آنچه در این دوره خواهید آموخت

• درک عمیق از مفاهیم بنیادی LLM ها، معماری ترنسفورمر، و چگونگی عملکرد آن‌ها.
• تسلط بر کار با Vertex AI Studio و API های مدل‌های بنیادین گوگل کلود برای تعامل با LLM ها.
• پیاده‌سازی تکنیک‌های پیشرفته پرامپتینگ (Prompt Engineering) برای هدایت دقیق مدل و دستیابی به نتایج مطلوب.
• ساخت سیستم‌های بازیابی اطلاعات (RAG) با بهره‌گیری از پایگاه داده‌های برداری (Vector Databases) برای افزایش دقت و دسترسی به اطلاعات اختصاصی.
• آموزش تنظیم دقیق (Fine-tuning) مدل‌های LLM برای وظایف و داده‌های خاص شما، به منظور بهبود عملکرد و شخصی‌سازی.
• توانایی استقرار و مانیتورینگ LLM ها در محیط‌های تولید (Production) با استفاده از سرویس‌های گوگل کلود.
• آشنایی با ملاحظات اخلاقی و امنیتی در توسعه و استقرار LLM ها.
• توسعه برنامه‌های کاربردی عملی مبتنی بر LLM با استفاده از پایتون و کتابخانه‌های مرتبط.

مزایای شرکت در این دوره

با اتمام این دوره، شما نه تنها دانش نظری جامعی در مورد LLM ها کسب خواهید کرد، بلکه به مهارت‌های عملی لازم برای تبدیل ایده‌ها به راهکارهای هوش مصنوعی قدرتمند مجهز خواهید شد:

• کسب مهارت‌های بسیار پرتقاضا در صنعت هوش مصنوعی، که شما را برای نقش‌های کلیدی در این حوزه آماده می‌کند.
• توانایی ساخت و پیاده‌سازی راهکارهای مقیاس‌پذیر مبتنی بر LLM که می‌تواند مشکلات دنیای واقعی را حل کند.
• درک عمیق از اکوسیستم هوش مصنوعی گوگل کلود، که یک مزیت رقابتی در بازار کار محسوب می‌شود.
• افزایش سرعت و کارایی در توسعه پروژه با بهره‌گیری از ابزارها و خدمات ابری.
• ساخت پروژه‌های عملی و نمونه‌کار که می‌توانید به رزومه خود اضافه کنید.
• به‌روز ماندن با جدیدترین پیشرفت‌ها در زمینه LLM ها و هوش مصنوعی مولد.

پیش‌نیازها

برای حداکثر بهره‌برداری از محتوای این دوره، داشتن پیش‌نیازهای زیر توصیه می‌شود:

• آشنایی پایه با زبان برنامه‌نویسی پایتون: شامل مفاهیم متغیرها، حلقه‌ها، توابع، و کار با کتابخانه‌های استاندارد.
• مفاهیم اولیه یادگیری ماشین (اختیاری اما مفید): درک کلی از یادگیری تحت نظارت و بدون نظارت.
• آشنایی با مفاهیم پردازش زبان طبیعی (NLP) (اختیاری اما مفید): درک مفاهیم مانند توکنایزیشن، جاسازی کلمات و مدل‌های زبانی.
• یک حساب کاربری گوگل کلود: برای انجام تمرینات عملی و دسترسی به سرویس‌های مورد نیاز.

