آموزش مهندسی هوش مصنوعی عامل‌محور (Agentic AI) در AWS - آخرین آپدیت

دانلود Agentic AI Engineering on AWS

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تسلط بر توسعه عامل‌های هوش مصنوعی: گیت‌وی‌ها، RAG، پروتکل MCP، سیستم‌های چند-عاملی و زیرساخت AWS طراحی و ساخت عامل‌های هوش مصنوعی در سطح صنعتی (Production-grade) با استفاده از الگوهای معماری واقعی ساخت گردش‌کارهای چند-عاملی همراه با ارزیاب‌ها، ارکستراسیون و تفویض اختیار ایجاد گیت‌وی‌های LLM، حافظه و بازیابی برای دستیابی به معماری پاک (Clean Architecture) استقرار عامل‌های هوش مصنوعی در AWS با استفاده از Terraform، EKS و Kubernetes پیش نیازها: دانش پایه برنامه‌نویسی پایتون آشنایی با سرویس‌های AWS (مانند IAM، EC2، EKS یا مفاهیم کلی ابری) تسلط به استفاده از خط فرمان (Command Line) و داکر (Docker)

عامل‌های هوش مصنوعی (AI Agents) همه جا هستند، اما سیستم‌های هوش مصنوعی صنعتی خیر.

بسیاری از دوره‌ها در حد پرامپت‌نویسی و دموها متوقف می‌شوند. این دوره به شما می‌آموزد چگونه یک پلتفرم هوش مصنوعی عامل‌محور در سطح صنعتی را روی AWS طراحی، ساخته و مستقر کنید؛ دقیقاً همان روشی که تیم‌های مهندسی برای ساخت سیستم‌های مقیاس‌پذیر واقعی به کار می‌برند.

در ۳۱ درس عملی، شما یک پلتفرم کامل چند-سرویسی را از پایه با استفاده از Python، AWS Bedrock (مدل‌های Claude و Titan)، Terraform، Kubernetes (EKS)، FastAPI، Docker و Helm خواهید ساخت. این یک پروژه ساده نیست، بلکه یک سیستم کامل صنعتی شامل احراز هویت، حافظه، بازیابی، ارکستراسیون، قابلیت مشاهده (Observability) و ارتباطات امن سرویس-به-سرویس است که روی زیرساخت واقعی AWS مستقر می‌شود.

آنچه خواهید ساخت و بیاموزید:

  • الگوهای AI عامل‌محور: زنجیره‌سازی، مسیریابی، موازی‌سازی، گردش‌کارهای ارکستراتور-ورکر و ارزیاب-بهینه‌ساز با استفاده از LangGraph و Strands Agents

  • تولید تقویت‌شده با بازیابی (RAG) با استفاده از Bedrock Knowledge Bases، جستجوی برداری OpenSearch و یک گیت‌وی بازیابی اختصاصی

  • سیستم‌های چند-عاملی با قابلیت تفویض اختیار، استفاده از ابزارها، فراخوانی توابع و پروتکل کانتکست مدل (MCP)

  • معماری LLM Gateway: مسیریابی مدل، انتزاع، استریمینگ و کنترل هزینه در مدل‌های زبانی بزرگ

  • مدیریت حافظه و وضعیت با PostgreSQL (Aurora)، Redis (ElastiCache) و حافظه پایدار عامل‌ها

  • قابلیت مشاهده و مانیتورینگ با OpenTelemetry، AWS X-Ray و CloudWatch برای ردیابی کامل فعالیت عامل‌ها

  • زیرساخت به عنوان کد (IaC): ایجاد و استقرار تمامی موارد با Terraform و Kubernetes (EKS) با استفاده از Helm Chartهای صنعتی

  • اصول مهندسی پرامپت: زنجیره افکار (CoT)، مثال‌های Few-shot و تکنیک‌های ارزیابی ساختاریافته

چه چیزی این دوره را متمایز می‌کند:

شما فقط کد کپی نخواهید کرد. هر تصمیم معماری توضیح داده می‌شود؛ اینکه چرا هر سرویس وجود دارد، چه سبک و سنگین‌هایی (Trade-offs) در نظر گرفته شده و اجزا چگونه با هم جفت می‌شوند. شما یاد می‌گیرید چگونه از یک پروتوتایپ ساده در نوت‌بوک به یک پلتفرم هوش مصنوعی مقیاس‌پذیر، امن و آماده برای سازمان‌های بزرگ برسید.

