تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM) در 5G: ارتقاء هوشمندی

دوره آموزشی مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM) در 5G: ارتقاء هوشمندی

2 ساعت 25 دقیقهمبتدی2026-04-22

مدرسین

Rahul Kaundal

Rahul Kaundal

Itelcotech

Itelcotech

جزئیات دوره

توی دنیای مخابرات، حجم داده‌ها واقعاً سرسام‌آوره؛ از لاگ‌های شبکه گرفته تا تعاملات مشتری‌ها. برای همین، هوش مصنوعی تبدیل شده به یه ابزار حیاتی برای اینکه از این داده‌ها ارزش واقعی دربیاد. این دوره یه پایه‌ی کاربردی و حرفه‌ای بهت می‌ده تا بتونی مدل‌های زبانی بزرگ (LLM) و هوش مصنوعی مولد (GenAI) رو برای حل چالش‌های واقعی صنعت Telecom به کار بگیری.

اول از همه، با مفاهیم اصلی LLM و Transformer آشنا می‌شی، بعد می‌ری سراغ ساخت مدل‌های سفارشی تشخیص موجودیت نام‌دار (NER) برای تحلیل لاگ‌های شبکه. علاوه بر این، یاد می‌گیری چطور سیستم‌های طبقه‌بندی متن و طبقه‌بندی نیت (Intent Classification) بسازی تا پاسخ‌گویی مشتریان رو خودکار کنی. توی ادامه هم با Fine-tuning مدل‌های از پیش آموزش‌دیده، اون‌ها رو برای نیازهای خاص صنعت مخابرات شخصی‌سازی می‌کنی.

این دوره فقط روی دقت مدل تمرکز نداره؛ بلکه کل مسیر رو پوشش می‌ده، از آماده‌سازی داده و برچسب‌گذاری گرفته تا ارزیابی مدل، اونم با نگاه به اثر واقعی روی کسب‌وکار. یعنی یاد می‌گیری چطور پروژه‌های هوش مصنوعی رو از مرحله پایلوت به پروداکشن برسونی و خروجی مدل‌ها رو داخل CRM و فرایندهای عملیاتی سازمان جا بدی.

اهداف یادگیری
مفهوم‌های پایه‌ای هوش مصنوعی مولد را توضیح بده، از جمله نقش ترنسفورمرها، ساختار و توانایی‌های مدل‌های زبانی بزرگ، و اینکه توکن‌ها چطور به‌عنوان واحدهای اصلی برای ساخت معنای contextual عمل می‌کنند.
تکنیک‌های token classification و text classification را از هم تشخیص بده و کاربرد هر کدام را در تصمیم‌گیری‌های مخابراتی، مثل NER و intent classification، ارزیابی کن.
فرایند ساخت یک مدل NER سفارشی برای لاگ‌های شبکه مخابراتی را طراحی و شبیه‌سازی کن، از آماده‌سازی داده و توکن‌سازی تا annotation، fine-tuning و ارزیابی مبتنی بر اثر کسب‌وکار.
روش استخراج اطلاعات domain-specific را با ساخت مدل‌های NER مخصوص مشتری و compliance تحلیل کن و یک taxonomy برای موجودیت‌های مخابراتی بساز که مدل‌های عمومی زبان را به اصطلاحات تخصصی صنعت وصل کند.
ادغام مدل‌های intent classification و sentiment analysis را در منطق کسب‌وکار ارزیابی کن.
استراتژی‌هایی برای تبدیل خروجی مدل‌ها به insightهای قابل‌اقدام داخل CRM و workflowهای پشتیبانی مشتری تدوین کن.
یک نقشه‌راه استراتژیک برای AI در مخابرات طراحی کن که مسیر از پروژه‌های پایلوت تا استقرار در پروداکشن را مشخص کند و best practiceها را برای ارزیابی مدل، افزایش دقت و ایجاد ارزش تجاری در نظر بگیرد.

سرفصل ها

مقدمه

  • مقدمه

مقدمه‌ای بر مدل‌های زبان بزرگ (LLM)

  • مروری بر مفاهیم هوش مصنوعی مولد
  • اصول کار هوش مصنوعی مولد
  • نقش ترانسفورماتورها در GenAI
  • مدل‌های زبان بزرگ - ساختار و قابلیت‌ها
  • تحول صنعتی از طریق مدل‌های زبانی
  • توکن‌ها به عنوان واحدهای اساسی مدل‌های زبانی بزرگ
  • از توکن‌ها تا معناشناسی زمینه‌ای

مفهوم اصلی - طبقه‌بندی توکن

  • طبقه‌بندی توکن چیست؟ از تئوری تا مخابرات
  • شناسایی موجودیت‌های اسمی (NER) و فراتر از آن
  • تجسم طبقه‌بندی توکن - از هرج و مرج تا ساختار

مفهوم اصلی - طبقه‌بندی متن

  • طبقه‌بندی متن چیست؟ خودکارسازی طبقه‌بندی در مقیاس بزرگ
  • یادگیری چند مرحله‌ای و طبقه‌بندی قصد
  • چرا LLM‌ها داده و عملکرد را متحول کرده‌اند؟
  • پیش‌نمایش - ساخت یک طبقه‌بندی‌کننده‌ی اهداف خاص مخابراتی

ساخت یک مدل NER سفارشی برای گزارش‌های شبکه

  • ساخت یک مدل NER سفارشی برای لاگ‌های شبکه
  • معماری - لایه طبقه‌بندی برای برچسب‌گذاری توکن
  • آماده‌سازی داده‌ها و توکن‌سازی خط لوله برای گزارش‌های مخابراتی
  • آماده‌سازی داده‌ها و خط لوله توکن‌سازی - شبیه‌سازی
  • فرآیند حاشیه‌نویسی - ایجاد داده‌های آموزشی مخابراتی
  • تنظیم دقیق یک مدل از پیش آموزش دیده برای تشخیص موجودیت سفارشی - شبیه‌سازی
  • ارزیابی مدل NER شما - فراتر از دقت تا تأثیر بر کسب و کار

استخراج اطلاعات - ساخت مدل‌ها

  • ساخت مدل‌هایی برای تشخیص موجودیت‌های خاص مشتری
  • مدل NER متمرکز بر انطباق برای مخابرات - شبیه‌سازی
  • ایجاد یک طبقه‌بندی موجودیت مخابراتی - از عمومی تا اختصاصی دامنه

خودکارسازی پشتیبانی مشتری با طبقه‌بندی قصد و نیت

  • از خروجی مدل تا منطق کسب و کار - ایجاد قوانین عملی برای اهداف
  • ارزیابی عملکرد مدل و بهبود دقت

تحلیل احساسات برای تجربه مشتری

  • ترکیب نیت و احساس - تصویر کامل مشتری مخابرات
  • تحلیل احساسات برای تجربه مشتری در حوزه مخابرات
  • از تحلیل تا عمل - ادغام بینش‌ها در CRM
  • ایجاد نقشه راه هوش مصنوعی مخابراتی شما - از پایلوت تا تولید

نتیجه‌گیری

  • نتیجه‌گیری

دوره های مرتبط

مسیرهای مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal