آموزش طراحی، ساخت و استقرار سیستم‌های هوش مصنوعی عامل‌محور (Agentic AI) [ویدیو] - آخرین آپدیت

دانلود Agentic AI Systems Design, Build, and Deploy Intelligent Agents [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: سفر خود را در تسلط بر هوش مصنوعی عامل‌محور با ساخت عامل‌های هوشمندی آغاز کنید که قادر به درک، استدلال و اقدام به‌صورت خودگردان هستند. در این دوره، سیستم‌های مبتنی بر قانون، موتورهای استدلال LLM و مدل‌سازی تهدیدات را برای اطمینان از طراحی ایمن عامل‌ها بررسی خواهید کرد. تمرینات کدنویسی عملی شامل اجزای عامل، پرامپت‌نویسی پیشرفته و حلقه‌های اقدام-بازتاب برای کاهش توهمات و تقویت ایمنی ابزارها است. سپس، در مباحث حافظه و ادغام ابزارها، از جمله خط لوله‌های RAG، جستجوی برداری و ترکیبی، حافظه اپیزودیک و فراخوانی توابع در محیط ایزوله (Sandbox) عمیق خواهید شد. معماری‌های سلسله‌مراتبی، دستیارهای کدنویسی و عامل‌های کاربرد کامپیوتر را پیاده‌سازی کرده و جریان‌های کاری چندعاملی را با سلسله‌مراتب مدیر-کارگر، اجماع مبتنی بر بحث و مداخلات انسانی (Human-in-the-Loop) سازماندهی می‌کنید. در نهایت، بر تست، مشاهده‌پذیری و استقرار با استفاده از چارچوب‌های Unit، Integration و E2E همراه با Golden Traces تمرکز خواهید کرد. مانیتورینگ را با LangSmith، Prometheus و ELK stack یاد گرفته و عملکرد سیستم را با AgentBench و ToolBench بسنجید. خط لوله‌های امن و مقیاس‌پذیر را با ارکستراتورهای مبتنی بر صف، گاردریل‌ها، کشینگ معنایی و پروتکل‌های MCP/A2A مستقر کنید تا عامل‌های خودگردان و دسته‌های چندعاملی را با پایتون، APIهای LLM و چارچوب‌های متن‌باز به تولید برسانید. - پیاده‌سازی پارادایم‌های پرامپت‌نویسی پیشرفته برای استدلال چندمرحله‌ای - ساخت خط لوله‌های حافظه RAG سلسله‌مراتبی برای بافتار بلندمدت عامل - استقرار سیستم‌های چندعاملی با مکانیزم‌های تفویض وظایف و اجماع - ادغام ابزارهای امن و فراخوانی توابع برای جریان‌های کاری سطح تولید - بهینه‌سازی استفاده از LLM از طریق استراتژی‌های مقرون‌به‌صرفه API - طراحی عامل‌های خودگردان قادر به اجرای حلقه‌های ایمن اقدام-بازتاب این دوره برای مهندسان AI، توسعه‌دهندگان ML و دانشمندان پژوهشی طراحی شده است که به دنبال تخصص عملی و آماده برای تولید در زمینه Agentic AI هستند. تجربه قبلی در برنامه‌نویسی پایتون، APIهای LLM و اصول پایه یادگیری ماشین توصیه می‌شود. آشنایی با چارچوب‌های استدلال، ادغام API و خط لوله‌های استقرار ضروری است، زیرا دوره بر پرامپت‌نویسی پیشرفته، هماهنگی چندعاملی و سیستم‌های تولیدی امن برای کاربردهای دنیای واقعی تاکید دارد. پوشش جامع معماری عامل‌های AI، استدلال و سیستم‌های حافظه * بررسی عمیق آمادگی برای تولید، تست و خط لوله‌های مشاهده‌پذیری * تمرینات عملی برای کدنویسی، پرامپت‌نویسی و استقرار سیستم‌های خودگردان چندعاملی

سرفصل ها و درس ها

ماژول ۱: انقلاب عامل‌محور — مبانی و تنظیمات ایمن Module 1: The Agentic Revolution — Foundations & Safe Setup

  • هوش مصنوعی چیست؟ تکامل سیستم‌های AI و سیستم‌های مبتنی بر قانون What Is AI? - The Evolution of AI Systems, Rule-Based Systems

  • هوش مصنوعی عامل‌محور چیست؟ سیستم‌های ML و عامل‌های مبتنی بر LLM What Is Agentic AI? - 2.1 ML Systems (1990s–2010s), LLM-Based Agents (2010s+)

  • هوش مصنوعی عامل‌محور چیست؟ پروژه: عامل مدیریت What Is Agentic AI? - 3 Project: Management Agent

  • مثال کدنویسی ۱.۱ هوش مصنوعی عامل‌محور چیست؟ Coding Example 1.1 What Is Agentic AI?