این دوره برای چه کسانی است:

  • مهندسان نرم‌افزار، توسعه‌دهندگان بک‌اند و مهندسان DevOps/Platform که قصد ساخت اپلیکیشن‌های صنعتی مبتنی بر LLM را دارند

  • مهندسان ML و دانشمندان داده که می‌خواهند از مرحله آزمایش به سیستم‌های صنعتی AI عامل‌محور منتقل شوند

  • مدیران فنی و معمارانی که در حال ارزیابی ساختار پلتفرم‌های هوش مصنوعی برای سازمان خود هستند

پیش‌نیازها:

  • تسلط متوسط به زبان پایتون

  • آشنایی اولیه با AWS (برای بخش‌های عملی به حساب AWS نیاز است)

  • تسلط به خط فرمان و کانتینرها (مبانی Docker)

  • آشنایی اولیه با Kubernetes و Terraform برای بخش‌های استقرار مفید است اما الزامی نیست

  • بدون نیاز به تجربه قبلی در AI/ML؛ ما پیش از ورود به مباحث عمیق، اصول پایه را پوشش می‌دهیم

در پایان این دوره، شما مهارت و اعتماد به نفس لازم برای معماری، استقرار و مدیریت سیستم‌های هوش مصنوعی عامل‌محور در محیط‌های واقعی سازمانی را خواهید داشت. ساخت دمو را متوقف کنید و ساخت پلتفرم‌های صنعتی هوش مصنوعی را آغاز کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • آنچه می‌سازیم: پلتفرم کامل What We're Building: The Complete Platform

  • راه اندازی محیط محلی Setting Up Your Local Environment

  • بررسی ساختار کدها Navigating the Codebase

مبانی LLM LLM Foundations

  • اولین فراخوانی LLM با Bedrock Your First LLM Call with Bedrock

  • مهندسی پرامپت: زنجیره افکار و Few Shot Prompt Engineering : Chain of Thought & Few-Shot

  • مبانی RAG: Embeddingها و جستجوی برداری RAG Fundamentals : Embeddings & Vector Search

  • فراخوانی توابع و استفاده از ابزارها Function Calling & Tool Use

الگوهای گردش‌کار عامل‌محور Agentic Workflow Patterns

  • زنجیره‌سازی پرامپت: استدلال متوالی Prompt Chaining: Sequential Reasoning

  • مسیریابی هوشمند: توزیع دینامیک تسک‌ها Intelligent Routing: Dynamic Task Dispatch

  • موازی‌سازی: اجرای همزمان Parallelization: Concurrent Execution

  • ارکستراتور-ورکر: تقسیم و غلبه Orchestrator-Worker: Divide & Conquer

  • ارزیاب-بهینه‌ساز: عامل‌های خود-بهبودبخش Evaluator-Optimizer: Self-Improving Agents

ساخت عامل‌های صنعتی Building Production Agents

  • هسته پلتفرم: مدل‌ها، میان‌افزارها و کلاینت‌های گیت‌وی Platform Core: Models, Middleware & Gateway Clients

  • ساخت یک عامل چت با Strands Building a Chat Agent with Strands

  • ساخت یک عامل RAG با Bedrock Knowledge Base Building a RAG Agent with Bedrock Knowledge Base

  • ساخت یک عامل LangGraph Building a LangGraph Agent

  • طراحی مستقل از فریم‌ورک: چرا اهمیت دارد؟ Framework-Agnostic Design : Why It Matters

سیستم‌های چند-عاملی و MCP Multi-Agent Systems & MCP

  • پروتکل کانتکست مدل (MCP): استانداردی برای یکپارچه‌سازی ابزارها Model Context Protocol: The Standard for Tool Integration

  • ساخت یک سرور MCP برای Bedrock Knowledge Base Building an MCP Server for Bedrock Knowledge Base

  • تفویض اختیار چند-عاملی و ارکستراسیون گراف Multi-Agent Delegation & Graph Orchestration

  • کاربرد واقعی: عامل Jira با استفاده از MCP Real-World Application : Jira Agent with MCP

معماری گیت‌وی Gateway Architecture

  • گیت‌وی LLM: مدل LiteLLM، محدودیت نرخ و مسیریابی چند-مدلی LLM Gateway : LiteLLM, Rate Limiting & Multi-Model Routing

  • گیت‌وی حافظه: تاریخچه نشست‌ها و PostgreSQL Memory Gateway : Session History & PostgreSQL

  • گیت‌وی بازیابی: جستجوی برداری و پایگاه‌های دانش Retrieval Gateway: Vector Search & Knowledge Bases

زیرساخت AWS و استقرار AWS Infrastructure & Deployment

  • زیرساخت AWS با Terraform AWS Infrastructure with Terraform

  • کلاستر EKS و Helm Chartها EKS Cluster & Helm Charts

  • امنیت: Cognito، IRSA و مدیریت اسرار Security: Cognito, IRSA & Secrets Management

  • قابلیت مشاهده: OpenTelemetry، ردیابی و متریک‌ها Observability: OpenTelemetry, Tracing & Metrics

  • سی‌ آی/سی‌ دی: GitHub Actions و استقرار خودکار CI/CD: GitHub Actions & Automated Deployment

جمع‌بندی و اجرای نهایی Putting It All Together

  • دموی کامل پلتفرم: بررسی جامع از ابتدا تا انتها Full Platform Demo : End-to-End Walkthrough

  • گام‌های بعدی: گسترش پلتفرم What's Next : Extending the Platform

  • مهندسی هوش مصنوعی عامل‌محور در AWS Agentic AI Engineering on AWS

نمایش نظرات

آموزش مهندسی هوش مصنوعی عامل‌محور (Agentic AI) در AWS
جزییات دوره
3.5 hours
31
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
167
4.3 از 5
دارد
ندارد
ندارد
Rahul Sharma
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Rahul Sharma Rahul Sharma

مدرس یودمی