هوش مصنوعی عاملی از اصول تا سیستم‌های سازمانی

آنچه یاد خواهید گرفت:

• مفاهیم اصلی و اصول سیستم‌های هوش مصنوعی عاملی را درک کنید.
• با ساخت عامل‌های هوش مصنوعی با استفاده از فریم‌ورک‌هایی مانند LangChain، LangGraph و CrewAI تجربه‌ی عملی به دست آورید.
• یاد بگیرید ابزارها، حافظه و استدلال را برای گردش‌کارهای هوش مصنوعی عاملی در سطح سازمانی orchestrate کنید.
• هوش مصنوعی عاملی را با استفاده از شاخص‌های واقعی و بهترین شیوه ها، همراه با پروژه‌های نهایی دنیای واقعی، نظارت، ارزیابی و آماده‌ی استفاده کنید.
• عامل‌های هوش مصنوعی واقعی را با استفاده از LangChain ،LangGraph و CrewAI بسازید و مستقر کنید.
• روی پروژه‌های عملی برای ساخت عامل‌های هوش مصنوعی با قابلیت استدلال، برنامه‌ریزی و خودمختاری کار کنید.
• پروژه 1 - یک عامل هوش مصنوعی دستیار پژوهشی شخصی بسازید که به‌صورت خودکار داده را با استفاده از ReAct ،FAISS ،LangChain و حافظه جمع‌آوری، خلاصه و ترکیب کند.
• پروژه 2 - یک عامل هوش مصنوعی تحلیل‌گر سرمایه‌گذاری بسازید که شرکت‌ها را بررسی کند، بینش‌ها را خلاصه کند، تحلیل SWOT انجام دهد و ریسک‌ها را با استفاده از ابزارهای LangChain شناسایی کند.

پیش‌نیازهای دوره

• دانش اولیه برنامه‌نویسی Python.
• آشنایی با REST APIها و JSON.
• آشنایی اولیه با LLMها (مانند OpenAI ،Claude و غیره) مفید است، اما الزامی نیست.
• آشنایی با Ubuntu یا هر محیط Unix دیگر ترجیح داده می‌شود. هوش مصنوعی عاملی در سطح سازمانی در محیط Windows با برخی محدودیت‌ها روبه‌رو است.

توضیحات دوره

هوش مصنوعی عاملی: از اصول تا سیستم‌های سازمانی

بررسی دوره

به هوش مصنوعی عاملی: از اصول تا سیستم‌های سازمانی خوش آمدید - راهنمای کامل و عملی شما برای طراحی، ساخت و استقرار عامل‌های هوشمند هوش مصنوعی برای کاربردهای دنیای واقعی است.

این دوره برای توسعه‌دهندگان، علاقه‌مندان به هوش مصنوعی و معماران سازمانی طراحی شده است؛ کسانی که می‌خواهند فراتر از پرامپت نویسی بروند و توانمندی‌های عاملی مدل‌های زبانی بزرگ مدرن (LLMs) را بررسی کنند.

یاد می‌گیرید چگونه عامل‌های هوش مصنوعی را ساختاردهی کنید، آن‌ها را با ابزارها توانمند کنید، حافظه و وضعیت آن‌ها را مدیریت کنید و آن‌ها را به سیستم‌های چندعاملی در سطح سازمانی ارتقا دهید.

آنچه یاد خواهید گرفت

• اصول هوش مصنوعی عاملی و تفاوت آن با مهندسی پرامپت سنتی
• الگوهای معماری اصلی مانند الگوی ReAct (استدلال + اقدام)
• چگونه یک عامل ReAct حداقلی را از ابتدا در Python بسازید؟
• چگونه ابزارهایی مانند جست‌وجوی وب، ماشین‌حساب، پایگاه‌های داده، APIها و توابع سفارشی را یکپارچه کنید؟
• پیاده‌سازی استدلال چندمرحله‌ای و زنجیره‌سازی ابزارها در عامل
• مدیریت خطاها، timeoutها و خرابی ابزارها به شکلی روان و مناسب
• افزودن قابلیت‌های لاگ کردن، نظارت و ارزیابی عامل
• طراحی عامل‌های سلسله‌مراتبی، همکاری چندعاملی و واگذاری مبتنی بر نقش
• طراحی و استقرار عامل‌های در سطح سازمانی با استفاده از:
• LangChain
• LangGraph
• CrewAI
• FAISS Vector Stores
• OpenAI و مدل‌های Hugging Face
• FastAPI / Flask
• آماده برای استقرار در Cloud / On-Premise

پروژه‌های نهایی: کاربردهای دنیای واقعی

ما فقط تئوری آموزش نمی‌دهیم - ما می‌سازیم. در پایان دوره، شما 3 پروژه نهایی را تکمیل خواهید کرد که سناریوهای واقعی سازمانی را شبیه‌سازی می‌کنند:

پروژه نهایی 1: عامل دستیار پژوهشی شخصی

• با دریافت یک موضوع یا پرسش، عامل به‌صورت خودکار اطلاعات را از چندین منبع و سند جمع‌آوری، خلاصه و ترکیب می‌کند.
• از استدلال ReAct، بازیابی اسناد از طریق FAISS vector store، ارکستراسیون ابزارها در LangChain و مدیریت حافظه برای تداوم زمینه استفاده می‌کند.
• یک رابط کاربری چت توسعه دهید.