  • تمرین کدنویسی ۱.۱ هوش مصنوعی عامل‌محور چیست؟ Coding Exercise 1.1 What Is Agentic AI?

  • اجزای اصلی یک عامل ۱: مقدمه‌ای بر Agentic AI، ادراک و استدلال Core Components of an Agent - 1 Intro to Agentic AI, Perception, Reasoning

  • اجزای اصلی یک عامل ۲: اقدام، حافظه، برنامه‌ریزی و اقدام/بازتاب Core Components of an Agent - 2 Action, Memory, Planning, Action/Reflection

  • اجزای اصلی ۳: نحوه هماهنگی اجزا و عامل مدیریت وظایف Core Components - 3 How Components Co-ordinate, Task Management Agent

  • مثال کدنویسی ۱.۲ اجزای اصلی یک عامل Coding Example 1.2 Core Components of an Agent

  • تمرین کدنویسی ۱.۲ اجزای اصلی یک عامل Coding Exercise 1.2 Core Components of an Agent

  • LLMها به عنوان موتورهای استدلال ۱: مقدمه و بررسی کلی LLMs as Reasoning Engines - 1 Introduction & Overview

  • LLMها به عنوان موتورهای استدلال ۲: نقاط قوت LLMها و توانمندسازهای AI عامل‌محور LLMs as Reasoning Engines - 2 Strength of LLMs, LLM Enablers of Agentic AI

  • LLMها به عنوان موتورهای استدلال ۳: مسئله Grounding، توهم و سوءاستفاده از ابزارها LLMs as Reasoning Engines - 3 Grounding Issue, Hallucination, Tools Mis-use

  • مثال کدنویسی ۱.۳ LLMها به عنوان موتورهای استدلال Coding Example 1.3 LLMs as Reasoning Engines

  • تمرین کدنویسی ۱.۳ LLMها به عنوان موتورهای استدلال Coding Exercise 1.3 LLMs as Reasoning Engines

  • مدل‌سازی تهدیدات بنیادی و ایمنی ۱: چرا مدل‌سازی تهدید و ایمنی مهم است؟ Foundational Threat Modeling & Safety - 1 Why Threat Modeling & Safety Matter

  • مدل‌سازی تهدیدات ۲: تزریق پرامپت، استخراج داده‌ها، کمترین امتیاز دسترسی و Sandbox Found- 2 Prompt Injection, Data Exfiltration, Least-Privilege, Sandboxing

  • ایمنی بنیادی ۳: چارچوب STRIDE و ایمن‌سازی عامل پشتیبانی مشتری Foundational Safety - 3 STRIDE Framework, Securing a Customer Support Agent

  • مثال کدنویسی ۱.۴ مدل‌سازی تهدیدات بنیادی و ایمنی Coding Example 1.4 Foundational Threat Modeling & Safety

  • تمرین کدنویسی ۱.۴ مدل‌سازی تهدیدات بنیادی و ایمنی Coding Exercise 1.4 Foundational Threat Modeling & Safety

  • اکوسیستم عامل‌محور ۲۰۲۵ ۱: مقدمه The 2025 Agentic Ecosystem - 1 Introduction

  • اکوسیستم ۲۰۲۵ ۲: چرا قابلیت همکاری، MCP، نحوه عملکرد و مزایا/چالش‌های MCP The 2025 - 2 Why Interoperability, MCP, How MCP Works, MCP Benefit/Challenge

  • اکوسیستم ۲۰۲۵ ۳: A2A، نحوه عملکرد، عامل سلامت، عامل شهر هوشمند و MCP + A2A The 2025 - 3 A2A, How A2A Work, Healthcare Agent, Smart City Agent MCP + A2A

  • مثال کدنویسی ۱.۵ اکوسیستم عامل‌محور ۲۰۲۵ Coding Example 1.5 The 2025 Agentic Ecosystem

  • تمرین کدنویسی ۱.۵ اکوسیستم عامل‌محور ۲۰۲۵ Coding Exercise 1.5 The 2025 Agentic Ecosystem

ماژول ۲: تسلط بر مهندسی پرامپت — زبان عامل Module 2: Mastering Prompt Engineering — The Agent's Language

  • پرامپت‌نویسی به عنوان یک پارادایم برنامه‌نویسی ۱: تسلط بر هدایت LLM Prompting as a Programming Paradigm - 1 Mastering LLM Guidance

  • پرامپت‌نویسی به عنوان یک پارادایم برنامه‌نویسی ۲: پرامپت سیستمی و جداکننده‌ها Prompting as a Programming Paradigm - 2 System Prompt, Delimiters

  • پرامپت‌نویسی ۳: خروجی ساختاریافته با حالت JSON و عامل مدیریت وظایف Prompting as a - 3 Structured Output with JSON-Mode, Task Management Agent

  • مثال کدنویسی ۲.۱ پرامپت‌نویسی به عنوان یک پارادایم برنامه‌نویسی Coding Example 2.1 Prompting as a Programming Paradigm

  • تمرین کدنویسی ۲.۱ پرامپت‌نویسی به عنوان یک پارادایم برنامه‌نویسی Coding Exercise 2.1 Prompting as a Programming Paradigm

  • استراتژی‌های استدلال پیشرفته ۱: مقدمه Advanced Reasoning Strategies - 1 Introduction

  • استراتژی‌های استدلال پیشرفته ۲: زنجیره افکار (CoT) و سازگاری داخلی Advanced Reasoning Strategies - 2 Chain of Thought, Self-Consistency

  • استراتژی‌های استدلال پیشرفته ۳: درخت افکار (ToT) و عامل تصمیم‌گیر Advanced Reasoning Strategies - 3 Tree of Thought, Decision Making Agent

  • مثال کدنویسی ۲.۲ استراتژی‌های استدلال پیشرفته Coding Example 2.2 Advanced Reasoning Strategies

  • تمرین کدنویسی ۲.۲ استراتژی‌های استدلال پیشرفته Coding Exercise 2.2 Advanced Reasoning Strategies

  • چارچوب ReAct: فکر، اقدام، مشاهده ۱: مقدمه The ReAct Framework: Thought, Action, Observation - 1 Introduction

  • چارچوب ReAct ۲: مرحله فکر، مرحله اقدام، مرحله مشاهده و ReAct تکرارشونده The ReAct - 2 Thought Step, Action Step, Observation Step, Iterative ReAct

  • چارچوب ReAct ۳: ReAct همراه با بازتاب و اهمیت ReAct The ReAct Framework - 3 ReAct with Reflection, Why ReAct Matters?

  • مثال کدنویسی ۲.۳ چارچوب ReAct: فکر، اقدام، مشاهده Coding Example 2.3 The ReAct Framework: Thought, Action, Observation

  • تمرین کدنویسی ۲.۳ چارچوب ReAct: فکر، اقدام، مشاهده Coding Exercise 2.3 The ReAct Framework: Thought, Action, Observation

  • مدیریت و ارزیابی پرامپت ۱: مقدمه Prompt Management and Evaluation - 1 Introduction

  • مدیریت پرامپت ۲: برخورد با پرامپت به عنوان کد، نسخه‌بندی پرامپت و ارزیابی Prompt Management - 2 Treating Prompt as Code, Prompt Versioning, Evaluation

  • مدیریت پرامپت ۳: تست A/B برای پرامپت‌ها و عامل پشتیبانی مشتری Prompt Management - 3 A/B Testing for Prompts, Customer Support Agent

  • مثال کدنویسی ۲.۴ مدیریت و ارزیابی پرامپت Coding Example 2.4 Prompt Management and Evaluation

  • تمرین کدنویسی ۲.۴ مدیریت و ارزیابی پرامپت Coding Exercise 2.4 Prompt Management and Evaluation

ماژول ۳: سیستم‌های حافظه عامل — RAG و فراتر از آن Module 3: Agent Memory Systems — RAG and Beyond

  • لایه‌های حافظه عامل ۱: مقدمه The Layers of Agent Memory - 1 Introduction

  • لایه‌های حافظه ۲: حافظه فعال، حافظه کوتاه‌مدت و حافظه بلندمدت The Layers - 2 Working Memory, Short Term Memory, Long Term Memory

