این دوره به گونه‌ای طراحی شده است که شرکت‌کنندگان را از مفاهیم پایه‌ای هوش مصنوعی مولد تا پیاده‌سازی پروژه‌های پیشرفته با AWS Bedrock، به صورت گام به گام همراهی کند. در پایان این دوره، شما قادر خواهید بود:

• مفاهیم اصلی هوش مصنوعی مولد را درک کنید: شامل تفاوت‌های آن با هوش مصنوعی سنتی، کاربردها و پتانسیل‌های بی‌نظیر آن در صنایع مختلف.
• با AWS Bedrock به طور کامل آشنا شوید: معماری، قابلیت‌ها و مزایای استفاده از این سرویس مدیریت‌شده و مقیاس‌پذیر آمازون برای توسعه اپلیکیشن‌های هوش مصنوعی.
• با انواع مدل‌های بنیادین کار کنید: از جمله مدل‌های متنی پیشرو (مانند Anthropic Claude و Amazon Titan Text)، مدل‌های تبدیل متن به تصویر (مانند Stable Diffusion) و مدل‌های کدنویسی، و نحوه انتخاب مدل مناسب برای هر وظیفه.
• تکنیک‌های مهندسی پرامپت (Prompt Engineering) پیشرفته را فرا بگیرید: چگونه پرامپت‌های موثر و بهینه برای دستیابی به بهترین خروجی از مدل‌های هوش مصنوعی مولد طراحی کنید، شامل استراتژی‌هایی مانند Few-shot learning، Chain-of-thought و Self-consistency.
• برنامه‌های کاربردی هوش مصنوعی مولد را توسعه دهید: با استفاده از API و SDK AWS Bedrock در زبان‌های برنامه‌نویسی مختلف، به ویژه Python و کتابخانه Boto3.
• با تکنیک Retrieval Augmented Generation (RAG) کار کنید: برای افزایش دقت، مرتبط بودن و کاهش هالوسینیشن در پاسخ‌های مدل‌های هوش مصنوعی با استفاده از داده‌های اختصاصی و داخلی سازمان شما.
• روش‌های سفارشی‌سازی و بهبود مدل‌ها را بیاموزید: در صورت نیاز به تطبیق مدل‌های بنیادین با وظایف و داده‌های خاص خود، از قابلیت‌های Fine-tuning و Customization در Bedrock بهره‌برداری کنید.
• روش‌های ارزیابی و مانیتورینگ عملکرد مدل‌ها را درک کنید: اطمینان از عملکرد بهینه، شناسایی و رفع مشکلات احتمالی در محیط‌های تولید.
• به ملاحظات اخلاقی و مسئولیت‌پذیری در هوش مصنوعی مولد بپردازید: برای توسعه سیستم‌های هوش مصنوعی عادلانه، شفاف و قابل اعتماد.
• پروژه‌های عملی و کاربردی را پیاده‌سازی کنید: که تجربه عملی شما را در استفاده از Bedrock تقویت می‌کنند و شما را برای ورود به بازار کار آماده می‌سازند.

شرکت در این دوره نه تنها دانش شما را در زمینه هوش مصنوعی مولد افزایش می‌دهد، بلکه مهارت‌های عملی شما را نیز به سطح بالاتری ارتقا می‌بخشد و مزایای متعددی را برای شما به همراه خواهد داشت:

• کسب مهارت‌های مورد نیاز بازار کار: هوش مصنوعی مولد و AWS Bedrock از داغ‌ترین و پرتقاضاترین حوزه‌ها در صنعت تکنولوژی هستند و تسلط بر آن‌ها آینده شغلی شما را تضمین می‌کند.
• یادگیری از طریق پروژه محور: تمرکز دوره بر پروژه‌های واقعی و عملی به شما اطمینان می‌دهد که می‌توانید آموخته‌های خود را بلافاصله به کار بگیرید و نمونه‌کارهای قدرتمندی برای ارائه داشته باشید.
• آمادگی برای آینده شغلی: با تسلط بر این تکنولوژی‌های پیشرفته، خود را برای نقش‌های آینده در توسعه AI، مهندسی یادگیری ماشین و Cloud آماده می‌کنید و از رقبا پیشی می‌گیرید.
• دسترسی آفلاین و راحت: محتوای دوره بر روی یک فلش مموری ۳۲ گیگابایتی ارائه می‌شود، بنابراین نیازی به اتصال دائم به اینترنت برای مشاهده دروس نخواهید داشت و می‌توانید در هر زمان و مکانی به آموزش‌ها دسترسی داشته باشید، این ویژگی برای افرادی که دسترسی محدود به اینترنت دارند یا ترجیح می‌دهند بدون حواس‌پرتی مطالعه کنند، ایده‌آل است.
• به‌روزرسانی محتوا: این دوره بر اساس آخرین تغییرات و به‌روزرسانی‌های AWS Bedrock در سال ۲۰۲۴ طراحی شده است، بنابراین از جدیدترین اطلاعات و قابلیت‌ها بهره‌مند خواهید شد و دانش شما همواره به‌روز خواهد بود.
• یادگیری جامع و ساختاریافته: از مفاهیم پایه تا مباحث پیشرفته، تمامی جنبه‌های کار با AWS Bedrock به صورت سازمان‌یافته و قدم به قدم پوشش داده شده است.

برای بهره‌برداری حداکثری از محتوای این دوره ارزشمند، داشتن پیش‌زمینه‌های زیر توصیه می‌شود:

• آشنایی اولیه با مفاهیم Cloud Computing: به ویژه با خدمات پایه AWS (مانند EC2, S3, IAM) آشنا باشید، هرچند توضیحات لازم در مورد Bedrock ارائه خواهد شد.
• دانش پایه برنامه‌نویسی: تجربه کار با زبان Python و آشنایی با مفاهیم شی‌گرایی، ساختارهای داده و کتابخانه‌های رایج آن به شدت توصیه می‌شود، زیرا مثال‌ها و پروژه‌ها عمدتاً با Python پیاده‌سازی خواهند شد.
• علاقه به هوش مصنوعی و یادگیری ماشین: تمایل به کشف و کار با تکنولوژی‌های نوین در زمینه هوش مصنوعی و یادگیری ماشین برای انگیزه و پیشرفت در دوره ضروری است.
• کامپیوتر مناسب: یک سیستم کامپیوتری با قابلیت اجرای محیط‌های توسعه (مانند VS Code) و ابزارهای مورد نیاز برای برنامه‌نویسی.

این دوره به بخش‌های مختلفی تقسیم شده است تا یادگیری را برای شما آسان‌تر و ساختارمندتر کند و تمامی جنبه‌های AWS Bedrock و هوش مصنوعی مولد را پوشش دهد:

• بخش ۱: مقدمه‌ای بر هوش مصنوعی مولد و AWS Bedrock
  • تعریف و مفهوم هوش مصنوعی مولد و تفاوت آن با سایر شاخه‌های AI
  • بررسی کاربردهای هوش مصنوعی مولد در صنایع مختلف (تجارت، هنر، علم و…)
  • معرفی جامع AWS Bedrock: چرا و چگونه این سرویس می‌تواند انقلابی در توسعه AI ایجاد کند؟
  • مقایسه Bedrock با سایر سرویس‌های AI/ML آمازون و انتخاب بهترین گزینه
  • تنظیم محیط توسعه و پیکربندی دسترسی به Bedrock در حساب AWS شما
• بخش ۲: کاوش مدل‌های بنیادین (Foundation Models) در Bedrock
  • مروری جامع بر مدل‌های متنی (Text FMs) مانند Anthropic Claude، AI21 Labs Jurassic و Amazon Titan Text
  • کاوش مدل‌های تبدیل متن به تصویر (Text-to-Image FMs) مانند Stability AI Stable Diffusion و کاربردهای آنها
  • آشنایی با مدل‌های Code Generative (تولید کد) و قابلیت‌های آن‌ها در تسریع توسعه
  • درک پارامترهای مختلف مدل (مانند دما، Top-P و Max Tokens) و تأثیر آن‌ها بر خروجی
• بخش ۳: مهندسی پرامپت (Prompt Engineering) پیشرفته
  • اصول طراحی پرامپت‌های موثر و کارآمد برای دستیابی به خروجی‌های دقیق و مرتبط
  • تکنیک‌های پیشرفته مهندسی پرامپت: Few-shot prompting، Chain-of-Thought، Tree-of-Thought و Self-consistency
  • پرامپتینگ برای وظایف مختلف: خلاصه‌سازی، ترجمه، پرسش و پاسخ، ایده‌پردازی، بازنویسی و موارد دیگر
  • نکات و ترفندها برای بهینه‌سازی خروجی مدل و رفع مشکلات رایج پرامپتینگ
• بخش ۴: توسعه برنامه‌ها با AWS Bedrock API و SDK
  • استفاده از Boto3 (SDK پایتون برای AWS) برای تعامل برنامه‌نویسی با Bedrock
  • ساخت توابع و کلاس‌ها برای فراخوانی مدل‌های مختلف و مدیریت ورودی/خروجی
  • مدیریت خطاها، محدودیت‌های نرخ (Rate Limiting) و بهینه‌سازی فراخوانی‌ها
  • ساخت یک رابط کاربری ساده برای تعامل با مدل‌ها و تست سریع ایده‌ها
• بخش ۵: پیاده‌سازی Retrieval Augmented Generation (RAG)
  • مقدمه‌ای بر RAG و اهمیت آن در افزایش دقت و مرتبط بودن پاسخ‌های مدل‌های مولد
  • انتخاب و آماده‌سازی پایگاه داده دانش (Knowledge Base) برای RAG
  • استفاده از Amazon Kendra یا OpenSearch به عنوان پایگاه داده برداری (Vector Database)
  • ساخت یک سیستم پرسش و پاسخ (Q&A) مبتنی بر RAG با استفاده از داده‌های اختصاصی شما
• بخش ۶: سفارشی‌سازی و بهبود مدل‌ها (Fine-tuning و Customization)
  • مفاهیم Fine-tuning و Customization در Bedrock و تفاوت‌های آنها
  • آماده‌سازی داده‌ها برای Fine-tuning و انتخاب روش مناسب
  • پیاده‌سازی Fine-tuning بر روی مدل‌های انتخاب شده (در صورت پشتیبانی Bedrock و مدل مورد نظر)
  • ارزیابی و مقایسه عملکرد مدل‌های سفارشی‌شده با مدل‌های پایه
• بخش ۷: استقرار، مانیتورینگ و ملاحظات عملی
  • استقرار برنامه‌های Bedrock در محیط‌های تولید و استراتژی‌های آن
  • مانیتورینگ عملکرد مدل، کیفیت خروجی و لاگ‌برداری برای عیب‌یابی
  • امنیت و مدیریت دسترسی (IAM) در Bedrock برای کنترل دسترسی‌ها
  • ملاحظات هزینه و بهینه‌سازی بودجه در استفاده از خدمات Bedrock
  • مسائل اخلاقی، تعصبات (Bias) و مسئولیت‌پذیری در توسعه AI مولد
• بخش ۸: پروژه‌های عملی (Hands-on Projects)
  • پروژه ۱: ساخت یک چت‌بات هوشمند و تعاملی با استفاده از مدل Claude و Bedrock
  • پروژه ۲: توسعه ابزاری برای تولید خودکار محتوای بازاریابی (شعار، پست شبکه‌های اجتماعی) با Titan Text و Stable Diffusion
  • پروژه ۳: پیاده‌سازی یک سیستم خلاصه‌سازی و استخراج اطلاعات کلیدی از اسناد طولانی و پیچیده
  • پروژه ۴: تولید کد و کمک به برنامه‌نویسی (Code Generation and Completion) با استفاده از مدل‌های کد Bedrock
  • پروژه ۵: توسعه یک ابزار تحلیل احساسات پیشرفته با هوش مصنوعی مولد بر اساس ورودی‌های متنی کاربران