم‌های چندعاملی با واگذاری، استفاده از ابزارها، فراخوانی تابع و پروتکل زمینه مدل (MCP)
• معماری دروازه LLM: مسیریابی مدل، انتزاع، جریان‌سازی و کنترل هزینه در میان مدل‌های زبانی بزرگ
• مدیریت حافظه و استیت با PostgreSQL (Aurora) و Redis (ElastiCache) و حافظه پایدار عامل
• قابلیت مشاهده‌پذیری و نظارت با استفاده از OpenTelemetry ،AWS X-Ray و CloudWatch برای مشاهده کامل ردگیری‌ها در میان عامل‌ها
• زیرساخت به‌عنوان کد: تأمین و استقرار همه‌چیز با Terraform و Kubernetes (EKS) با استفاده از نمودارهای Helm در سطح تولید
• اصول مهندسی پرامپت: زنجیره تفکر، نمونه‌های چند-نمونه‌ای و تکنیک‌های ارزیابی ساختاریافته

چه چیزی این دوره را متفاوت می‌کند؟

شما فقط کد را کپی نخواهید کرد. هر تصمیم معماری توضیح داده می‌شود: اینکه چرا هر سرویس وجود دارد، چه ویژگی های خوب و بد انجام شده و اجزا چگونه در کنار هم قرار می‌گیرند. شما یاد می‌گیرید چگونه از یک نمونه اولیه تک‌دفترچه به یک پلتفرم هوش مصنوعی مقیاس‌پذیر، امن و آماده سازمانی برسید.

این دوره برای چه کسانی است؟

• مهندسان نرم‌افزار، توسعه‌دهندگان پشتیبان و مهندسان DevOps/پلتفرم که می‌خواهند اپلیکیشن های مجهز به LLM در سطح تولید بسازند.
• مهندسان یادگیری ماشین و دانشمندان داده که از مرحله آزمایش به سمت سیستم‌های هوش مصنوعی عاملی در سطح تولید حرکت می‌کنند.
• رهبران فنی و معمارانی که ارزیابی می‌کنند چگونه پلتفرم‌های هوش مصنوعی را برای سازمان خود ساختاردهی کنند.

پیش‌نیازها:

• مهارت متوسط در پایتون
• آشنایی اولیه با AWS (برای تمرین‌های عملی به یک حساب AWS نیاز است)
• راحتی با خط فرمان و کانتینرها (مبانی داکر)
• آشنایی اولیه با Kubernetes و Terraform برای بخش‌های استقرار مفید است، اما الزامی نیست.
• هیچ تجربه قبلی در هوش مصنوعی یا یادگیری ماشین لازم نیست. ما اصول را قبل از عمق‌رفتن پوشش می‌دهیم.

تا پایان این دوره، مهارت و اعتمادبه‌نفس لازم برای معماری، استقرار و بهره‌برداری از سیستم‌های هوش مصنوعی عاملی در محیط‌های واقعی سازمانی را به دست خواهید آورد. از ساختن نسخه‌های نمایشی دست بردارید. ساختن پلتفرم‌های تولید هوش مصنوعی را شروع کنید.

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگان پشتیبان که می‌خواهند عامل‌های هوش مصنوعی در سطح تولید بسازند.
• مهندسان ابر که در حال بررسی سیستم‌های مبتنی بر عامل روی AWS هستند.
• مهندسان DevOps که به زیرساخت و ارکستراسیون هوش مصنوعی علاقه‌مند هستند.
• مهندسان هوش مصنوعی که از نمونه‌های اولیه به سیستم‌های تولید می‌رسند.
• معمارانی که پلتفرم‌های چندعاملی مقیاس‌پذیر طراحی می‌کنند.
• هر کسی که برای ساختن سیستم‌های واقعی هوش مصنوعی جدی است، نه نسخه‌های نمایشی