دوره LangChain در Azure - ساخت اپلیکیشن های LLM مقیاس‌پذیر

معرفی
سرفصل

✅ سرفصل و جزئیات آموزش

آنچه یاد خواهید گرفت:

ساختار حساب Azure و مدیریت گروه منابع
مدیریت فایل‌ها در فضای ابری با Blob Storage
Azure Cognitive Search و PgVector به‌عنوان پایگاه داده‌های برداری
استفاده از PgVector و API ایندکسینگ برای بازیابی داده‌
مدیریت تصاویر کانتینر با استفاده از Azure Container Registry
استقرار و مانیتورینگ Azure App Services
Azure Functions و Event Grid برای معماری رویداد محور
اعمال تدابیر امنیتی برای محافظت از سرویس‌ها و پایگاه‌داده‌های Azure

توضیحات دوره

با این دوره جامع، به بررسی عمیق Azure و اپلیکیشن مدل زبانی بزرگ (LLM) بپردازید. از راه اندازی اولیه ساختار حساب Azure و گروه‌های منابع شروع می‌کنیم و سپس به مدیریت عملی Azure Blob Storage می‌پردازیم. این دوره مهارت‌های لازم برای کار با امکانات گسترده Azure را به شما می‌آموزد.

در ادامه، به معرفی انواع پایگاه‌های داده برداری مانند Azure Cognitive Search و PgVector پرداخته و مزایا و معایب هرکدام را مقایسه می‌کنیم. خواهید آموخت چگونه داده‌ خام را بخش‌بندی، تعلیه و در پایگاه داده برداری وارد کنید. فرایند معمول Retrieval Augmented Generation (RAG) روی پایگاه داده برداری انجام شده و در این بخش عمدتاً از دفترچه‌های Jupyter استفاده می‌شود.

پس از شرح مبانی، از دفترچه‌ها به استفاده از docker-compose برای راه‌اندازی محلی سرویس‌ها می‌پردازیم. به صورت عمیق چگونگی عملکرد این سرویس‌ها را بررسی می‌کنیم.

گام بعدی استقرار این سرویس‌ها در فضای ابری است، جایی که با سرویس‌های جدیدی مانند Container Registry و App Service آشنا می‌شویم.

پس از راه‌اندازی وب اپلیکیشن ها، یک فرایند ایندکسینگ رویداد محور با Blob Triggers ،Event Grid و Azure Functions برای ایندکس فایل‌ها در هنگام تغییرات Blob Storage پیاده سازی می‌کنیم.

فصل‌های پایانی به تدابیر امنیتی پایه مانند تنظیم دیواره آتش برای پایگاه داده و محدودیت‌های دسترسی مبتنی بر IP اختصاص دارد.

این دوره برای افرادی طراحی شده که دانش اصولی از زبان Python، Docker و LangChain دارند و مناسب کسانی است که می‌خواهند اپلیکیشن های واقعی با معماری تولیدی بسازند و فراتر از اپلیکیشن‌های ساده Streamlit قدم بردارند.

این دوره برای چه کسانی مناسب است؟