توضیحات

آموزش طراحی معماری هوش مصنوعی مولد با LLM

نام دوره : Generative AI Architectures with LLM, Prompt, RAG, Vector DB

پیش‌نیاز

• آشنایی ابتدایی با معماری‌های نرم‌افزاری

توضیحات دوره آموزش طراحی معماری هوش مصنوعی مولد با LLM

در این دوره، یاد خواهید گرفت که چگونه معماری‌های تولیدی هوش مصنوعی (Generative AI) را طراحی کنید و مدل‌های زبان کوچک و بزرگ (S/LLMs) را با استفاده از مهندسی دستورات (Prompt Engineering)، بازیابی افزوده (RAG)، تنظیم دقیق (Fine-tuning)، و پایگاه داده‌های برداری (Vector Databases) در برنامه‌های پشتیبانی فروشگاه الکترونیک (EShop) یکپارچه کنید.

ما معماری‌های تولیدی هوش مصنوعی را با اجزای زیر طراحی خواهیم کرد:

• مدل‌های زبان کوچک و بزرگ (S/LLMs)
• مهندسی دستورات (Prompt Engineering)
• بازیابی افزوده (RAG)
• تنظیم دقیق (Fine-tuning)
• پایگاه داده‌های برداری

دوره با مبانی آغاز می‌شود و به تدریج به موضوعات عمیق‌تر می‌پردازیم.

همچنین، با استفاده از جریان LLM Augmentation، یاد می‌گیرید که نتایج LLM را با استفاده از مهندسی دستورات، RAG و تنظیم دقیق تقویت کنید.

ماژول مدل‌های زبان بزرگ (LLMs):

• آشنایی با نحوه کارکرد مدل‌های زبان بزرگ (LLMs)
• قابلیت‌های LLM: تولید متن، خلاصه‌سازی، پرسش و پاسخ، طبقه‌بندی، تحلیل احساسات، جستجوی معنایی، تولید کد
• تولید متن با ChatGPT: درک قابلیت‌ها و محدودیت‌های LLMها (کار عملی)
• فراخوانی توابع و خروجی‌های ساختاریافته در LLMها
• بررسی مدل‌های LLM:
  • OpenAI ChatGPT
  • Meta Llama
  • Anthropic Claude
  • Google Gemini
  • xAI Grok
• آشنایی با مدل‌های SLM: نسخه‌های کوچک‌تر مدل‌های LLM
• طراحی برنامه‌های پشتیبانی فروشگاه الکترونیک با قابلیت‌های LLM

ماژول مهندسی دستورات (Prompt Engineering):

• مراحل طراحی دستورات مؤثر: تکرار، ارزیابی و قالب‌بندی
• تکنیک‌های پیشرفته مهندسی دستورات: Zero-shot، Few-shot، و Chain-of-Thought
• طراحی دستورات پیشرفته برای تحلیل احساسات، خلاصه‌سازی و پرسش و پاسخ در اپلیکیشن فروشگاه الکترونیک

ماژول بازیابی افزوده (RAG):

• معماری RAG:
  1. مرحله ورود داده‌ها
  2. مرحله بازیابی و استفاده از رده‌بندی
  3. مرحله تولید خروجی
• طراحی سیستم پشتیبانی مشتریان فروشگاه الکترونیک با استفاده از RAG
• نمونه‌کار عملی از RAG در OpenAI Playground

ماژول تنظیم دقیق (Fine-Tuning):

• مراحل تنظیم دقیق مدل‌ها
• روش‌های مختلف تنظیم دقیق: تنظیم کامل، PEFT، LoRA
• طراحی سیستم پشتیبانی مشتریان فروشگاه الکترونیک با استفاده از تنظیم دقیق

ماژول پایگاه داده‌های برداری و جستجوی معنایی با RAG:

• تعریف بردارها، تعبیه‌های برداری و پایگاه داده‌های برداری
• الگوریتم‌های جستجو: kNN، ANN، Disk-ANN
• آشنایی با پایگاه داده‌های برداری: Pinecone، Chroma، Weaviate، Redis

در پایان دوره، معماری پشتیبانی فروشگاه الکترونیک را با استفاده از LLMها و پایگاه داده‌های برداری طراحی خواهید کرد و تجربه عملی در ساخت برنامه‌ای کامل با قابلیت‌های پیشرفته هوش مصنوعی کسب می‌کنید.

دوره آموزش طراحی معماری هوش مصنوعی مولد با LLM مناسب چه کسانی است؟

• مبتدیانی که می‌خواهند مدل‌های زبان هوش مصنوعی را در برنامه‌های سازمانی ادغام کنند.