مهندسی مدل زبانی بزرگ - ساخت سیستم‌های هوش مصنوعی آماده تولید

آنچه یاد خواهید گرفت:

• درک کنید مدل‌های زبانی بزرگ، از جمله توکن‌ها، context windows و استنتاج چگونه کار می‌کنند.
• طراحی پرامپت‌های مؤثر و استراتژی‌های پرامپت برای رفتار قابل‌اعتماد و قابل‌کنترل مدل زبانی بزرگ
• ساخت پایپ‌لاین‌های ماژولار مدل زبانی بزرگ با کامپوننت‌های اصلی LangChain
• پیاده‌سازی سیستم‌های Retrieval-Augmented Generation (RAG) با تعبیه‌سازی‌ها و پایگاه داده‌های برداری
• طراحی گردش‌کارهای عاملی و stateful با LangGraph
• اشکال‌زدایی، ردیابی و ارزیابی اپلیکیشن‌های مدل زبانی بزرگ با LangSmith
• ساخت اپلیکیشن‌های چندوجهی مدل زبانی بزرگ که متن، تصویر، صدا و ابزارها را ترکیب می‌کنند.
• مهندسی سیستم‌های مدل زبانی بزرگ آماده تولید با مقیاس‌پذیری، قابلیت اطمینان و کنترل هزینه
• به‌کارگیری بهترین شیوه‌های امنیت، ایمنی و حاکمیت در اپلیکیشن‌های مدل زبانی بزرگ
• تست، بنچمارکینگ و بهینه‌سازی پایپ‌لاین‌های مدل زبانی بزرگ از نظر کیفیت، تأخیر و هزینه
• طراحی و ارائه یک سیستم کامل مدل زبانی بزرگ end-to-end به‌عنوان پروژه نهایی

پیش‌نیازهای دوره

• اشتیاق و اراده برای اینکه اثر خود را در جهان بگذارید!

توضیحات دوره

به دوره "مهندسی مدل زبانی بزرگ - ساخت سیستم‌های هوش مصنوعی آماده تولید" از Uplatz خوش آمدید.

در این دوره، مجموعه مهارت‌های کامل و end-to-end مهندسی مدل زبانی بزرگ، از مبانی و پرامپت‌نویسی تا RAG، عامل‌ها، رویت‌پذیری، امنیت، تست، بهینه‌سازی و استقرار در تولید را یاد می‌گیرید.

آنچه در این دوره خواهید ساخت:

این دوره عملی و مهندسی‌محور است و در آن به‌تدریج کامپوننت‌های اصلی سیستم‌های مدرن مدل زبانی بزرگ را می‌سازید که عبارتند از:

• سیستم‌های پرامپت‌نویسی ساختاریافته، قابل‌اعتماد و مقیاس‌پذیر
• پایپ‌لاین‌های RAG که مدل‌های زبانی بزرگ را به اسناد واقعی و دانش خصوصی متصل می‌کنند.
• گردش‌کارهای عاملی با LangGraph همراه با مسیریابی، تلاش مجدد و state
• اپلیکیشن‌های مدل زبانی بزرگ قابل‌مشاهده و قابل تست با traceها و ارزیابی‌های LangSmith
• اپلیکیشن‌های چندوجهی (الگوهای استفاده از ابزار، صدا، بینایی و متن)
• الگوهای تولید برای عملکرد، کنترل هزینه و قابلیت اطمینان
• یک سیستم کامل مدل زبانی بزرگ capstone که به‌صورت end-to-end ساخته می‌شود.

چرا این دوره متفاوت است؟

بیشتر محتوای مدل زبانی بزرگ در اینترنت در حد پرامپت‌نویسی اولیه یا چند دمو کوچک متوقف می‌شود. این دوره طوری طراحی شده که شما را از «می‌توانم یک مدل زبانی بزرگ را فراخوانی کنم» به «می‌توانم یک سیستم مدل زبانی بزرگ در سطح تولید مهندسی کنم» برساند.

