آموزش AIP-C01: بهره‌وری عملیاتی و بهینه‌سازی برای برنامه‌های GenAI - آخرین آپدیت

دانلود AIP-C01: Operational Efficiency and Optimization for GenAI Applications

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: هزینه‌های بالای استنتاج و تأخیرهای غیرقابل پیش‌بینی، اصلی‌ترین موانع برای استقرار برنامه‌های هوش مصنوعی مولد (GenAI) در محیط عملیاتی هستند. در دوره AIP-C01: بهره‌وری عملیاتی و بهینه‌سازی برای برنامه‌های GenAI، شما توانایی مقیاس‌بندی بارهای کاری GenAI را در حالی که بالاترین سطح بهره‌وری را حفظ می‌کنید، کسب خواهید کرد. ابتدا، استراتژی‌های بهینه‌سازی هزینه مانند هرس کردن توکن‌ها (Token Pruning) و انتخاب هوشمند مدل را بررسی می‌کنید. سپس، تکنیک‌های تنظیم عملکرد، از جمله کشینگ معنایی (Semantic Caching)، استریم پاسخ‌ها و بهینه‌سازی بازیابی اطلاعات را خواهید آموخت. در نهایت، نحوه پیاده‌سازی نظارت جامع با استفاده از CloudWatch و گزارش‌های فراخوانی مدل Bedrock را برای ردیابی توهمات (Hallucinations) و انحراف منابع یاد می‌گیرید. پس از اتمام این دوره، شما مهارت‌ها و دانش عملیاتی GenAI لازم برای قبولی در آزمون AIP-C01 و مدیریت استقرار مدل‌های AI در سطح حرفه‌ای را خواهید داشت.

سرفصل ها و درس ها

مقدمه‌ای بر بهره‌وری عملیاتی GenAI Introduction to GenAI operational efficiency

  • چالش بهره‌وری در GenAI The GenAI efficiency challenge

  • دمو: شمارش توکن‌ها و تخمین هزینه Demo: Token counting and cost estimation

  • فشرده‌سازی پرامپت و هرس کردن کانتکست Prompt compression and context pruning

  • توازن بین هزینه و قابلیت‌ها در انتخاب مدل‌های پایه (FM) Cost-capability tradeoffs in FM selection

  • استفاده لایه‌ای از FM بر اساس پیچیدگی پرس‌وجو Tiered FM usage by query complexity

  • دمو: مقایسه ظرفیت On-demand در مقابل Provisioned Demo: On-demand vs. provisioned throughput

  • دمو: استنتاج دسته‌ای برای بارهای کاری غیر آنی Demo: Batch inference for non-real-time workloads

  • دمو: کشینگ معنایی برای برنامه‌های FM Demo: Semantic caching for FM applications

  • دمو: کشینگ پرامپت در Amazon Bedrock Demo: Amazon Bedrock prompt caching

بهینه‌سازی عملکرد برنامه Optimizing application performance

  • دمو: استریم پاسخ‌ها و زمان تا اولین توکن (TTFT) Demo: Response streaming and time to first token (TTFT)

  • پیش‌محاسبه و فراخوانی‌های موازی FM Pre-computation and parallel FM invocations

  • بهینه‌سازی ایندکس و پیش‌پردازش پرس‌وجوها Index optimization and query preprocessing

  • جستجوی ترکیبی و امتیازدهی سفارشی Hybrid search and custom scoring

  • دمو: درک مفاهیم Temperature، Top P و Top K Demo: Understanding temperature, top-p, and top-k

  • انتخاب پارامتر بر اساس مورد مصرف و تست A/B Parameter selection by use case and A/B testing

  • دمو: استنتاج بین‌منطقه‌ای در Amazon Bedrock Demo: Amazon Bedrock cross-region inference

  • عقب‌نشینی نمایی (Exponential Backoff) و مدیریت اتصال‌ها Exponential backoff and connection pooling

نظارت و مشاهده‌پذیری برای GenAI Monitoring and observability for GenAI

  • دمو: معیارهای عملیاتی و داشبوردهای CloudWatch Demo: Operational metrics and cloudwatch dashboards

  • دمو: معیارهای تأثیر تجاری و شناسایی ناهنجاری‌های هزینه Demo: Business impact metrics and cost anomaly detection

  • دمو: فعال‌سازی و تحلیل گزارش‌های فراخوانی مدل Demo: Enabling and analyzing model invocation logs

  • دمو: شناسایی الگوهای انفجار توکن و انحراف پاسخ‌ها Demo: Detecting token burst patterns and response drift

  • دمو: شناسایی توهمات با استفاده از مجموعه‌داده‌های طلایی Demo: Hallucination detection with golden datasets

  • دمو: ردیابی مسیر استدلال برای خطاهای منطقی Demo: Reasoning path tracing for logic errors

  • دمو: نظارت بر سلامت Vector Store و ابزارهای چند-عامله Demo: Vector store and multi-agent tool health monitoring

آمادگی برای آزمون Exam preparation

  • مرور دامنه ۴، فرمت سوالات و استراتژی آزمون Domain 4 review, question formats, and exam strategy

  • بررسی نمونه سوالات و اجرای استراتژی آزمون Exam walkthrough - applying the strategy

نمایش نظرات

آموزش AIP-C01: بهره‌وری عملیاتی و بهینه‌سازی برای برنامه‌های GenAI
جزییات دوره
2h 0m
26
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Navid Tauhid
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Navid Tauhid Navid Tauhid

نویدوت توحید مشاور یکپارچه ارتباطات و همکاری، متخصص مرکز تماس و معمار با بیش از 15 سال تجربه در صنعت است. او پروژه های متعدد UC سازمانی در مقیاس بزرگ را برای بسیاری از شرکت های چندملیتی مستقر، نگهداری و عیب یابی کرده است. او همچنین به هزاران دانش آموز فناوری اطلاعات در سراسر جهان در مورد محصولات مختلف ارتباطات یکپارچه آموزش داده است و به آنها کمک کرده تا بهترین های فنی خود را داشته باشند. او دارای گواهینامه CCIE Collaboration Written، CCNP Collaboration، Voicemail و مرکز تماس و متخصص مسیریابی و سوئیچینگ CCNA است. او همچنین یک معمار راه حل دارای گواهی Azure و AWS Cloud است. او مشتاق یادگیری فن آوری های جدید است و عاشق به اشتراک گذاری دانش است.