هوش مصنوعی مولد و مدل‌های زبانی

دوره‌ی هوش مصنوعی مولد و مهندسی مدل‌های زبانی بزرگ

Generative AI & LLM Engineering

ساخت اپلیکیشن‌های واقعی با مدل‌های زبانی بزرگ: طراحی پرامپت، به‌کارگیری ابزار، پروتکل MCP، بردارهای معنایی، RAG و ایجنت‌های هوش مصنوعی، با تمرین عملی در پایتون. این دوره برای تیم‌های سازمانی، به‌صورت حضوری یا آنلاین و به زبان فارسی برگزار می‌شود.

سطح
متوسط
مدت دوره
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

۱۰ بخش و ۵۲ درس، در ۴ روز آموزشی (۳۲ ساعت، هر روز ۸ ساعت). سرفصل، مدت و تمرین‌ها متناسب با سطح و نیاز تیم شما تنظیم می‌شود.

  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
    • چه چیزی یک ایجنت را می‌سازد
    • حلقه‌ی ایجنت
    • دادن 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 کلاس در سازمان شما، با تمرین روی ابزارها و نمونه‌هایی نزدیک به کار روزانه‌ی تیم. زمان و مکان با هماهنگی تعیین می‌شود.

آنلاین و زنده

کلاس‌های تعاملی آنلاین با پرسش و پاسخ، تمرین گروهی و بازخورد مستقیم؛ مناسب تیم‌هایی که در چند شهر یا دورکار هستند.

کارگاه کوتاه یا دوره‌ی جامع

از کارگاه یک‌روزه برای یک موضوع مشخص تا دوره‌ی چندماهه برای آماده‌کردن تیم در یک مسیر شغلی کامل.

دوره‌های مرتبط

همه‌ی دوره‌ها

برگزاری دوره‌ی هوش مصنوعی مولد و مهندسی مدل‌های زبانی بزرگ در سازمان شما

تعداد شرکت‌کنندگان، سطح تیم و زمان مدنظر را بفرستید تا برای نیازسنجی و هماهنگی برنامه‌ی دوره با شما تماس گرفته شود.