آموزش GenAI کامل با Java و Spring AI - بررسی LLMs ،RAG و ایجنت‌های هوش مصنوعی

آنچه یاد خواهید گرفت:

• یادگیری و پیاده‌سازی اپلیکیشن‌های GenAI با استفاده از Java و Spring AI
• یادگیری نحوه فراخوانی مدل‌های زبانی بزرگ راه‌ دور با استفاده از Open AI و Google Gemini و Hugging Face APIs
• یادگیری نحوه فراخوانی مدل‌های زبانی بزرگ محلی با استفاده از Ollama و Docker Model Runner
• یادگیری و پیاده‌سازی مفاهیم پیشرفته Spring AI: استریمینگ، خروجی ساختاریافته و گزینه‌های چت، Advisors وقالب‌های پرامپت
• یادگیری بهترین شیوه‌های مهندسی پرامپت از جمله بدون شات، تک‌شات و چندشات و CoT، تغییر خلاقیت (دما)، کنترل تنوع (top-p) و محدود کردن توکن‌ها
• یادگیری تکنیک‌های هک کردن پرامپت و استراتژی‌های مقابله با آنها: تزریق پرامپت، Jailbreaking، نشت پرامپت و تکنیک‌های پیشرفته هک
• درک اصول GenAI و LLM: آشنایی با Tokenizers، تعبیه‌ها، رمزگذاری پوزیشنال، معماری ترنسفرمر، پیش‌بینی توکن و فرمول Softmax
• درک حافظه چت و پیاده‌سازی آن با بک‌اندهای مختلف در Spring AI: معرفی In-memory و Jdbc برای حافظه کوتاه‌مدت، فروشگاه برداری برای حافظه بلندمدت
• یادگیری و پیاده‌سازی چندوجهی با استفاده از موارد استفاده تبدیل متن، تصویر و صدا
• درک محدودیت‌های LLM و راهکارهای احتمالی برای کاهش آنها
• یادگیری و پیاده‌سازی سیستم‌های پیشرفته RAG
• یادگیری و پیاده‌سازی سیستم‌های ایجنت هوش مصنوعی با گردش‌کار ایجنت‌های خودمختار و زنجیره‌ای
• درک MCP (پروتکل کانتکس مدل) و پیاده‌سازی اپلیکیشن‌های MCP server و MCP client با استفاده از Spring AI
• درک و اعمال مشاهده‌پذیری برای سیستم‌های RAG و ایجنت‌های هوش مصنوعی با استفاده از Spring Observability

پیش‌نیازهای دوره

• دانش پایه تا متوسط Java
• آشنایی با Spring Boot
• تجربه با مفاهیم توسعه بک‌اند
• آشنایی اولیه با مفاهیم AI و LLM

توضیحات دوره

آیا می‌خواهید اپلیکیشن‌های واقعی و کاربردی Generative AI (GenAI) را با Java و Spring Boot و Spring AI و RAG و ایحنت‌های هوش مصنوعی بسازید نه اینکه فقط با پرامپت‌ها تست کنید؟

این دوره شما را از اصول اولیه تا سیستم‌های هوش مصنوعی آماده‌ تولید، از جمله پایپ‌لاین‌های RAG، ایجنت‌های هوش مصنوعی، فراخوانی ابزار، حافظه چت، MCP، مشاهده‌پذیری، مهندسی پرامپت و هک کردن پرامپت هدایت می‌کند.

مدرس Ali Gelenler اینجاست تا به شما کمک کند GenAI را با Java و Spring AI از اصول اولیه تا معماری‌ها و سیستم‌های هوش مصنوعی واقعی و آماده‌ تولید، با رویکردی عملی یاد بگیرید.

در این دوره، تمرکز شما بر ساخت اپلیکیشن‌های هوش مصنوعی فراتر از کد تولید شده توسط هوش مصنوعی خواهد بود و بیش از 20 مورد استفاده را با استفاده از Java و Spring AI و همراه با ارائه‌دهندگان و مدل‌های مختلف AI مانند Open AI و Google Gemini Vertex AI و Hugging Face و Ollama و Docker Model Runner پیاده‌سازی خواهید کرد. شما اپلیکیشن‌ها و سیستم‌های هوش مصنوعی را با استفاده از LLMs (مدل‌های زبانی بزرگ) می‌سازید، پایگاه داده‌های برداری و تعبیه‌ها را یکپارچه می‌کنید و معماری‌های بک‌اند مقیاس‌پذیر برای Generative AI طراحی می‌کنید.

