تسلط به مدل‌های زبانی بزرگ با LangChain

آنچه یاد خواهید گرفت:

• درک نظریه پشت مدل‌های زبانی بزرگ و مفاهیم کلیدی از LangChain و Hugging Face
• یکپارچه‌سازی مدل‌های زبانی بزرگ اختصاصی (مانند چت جی پی تی از OpenAI) و مدل‌های متن باز مانند Llama از متا و Phi از مایکروسافت
• آشنایی با کامپوننت‌های LangChain از جمله زنجیره‌ها، قالب‌ها، ماژول‌های RAG، عامل‌ها و ابزارها
• بررسی RAG به صورت گام‌به‌گام برای ذخیره‌سازی و بازیابی با فروشگاه‌های بردار، با دسترسی به اسناد و صفحات وب
• پیاده‌سازی عامل‌ها و ابزارها برای افزودن ویژگی‌هایی مانند جستجوی اینترنت و بازیابی اطلاعات بروز
• استقرار راه‌حل‌ها در یک محیط محلی که امکان استفاده از مدل‌های متن باز بدون اتصال اینترنت را فراهم می‌کند.
• ساخت یک اپلیکیشن که به‌طور خودکار ویدئوها را خلاصه می‌کند و به سوالات مربوط به آن‌ها پاسخ می‌دهد.
• توسعه یک چت‌بات سفارشی کامل با حافظه و ایجاد یک رابط کاربری کاربرپسند با Streamlit
• ایجاد یک اپلیکیشن پیشرفته RAG برای تعامل با اسناد و استخراج اطلاعات مرتبط با یک رابط چت

پیش‌نیازهای دوره

• منطق برنامه‌نویسی
• برنامه‌نویسی اولیه پایتون

توضیحات دوره

در این دوره، عمیقاً به دنیای Generative AI با مدل‌های زبانی بزرگ (LLM) خواهیم پرداخت و پتانسیل ترکیب LangChain با پایتون را بررسی خواهیم کرد. شما راه‌حل‌های اختصاصی (مانند چت جی پی تی) و مدل‌های متن باز مدرن مانند Llama و Phi را پیاده‌سازی خواهید کرد. از طریق پروژه‌های عملی و واقعی، اپلیکیشن‌های نوآورانه‌ای شامل یک دستیار مجازی سفارشی و یک چت‌بات که با اسناد و ویدئوها تعامل دارد، توسعه خواهید داد. ما تکنیک‌های پیشرفته‌ای مانند RAG و عامل‌ها را بررسی خواهیم کرد و از ابزارهایی مانند Streamlit برای ایجاد رابط‌های کاربری شهودی استفاده خواهیم کرد. شما یاد خواهید گرفت چگونه از این فناوری‌ها به‌طور رایگان در Google Colab استفاده کنید و همچنین چگونه پروژه‌ها را به‌طور محلی اجرا کنید.

در مقدمه، شما با نظریه مدل‌های زبان بزرگ (LLM) و مفاهیم بنیادی آن‌ها آشنا می‌شوید. همچنین، ما اکوسیستم Hugging Face را بررسی خواهیم کرد که راه‌حل‌های مدرنی برای پردازش زبان طبیعی (NLP) ارائه می‌دهد. شما یاد خواهید گرفت چگونه مدل‌های زبانی بزرگ را با هر دو روش Hugging Face و کتابخانه LangChain پیاده‌سازی کنید و مزایای هر رویکرد را درک نمایید.

قسمت دوم بر تسلط به LangChain متمرکز است. شما یاد خواهید گرفت چگونه به مدل‌های متن باز، مانند Llama از متا و Phi از مایکروسافت و همچنین مدل‌های زبانی بزرگ اختصاصی، مانند چت جی پی تی از OpenAI دسترسی پیدا کنید. ما مفهوم کمی‌سازی مدل‌ها را برای بهبود عملکرد و مقیاس‌پذیری توضیح خواهیم داد. کامپوننت‌های کلیدی LangChain، مانند زنجیره‌ها، قالب‌ها و ابزارها را معرفی خواهیم کرد و نحوه استفاده از آن‌ها برای توسعه راه‌حل‌های قوی پردازش زبان طبیعی را توضیح خواهیم داد. تکنیک‌های مهندسی پرامپت را نیز پوشش می‌دهیم تا به شما کمک کنیم نتایج دقیق‌تری بدست آورید. مفهوم RAG (Retrieval-Augmented Generation) را نیز بررسی خواهیم کرد که شامل فرآیندهای ذخیره‌سازی و بازیابی اطلاعات است. شما یاد خواهید گرفت چگونه فروشگاه‌های بردار را پیاده‌سازی کنید و اهمیت تعبیه‌ها و اینکه چگونه از آن‌ها به طور موثر استفاده کنید را درک نمایید. ما همچنین نشان خواهیم داد چگونه می‌توان از RAG برای تعامل با اسناد PDF و صفحات وب استفاده کرد. علاوه بر این، شما این فرصت را خواهید داشت که یکپارچه‌سازی عامل‌ها و ابزارها، مانند استفاده از مدل‌های زبانی بزرگ برای انجام جستجوی وب و بازیابی اطلاعات اخیر را بررسی کنید. راه‌حل‌ها به‌طور محلی پیاده‌سازی خواهند شد و امکان دسترسی به مدل‌های متن باز را حتی بدون اتصال به اینترنت فراهم می‌کنند.

در مرحله توسعه پروژه، شما یاد خواهید گرفت یک چت‌بات سفارشی با یک رابط و حافظه برای سوال و جواب ایجاد کنید. همچنین یاد خواهید گرفت چگونه اپلیکیشن‌های تعاملی را با Streamlit توسعه دهید، این کار ساخت رابط‌های کاربری شهودی را آسان می‌کند. یکی از پروژه‌ها شامل توسعه یک اپلیکیشن پیشرفته با RAG برای تعامل با چندین سند و استخراج اطلاعات مرتبط از طریق یک رابط چت است. پروژه دیگری روی ساخت یک اپلیکیشن تمرکز خواهد داشت که به‌طور خودکار ویدئوها را خلاصه کرده و به سوالات مرتبط پاسخ می‌دهد که ابزاری قدرتمند برای درک خودکار ویدئوها است.

این دوره برای چه کسانی مناسب است؟

• متخصصان و علاقمندان به هوش مصنوعی که به بررسی استفاده از مدل‌های زبانی بزرگ علاقه‌مندند.
• متخصصانی که به دنبال پیاده‌سازی مدل‌های زبانی بزرگ در اپلیکیشن‌های خود هستند.
• دانشجویانی که قصد دارند دانش عمیق‌تری از پردازش زبان طبیعی بدست آورند و یاد بگیرند چگونه راه‌حل‌های مدرن را پیاده‌سازی کنند.
• متخصصان از سایر زمینه‌ها که می‌خواهند یاد بگیرند چگونه از مدل‌های زبانی در اپلیکیشن‌های واقعی استفاده کنند.
• توسعه‌دهندگانی که به دنبال گسترش مهارت‌های خود در Generative AI هستند.
• محققانی که به بررسی پیشرفت‌های مدل‌های زبانی بزرگ و کاربردهای عملی آن‌ها علاقه‌مندند.