سرفصل‌های اصلی دوره

این دوره به صورت جامع و کاربردی طراحی شده و شامل بخش‌های کلیدی زیر است:

• مقدمه‌ای بر مدل‌های زبان بزرگ (LLM) و هوش مصنوعی مولد:
  • تعریف، تاریخچه و تکامل LLM ها.
  • معماری پایه ترنسفورمر و نحوه عملکرد آن.
  • بررسی کاربردهای رایج هوش مصنوعی مولد در صنایع مختلف.
  • مفاهیم اساسی مانند پرامپت انجینیرینگ (Prompt Engineering) و اهمیت آن.
• آشنایی با Google Cloud و Vertex AI برای LLM ها:
  • معرفی سرویس‌های کلیدی گوگل کلود مرتبط با هوش مصنوعی.
  • کاوش در Vertex AI Studio به عنوان یک محیط توسعه یکپارچه برای LLM ها.
  • کار با API های مدل‌های بنیادین و مدیریت پروژه‌ها در گوگل کلود.
• کار با مدل‌های بنیادین (Foundation Models) در پایتون:
  • نحوه تعامل با LLM ها از طریق کتابخانه‌های پایتون.
  • پیاده‌سازی وظایف رایج مانند تولید متن خلاقانه، خلاصه‌سازی اسناد، و ترجمه ماشینی.
  • مثال عملی: ساخت یک چت‌بات ساده برای پرسش و پاسخ.
• تکنیک‌های پیشرفته پرامپتینگ و مهندسی پرامپت:
  • روش‌های Few-shot Learning و Chain-of-Thought Prompting.
  • ابزارها و تکنیک‌های ارزیابی و بهینه‌سازی پرامپت.
  • استراتژی‌های پیشرفته برای هدایت رفتار مدل در سناریوهای پیچیده.
• سیستم‌های بازیابی اطلاعات (RAG) و پایگاه داده‌های برداری:
  • مفهوم RAG و چرایی نیاز به آن در LLM ها.
  • معرفی جاسازی‌های برداری (Vector Embeddings) و کار با پایگاه داده‌های برداری.
  • پیاده‌سازی یک سیستم RAG برای ادغام دانش اختصاصی در پاسخ‌های LLM.
• تنظیم دقیق (Fine-tuning) مدل‌های LLM:
  • مفهوم و کاربرد تنظیم دقیق برای سفارشی‌سازی مدل‌ها.
  • روش‌ها و بهترین شیوه‌ها برای Fine-tuning در پلتفرم گوگل کلود.
  • سناریوهای عملی و مثال‌هایی از تنظیم دقیق برای وظایف خاص.
• استقرار و مانیتورینگ LLM ها در مقیاس تولید (Production):
  • استفاده از Vertex AI Endpoints برای استقرار مدل‌های سفارشی‌شده.
  • راهکارهای مانیتورینگ عملکرد مدل، لاگینگ و عیب‌یابی.
  • استراتژی‌های به‌روزرسانی و نگهداری مدل‌ها در محیط تولید.
• ملاحظات اخلاقی و امنیت در LLM ها:
  • بحث در مورد سوگیری (Bias) و انصاف در مدل‌های زبان بزرگ.
  • حفظ حریم خصوصی و امنیت داده‌ها در کاربردهای LLM.
  • آشنایی با چارچوب‌های اخلاقی برای توسعه مسئولانه هوش مصنوعی.

مثال‌های عملی و کاربردهای کلیدی

این دوره بر یادگیری عملی تاکید دارد و شما را قادر می‌سازد تا پروژه‌های واقعی را انجام دهید. برخی از مثال‌های کاربردی که در طول دوره با آن‌ها کار خواهید کرد عبارتند از:

• ساخت یک ابزار خلاصه‌سازی اسناد که قادر است متون طولانی را به صورت خودکار فشرده کند.
• توسعه یک سیستم پرسش و پاسخ سفارشی که می‌تواند به سوالات مربوط به مجموعه داده‌های خاص شما (مثلاً اسناد شرکت) پاسخ دهد.
• ایجاد یک مولد محتوای خلاقانه برای تولید ایده‌های بازاریابی، پست‌های وبلاگ، یا حتی فیلم‌نامه.
• نمایش نحوه استقرار یک چت‌بات پیچیده بر روی Vertex AI که می‌تواند با کاربران به صورت طبیعی و کارآمد ارتباط برقرار کند.
• استفاده از تکنیک‌های بهینه‌سازی پرامپت برای بهبود دقت و مرتبط بودن پاسخ‌های مدل.