  • لایه‌های حافظه ۳: نحوه تعامل لایه‌های حافظه و عامل پشتیبانی با لایه‌های حافظه The Layers - 3 How Memory Layers Interact, Support Agent with Layers of Memory

  • مثال کدنویسی ۳.۱ لایه‌های حافظه عامل Coding Example 3.1 The Layers of Agent Memory

  • تمرین کدنویسی ۳.۱ لایه‌های حافظه عامل Coding Exercise 3.1 The Layers of Agent Memory

  • خط لوله اصلی RAG برای حافظه بلندمدت ۱: مقدمه و نقش RAG The Core RAG Pipeline for Long-Term Memory - 1 Introduction, Role of RAG

  • خط لوله اصلی RAG ۲: مرحله ۱ بارگذاری، مرحله ۲ تکه‌بندی، مرحله ۳ جاسازی (Embed) The Core RAG Pipeline - 2 Stage 1: Load, Stage 2: Chunk, Stage 3: Embed

  • خط لوله اصلی RAG ۳: مرحله ۴ ذخیره، مرحله ۵ پرس‌وجو، مرحله ۶ تولید The Core RAG Pipeline - 3 Stage 4: Store, Stage 5: Query, Stage 6: Generate

  • مثال کدنویسی ۳.۲ خط لوله اصلی RAG برای حافظه بلندمدت Coding Example 3.2 The Core RAG Pipeline for Long-Term Memory

  • تمرین کدنویسی ۳.۲ خط لوله اصلی RAG برای حافظه بلندمدت Coding Exercise 3.2 The Core RAG Pipeline for Long-Term Memory

  • پایگاه‌های داده برداری و جستجوی ترکیبی ۱: مقدمه و دیتابیس‌های برداری در AI عامل‌محور Vectr Data Bases and Hybrid Search - 1 Introduction, Vector DB in Agentic AI

  • دیتابیس‌های برداری ۲: جستجوی کلمات کلیدی، جستجوی معنایی، جستجوی ترکیبی و بازیابی با فیلتر Vectr - 2 Keyword Search, Semantic Search, Hybrid Search, Retrieval with Filter

  • دیتابیس‌های برداری ۳: رنکرها: بهینه‌سازی دقت و عامل پشتیبانی با دیتابیس برداری Vectr DB - 3 Rankers: Precision Optimization, Support Agent with Vector DB

  • مثال کدنویسی ۳.۳ پایگاه‌های داده برداری و جستجوی ترکیبی Coding Example 3.3 Vectr Databases and Hybrid Search

  • تمرین کدنویسی ۳.۳ پایگاه‌های داده برداری و جستجوی ترکیبی Coding Exercise 3.3 Vectr Databases and Hybrid Search

  • حافظه اپیزودیک و مدیریت حافظه ۱: مقدمه Episodic Memory and Memory Management - 1 Introduction

  • حافظه اپیزودیک ۲: نقش حافظه اپیزودیک و مدیریت حافظه: زوال (Decay) Episodic Memory - 2 The Role of Episodic Memory, Memory Management: Decay

  • حافظه اپیزودیک ۳: مدیریت حافظه: خلاصه‌سازی، پنجره لغزان و اولویت‌بندی Episodic - 3 Memory Management: Summarization, Sliding Window, Prioritization

  • مثال کدنویسی ۳.۴ حافظه اپیزودیک و مدیریت حافظه Coding Example 3.4 Episodic Memory and Memory Management

  • تمرین کدنویسی ۳.۴ حافظه اپیزودیک و مدیریت حافظه Coding Exercise 3.4 Episodic Memory and Memory Management

  • RAG عامل‌محور: بازیابی و تایید خودگردان ۱: RAG عامل‌محور چیست؟ Agentic RAG - Autonomous Retrieval and Verification - 1 What Is Agentic RAG?

