AWS Bedrock یک سرویس کاملاً مدیریت‌شده از آمازون است که به توسعه‌دهندگان و شرکت‌ها امکان می‌دهد تا به مجموعه‌ای از مدل‌های بنیادی (Foundation Models – FMs) با کارایی بالا دسترسی داشته باشند و از آن‌ها برای ساخت اپلیکیشن‌های هوش مصنوعی مولد استفاده کنند. دلایل اصلی انتخاب و یادگیری AWS Bedrock عبارتند از:

• دسترسی به مدل‌های پیشرفته: Bedrock به شما امکان می‌دهد با مدل‌های پیشرو از شرکت‌هایی مانند Anthropic (Claude)، AI21 Labs، Cohere، Stability AI و مدل‌های Titan خود آمازون کار کنید. این تنوع، انتخاب بهترین مدل برای نیازهای خاص شما را فراهم می‌کند.
• سادگی و سرعت توسعه: با Bedrock، نیازی به مدیریت زیرساخت‌های پیچیده ندارید. این سرویس APIهای ساده‌ای را برای تعامل با مدل‌ها ارائه می‌دهد که به شما کمک می‌کند تا به سرعت پروتوتایپ بسازید و اپلیکیشن‌های خود را به تولید برسانید.
• مقیاس‌پذیری و قابلیت اطمینان: Bedrock بر بستر زیرساخت قدرتمند AWS ساخته شده است که مقیاس‌پذیری، امنیت و قابلیت اطمینان لازم برای اپلیکیشن‌های سازمانی را تضمین می‌کند.
• سفارشی‌سازی مدل‌ها: شما می‌توانید مدل‌های بنیادی را با داده‌های اختصاصی خود سفارشی‌سازی (Fine-tune) کنید تا عملکرد آن‌ها را برای وظایف خاص بهبود بخشید و هوش مصنوعی را متناسب با نیازهای کسب‌وکار خود بسازید.
• امنیت داده‌ها: Bedrock امکانات امنیتی قوی AWS را برای محافظت از داده‌های شما و اطمینان از حریم خصوصی اطلاعات فراهم می‌کند.

این دوره به گونه‌ای طراحی شده است که شما را از مفاهیم اولیه تا پیاده‌سازی‌های پیشرفته در حوزه هوش مصنوعی مولد و AWS Bedrock مسلط کند. پس از اتمام دوره، شما قادر خواهید بود:

• مفاهیم بنیادی هوش مصنوعی مولد، معماری مدل‌های زبانی بزرگ (LLMs) و ترانسفورمرها را درک کنید.
• با سرویس AWS Bedrock آشنا شوید و نحوه فعال‌سازی و تنظیمات اولیه آن را بیاموزید.
• با استفاده از APIها و SDKهای Bedrock (مانند Boto3 در پایتون) با انواع مدل‌های بنیادی تعامل برقرار کنید.
• تکنیک‌های پیشرفته مهندسی پرامپت (Prompt Engineering) را برای بهبود نتایج مدل‌ها فرا بگیرید.
• سیستم‌های تولید مبتنی بر بازیابی (Retrieval Augmented Generation – RAG) را با استفاده از Bedrock و خدمات مرتبط مانند Amazon S3، Amazon Kendra یا OpenSearch Serverless پیاده‌سازی کنید.
• با Agents for Bedrock آشنا شوید و عوامل هوش مصنوعی (AI Agents) بسازید که می‌توانند وظایف پیچیده‌ای را انجام دهند و با ابزارهای خارجی تعامل داشته باشند.
• مدل‌های بنیادی را با استفاده از داده‌های خودتان سفارشی‌سازی (Fine-tune) کرده و مدل‌های اختصاصی بسازید.
• اصول MLOps و بهترین روش‌ها برای استقرار، مانیتورینگ و مدیریت اپلیکیشن‌های هوش مصنوعی مولد در مقیاس بزرگ را بیاموزید.
• پروژه‌های عملی متنوعی از جمله چت‌بات‌های هوشمند، ابزارهای تولید محتوا، خلاصه‌ساز متن و تحلیلگر احساسات را پیاده‌سازی کنید.

این دوره به صورت ماژولار و گام‌به‌گام طراحی شده است تا تجربه یادگیری روان و موثری را برای شما فراهم کند:

• ماژول ۱: مقدمه‌ای بر هوش مصنوعی مولد و AWS Bedrock
  • مفاهیم اساسی Generative AI و کاربردهای آن
  • آشنایی با مدل‌های بنیادی (FMs) و تفاوت آن‌ها
  • معرفی AWS Bedrock و جایگاه آن در اکوسیستم AWS
  • تنظیمات اولیه و دسترسی به Bedrock در کنسول AWS
• ماژول ۲: تعامل با مدل‌های بنیادی
  • کار با مدل‌های متنی (Text Models) مانند Claude، Titan Text
  • کار با مدل‌های Embeddings و کاربرد آن‌ها
  • کار با مدل‌های تصویری (Image Models) مانند Stable Diffusion
  • استفاده از AWS SDK (Boto3) برای فراخوانی APIهای Bedrock
  • مدیریت ورودی و خروجی مدل‌ها
• ماژول ۳: مهندسی پرامپت پیشرفته و سفارشی‌سازی
  • تکنیک‌های پرامپتینگ: Few-shot, Chain-of-Thought, Zero-shot
  • کار با Custom Models در Bedrock
  • مفاهیم و روش‌های Fine-tuning مدل‌های بنیادی
  • تهیه داده‌ها برای سفارشی‌سازی و ارزیابی مدل‌های سفارشی‌شده
• ماژول ۴: معماری‌های RAG و پایگاه‌های دانش
  • مفهوم RAG و چرایی استفاده از آن
  • ساخت Vector Store با OpenSearch Serverless یا Pinecone
  • استفاده از Amazon Kendra برای بازیابی اطلاعات
  • ادغام RAG با Bedrock برای ساخت چت‌بات‌های مبتنی بر دانش اختصاصی
• ماژول ۵: ساخت عوامل هوش مصنوعی با Agents for Bedrock
  • مقدمه‌ای بر عوامل هوش مصنوعی و کاربردهای آن‌ها
  • طراحی و پیاده‌سازی Agents برای انجام وظایف چند مرحله‌ای
  • اتصال Agents به ابزارها (Tools) و APIهای خارجی
  • مدیریت Session و مکالمات پیچیده
• ماژول ۶: استقرار، امنیت و MLOps برای Generative AI
  • استقرار اپلیکیشن‌های Bedrock با AWS Lambda و API Gateway
  • مانیتورینگ و لاگینگ با CloudWatch
  • مدیریت دسترسی‌ها با AWS IAM برای Bedrock
  • امنیت داده‌ها و مدل‌ها در Bedrock
  • اصول MLOps در توسعه Generative AI
• ماژول ۷: پروژه‌های عملی و بهترین روش‌ها
  • پروژه ۱: ساخت یک چت‌بات پاسخگو به سوالات سازمانی
  • پروژه ۲: سیستم تولید محتوای خودکار برای بازاریابی
  • پروژه ۳: خلاصه‌ساز پیشرفته متون طولانی
  • بهترین روش‌ها برای بهینه‌سازی هزینه و عملکرد در Bedrock

برای بهره‌برداری حداکثری از این دوره، داشتن دانش و مهارت‌های زیر توصیه می‌شود:

• آشنایی با مفاهیم پایه‌ای برنامه‌نویسی پایتون: تسلط بر مباحث پایه مانند ساختار داده‌ها، توابع و شی‌گرایی.
• آشنایی مقدماتی با AWS: درک کلی از سرویس‌های اصلی AWS مانند IAM (برای مدیریت دسترسی‌ها)، S3 (برای ذخیره‌سازی) و Lambda (برای توابع بدون سرور).
• مفاهیم اولیه هوش مصنوعی: آشنایی با کلیات یادگیری ماشین و هوش مصنوعی می‌تواند مفید باشد، اما برای شروع کار با Generative AI در این دوره الزامی نیست.

تمرکز این دوره بر یادگیری عملی و پروژه‌محور است. شما با پیاده‌سازی مثال‌های واقعی، آموخته‌های خود را تثبیت خواهید کرد. برخی از این مثال‌ها شامل:

• چت‌بات تعاملی مشتریان: ساخت یک چت‌بات که می‌تواند به سوالات متداول مشتریان پاسخ دهد و حتی اطلاعات را از پایگاه‌های دانش داخلی بازیابی کند.
• تولید محتوای خودکار: سیستمی برای تولید مقالات کوتاه، پست‌های شبکه‌های اجتماعی یا توضیحات محصول بر اساس ورودی‌های محدود.
• خلاصه‌ساز اسناد: ابزاری برای خلاصه‌سازی سریع و دقیق اسناد طولانی، گزارش‌ها یا مقالات تحقیقاتی.
• دستیار کدنویسی: یک عامل هوش مصنوعی که می‌تواند به شما در نوشتن یا تکمیل کد در زبان‌های برنامه‌نویسی مختلف کمک کند.

این پروژه‌ها به شما کمک می‌کنند تا مهارت‌های خود را در مواجهه با چالش‌های واقعی توسعه اپلیکیشن‌های هوش مصنوعی مولد تقویت کنید.

یکی از ویژگی‌های بارز و منحصر به فرد این دوره، نحوه ارائه آن است. برخلاف اکثر دوره‌های آنلاین که نیاز به اتصال دائمی به اینترنت دارند، تمامی محتوای این دوره شامل:

• ویدئوهای آموزشی با کیفیت بالا
• فایل‌های کد منبع و اسلایدهای آموزشی
• منابع تکمیلی و کتابخانه‌ها

همگی بر روی یک فلش مموری ۳۲ گیگابایتی با کیفیت بالا ارائه می‌شوند. این روش ارائه مزایای متعددی دارد:

• دسترسی آفلاین: شما می‌توانید در هر زمان و مکانی، بدون نیاز به اتصال اینترنت، به محتوای دوره دسترسی داشته باشید. این برای افرادی که دسترسی محدود به اینترنت دارند یا ترجیح می‌دهند بدون حواس‌پرتی آنلاین مطالعه کنند، ایده‌آل است.
• دسترسی دائمی: محتوای دوره برای همیشه در اختیار شماست و نیازی به نگرانی بابت محدودیت زمانی دسترسی به پلتفرم‌های آنلاین ندارید.
• قابلیت حمل آسان: فلش مموری به راحتی قابل حمل است و می‌توانید محتوای دوره را با خود به هر کجا ببرید و روی هر کامپیوتری استفاده کنید.