آشنایی با Generative AI - مفاهیم و تکنیک‌ها

توضیحات دوره

این دوره چهار ماژولی درباره Generative AI، از چیستی و محل استفاده آن تا نحوه کار مدل‌های مدرن و نحوه اعمال مسئولانه آنها، یک پایه روشن و عملی به شما ارائه می‌دهد.

شما با جزئیات مهم قابلیت‌های GenAI در متن، تصویر، صدا و ویدئو، بعلاوه کاربردهای واقعی در صنعت شروع خواهید کرد. سپس به علم پشت مدل‌های زبانی بزرگ (LLMs) امروزی می‌پردازید که شامل نمایش متن (توکن‌سازی و تعبیه‌ها) و معماری ترنسفرمر (انکودینگ پوزیشنال و self-attention و جریان رمزگذار و رمگشا) می‌باشد.

در مرحله بعد، با LLMs و گردش‌کارها به صورت عملی کار خواهید کرد که شامل ساخت پرامپت‌های موثر، فراخوانی مدل‌ها از طریق وب و رابط کاربری و APIs، اجرای مدل‌ها به صورت محلی (برای مثال از طریق Ollama) و گسترش قابلیت‌ها با بازیابی نسل افزوده (RAG) و فاین تیونینگ است.

در نهایت، چالش‌ها و عملکرد مسئولانه، از جمله کپی رایت، حریم خصوصی و امنیت، توضیح‌پذیری و مسائل مالکیت در عصر GenAI را بررسی خواهید کرد.

این دوره برای یادگیرندگان با آشنایی اولیه با یادگیری ماشین و پایتون طراحی شده و دروس کوتاه را با لابراتوارها، آزمون‌ها و تمرین‌ها ترکیب می‌کند. در پایان، مفاهیم و معماری‌های اصلی پشت GenAI را با درک قوی از استفاده اخلاقی و مسئولانه و محدودیت‌های GenAI درک خواهید کرد.

آنچه در پایان دوره یاد خواهید گرفت:

• توضیح می‌دهید که چگونه generative AI متن، تصویر، صدا و ویدئو را پوشش می‌دهد و نیز گردش‌کارهای واقعی در صنعت را که در آنها ارزش ایجاد می‌کند، ارزیابی می‌کنید.
• تکامل مدل‌سازی زبان از رویکردهای احتمال و NLP تا ترنسفرمرها را ردیابی کرده و دلیل اینکه چرا attention بر محدودیت‌های قبلی غلبه می‌کند را توجیه می‌کنید.
• توکن‌سازی و تعبیه متن را درک کرده و در مورد اینکه چگونه این نمایش‌ها بر رفتار مدل تأثیر می‌گذارند استدلال می‌کنید.
• یک بلوک ترنسفرمر را تجزیه کرده و تانسورها را از طریق self-attention و MLP و نرمال‌سازی دنبال می‌کنید تا توضیح دهید که چگونه نمایش‌ها شکل می‌گیرند و اصلاح می‌شوند.
• LLMs را از طریق رابط‌‌های کاربری وب، APIs و به صورت محلی با Ollama برای نوشتن حداقل کد استنتاج و بهبود خروجی‌ها با استفاده از الگوهای پرامپت به کار می‌گیرید و با مفاهیم RAG و فاین تیونینگ به عنوان مراحل بعدی احتمالی آشنا می‌شوید.
• کاستی‌های LLM مانند سوگیری، توهم، مالکیت و تزریق پرامپت را با تدوین دستورالعمل‌های سطح کاربر، فرآیندهای سازمانی و سیاست‌های حاکمیتی، شناسایی کرده، تحلیل کرده و توضیح می‌دهید.