  • RAG عامل‌محور ۲: مثال پیاده‌سازی و انتخاب دینامیک منبع Agentic RAG - 2 Implementation Example, Dynamic Source Selection

  • RAG عامل‌محور ۳: عامل پژوهشی با RAG عامل‌محور، بحث و بهترین تجربیات Agentic RAG - 3 Research Agent with Agentic RAG, Discussion & Best Practices

  • مثال کدنویسی ۳.۵ RAG عامل‌محور: بازیابی و تایید خودگردان Coding Example 3.5 Agentic RAG: Autonomous Retrieval and Verification

  • تمرین کدنویسی ۳.۵ RAG عامل‌محور: بازیابی و تایید خودگردان Coding Exercise 3.5 Agentic RAG: Autonomous Retrieval and Verification

ماژول ۴: ابزارها و اقدامات — گسترش قابلیت‌ها Module 4: Tools & Actions — Extending Capabilities

  • گسترش قابلیت‌های LLM با ابزارها ۱: نیاز به ابزارها در AI عامل‌محور Extending LLM Capabilities with Tools - 1 The Need for Tools in Agentic AI

  • گسترش قابلیت‌ها ۲: همسویی با اجزای اصلی و انواع ابزارها در AI عامل‌محور Extending - 2 Alignment with Core Components, Types of Tools in Agentic AI

  • گسترش قابلیت‌ها ۳: بهترین تجربیات برای طراحی شمای ابزار و عامل آب‌وهوا با ابزار Extending - 3 Best Practices for Designing Tool Schemas, Weather Agent w Tool

  • مثال کدنویسی ۴.۱ گسترش قابلیت‌های LLM با ابزارها Coding Example 4.1 Extending LLM Capabilities with Tools

  • تمرین کدنویسی ۴.۱ گسترش قابلیت‌های LLM با ابزارها Coding Exercise 4.1 Extending LLM Capabilities with Tools

  • مکانیک فراخوانی توابع و ابزارها ۱: مقدمه The Mechanics of Function & Tool Calling - 1 Introduction

  • مکانیک فراخوانی ۲: پیاده‌سازی فنی، ترکیب ابزارها و زنجیره‌سازی The Mechanics - 2 Technical Implementation, Tool Composition & Chaining

  • مکانیک فراخوانی ۳: مدیریت خطای مقاوم، تلاش مجدد و Idempotency در عامل پشتیبانی The Mechanics - 3 Robust Error Handling, Retries & Idempotency, CS Agent

  • مثال کدنویسی ۴.۲ مکانیک فراخوانی توابع و ابزارها Coding Example 4.2 The Mechanics of Function & Tool Calling

  • تمرین کدنویسی ۴.۲ مکانیک فراخوانی توابع و ابزارها Coding Exercise 4.2 The Mechanics of Function & Tool Calling

  • ترکیب ابزارها، زنجیره‌سازی و ایمنی ۱: مقدمه Tool Composition, Chaining, and Safety - 1 Introduction

  • ترکیب و زنجیره‌سازی ۲: طراحی ترکیب و زنجیره‌سازی ابزارها Tool Composition & Chaining - 2 Designing Tool Composition & Chaining

  • ترکیب ابزارها ۳: اصول امنیتی: محدود کردن دامنه ابزار و Sandbox در عامل سفر Tool Comp. - 3 Security Principles: Tool Scoping & Sandboxing, Travel Agent

  • مثال کدنویسی ۴.۳ ترکیب ابزارها، زنجیره‌سازی و ایمنی Coding Example 4.3 Tool Composition, Chaining, and Safety

  • تمرین کدنویسی ۴.۳ ترکیب ابزارها، زنجیره‌سازی و ایمنی Coding Exercise 4.3 Tool Composition, Chaining, and Safety

  • کهن‌الگوهای پیشرفته عامل ۱: مقدمه Advanced Agent Archetypes - 1 Introduction

  • کهن‌الگوهای پیشرفته ۲: دستیارهای کدنویسی، معماری و عامل‌های کاربرد کامپیوتر 2 Coding Assistants, Architecture, Computer Usage Agents

  • کهن‌الگوهای پیشرفته ۳: نقش عامل‌های پیشرفته در AI و معماری آن‌ها 3 Role of Advanced Agents in AI, Architecture Advanced Agents

  • مثال کدنویسی ۴.۴ کهن‌الگوهای پیشرفته عامل Coding Example 4.4 Advanced Agent Archetypes

  • تمرین کدنویسی ۴.۴ کهن‌الگوهای پیشرفته عامل Coding Exercise 4.4 Advanced Agent Archetypes

ماژول ۵: سیستم‌های چندعاملی — همکاری در مقیاس بزرگ Module 5: Multi-Agent Systems — Collaboration at Scale

  • تخصصی‌سازی و معماری‌های عامل ۱: مقدمه و ارتباطات در عامل‌ها Agent Specialization and Architectures - 1 Intro, Communication in Agents

  • تخصصی‌سازی ۲: معماری‌های چندعاملی، سلسله‌مراتب مدیر/کارگر و مدل مبتنی بر بحث Agent - 2 Multi-Agent Architectures, Manager/Worker Hierarchy, Debate-Based

  • تخصصی‌سازی ۳: خط لوله پردازش متوالی و موازی و سیستم کدنویسی چندعاملی Agent - 3 Sequential & Parallel Processing Pipeline, Multi-Agent Coding System

  • مثال کدنویسی ۵.۱ تخصصی‌سازی و معماری‌های عامل Coding Example 5.1 Agent Specialization and Architectures

  • تمرین کدنویسی ۵.۱ تخصصی‌سازی و معماری‌های عامل Coding Exercise 5.1 Agent Specialization and Architectures

  • الگوهای ارتباط بین-عاملی ۱: مقدمه و بررسی کلی Inter-Agent Communication Patterns - 1 Introduction & Overview

  • ارتباط بین-عاملی ۲: پیام‌رسانی مستقیم، ارتباط نقطه به نقطه و سیستم‌های تخته سیاه مشترک Inter - 2 Direct Messaging, Point-to-Point Comm., Shared Blackboard Systems

  • ارتباط بین-عاملی ۳: مدل انتشار-اشتراک (Pub Sub) و کدنویسی چندعاملی با تخته سیاه Inter - 3 Publish-Subscribe (Pub-Sub), Multi-Agent Coding w Shared Blackboard

  • مثال کدنویسی ۵.۲ الگوهای ارتباط بین-عاملی Coding Example 5.2 Inter-Agent Communication Patterns

  • تمرین کدنویسی ۵.۲ الگوهای ارتباط بین-عاملی Coding Exercise 5.2 Inter-Agent Communication Patterns

  • ادغام انسان در حلقه (HITL) ۱: مقدمه و بررسی کلی Human in the-Loop (HITL) Integration - 1 Introduction & Overview

  • ادغام HITL ۲: پیاده‌سازی مکانیزم‌های HITL HITL - 2 Implementing HITL Mechanisms

  • ادغام HITL ۳: عامل پشتیبانی مشتری چندعاملی و طراحی پرامپت HITL Integration - 3 Multi-Agent Customer Support Agent, Prompt Design

  • مثال کدنویسی ۵.۳ ادغام انسان در حلقه (HITL) Coding Example 5.3 Human-in-the-Loop (HITL) Integration

  • تمرین کدنویسی ۵.۳ ادغام انسان در حلقه (HITL) Coding Exercise 5.3 Human-in-the-Loop (HITL) Integration

  • الگوی عامل پژوهش عمیق بخش ۱: مقدمه و بررسی کلی The Deep-Research Agent Pattern - Part 1 Introduction & Overview

  • پژوهش عمیق ۲: مرحله برنامه‌ریزی، مرحله مرور وب و مرحله سنتز اطلاعات The Deep-2 Planning Phase, Browsing Phase, Information Synthesis Phase

  • پژوهش عمیق ۳: مرحله ارجاع‌دهی صحیح و پیاده‌سازی عامل پژوهش عمیق The Deep-3 Proper Citation Phase, Deep-Research Agent Implementation

  • مثال کدنویسی ۵.۴ الگوی عامل پژوهش عمیق Coding Example 5.4 The Deep-Research Agent Pattern

ماژول ۶: تست، دیباگ و ارزیابی Module 6: Testing, Debugging & Evaluation

  • چارچوب تست برای عامل‌های AI ۱: مقدمه و بررسی کلی A Testing Framework for AI Agents - 1 Introduction & Overview

  • چارچوب تست ۲: تست واحد + تست یکپارچگی، تست E2E + Golden Traces A Testing - 2 Unit Testing + Integration Testing, E2E Testing + Golden Traces

  • چارچوب تست ۳: ابزارهای مشاهده‌پذیری و تست سیستم پژوهشی چندعاملی A Testing - 3 Observability Tools, Testing Multi-Agent Research System

  • مثال کدنویسی ۶.۱ چارچوب تست برای عامل‌های AI Coding Example 6.1 A Testing Framework for AI Agents

  • تمرین کدنویسی ۶.۱ چارچوب تست برای عامل‌های AI Coding Exercise 6.1 A Testing Framework for AI Agents

  • متریک‌های کلیدی ارزیابی عامل‌ها ۱: مقدمه و بررسی کلی Key Evaluation Metrics for Agents - 1 Introduction & Overview

  • متریک‌های ارزیابی ۲: اندازه‌گیری موفقیت در وظیفه + کیفیت، تاخیر + هزینه + ایمنی Key - 2 Measuring Metrics - Task Success + Quality, Latency + Cost + Safety

  • متریک‌های ارزیابی ۳: ادغام با MCP/A2A و مشاهده‌پذیری در سیستم پژوهشی چندعاملی Key - 3 Integration w MCP/A2A and Observability, Multi-Agent Research System

  • مثال کدنویسی ۶.۲ متریک‌های کلیدی ارزیابی عامل‌ها Coding Example 6.2 Key Evaluation Metrics for Agents

  • تمرین کدنویسی ۶.۲ متریک‌های کلیدی ارزیابی عامل‌ها Coding Exercise 6.2 Key Evaluation Metrics for Agents

  • ردیابی و مشاهده‌پذیری ۱: مقدمه و بررسی کلی Tracing & Observability - 1 Introduction & Overview

  • ردیابی ۲: Langsmith، OpenTelemetry و ادغام با MCP/A2A Tracing - 2 Langsmith, OpenTelemetry, Integration with MCP/A2A

  • ردیابی ۳: Traces، لاگ‌ها و متریک‌ها و ردیابی سیستم پژوهشی چندعاملی Tracing - 3 Traces, Logs & Metrics, Tracing a Multi-Agent Research System

  • مثال کدنویسی ۶.۳ ردیابی و مشاهده‌پذیری Coding Example 6.3 Tracing & Observability

  • تمرین کدنویسی ۶.۳ ردیابی و مشاهده‌پذیری Coding Exercise 6.3 Tracing & Observability

  • بنچ‌مارک‌ها و ارزیابی خودکار ۱: مقدمه و بررسی کلی Benchmarks and Automated Evaluation - 1 Introduction & Overview

  • بنچ‌مارک‌ها ۲: ساخت خط لوله‌های ارزیابی خودکار، Regression Gates و MCP Benchmarks - 2 Building Automated Evaluation Pipelines, Regression Gates, MCP

  • بنچ‌مارک‌ها ۳: استک ابزارهای مشاهده‌پذیری و بنچ‌مارک سیستم چندعاملی Benchmarks - 3 Observability Toolkit Stack, Benchmarking Multi-Agent System

  • مثال کدنویسی ۶.۴ بنچ‌مارک‌ها و ارزیابی خودکار Coding Example 6.4 Benchmarks and Automated Evaluation

  • تمرین کدنویسی ۶.۴ بنچ‌مارک‌ها و ارزیابی خودکار Coding Exercise 6.4 Benchmarks and Automated Evaluation

ماژول ۷: سیستم‌های تولیدی — ایمنی، مقیاس و استقرار Module 7: Production Systems — Safety, Scale & Deployment

  • معماری‌های عامل آماده برای تولید ۱: مقدمه و بررسی کلی Production-Ready Agent Architectures - 1 Introduction & Overview

  • معماری تولید ۲: مقیاس‌بندی، ارکستراتور و خط لوله، سیستم نظارت و صف Production - 2 Scaling, Orchestrator & Pipeline, Supervisor & Queueing System

  • معماری تولید ۳: ابزارهای مشاهده‌پذیری و سیستم پژوهشی آماده برای تولید Production - 3 Observability Tools, Production-Ready Research System

  • مثال کدنویسی ۷.۱ معماری‌های عامل آماده برای تولید Coding Example 7.1 Production-Ready Agent Architectures

  • تمرین کدنویسی ۷.۱ معماری‌های عامل آماده برای تولید Coding Exercise 7.1 Production-Ready Agent Architectures

  • پیاده‌سازی گاردریل‌های مقاوم ۱: مقدمه و بررسی کلی Implementing Robust Guardrails - 1 Introduction & Overview

  • پیاده‌سازی گاردریل‌ها ۲: پیاده‌سازی مکانیزم‌های ایمنی، مشاهده‌پذیری و MCP/A2A/ANP Implementing - 2 Implementing Safety Mechanisms, Observability, MCP/A2A/ANP

  • پیاده‌سازی گاردریل‌ها ۳: ردیابی و مشاهده‌پذیری و خط لوله مشاهده‌پذیری Implementing Guardrails - 3 Tracing & Observability, Observability Pipeline

