لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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
نمایش نظرات