دوره آموزشی LLMOps در عمل: بررسی عمیق
4 ساعت 27 دقیقهمتوسط2024-12-18
مدرسین

Laurence Moroney
جزئیات دوره
با پیشرفتهای روزافزون در زمینه هوش مصنوعی و مدلهای زبان بزرگ (LLM)، بسیاری از توسعهدهندگان به دنبال استفاده از این مدلها برای ساخت برنامههای هوشمند و کاربردی هستند. در این دوره، شما اصول ساخت برنامههای مبتنی بر LLM را یاد میگیرید که میتواند نیازهای خاصی را در زمینههای مختلف مانند چتباتها، تجزیه و تحلیل دادهها، و تولید محتوا برآورده کند.
با استفاده از ابزارهایی مانند Python و Node.js، شما قادر خواهید بود تا مدلهای زبانی را بهطور موثر در برنامههای وب و سیستمهای مختلف پیادهسازی کنید. یکی از مفاهیم کلیدی که در این دوره خواهید آموخت، RAG (Retrieval Augmented Generation) است که به شما کمک میکند تا برنامههای خود را با استفاده از منابع دادهای خارجی توسعه دهید و تواناییهای آنها را گسترش دهید. همچنین، یاد میگیرید که چگونه از پایگاههای داده برداری برداری (Vector Database) مانند PineCone یا VectorDB برای ذخیره و جستجوی دادههای پیچیده استفاده کنید.
این دوره نهتنها به شما نحوه استفاده از مدلهای LLM را آموزش میدهد بلکه مهارتهای لازم برای ادغام آنها در عملیاتهای روزمره و توسعه یک اکوسیستم عملیاتی قابلاطمینان را نیز در اختیار شما قرار میدهد. با پایان این دوره، شما قادر خواهید بود برنامههایی بسازید که با مدلهای LLM تعامل داشته باشند و از آنها در قالب کاربردهای پیچیده بهره ببرند.
با استفاده از ابزارهایی مانند Python و Node.js، شما قادر خواهید بود تا مدلهای زبانی را بهطور موثر در برنامههای وب و سیستمهای مختلف پیادهسازی کنید. یکی از مفاهیم کلیدی که در این دوره خواهید آموخت، RAG (Retrieval Augmented Generation) است که به شما کمک میکند تا برنامههای خود را با استفاده از منابع دادهای خارجی توسعه دهید و تواناییهای آنها را گسترش دهید. همچنین، یاد میگیرید که چگونه از پایگاههای داده برداری برداری (Vector Database) مانند PineCone یا VectorDB برای ذخیره و جستجوی دادههای پیچیده استفاده کنید.
این دوره نهتنها به شما نحوه استفاده از مدلهای LLM را آموزش میدهد بلکه مهارتهای لازم برای ادغام آنها در عملیاتهای روزمره و توسعه یک اکوسیستم عملیاتی قابلاطمینان را نیز در اختیار شما قرار میدهد. با پایان این دوره، شما قادر خواهید بود برنامههایی بسازید که با مدلهای LLM تعامل داشته باشند و از آنها در قالب کاربردهای پیچیده بهره ببرند.
مهارت ها
Natural Language Processing (NLP)Generative AIPythonArtificial Intelligence (AI)Open SourceOne-Off
سرفصل ها
0. مقدمه
- 01 - شیرجه عمیق در عملیات LLM
- 02 - LLM چیست؟
- 03 - ترانسفورماتور چیست
- 04 - LLMOps چیست
1. یک برنامه پایه LLM بسازید
- 05 - تشویق
- 06 - درخواست پیشرفته
- 07 - میزبانی یک برنامه
- 08 - یک ربات چت بسازید
- 09 - تمرین LLM
- 10 - اضافه کردن لاگ به سرور شما
2. مراحل اول در عملیات
- 11 - کد نویسی برای ورود به سیستم
- 12 - بررسی سیستم ورود به سیستم
- 13 - RLHF و بازخورد کاربر
- 14 - چالش - پیادهسازی RLHF و بازخورد کاربران
- 15 - نمایش پروژه عملیات انجام شده
- 16 - راه حل - تکمیل یک پروژه عملیاتی
- 17 - نمایش کد برای ops
3. BYOD با RAG
- 18 - بازیابی نسل افزوده (RAG)
- 19 - نصب و راهاندازی VectorDB
- 20 - یک VectorDB ایجاد کنید
- 21 - BYOD به VectorDB
- 22 - VectorDB - مورد استفاده عملی
- 23 - کوئری از VectorDB
- 24 - نمایش - کوئری از VectorDB
- 25 - برنامه خود را با RAG گسترش دهید
- 26 - RAG - نشان دادن آن در عمل
- 27 - چالش - برنامه RAG را کامل کنید
- 28 - راه حل - برنامه کامل RAG
4. RAG و Ops
- 29 - گسترش RAG با عملیات
- 30 - قطع درختان
- 31 - ورود عملی
- 32 - معیارها
- 33 - معیارهای عملی
- 34 - مدیریت نسخه
- 35 - مدیریت نسخه عملی
- 36 - RAG Ops - به روز رسانی داده ها
- 37 - عملیات RAG عملی
- 38 - RAG در عمل - ورزش
نتیجه گیری
- 39 - به سفر یادگیری LLMOps خود ادامه دهید
دوره های مرتبط
- دوره آموزشی هوش مصنوعی مولد و LLMOps: بلوکهای ساختمانی و برنامههای کاربردی
- دوره آموزشی امنیت مدلهای زبانی بزرگ (LLM): چطور از سرمایهگذاریهات تو هوش مصنوعی مولد محافظت کنی
- دوره آموزشی LLMOs پیشرفته: استقرار و مدیریت LLM در تولید
- دوره آموزشی Rust LLMOps
- دوره آموزشی ارزیابی و اشکال زدایی هوش مصنوعی مولد
- دوره آموزشی هوش مصنوعی Azure برای توسعهدهندگان: مبانی طراحی هوش مصنوعی