  • مثال کدنویسی ۷.۲ پیاده‌سازی گاردریل‌های مقاوم Coding Example 7.2 Implementing Robust Guardrails

  • تمرین کدنویسی ۷.۲ پیاده‌سازی گاردریل‌های مقاوم Coding Exercise 7.2 Implementing Robust Guardrails

  • بهینه‌سازی هزینه و تاخیر بخش ۱: مقدمه و بررسی کلی Cost and Latency Optimization - Part 1 Introduction & Overview

  • بهینه‌سازی هزینه ۲: استراتژی‌های بهینه‌سازی: کشینگ، دسته‌بندی (Batching) و مدیریت Cold Start Cost - 2 Optimization Strategies - Caching, Batching, Cold-Start Management

  • بهینه‌سازی هزینه ۳: ادغام با MCP/A2A، استک مشاهده‌پذیری و مثال عملی Cost - 3 Integration with MCP/A2A, The Observability Stack, Practical Example

  • مثال کدنویسی ۷.۳ بهینه‌سازی هزینه و تاخیر Coding Example 7.3 Cost and Latency Optimization

  • تمرین کدنویسی ۷.۳ بهینه‌سازی هزینه و تاخیر Coding Exercise 7.3 Cost and Latency Optimization

  • ریسک‌های امنیتی در پروتکل‌های قابلیت همکاری بخش ۱: مقدمه و بررسی کلی Security Risks in Interoperability Protocols - Part 1 Introduction & Overview

  • ریسک‌های امنیتی ۲: نقاط ضعف: اعتماد به Endpoint، مسمومیت IoT و تزریق پرامپت Security - 2 Vulnerabilities - Endpoint Trust & IoT Poisoning, Prompt Inject

  • ریسک‌های امنیتی ۳: استک مشاهده‌پذیری برای پروتکل‌ها و سیستم پژوهشی چندعاملی Security - 3 Observability Stack for Protocols, Multi-Agent Research System

  • مثال کدنویسی ۷.۴ ریسک‌های امنیتی در پروتکل‌های قابلیت همکاری Coding Example 7.4 Security Risks in Interoperability Protocols

  • تمرین کدنویسی ۷.۴ ریسک‌های امنیتی در پروتکل‌های قابلیت همکاری Coding Exercise 7.4 Security Risks in Interoperability Protocols

نمایش نظرات

آموزش طراحی، ساخت و استقرار سیستم‌های هوش مصنوعی عامل‌محور (Agentic AI) [ویدیو]
جزییات دوره
37h 36m
149
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Vinit Kumar Singh Vinit Kumar Singh

وینیت کومار سینگ مشاور و مدرس هوش مصنوعی با بیش از ۱۸ سال تجربه در علوم داده و هوش مصنوعی است که در زمینه‌های Fine-Tuning مدل‌های زبانی بزرگ (LLM)، هوش مصنوعی صوتی، مدل‌های زبانی گفتاری، هوش مصنوعی عامل‌محور (Agentic AI) و بینایی ماشین تخصص دارد. او فارغ‌التحصیل IIT بمبئی است و گواهینامه‌های استنفورد در یادگیری ماشین و یادگیری عمیق را داراست. در حال حاضر به عنوان مشاور در تیم گفتار و زبان در مرکز نرم‌افزاری سونی هند فعالیت می‌کند و بر راهکارهای پیشرفته AI و استقرار واقعی تمرکز دارد. پیش از این، او روی پروژه‌های بینایی ماشین با سخت‌افزار لبه Nvidia در Assert AI کار کرده و مشاوره جامع AI را در tvam Technologies مدیریت نموده است. آثار او شامل ساخت جریان‌های کاری FinTech عامل‌محور، یک ربات-مشاور با استفاده از LoRA روی DeepSeek-R1 و یک خط لوله تماس‌گیرنده هوش مصنوعی صوتی است. وینیت همچنین به عنوان یکی از ۳ درصد برتر تولیدکنندگان محتوای Udemy در سطح جهان شناخته می‌شود و زبان‌آموزانی از بیش از ۱۵۰ کشور دارد. دوره‌ها و تخصص او مورد اعتماد شرکت‌های پیشرو مانند آدیداس، بارکلیز و فولکس‌واگن است و او به فعالیت فعال خود در زمینه‌های Voice AI، Agentic AI، بینایی ماشین، NLP و LLMها ادامه می‌دهد.