لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش روشهای مقیاسپذیری برای سیستمهای RAG
- آخرین آپدیت
دانلود Scaling Methods for RAG Systems
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
مقیاسپذیری یک سیستم تولید تقویتشده با بازیابی (RAG) برای محیط عملیاتی (Production)، نیازمند غلبه بر چالشهای محاسبات توزیعشده، پردازش موازی و توازن بار (Load Balancing) است. در دوره «روشهای مقیاسپذیری برای سیستمهای RAG»، شما یاد میگیرید که چگونه راهکار RAG خود را برای آمادگی در سطح تولید مقیاسبندی کنید. ابتدا، اصول پردازش موازی و محاسبات توزیعشده با PyTorch را بررسی خواهید کرد. سپس، نحوه پیادهسازی توازن بار را با استفاده از AWS ECS فرا میگیرید. در نهایت، روشهای بهینهسازی عملکرد از طریق کشینگ (Caching) و مدیریت حافظه را خواهید آموخت. پس از اتمام این دوره، شما مهارتها و دانش لازم برای مقیاسبندی RAG جهت استقرار سیستمهای قدرتمند و آماده بهرهبرداری را کسب خواهید کرد.
سرفصل ها و درس ها
مقیاسبندی سیستمهای RAG
Scaling RAG Systems
مقدمهای بر مقیاسبندی سیستمهای RAG
Introduction to Scaling RAG Systems
پردازش موازی و توازن بار در سیستمهای RAG
Parallel Processing and Load Balancing in RAG Systems
دمو: مقیاسبندی سیستم RAG با AWS ECS و PyTorch - بخش اول
Demo: Scaling a RAG System with AWS ECS and PyTorch - Part 1
دمو: مقیاسبندی سیستم RAG با AWS ECS و PyTorch - بخش دوم
Demo: Scaling a RAG System with AWS ECS and PyTorch - Part 2
دمو: مقیاسبندی سیستم RAG با AWS ECS و PyTorch - بخش سوم
Demo: Scaling a RAG System with AWS ECS and PyTorch - Part 3
آکسل سیروتا دارای مدرک کارشناسی ارشد ریاضیات است که علاقه زیادی به عملیات یادگیری عمیق و یادگیری ماشین دارد. وی پس از تحقیق در زمینه احتمال ، آمار و بهینه سازی یادگیری ماشین ، در حال حاضر در JAMPP به عنوان یک مهندس تحقیق در زمینه یادگیری ماشین مشغول به کار است که از داده های مشتری برای پیش بینی دقیق در زمان واقعی پیشنهاد استفاده می کند.
نمایش نظرات