آموزش طراحی سیستم‌های هوش مصنوعی: خط لوله RAG و معماری مدل‌های زبانی بزرگ (LLM) - آخرین آپدیت

فرمول‌بندی مسئله و تعیین محدوده راهکار هوش مصنوعی Problem Formulation & AI Solution Scoping

• حیطه شغلی در مدیریت سیستم‌های هوش مصنوعی Career Scope in AI Systems Management

• مقایسه ML پیش‌بینی‌کننده و هوش مصنوعی مولد: بررسی فنی Predictive ML vs Generative AI: Technical Overview

• چارچوب تصمیم‌گیری برای انتخاب پارادایم مناسب Decision Framework for Selecting the Right Paradigm

• شاخص‌های کلیدی عملکرد (KPIs)، نرخ بازگشت سرمایه (ROI) و معیارهای پذیرش KPIs, ROI, and Acceptance Criteria

• ترجمه نیازهای تجاری به الزامات هوش مصنوعی Translating Business Needs into AI Requirements

• محدودیت‌ها و امکان‌سنجی Constraints and Feasibility

• خروجی‌های غیرقطعی و پیامدهای تجربه کاربری (UX) Nondeterministic Outputs & UX Implications

• تست و نظارت بر سیستم‌های احتمالی Testing & Monitoring for Probabilistic Systems

• توضیح رفتار هوش مصنوعی برای ذینفعان Explaining AI Behavior to Stakeholders

پشته مدرن هوش مصنوعی: مدل‌ها، ارکستراسیون و پایگاه‌های داده برداری The Modern AI Stack: Models, Orchestration, Vector Databases

• اجزای پشته هوش مصنوعی (LLMها، ذخیره‌سازهای برداری، ارکستراتورها) Components of the AI Stack (LLMs, Vector Stores, Orchestrators)

• جریان داده: جذب ← جاسازی ← بازیابی ← تولید Data Flow: Ingestion → Embedding → Retrieval → Generation

• خط لوله‌های بازیابی در سیستم‌های واقعی Retrieval Pipelines in Real Systems

• مبانی Embedding و انواع مدل‌ها Embeddings Basics & Model Types

• استراتژی‌های Chunking و بهینه‌سازی بازیابی Chunking Strategies & Retrieval Optimization

• کار با ChromaDB و FAISS: عملیات کاربردی ChromaDB & FAISS: Practical Operations

• الگوهای زنجیره (Chains)، ابزارها و عامل‌ها (Agents) Chains, Tools, and Agent Patterns

• استدلال چندمرحله‌ای و استفاده از ابزار Multi-Step Reasoning & Tool Use

• پیاده‌سازی ساده زنجیره RAG Simple RAG Chain Implementation

استراتژی داده برای RAG و Fine-tuning Data Strategy for RAG and Fine-Tuning

• الگوریتم‌های Chunking (اندازه، هم‌پوشانی، ساختار) Chunking Heuristics (Size, Overlap, Structure)

• انتخاب مدل Embedding (ابعاد، هزینه) Embedding Model Selection (Dimensionality, Cost)

• اندازه‌گیری دقت بازیابی Measuring Retrieval Accuracy

• معماری‌های RAG RAG Architectures

• معماری‌های Fine-tuning Fine-Tuning Architectures

• ماتریس تصمیم‌گیری: هزینه‌ها، تأخیر و حساسیت Decision Matrix: Costs, Latency, Sensitivity

• تکنیک‌های پاک‌سازی و نرمال‌سازی داده‌ها Cleaning & Normalization Techniques

• برچسب‌گذاری متا برای بازیابی بهتر Metadata Tagging for Retrieval

• ریسک‌های آمادگی داده‌ها (نویز، داده‌های حساس، شکاف‌ها) Data Readiness Risks (Noise, PII, Gaps)

نمونه‌سازی و ساخت مغز سازمان Prototyping & Building the Company Brain

• مرور کلی سیستم RAG سرتاسری End-to-End RAG System Overview

• پیاده‌سازی فرآیند جذب ← تکه‌بندی ← جاسازی Implementing Ingestion → Chunking → Embedding

• اعتبارسنجی کیفیت بازیابی Retrieval Quality Validation

• استفاده از Streamlit برای نمونه‌های اولیه هوش مصنوعی Streamlit for AI Prototypes

• ادغام زنجیره بازیابی در رابط کاربری Integrating Retrieval Chain into UI

• استقرار محصول اولیه (MVP) Deploying the MVP

• شناسایی توهمات (Hallucinations) و بازیابی‌های نامرتبط Identifying Hallucinations & Irrelevant Retrievals

• رفع گلوگاه‌های تأخیر (Latency) Fixing Latency Bottlenecks

• بهینه‌سازی پایه بودن پاسخ‌ها و کیفیت خروجی Optimizing Grounding & Output Quality