پروژه نهایی 2: عامل تحلیل‌گر پژوهش سرمایه‌گذاری

• با دریافت نام یک شرکت و اسناد مربوطه، عامل به‌صورت خودکار پژوهش، خلاصه‌سازی، تحلیل SWOT و شناسایی red flagها را انجام می‌دهد.
• از ارکستراسیون ابزارها، عامل‌های LangChain، بارگذارهای اسناد و بازیابی از vector store استفاده می‌کند.
• یک رابط کاربری برای این کاربرد توسعه دهید.

فناوری‌ها و فریم‌ورک‌های پوشش‌داده‌شده

• الگوهای طراحی عاملی: ReAct، عامل‌های سلسله‌مراتبی
• LLMها: OpenAI (GPT-4 ،GPT-3.5) ،Hugging Face Transformers
• فریم‌ورک‌ها: LangChain ،LangGraph ،CrewAI
• معماری‌های حافظه: حافظه کوتاه‌مدت، بلندمدت، حافظه مبتنی بر Vector Store (FAISS ،ChromaDB)
• یکپارچه‌سازی ابزار: APIها، جست‌وجوی وب، ماشین‌حساب‌ها، ابزارهای سفارشی
• پایگاه‌های داده برداری: FAISS، بازیابی ترکیبی BM25
• فریم‌ورک‌های سرور: FastAPI ،Flask
• رابط کاربری: Streamlit
• گزینه‌های استقرار: On-Premise ،Cloud، راه اندازی Dockerized
• نظارت و لاگ کردن: لاگ کردن سفارشی، ارزیابی رفتار عامل، Prometheus ،Grafana
• مدیریت خطا: fallbackهای روان، منطق retry، تحلیل مشاهدات

چرا از این مدرس یاد بگیرید؟

مدرس شما یک مشاور باتجربه‌ی هوش مصنوعی و رهبر محصول است که دهه‌ها تجربه در ساخت راهکارهای هوش مصنوعی در مقیاس سازمانی دارد. او سیستم‌های GenAI را در حوزه‌هایی مانند مالی، انطباق، ERP ،edtech و پشتیبانی مشتری طراحی کرده است و اکنون رویکرد آزموده‌شده‌ی خود را برای طراحی و استقرار هوش مصنوعی عاملی به اشتراک می‌گذارد.

این دوره برای چه کسانی است؟

این دوره برای افراد زیر ایده‌آل است:

• توسعه‌دهندگان AI/ML که می‌خواهند فراتر از پرامپت نویسی بروند.
• توسعه‌دهندگان بک اند که به ساخت سیستم‌های مجهز به LLM علاقه‌مند هستند.
• رهبران محصول و فناوری که محصولات مبتنی بر هوش مصنوعی می‌سازند.
• معماران سازمانی که پشته‌های عامل GenAI را طراحی می‌کنند.
• تیم‌های هکاتون و سازندگان استارتاپ

نتایجی که می‌توانید انتظار داشته باشید

در پایان دوره، شما:

• درک خواهید کرد چگونه عامل‌های هوشمند و هدف‌محور بسازید.
• تجربه‌ی عملی با ابزارهای واقعی و جست‌وجوی برداری به دست خواهید آورد.
• جریان‌های استدلال چندمرحله‌ای را با LangChain و LangGraph خواهید ساخت.
• معماری‌های عامل مقیاس‌پذیر و آماده‌ی تولید را مستقر خواهید کرد.
• برای اعمال هوش مصنوعی عاملی در موارد استفاده سازمانی اعتمادبه‌نفس خواهید داشت.

ویژگی‌های کلیدی

• نمونه‌های کدنویسی عملی فراوان
• الگوها و فرمت‌های پرامپت قابل دانلود
• پروژه‌های نهایی با زمینه‌ی دنیای واقعی
• کد ماژولار که می‌توانید دوباره استفاده و گسترش دهید.

مهارت‌های توسعه‌ی هوش مصنوعی خود را به سطح بعدی ببرید - همین حالا در این دوره شرکت کنید و ساخت عامل‌هایی را آغاز کنید که فکر می‌کنند، عمل می‌کنند و مقیاس می‌گیرند.

این دوره برای چه کسانی مناسب است؟

• این دوره برای متخصصان فناوری، فعالان حوزه‌ی هوش مصنوعی و سازندگان محصول طراحی شده است که می‌خواهند فراتر از چت‌بات‌های سنتی مبتنی بر LLM بروند و سیستم‌های قدرتمند هوش مصنوعی عاملی بسازند که بتوانند استدلال کنند، برنامه‌ریزی کنند، عمل کنند و همکاری داشته باشند.
• این دوره برای افراد زیر ایده‌آل است:
• مهندسان AI/ML که به دنبال پیاده‌سازی سیستم‌های چندعاملی و گردش‌کارهای خودمختار هستند.
• توسعه‌دهندگان بک اند و فول استک که می‌خواهند LangChain ،LangGraph ،CrewAI و عامل‌های سبک ReAct را در کاربردهای واقعی یکپارچه کنند.
• بنیان‌گذاران فناوری و مدیران محصول که می‌خواهند گردش‌کارهای مقیاس‌پذیر مبتنی بر هوش مصنوعی را برای محیط‌های سازمانی یا استارتاپی طراحی کنند.
• دانشمندان داده و معمارانی که به Retrieval-Augmented Generation (RAG)، ارکستراسیون ابزارها، نظارت و مشاهده پذیری عامل‌ها علاقه‌مند هستند.
• یادگیرندگان پیشرفته یا پژوهشگرانی که آماده‌اند معماری‌های پیشرفته برای تصمیم‌گیری، حافظه و هماهنگی در هوش مصنوعی را بررسی کنند.