این دوره به شما کمک می‌کند تا به یک توسعه‌دهنده ماهر در زمینه هوش مصنوعی مولد تبدیل شوید و دانش و مهارت‌های زیر را کسب کنید:

• مفاهیم بنیادی هوش مصنوعی مولد: درک کامل مدل‌های زبانی بزرگ (LLMs)، معماری ترنسفورمر، و چگونگی تولید محتوا.
• کار با OpenAI API: آشنایی عمیق با APIهای OpenAI برای تولید متن (GPT-3.5, GPT-4)، تصاویر (DALL-E)، و سایر قابلیت‌ها. نحوه احراز هویت، ارسال درخواست‌ها، و مدیریت پاسخ‌ها.
• مهندسی پرامپت (Prompt Engineering): یادگیری تکنیک‌های پیشرفته برای نوشتن پرامپت‌های مؤثر جهت گرفتن بهترین نتایج از LLMs، از جمله مهندسی پرامپت چند-مرحله‌ای و تفکر زنجیره‌ای.
• تسلط بر LangChain: آموزش جامع LangChain به عنوان فریم‌ورکی برای ساخت برنامه‌های قدرتمند LLM. کار با اجزای اصلی LangChain مانند Models, Prompts, Output Parsers, Chains, Agents, Tools, Memory, و Retrieval.
• ساخت چت‌بات‌های پیشرفته: پیاده‌سازی چت‌بات‌های مکالمه‌ای با قابلیت حفظ حافظه و استفاده از ابزارهای خارجی.
• پیاده‌سازی سیستم‌های RAG: ساخت سیستم‌های بازیابی اطلاعات (Retrieval Augmented Generation) برای پاسخگویی به سوالات بر اساس پایگاه‌های دانش اختصاصی شما با استفاده از Embeddings و Vector Databases.
• توسعه با تایپ‌اسکریپت: نوشتن کدهای منظم، مقیاس‌پذیر، و با قابلیت نگهداری بالا با استفاده از تایپ‌اسکریپت، که تجربه توسعه را بهبود می‌بخشد.
• پیاده‌سازی پروژه‌های عملی: ساخت برنامه‌های کاربردی واقعی مانند سیستم تولید محتوا، خلاصه‌سازی متون، و دستیارهای هوشمند.

شرکت در این دوره آموزشی مزایای متعددی برای مسیر شغلی و توسعه مهارت‌های شما خواهد داشت:

• آمادگی برای بازار کار: کسب مهارت‌های بسیار مورد تقاضا در زمینه هوش مصنوعی و توسعه بک‌اند، که شما را برای نقش‌های توسعه‌دهنده AI یا Full-stack آماده می‌کند.
• ساخت برنامه‌های نوآورانه: توانایی طراحی و پیاده‌سازی نسل جدیدی از برنامه‌های کاربردی با قابلیت‌های هوش مصنوعی مولد.
• افزایش بهره‌وری: یادگیری استفاده از تایپ‌اسکریپت برای نوشتن کدی تمیزتر، قابل اعتمادتر و کمتر مستعد خطا، که به افزایش بهره‌وری شما در توسعه کمک می‌کند.
• درک عمیق فناوری‌های روز: آشنایی با آخرین روندها و بهترین شیوه‌ها در زمینه هوش مصنوعی مولد و LLMs.
• فرصت‌های شغلی جدید: باز کردن درهای جدیدی برای فرصت‌های شغلی در شرکت‌های پیشرو که در حال سرمایه‌گذاری گسترده در هوش مصنوعی هستند.
• توسعه مهارت‌های حل مسئله: توانایی حل چالش‌های پیچیده مربوط به یکپارچه‌سازی AI در برنامه‌های کاربردی.

برای بهره‌برداری حداکثری از این دوره، داشتن دانش پایه در زمینه‌های زیر توصیه می‌شود:

• آشنایی با نودجی‌اس و جاوااسکریپت: درک مفاهیم اصلی نودجی‌اس، مدیریت پکیج‌ها (npm/yarn)، و برنامه‌نویسی ناهمگام (async/await, Promises).
• مفاهیم پایه تایپ‌اسکریپت: آشنایی با Syntax، Types، و Interfaces در تایپ‌اسکریپت (اگرچه مفاهیم ضروری در دوره مرور خواهند شد).
• آشنایی با APIها: درک کلی از نحوه کار RESTful APIها و ارسال درخواست‌های HTTP.
• اشتیاق به یادگیری: تمایل به یادگیری فناوری‌های جدید و حل چالش‌های پیچیده در زمینه هوش مصنوعی.

این دوره به صورت جامع و مرحله به مرحله طراحی شده است تا شما را از مفاهیم اولیه تا پیاده‌سازی پروژه‌های پیشرفته راهنمایی کند:

• مقدمه: دنیای هوش مصنوعی مولد و LLMs
  • هوش مصنوعی مولد چیست و چرا اهمیت دارد؟
  • آشنایی با مدل‌های زبانی بزرگ (LLMs) و کاربردهای آن‌ها.
  • بررسی اجمالی اکوسیستم نودجی‌اس در زمینه هوش مصنوعی.
• راه‌اندازی محیط توسعه (Node.js & TypeScript)
  • نصب Node.js و npm/yarn.
  • پیکربندی پروژه TypeScript.
  • مدیریت متغیرهای محیطی و امنیت API Keyها.
• کار با OpenAI API در Node.js
  • آشنایی با مدل‌های OpenAI (GPT-3.5, GPT-4, DALL-E, Embeddings).
  • ساخت درخواست‌های API برای تولید متن، کد، و تصاویر.
  • مدیریت پاسخ‌ها، خطاها و Token usage.
  • پیاده‌سازی توابع تولید متن و خلاصه‌سازی.
• مبانی مهندسی پرامپت
  • اصول طراحی پرامپت‌های مؤثر.
  • تکنیک‌های Few-shot Learning و Zero-shot Learning.
  • پرامپت‌های سیستمی و User-defined.
  • استفاده از JSON Output و Function Calling.
• مقدمه‌ای بر LangChain برای نودجی‌اس
  • معرفی LangChain و معماری آن.
  • اجزای اصلی LangChain: LLMs, Prompts, Output Parsers, Chains.
  • نصب و پیکربندی LangChain در پروژه TypeScript.
• ساخت Chainها و Agentها با LangChain
  • ایجاد Simple Chains و Sequential Chains.
  • مفهوم Agents و Tools در LangChain.
  • استفاده از ابزارهای داخلی و خارجی (مانند جستجو در وب، اجرای کد).
  • ساخت Agentهای خودکار برای حل مسائل پیچیده.
• مدیریت حافظه (Memory) در LangChain
  • چرا حافظه در مکالمات هوش مصنوعی مهم است؟
  • انواع مختلف حافظه در LangChain (ConversationBufferMemory, ConversationSummaryMemory).
  • پیاده‌سازی چت‌بات‌های با قابلیت حفظ مکالمه.
• سیستم‌های Retrieval Augmented Generation (RAG)
  • مفهوم RAG و اهمیت آن در دستیابی به دانش تخصصی.
  • بارگذاری اسناد (Document Loaders) و تقسیم‌بندی متن (Text Splitters).
  • تولید Embeddings و ذخیره‌سازی در Vector Databases.
  • پیاده‌سازی Retrieval Chains برای پاسخگویی به سوالات از پایگاه دانش.
• موضوعات پیشرفته و استقرار
  • بهینه‌سازی هزینه و عملکرد.
  • ملاحظات امنیتی در برنامه‌های AI.
  • مقدمه‌ای بر Fine-tuning مدل‌ها (مفاهیم تئوری).
  • استراتژی‌های استقرار (Deployment) برنامه‌های هوش مصنوعی مولد.
• پروژه‌های عملی
  • پروژه 1: ساخت یک چت‌بات مشاوره هوشمند.
  • پروژه 2: سیستم تولید محتوای خودکار برای وبلاگ.
  • پروژه 3: دستیار خلاصه‌ساز اسناد PDF.

در طول این دوره، شما با مثال‌های عملی و پروژه‌های واقعی دست و پنجه نرم خواهید کرد که به شما در درک عمیق‌تر مفاهیم کمک می‌کند:

• تولید محتوای خودکار برای وبلاگ: یک سیستم نودجی‌اس با استفاده از OpenAI API و LangChain برای تولید خودکار مقالات وبلاگ بر اساس یک موضوع مشخص، شامل عنوان، مقدمه، بدنه و نتیجه‌گیری. این سیستم می‌تواند از Chainها برای اطمینان از کیفیت و ساختاردهی محتوا استفاده کند.
• چت‌بات تعاملی با حافظه: ساخت یک چت‌بات مشتری‌مداری در نودجی‌اس که می‌تواند مکالمات قبلی را به خاطر بسپارد و پاسخ‌های شخصی‌سازی شده ارائه دهد. این چت‌بات با استفاده از Memory در LangChain و مدل‌های OpenAI قابلیت مکالمه روان و پیوسته را خواهد داشت.
• سیستم پرسش و پاسخ بر پایه اسناد (RAG): پیاده‌سازی یک سیستم که می‌تواند به سوالات پیچیده کاربران پاسخ دهد، اما تنها بر اساس اطلاعات موجود در مجموعه اسناد PDF یا متنی که شما ارائه می‌دهید (مثلاً دفترچه راهنمای محصول یا مقالات تحقیقاتی). این سیستم از Embeddings و Vector Databases برای جستجو و بازیابی دقیق اطلاعات مرتبط استفاده می‌کند.
• دستیار کدنویسی: ساخت یک ابزار ساده که با دریافت توضیحات متنی از شما، تکه‌های کد را در زبان‌های مختلف (با تمرکز بر جاوااسکریپت/تایپ‌اسکریپت) تولید می‌کند.

مهمترین دستاوردهای شما پس از اتمام این دوره شامل موارد زیر خواهد بود:

• تسلط بر OpenAI API و استفاده مؤثر از مدل‌های پیشرفته AI.
• مهارت در استفاده از LangChain برای ساخت جریان‌های کاری پیچیده هوش مصنوعی.
• توانایی مهندسی پرامپت برای گرفتن بهترین نتایج از LLMs.
• توانایی پیاده‌سازی سیستم‌های RAG برای افزودن دانش اختصاصی به LLMs.
• قابلیت توسعه برنامه‌های مقیاس‌پذیر و پایدار با استفاده از تایپ‌اسکریپت و نودجی‌اس.
• درک عمیق از معماری و اجزای برنامه‌های هوش مصنوعی مولد.