معماری حافظه عامل هوش مصنوعی با Spring AI

آنچه یاد خواهید گرفت:

• طراحی عامل‌های هوش مصنوعی با حافظه لایه‌ای با Spring AI Advisors و PostgreSQL
• ساخت حافظه کاری، پرسونا، رویدادی و معنایی برای دستیارهای هوش مصنوعی
• پیاده‌سازی بازیابی حافظه مبتنی بر بردار با pgvector و تعبیه‌سازی‌ها
• ایجاد سیستم‌های هوش مصنوعی که کاربران را در طول گفتگوها به‌درستی به خاطر می‌سپارند.
• ساخت پایپ‌لاین‌های حافظه ناهمگام و مقیاس‌پذیر برای بک‌اندهای هوش مصنوعی در سطح تولید
• توسعه اپلیکیشن‌های بک‌اند هوش مصنوعی که به‌مرور زمان ترجیحات کاربر را یاد می‌گیرند.
• درک کنید چرا تاریخچه چت به‌تنهایی حافظه واقعی برای عامل‌های هوش مصنوعی نیست.

پیش‌نیازهای دوره

• دانش اولیه جاوا و اسپرینگ بوت توصیه می‌شود.
• تجربه قبلی با پایگاه داده‌های اس کیوال مانند PostgreSQL مفید خواهد بود.
• هیچ تجربه قبلی در هوش مصنوعی یا یادگیری ماشین لازم نیست.
• کنجکاوی درباره اینکه دستیارهای مدرن هوش مصنوعی چگونه کاربران را در گفتگوهای مختلف به خاطر می‌سپارند.

توضیحات دوره

بیشتر اپلیکیشن‌های هوش مصنوعی واقعاً کاربران را به خاطر نمی‌سپارند. آن‌ها فقط تاریخچه چت را دوباره پخش می‌کنند.

در این دوره، یاد می‌گیرید چگونه با جاوا، Spring AI ،PostgreSQL و pgvector، سیستم‌های حافظه واقعی را برای عامل‌های هوش مصنوعی طراحی و پیاده‌سازی کنید.

با یک پروژه عملی هوش مصنوعی پلنر سفر، یک معماری حافظه لایه‌ای می‌سازید که به دستیارهای هوش مصنوعی امکان می‌دهد کاربران را در طول گفتگوها به‌درستی به خاطر بسپارند.

این دوره با تمرکز بر مهندسی بک‌اند طراحی شده است و برای توسعه‌دهندگانی مناسب است که می‌خواهند فراتر از اپلیکیشن‌های چت ساده بروند و سیستم‌های هوش مصنوعی در سطح تولید بسازند.

آنچه خواهید ساخت:

• حافظه کاری با تاریخچه گفتگو
• حافظه پرسونا برای اطلاعات پایدار کاربر
• حافظه رویدادی با خلاصه گفتگوها
• حافظه معنایی با  ترجیحات آموخته شده
• جستجوی شباهت برداری با pgvector
• پایپ‌لاین‌های پردازش ناهمگام حافظه
• پرامپت اسمبلی متمرکز با Spring AI Advisors

آنچه یاد خواهید گرفت

• چرا تاریخچه چت حافظه واقعی هوش مصنوعی نیست؟
• سیستم‌های مدرن حافظه هوش مصنوعی چگونه ساختاردهی می‌شوند؟
• چگونه معماری‌های حافظه لایه‌ای طراحی کنیم؟
• تعبیه‌سازی‌ها و جستجوی برداری در عمل چگونه کار می‌کنند؟
• چگونه حافظه مرتبط را به‌صورت پویا بازیابی کنیم؟
• چگونه پایپ‌لاین‌های بک‌اند هوش مصنوعی مقیاس‌پذیر بسازیم؟
• چگونه رفتار هوش مصنوعی را در گفتگوهای مختلف شخصی‌سازی کنیم؟

فناوری‌های مورد استفاده:

• جاوا
• اسپرینگ بوت
• Spring AI
• PostgreSQL
• pgvector

در پایان این دوره، درک کاملی از این موضوع خواهید داشت که سیستم‌های واقعی حافظه هوش مصنوعی چگونه در اپلیکیشن‌های بک‌اند مدرن طراحی و پیاده‌سازی می‌شوند.

این دوره برای چه کسانی مناسب است؟

• مهندسان بک‌اند که دستیارها و copilotهای هوش مصنوعی می‌سازند.
• توسعه‌دهندگان اسپرینگ بوت که در حال بررسی سیستم‌های حافظه هوش مصنوعی هستند.
• توسعه‌دهندگان جاوا که به معماری هوش مصنوعی در سطح تولید علاقه‌مندند.