آنچه یاد خواهید گرفت:

• ساخت سیستم‌های GenAI end-to-end در Java و Spring AI با مفاهیم پیشرفته Spring AI
• طراحی پایپ‌لاین‌های RAG با پایگاه داده‌های برداری، تعبیه‌ها، جستجوی شباهت و جستجوی سمانتیک با استفاده از استراتژی‌های پیشرفته جذب و بازیابی مانند query transformer و query expander و pre و post processors و re-ranker، فیلترینگ متادیتا و بروزرسانی پویا منابع
• ساخت ایجنت‌های هوش مصنوعی با فراخوانی تابع و ابزار و استفاده از سیستم‌های عاملی گردش‌کار خودمختار و زنجیره‌ای
• پیاده‌سازی حافظه چت و context بلندمدت با بک‌اندهای in-memory و jdbc و فروشگاه برداری با استفاده از Spring AI advisors
• اعمال بهترین شیوه‌های مهندسی پرامپت و دفاع در برابر تکنیک‌های هک کردن پرامپت از جمله تزریق پرامپت و jailbreaking و حملات نشت پرامپت
• استفاده از MCP (پروتکل کانتکس مدل) برای سیستم‌های توزیع‌ شده AI و ساخت MCP Server و MCP client با Spring AI
• افزودن مشاهده‌پذیری (لاگ‌ها، traces و متریک‌ها) به اپلیکیشن‌های هوش مصنوعی
• یادگیری اصول Gen AI و LLM با Tokenizers، تعبیه‌ها و رمزگذاری پوزیشنال، معماری ترنسفرمر، پیش‌بینی توکن و فرمول Softmax
• نگاشت اصول Gen AI و LLM به راه‌حل‌های عملی
• درک محدودیت‌های LLM و راهکارهای کاهش آنها

شما بیش از 20 مورد کاربرد واقعی را پیاده‌سازی خواهید کرد، از جمله:

• دستیارهای مجهز به هوش مصنوعی: خلاصه‌ساز، مولد مستندات Java، دستیار برنامه‌نویسی، مولد پیش‌نویس ایمیل و مولد پست
• سیستم‌های پرسش‌وپاسخ روی مستندات با پایپ‌لاین‌های RAG پیشرفته
• بازبینی امنیتی از روی نمودار معماری با سیستم ایجنت هوش مصنوعی و چندین ابزار از جمله Remote Mcp Server و Web و RAG و Diagram extract با پیاده‌سازی سیستم‌های ایجنت گردش‌کار خودمختار و هم زنجیره‌ای
• اپلیکیشن‌های چندوجهی شامل موارد کاربرد Image-to-Text و Text-to-Image و Speech-to-Text و Text-to-Speech
• دستیار وضعیت سفارش با استراتژی‌های پیشرفته حافظه چت
• سیستم‌های هوش مصنوعی آماده‌ تولید با نظارت و ردیابی

فناوری‌ها و ابزارهایی که استفاده خواهید کرد:

• Java و Spring AI
• مفاهیم پیشرفته Spring AI: استریمینگ، خروجی ساختاریافته و گزینه‌های چت و Advisors و قالب‌های پرامپت
• OpenAI و Google Gemini (Vertex AI) و Hugging Face APIs
• Ollama و Docker Model Runner برای LLMs محلی
• پایگاه داده‌های برداری با استفاده از PgVector
• MCP (پروتکل کانتکس مدل) با پیاده‌سازی‌های MCP Server و MCP Client
• ابزارهای مشاهده‌پذیری (Grafana، Prometheus و Otlp و Tempo و Jaeger و Loki و Promtail)

این یک دوره عملی و مبتنی بر تولید است. شما فقط با ابزارهای هوش مصنوعی کد تولید نخواهید کرد بلکه موارد زیر را یاد می‌گیرید:

• طراحی سیستم‌ها 
• مدیریت محدودیت‌های واقعی
• ساخت اپلیکیشن‌های هوش مصنوعی مقیاس‌پذیر و قابل نگهداری

برای اطلاعات دقیق‌تر درباره روند دوره، می‌توانید ویدئوی معرفی و درس‌های رایگان را بررسی کنید. اگر تصمیم بگیرید در دوره شرکت کنید، همیشه می‌توانید پرسش‌ها و جزئیات مفاهیم و پیاده‌سازی را در بخش Q/A و پیام‌ها مطرح و بررسی کنید. ما از ابتدا تا انتها شما را راهنمایی می‌کنیم تا با موفقیت دوره را به پایان برسانید و تا حد ممکن از دوره دانش و تجربه کسب کنید.

این دوره برای چه کسانی مناسب است؟

• توسعه‌دهندگان Java و Spring Boot که می‌خواهند GenAI را در اپلیکیشن‌های واقعی یکپارچه کنند.
• مهندسان بک‌اند که به دنبال ساخت اپلیکیشن‌های هوش مصنوعی آماده‌ تولید با پایپ‌لاین‌های RAG و سیستم‌های ایجنت هوش مصنوعی هستند.
• مهندسان نرم‌افزار که می‌خواهند فراتر از کد تولید شده توسط هوش مصنوعی بروند و بفهمند سیستم‌های GenAI واقعاً چگونه کار می‌کنند.