شما یاد خواهید گرفت:

• چگونه اپلیکیشن‌های مدل زبانی بزرگ را مانند سیستم‌های نرم‌افزاری واقعی طراحی کنیم؟
• یاد می‌گیرید چگونه کیفیت را اندازه‌گیری کنید، نه اینکه فقط بگویید «به‌نظر خوب می‌آید»
• چگونه guardrail، ایمنی و حاکمیت را اضافه کنیم؟
• چگونه بهینه‌سازی برای تأخیر و هزینه انجام دهیم؟
• چگونه قابیت نگهداری اپلیکیشن‌ها را با رشدشان حفظ کنیم؟

آنچه یاد خواهید گرفت:

مهندسی مدل زبانی بزرگ: ساخت سیستم‌های هوش مصنوعی آماده تولید - سرفصل دوره

ماژول 1: اصول و راه‌اندازی محیط

• آشنایی با مهندسی مدل زبانی بزرگ
• بررسی اکوسیستم مدل زبانی بزرگ
• راه‌اندازی پایتون، پکیج‌ها و ابزارها
• پیکربندی محیط توسعه

ماژول 2: اصول مدل زبانی بزرگ و تسلط به مهندسی پرامپت

• چگونگی کارکرد مدل‌های زبانی بزرگ
• توکن‌ها، context windows و استنتاج
• تکنیک‌های مهندسی پرامپت
• پرامپت‌های سیستم، کاربر و ابزار
• بهینه‌سازی پرامپت و بهترین شیوه‌ها

ماژول 3: اصول LangChain

بخش 1: مبانی LangChain

• معماری و مفاهیم LangChain
• Wrapperهای مدل زبانی بزرگ و قالب‌های پرامپت
• زنجیره‌ها و جریان اجرا

بخش 2: زنجیره‌ها و کامپوننت‌های پیشرفته

• زنجیره‌های ترتیبی و روتر
• انواع حافظه و الگوهای استفاده
• تجزیه‌کننده‌های خروجی و پاسخ‌های ساختاریافته

بخش 3: الگوهای واقعی LangChain

• فراخوانی ابزار و مبانی عامل‌ها
• مدیریت خطا و guardrailها
• ساخت پایپ‌لاین‌های ماژولار LangChain

ماژول 4: تسلط به Retrieval-Augmented Generation (RAG)

بخش 1: مبانی RAG

• چرا RAG مهم است؟
• تعبیه‌سازی‌ها و vector storeها
• استراتژی‌های chunking و ایندکس‌گذاری

بخش 2: سیستم‌های پیشرفته RAG

• جستجوی هیبریدی و رتبه‌بندی مجدد
• فیلترینگ بر اساس متادیتا و کنترل زمینه
• ساخت پایپ‌لاین‌های end-to-end RAG

ماژول 5: LangGraph - گردش‌کارهای عاملی و stateful

بخش 1: مبانی LangGraph

• چرا LangGraph؟
• طراحی عامل مبتنی بر گراف
• گره‌ها، یال‌ها و state

بخش 2: گردش‌کارهای چندعاملی

• جریان‌های شرطی و برنچینگ
• گفتگوهای stateful
• طراحی گراف مبتنی بر ابزار

بخش 3: ارکستراسیون پیشرفته عامل‌ها

• بازیابی خطا و حلقه‌ها
• عامل‌های در حال اجرای طولانی‌مدت
• معماری‌های مقیاس‌پذیر عامل‌ها

