هوش مصنوعی مولد و مدل‌های زبانی

دوره‌ی هوش مصنوعی مولد و مهندسی مدل‌های زبانی بزرگ

Generative AI & LLM Engineering

آموزش توسعه‌ی کاربردهای مدل‌های زبانی بزرگ با پایتون؛ شامل طراحی پرامپت، به‌کارگیری ابزار، پروتکل MCP، بردارهای معنایی، RAG و ایجنت‌های هوش مصنوعی. این دوره به زبان فارسی و به‌صورت حضوری یا آنلاین برای تیم‌های سازمانی برگزار می‌شود.

سطح
متوسط
مدت پیشنهادی
۴ روز (۳۲ ساعت)
درس در ۱۰ بخش
۵۲
شیوه‌ی برگزاری
حضوری یا آنلاین

آنچه شرکت‌کنندگان می‌آموزند

  • فراخوانی مدل زبانی از پایتون و دریافت خروجی ساختاریافته و قابل‌اعتماد
  • طراحی آگاهانه‌ی پرامپت به‌جای آزمون و خطا
  • دادن ابزار به مدل از طریق فراخوانی تابع و پروتکل MCP
  • ساخت RAG روی اسناد سازمان با بردارهای معنایی و پایگاه داده‌ی برداری
  • ساخت اپلیکیشن با LangChain و LangGraph و آماده‌سازی آن برای استفاده‌ی واقعی

کار عملی: ابزارها، اپلیکیشن‌های RAG و ایجنت‌های هوش مصنوعی

سرفصل دوره

سرفصل شامل ۱۰ بخش و ۵۲ درس است. برنامه‌ی پیشنهادی ۴ روز آموزشی (۳۲ ساعت) است؛ مدت نهایی، تمرین‌ها و شیوه‌ی ارزیابی بر اساس سطح و نیاز تیم پیش از برگزاری تعیین می‌شوند.

  1. ۱

    کار با مدل‌های زبانی در پایتون

    ۷ درس
    • مدل‌های زبانی بزرگ چگونه کار می‌کنند
    • اولین فراخوانی مدل
    • پرامپت سیستمی و نقش‌ها
    • گفت‌وگوهای چندمرحله‌ای
    • توکن، هزینه و پاسخ جریانی
    • کنترل خروجی
    • پروژه‌ی راهنمادار: دستیار خط فرمان
  2. ۲

    مهندسی پرامپت

    ۸ درس
    • اجزای یک پرامپت قوی
    • تکنیک‌های دقیق‌سازی پرامپت
    • پرامپت با چند نمونه و تعیین نقش
    • خروجی ساختاریافته‌ی قابل‌اعتماد
    • پرامپت‌نویسی برای کارهای داده‌ای
    • ارزیابی و بهبود پرامپت‌ها
    • کاهش توهم و خروجی ناایمن
    • پروژه‌ی راهنمادار: جعبه‌ابزار پرامپت قابل استفاده‌ی دوباره
  3. ۳

    به‌کارگیری ابزار و فراخوانی تابع

    ۵ درس
    • چرا مدل‌های زبانی به ابزار نیاز دارند
    • تعریف ابزار و Schema
    • حلقه‌ی به‌کارگیری ابزار
    • ابزارهای موازی، خطاها و Schemaهای سخت‌گیرانه
    • پروژه‌ی راهنمادار: ایجنت چندابزاری برای جریان کار
  4. ۴

    پروتکل Model Context Protocol (MCP)

    ۴ درس
    • MCP چیست و چرا اهمیت دارد
    • اتصال به سرورهای MCP
    • ساخت ابزار روی MCP
    • پروژه‌ی راهنمادار: اتصال مدل به یک سرویس MCP
  5. ۵

    بردارهای معنایی و جست‌وجوی معنایی

    ۴ درس
    • بردار معنایی (Embedding) چیست
    • تولید بردارهای معنایی
    • سنجش شباهت و فاصله
    • پروژه‌ی راهنمادار: جست‌وجوی معنایی
  6. ۶

    پایگاه‌های داده‌ی برداری

    ۴ درس
    • چرا پایگاه داده‌ی برداری
    • شروع کار با Chroma
    • فراداده و فیلتر
    • پروژه‌ی راهنمادار: پایگاه دانش قابل جست‌وجو
  7. ۷

    تولید افزوده با بازیابی (RAG)

    ۵ درس
    • RAG چیست
    • ساخت جریان RAG
    • قطعه‌بندی اسناد
    • پاسخ مستند و ارجاع به منبع
    • پروژه‌ی راهنمادار: ربات پرسش و پاسخ روی مستندات
  8. ۸

    ساخت ایجنت‌های هوش مصنوعی

    ۵ درس
    • اجزای یک ایجنت
    • حلقه‌ی ایجنت
    • افزودن حافظه و ابزار به ایجنت
    • برنامه‌ریزی و کارهای چندمرحله‌ای
    • پروژه‌ی راهنمادار: دستیار پژوهشی
  9. ۹

    LangChain و LangGraph

    ۵ درس
    • چرا از چارچوب استفاده کنیم
    • مبانی LangChain
    • RAG با LangChain
    • ایجنت با LangGraph
    • پروژه‌ی راهنمادار: ایجنت مبتنی بر LangGraph
  10. ۱۰

    استقرار اپلیکیشن‌های هوش مصنوعی

    ۵ درس
    • از نمونه‌ی اولیه تا محیط عملیاتی
    • پاسخ جریانی و مدیریت خطا
    • مدیریت هزینه و توکن
    • امنیت و ارائه‌ی سرویس
    • پروژه‌ی راهنمادار: استقرار یک اپلیکیشن هوش مصنوعی

شیوه‌های برگزاری

حضوری در محل سازمان

برگزاری در محل سازمان، همراه با تمرین روی ابزارها و نمونه‌های مرتبط با کار تیم. زمان و مکان با هماهنگی تعیین می‌شود.

آنلاین و زنده

کلاس تعاملی آنلاین همراه با پرسش و پاسخ، تمرین گروهی و بازخورد مستقیم؛ مناسب تیم‌های دورکار یا پراکنده در چند شهر.

کارگاه کوتاه یا دوره‌ی جامع

از کارگاه یک‌روزه برای یک موضوع مشخص تا برنامه‌ی چندماهه برای آماده‌سازی تیم در یک مسیر تخصصی.

دوره‌های مرتبط

همه‌ی دوره‌ها

برگزاری دوره‌ی هوش مصنوعی مولد و مهندسی مدل‌های زبانی بزرگ برای تیم سازمان

تعداد و سطح شرکت‌کنندگان و زمان‌بندی مدنظر را ارسال کنید تا برنامه‌ی دوره بر همان اساس تنظیم شود.