کتاب جامع ساخت سیستم‌های RAG با Google Vertex AI: از پایگاه‌داده برداری تا استقرار صنعتی با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع ساخت سیستم‌های RAG با Google Vertex AI: از پایگاه‌داده برداری تا استقرار صنعتی

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: معماری‌های بازیابی افزوده و مدل‌های بزرگ زبانی (RAG & LLMs)

📋 سرفصل‌های دوره

• 1. مفاهیم پایه معماری RAG (Retrieval-Augmentation Generation) و نقش آن در LLMها
• 2. معرفی پلتفرم Google Vertex AI و اکوسیستم ابزارهای هوش مصنوعی گوگل
• 3. استفاده از مدل‌های خانواده Gemini و PaLM 2 در Vertex AI
• 4. آماده‌سازی، پاک‌سازی و بخش‌بندی کدهای متنی (Chunking Strategies)
• 5. تولید بردارها و امبدینگ‌های متنی با استفاده از Vertex AI Embeddings
• 6. مفاهیم پایگاه‌داده‌های برداری (Vector Databases) و شاخص‌گذاری در بردارها
• 7. کار با سرویس Vertex AI Vector Search برای جستجوی شباهت پیشرفته
• 8. یکپارچه‌سازی Vertex AI با سرویس‌های ذخیره‌سازی Google Cloud Storage
• 9. ارزیابی کیفیت بازیابی اطلاعات و معیارها (Recall, Precision, MRR)
• 10. طراحی سیستم‌های جستجوی ترکیبی (Hybrid Search: Sparse + Dense)
• 11. تکنیک‌های بازیابی مجدد و رتبه‌بندی مجدد (Reranking) در سیستم‌های RAG
• 12. مدیریت پرامپت‌ها و مهندسی پرامپت متناسب با داده‌های بازیابی‌شده
• 13. جلوگیری از توهم مدل (Hallucination) و ارزیابی صحت پاسخ‌های RAG
• 14. یکپارچه‌سازی سیستم RAG با فریم‌ورک LangChain و LlamaIndex در Vertex AI
• 15. تکنیک‌های پیشرفته بازیابی: Parent-Document Retrieval و Hypothetical Document Embeddings
• 16. ارزیابی خودکار سیستم‌های RAG با فریم‌ورک RAGAS و ابزارهای Vertex AI
• 17. طراحی خطوط لوله داده (Data Pipelines) برای به‌روزرسانی مداوم پایگاه داده برداری
• 18. احراز هویت، مدیریت سطح دسترسی و امنیت داده‌ها در Vertex AI
• 19. بهینه‌سازی کارایی و مدیریت هزینه‌های پردازش ابری در Vertex AI Vector Search
• 20. طراحی APIهای RESTful و gRPC برای فراخوانی سیستم RAG در اپلیکیشن‌ها
• 21. تست، پایش (Monitoring) و عیب‌یابی سیستم‌های RAG در محیط تولید
• 22. پیاده‌سازی یک پروژه جامع عملی: ساخت چت‌بات سازمانی مبتنی بر RAG در Vertex AI