ماژول 6: LangSmith - رویت‌پذیری، اشکال‌زدایی و ارزیابی

بخش 1: معرفی LangSmith

• ردیابی فراخوانی‌های مدل زبانی بزرگ
• درک گراف‌های اجرا

بخش 2: اشکال‌زدایی و پایش

• اشکال‌زدایی پرامپت و زنجیره
• تحلیل تأخیر و هزینه

بخش 3: ارزیابی و حلقه‌های بازخورد

• ارزیابی‌های مبتنی بر مجموعه داده
• بازخورد human-in-the-loop

بخش 4: معیارهای عملکرد و کیفیت

• ردیابی دقت، ارتباط و توهم
• تشخیص رگرسیون

بخش 5: آمادگی برای تولید

• پایپ‌لاین‌های ارزیابی مداوم
• بهترین شیوه‌ها برای استفاده سازمانی

ماژول 7: تکنیک‌های چندوجهی و پیشرفته مدل زبانی بزرگ

بخش 1: اصول مدل زبانی بزرگ چندوجهی

• مدل‌های متن، تصویر، صدا و ویدئو
• مبانی پرامپت‌نویسی چندوجهی

بخش 2: سیستم‌های بینایی و زبان

• درک و استدلال روی تصویر
• OCR و پرسش‌وپاسخ بصری

بخش 3: یکپارچه‌سازی صدا و گفتار

• تبدیل گفتار به متن و متن به گفتار
• سیستم‌های صوتی مکالمه‌ای

بخش 4: عامل‌های چندوجهیِ استفاده‌کننده از ابزار

• بینایی و ابزارها
• فراخوانی تابع چندوجهی

بخش 5: استراتژی‌های پیشرفته پرامپت و زمینه

• مدیریت زمینه بین‌وجهی
• حافظه برای سیستم‌های چندوجهی

بخش 6: RAG چندوجهی

• بازیابی تصویر و سند
• پایپ‌لاین‌های PDF و پایگاه دانش

بخش 7: تکنیک‌های بهینه‌سازی

• کاهش تأخیر
• بهینه‌سازی هزینه

بخش 8: معماری‌های چندوجهی در دنیای واقعی

• موارد استفاده سازمانی
• الگوهای طراحی

ماژول 8: مهندسی مدل زبانی بزرگ در تولید

بخش 1: معماری تولید

• طراحی سیستم مدل زبانی بزرگ
• معماری‌های مبتنی بر API و سرویس‌محور

بخش 2: استراتژی‌های استقرار

• گزینه‌های میزبانی مدل
• مدل‌های زبانی بزرگ ابری و self-hosted

بخش 3: مقیاس‌پذیری و قابلیت اطمینان

• مدیریت بار
• محدودسازی نرخ و fallbackها

بخش 4: مدیریت هزینه

• بهینه‌سازی توکن
• استراتژی‌های کشینگ

بخش 5: لاگ کردن و نظارت

• معیارها و هشدارها
• مدیریت رخداد

بخش 6: CI-CD برای سیستم‌های مدل زبانی بزرگ

• نسخه‌بندی پرامپت
• پایپ‌لاین‌های تست خودکار

ماژول 9: امنیت، ایمنی و حاکمیت مدل زبانی بزرگ

• حملات تزریق پرامپت
• ریسک‌های نشت داده
• توهم‌ها، سوگیری و هم‌راستایی
• قابلیت حسابرسی، انطباق و حاکمیت
• guardrailهای سازمانی و کنترل دسترسی

ماژول 10: تست، بنچمارکینگ و بهینه‌سازی

• استراتژی‌های تست مدل زبانی بزرگ
• بنچمارکینگ مدل‌ها و پایپ‌لاین‌ها
• بهینه‌سازی پرامپت و سیستم
• حلقه‌های بهبود مداوم

ماژول 11: پروژه Capstone - سیستم مدل زبانی بزرگ end-to-end

• برنامه‌ریزی و معماری پروژه نهایی
• پیاده‌سازی کامل سیستم
• استقرار، ارزیابی و بازبینی نهایی

این دوره برای چه کسانی مناسب است؟

• مهندسان نرم‌افزار و توسعه‌دهندگان بک‌اند که می‌خواهند اپلیکیشن‌های واقعی مبتنی بر مدل‌های زبانی بزرگ بسازند.
• مهندسان یادگیری ماشین و هوش مصنوعی که می‌خواهند فراتر از آموزش مدل بروند و وارد مهندسی اپلیکیشن‌های مدل زبانی بزرگ شوند.
• دانشمندان داده که می‌خواهند سیستم‌های مبتنی بر مدل زبانی بزرگ مانند پایپ‌لاین‌های RAG و عامل‌ها را مستقر کنند.
• توسعه‌دهندگان پایتون که به کار با LangChain ،LangGraph و چارچوب‌های مدرن مدل زبانی بزرگ علاقه‌مندند.
• بنیان‌گذاران استارتاپ و سازندگان محصول که محصولات مبتنی بر هوش مصنوعی و سیستم‌های عاملی می‌سازند.
• مهندسان MLOps و پلتفرم که در استقرار، نظارت و مقیاس‌بندی اپلیکیشن‌های مدل زبانی بزرگ نقش دارند.
• متخصصانی که با مهارت‌های عملی و در سطح تولید، به نقش‌های مهندسی هوش مصنوعی منتقل می‌شوند.