دوره آموزشی ساخت سیستم‌های توصیه‌گر مبتنی بر LLM

این دوره یک نگاه فنی و کاربردی به ساخت نسل جدید سیستم‌های توصیه‌گر (Recommender Systems) ارائه می‌دهد؛ سیستم‌هایی که دیگر فقط بر اساس الگوریتم‌های سنتی کار نمی‌کنند، بلکه از قدرت هوش مصنوعی مولد (Generative AI) برای درک عمیق‌تر رفتار و نیاز کاربران استفاده می‌کنند.

در این آموزش یاد می‌گیرید چگونه سیستم‌های توصیه‌گر موجود را با تکنیک‌های مدرن AI ارتقا دهید؛ از جمله تولید Embeddingها (بردارهای معنایی)، استفاده از Semantic Reranking برای مرتب‌سازی هوشمند نتایج، و حل مشکل Cold Start برای کاربران یا آیتم‌های جدید.

مدرس دوره، Rishabh Misra (مهندس ارشد ML در Atlassian)، توضیح می‌دهد چگونه می‌توان معماری‌های پیشرفته مبتنی بر GenAI طراحی کرد که تجربه‌هایی مانند جستجوی مکالمه‌ای (Conversational Search) و توصیه‌های چندوجهی (Multimodal Recommendations) را ممکن می‌سازند.

تمرکز مهم دیگر این دوره روی ارزیابی سیستم‌ها است. شما یاد می‌گیرید چگونه کیفیت، عدالت (Fairness) و صحت اطلاعات را با روش‌هایی مانند Retrieval-Augmented Generation (RAG) بررسی و اندازه‌گیری کنید.

در نهایت، دوره شما را برای طراحی، پیاده‌سازی و عملیاتی‌سازی سیستم‌های توصیه‌گر GenAI در محیط واقعی و تولیدی (Production) آماده می‌کند.

🎯 اهداف یادگیری
توضیح تفاوت بین سیستم‌های توصیه‌گر سنتی و GenAI محور
درک مفهوم گذار از الگوریتم‌های کلاسیک به درک معنایی (Semantic Understanding)
استفاده از Embedding Generation برای بهبود پیشنهادها
به‌کارگیری Semantic Reranking برای بهینه‌سازی نتایج
حل مشکل Cold Start در سیستم‌های توصیه‌گر
طراحی معماری‌های GenAI-native برای توصیه‌گرها
استفاده از Vector Database در طراحی سیستم
پیاده‌سازی Retrieval-Augmented Generation (RAG)
طراحی استراتژی‌های ارزیابی کیفیت سیستم
اندازه‌گیری Fairness در سیستم‌های توصیه‌گر
بررسی Accuracy و صحت اطلاعات در خروجی مدل‌ها
طراحی سیستم‌های Conversational Search
پیاده‌سازی Recommendationهای چندوجهی (Multimodal)
برنامه‌ریزی برای استقرار در محیط Production
مدیریت Latency در سیستم‌های بلادرنگ
طراحی پایپ‌لاین CI/CD برای مدل‌های AI
مانیتورینگ و پایش مدل‌ها در محیط عملیاتی