در پایان این دوره، شما به مجموعه‌ای از مهارت‌های کلیدی دست پیدا خواهید کرد که شما را در خط مقدم توسعه اپلیکیشن‌های مبتنی بر هوش مصنوعی قرار می‌دهد. مهمترین دستاوردهای شما شامل موارد زیر خواهد بود:

• درک عمیق از مدل‌های زبانی بزرگ (LLMs): شما با مفاهیم اساسی LLMs، توانایی‌ها و محدودیت‌های آن‌ها آشنا می‌شوید و درک می‌کنید که چگونه می‌توانند در اپلیکیشن‌های شما قدرت یابند.
• کار با API چت‌جی‌پی‌تی (ChatGPT API): نحوه استفاده از API چت‌جی‌پی‌تی برای ساخت اپلیکیشن‌های مکالمه‌ای، تولید محتوا، خلاصه‌سازی و تحلیل متن را به طور عملی فرا می‌گیرید.
• پیاده‌سازی Semantic Kernel: یاد می‌گیرید چگونه از فریم‌ورک Semantic Kernel مایکروسافت برای ارکستراسیون و مدیریت پیچیده تعاملات با LLMs استفاده کنید، و قابلیت‌هایی مانند برنامه‌ریزی و حافظه را به اپلیکیشن‌های خود اضافه کنید.
• بهره‌برداری از LangChain: با اکوسیستم غنی LangChain آشنا می‌شوید و یاد می‌گیرید چگونه با استفاده از Chainها، Agentها، Loadersها و Memory، اپلیکیشن‌هایی با قابلیت‌های بازیابی اطلاعات، پاسخگویی به سوالات و اتوماسیون وظایف بسازید.
• ساخت اپلیکیشن‌های هوش مصنوعی عملی: از طریق مثال‌ها و پروژه‌های عملی، مهارت‌های خود را در ساخت چت‌بات‌های هوشمند، سیستم‌های پرسش و پاسخ، ابزارهای تولید محتوا و اپلیکیشن‌های پردازش داده با هوش مصنوعی تقویت می‌کنید.
• استراتژی‌های انتخاب ابزار: درک می‌کنید که در چه سناریوهایی استفاده از هر یک از این ابزارها (ChatGPT API، Semantic Kernel، LangChain) بهترین گزینه است و چگونه می‌توان آن‌ها را با هم ترکیب کرد تا به بهترین نتیجه رسید.

این دوره نه تنها به شما مهارت‌های فنی می‌آموزد، بلکه مزایای گسترده‌ای برای مسیر شغلی و توسعه فردی شما به همراه خواهد داشت:

• پیشرفت شغلی: با کسب مهارت در ابزارهای هوش مصنوعی پیشرفته و در حال رشد، خود را به عنوان یک توسعه‌دهنده با دانش روز مطرح کرده و فرصت‌های شغلی جدیدی را در صنعت هوش مصنوعی و توسعه نرم‌افزار باز می‌کنید.
• افزایش بهره‌وری: توانایی ساخت اپلیکیشن‌های هوشمند می‌تواند به افزایش بهره‌وری در کارهای روزمره و کسب و کار شما منجر شود، چرا که بسیاری از وظایف تکراری را می‌توان با هوش مصنوعی خودکار کرد.
• نوآوری و خلاقیت: با دسترسی به این ابزارها و درک عمیق از آن‌ها، قادر خواهید بود ایده‌های نوآورانه خود را به محصولات و سرویس‌های هوشمند و کاربردی تبدیل کنید.
• درک عمیق از اکوسیستم AI: یک دید جامع نسبت به چگونگی کارکرد و یکپارچگی ابزارهای مختلف در اکوسیستم هوش مصنوعی پیدا می‌کنید که برای طراحی سیستم‌های بزرگتر ضروری است.
• رقابتی ماندن در بازار: در دنیای فناوری که به سرعت در حال تغییر است، این دوره به شما کمک می‌کند تا همواره به‌روز باشید و از روندهای جدید و ابزارهای پیشرو عقب نمانید.
• حل مشکلات پیچیده: یاد می‌گیرید چگونه با استفاده از هوش مصنوعی، به راه‌حل‌هایی خلاقانه و کارآمد برای چالش‌های پیچیده در زمینه‌های مختلف دست یابید.

برای بهره‌برداری حداکثری از این دوره و درک مفاهیم پیچیده‌تر، داشتن پیش‌نیازهای زیر توصیه می‌شود:

• آشنایی اولیه با برنامه‌نویسی: دانش پایه در حداقل یک زبان برنامه‌نویسی (ترجیحاً پایتون، به دلیل اینکه بسیاری از نمونه‌ها و کتابخانه‌های این ابزارها در پایتون پیاده‌سازی شده‌اند) ضروری است.
• مفاهیم اساسی توسعه نرم‌افزار: درک مفاهیمی مانند API، توابع، متغیرها، ساختارهای داده‌ای و جریان کنترل برنامه مفید خواهد بود.
• آشنایی کلی با اینترنت و وب: درک نحوه عملکرد وب‌سایت‌ها، سرویس‌های مبتنی بر وب و پروتکل‌های ارتباطی پایه (مانند HTTP).
• علاقه و کنجکاوی به هوش مصنوعی: داشتن شور و اشتیاق برای یادگیری و کاوش در دنیای هوش مصنوعی و مدل‌های زبانی بزرگ، که انگیزه شما برای پیشرفت را افزایش می‌دهد.

این دوره به صورت ساختاریافته، شما را گام به گام در مسیر ساخت اپلیکیشن‌های هوش مصنوعی راهنمایی می‌کند:

بخش ۱: مقدمه‌ای بر هوش مصنوعی و مدل‌های زبانی بزرگ (LLMs)

• اهمیت هوش مصنوعی در توسعه نرم‌افزار مدرن: بررسی اینکه چرا هوش مصنوعی به یک ضرورت در اپلیکیشن‌های امروزی تبدیل شده و چگونه در صنایع مختلف انقلابی ایجاد کرده است.
• معرفی مدل‌های زبانی بزرگ (LLMs): آشنایی با تاریخچه، معماری، توانایی‌ها و محدودیت‌های LLMs، از جمله مدل‌های GPT.
• مروری بر ChatGPT و API آن: چگونگی دسترسی و تعامل با مدل‌های پیشرفته OpenAI از طریق رابط برنامه‌نویسی کاربردی (API).
• تنظیم محیط توسعه: راهنمای گام به گام برای نصب ابزارهای لازم، مدیریت کلیدهای API و آماده‌سازی فضای کاری برای کدنویسی.
• مثال عملی: یک برنامه “Hello World” ساده با فراخوانی اولیه API چت‌جی‌پی‌تی برای دریافت اولین پاسخ هوش مصنوعی.

بخش ۲: تسلط بر API چت‌جی‌پی‌تی و مهندسی پرامپت

• ساختار فراخوانی API: جزئیات پارامترها و تنظیمات مختلف (مانند temperature برای کنترل خلاقیت، max_tokens برای محدودیت طول پاسخ و top_p) برای بهینه‌سازی خروجی مدل.
• نقش‌ها در مکالمات (System, User, Assistant): چگونگی استفاده استراتژیک از این نقش‌ها برای هدایت دقیق رفتار مدل و ایجاد مکالمات منطقی و پایدار.
• تکنیک‌های مهندسی پرامپت: کاوش در روش‌های پیشرفته مانند Zero-shot، Few-shot learning و Chain-of-Thought برای استخراج بهترین و دقیق‌ترین پاسخ‌ها از مدل.
• مدیریت توکن‌ها و هزینه‌ها: استراتژی‌های بهینه‌سازی استفاده از API برای کارایی بیشتر و صرفه‌جویی در هزینه‌ها.
• مثال عملی: ساخت یک چت‌بات ساده با قابلیت حفظ زمینه مکالمه (context awareness) برای تعاملات طبیعی‌تر و کارآمدتر.

بخش ۳: ورود به Semantic Kernel مایکروسافت

• معرفی Semantic Kernel: فلسفه، معماری و کاربردهای SK به عنوان یک SDK قدرتمند برای یکپارچه‌سازی LLMs با کدهای نرم‌افزاری موجود.
• مفاهیم اصلی SK: آشنایی با اجزای سازنده مانند Skills (Native/Semantic Functions), Prompts, Planners و Memory که به شما امکان می‌دهند سیستم‌های پیچیده‌تری بسازید.
• ایجاد و فراخوانی توابع معنایی (Semantic Functions): نوشتن توابعی که از LLM برای انجام وظایف خاصی (مانند خلاصه‌سازی، ترجمه یا تحلیل احساسات) استفاده می‌کنند.
• برنامه‌ریزی با Planners: چگونگی ساخت وظایف پیچیده و چند مرحله‌ای با ترکیب منطقی چندین تابع معنایی و ابزار.
• مدیریت حافظه: افزودن قابلیت حافظه به اپلیکیشن‌های SK برای تعاملات پایدارتر و شخصی‌سازی شده با کاربر.
• مثال عملی: پیاده‌سازی یک ابزار خلاصه‌سازی متن هوشمند با استفاده از Semantic Kernel و قابلیت افزودن زمینه (context) به آن برای خلاصه‌سازی دقیق‌تر.

بخش ۴: کاوش در LangChain

• معرفی LangChain: مروری جامع بر اجزا و ماژول‌های اصلی این فریم‌ورک محبوب، شامل Models, Prompts, Chains, Agents, Memory, Document Loaders و Indexes.
• ساخت Chainها: چگونگی ترکیب LLMs با دیگر کامپوننت‌ها برای انجام وظایف پیچیده و مرحله‌ای (مثلاً Chainهای Seq2Seq برای تبدیل متن، یا Retrieval QA Chain برای پرسش و پاسخ).
• عوامل هوشمند (Agents): ساخت Agentهایی که می‌توانند تصمیم بگیرند، عمل کنند و از ابزارهای مختلف (Tools) برای رسیدن به هدف نهایی استفاده کنند.
• یکپارچه‌سازی داده‌ها: استفاده از Document Loaders برای بارگذاری داده‌ها از منابع مختلف و Embeddings برای کار با داده‌های غیرساختاریافته و ساخت سیستم‌های بازیابی اطلاعات (Retrieval Augmented Generation – RAG).
• مدیریت حافظه در LangChain: پیاده‌سازی انواع حافظه (مانند حافظه مکالمه، حافظه بافر) برای حفظ تاریخچه و زمینه مکالمات.
• مثال عملی: ساخت یک سیستم پرسش و پاسخ (Q&A) قدرتمند بر روی اسناد دلخواه با استفاده از LangChain و تکنیک RAG.

بخش ۵: ترکیب ابزارها و ساخت اپلیکیشن‌های پیشرفته

• استراتژی‌های یکپارچه‌سازی: بررسی سناریوهای مختلف و تصمیم‌گیری هوشمندانه در مورد اینکه چه زمانی از SK استفاده کنیم، چه زمانی از LangChain و چه زمانی می‌توانیم قدرت هر دو را با هم ترکیب کنیم.
• ساخت اپلیکیشن‌های end-to-end: طراحی و پیاده‌سازی یک اپلیکیشن کامل و جامع مبتنی بر هوش مصنوعی، از رابط کاربری (Frontend) تا منطق LLM و پایگاه داده (Backend).
• ملاحظات استقرار (Deployment): نکات و بهترین شیوه‌ها برای دیپلوی کردن اپلیکیشن‌های هوش مصنوعی در محیط‌های تولید (production) و مقیاس‌پذیری آن‌ها.
• تست و بهینه‌سازی: چگونگی ارزیابی عملکرد اپلیکیشن‌های هوش مصنوعی، شناسایی مشکلات و بهینه‌سازی آن‌ها برای دقت، سرعت و کارایی بهتر.
• پروژه پایانی: یک پروژه کامل شامل طراحی، توسعه و استقرار یک اپلیکیشن هوش مصنوعی پیشرفته، مانند یک دستیار هوشمند برای مدیریت دانش سازمان یا یک ابزار خودکار برای تولید محتوا.