آموزش طراحی سیستم‌ها و اجزای مقیاس‌پذیر هوش مصنوعی - آخرین آپدیت

دانلود Design Scalable AI Systems and Components

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: این دوره سطح متوسط به شما می‌آموزد چگونه سیستم‌های هوش مصنوعی مقیاس‌پذیر و قابل اعتمادی را طراحی کنید که در محیط‌های عملیاتی واقعی کارآمد باشند. شما یاد خواهید گرفت که معماری‌های جامع (End-to-End) را به‌گونه‌ای بسازید که اهداف مربوط به نرخ پردازش (Throughput)، تأخیر (Latency) و تحمل خطا (Fault-Tolerance) را برآورده کنند؛ همچنین مسیر تبدیل طراحی‌های مفهومی به نمودارهای جزئی اجزا و مشخصات رابط‌ها (Interface Specifications) را خواهید پیمود. با استفاده از الگوهای صنعتی که توسط تیم‌های مدرن یادگیری ماشین به کار گرفته می‌شوند، تمرین خواهید کرد تا QPS را تخمین بزنید، قوانین اتوسکیلینگ (Autoscaling) را برای لایه استنتاج تعریف کنید، جریان داده بین Feature Store و API مدل را ساختاردهی نمایید و سیستم خود را با یک استک مانیتورینگ تجهیز کنید. در پایان این دوره، شما یک سند معماری کامل — شامل نمودارها و تعاریف رابط‌ها — ایجاد خواهید کرد که تیم‌های مهندسی می‌توانند از آن برای پیاده‌سازی یک محصول هوش مصنوعی مقیاس‌پذیر استفاده کنند.

سرفصل ها و درس ها

طراحی سیستم‌ها و اجزای مقیاس‌پذیر هوش مصنوعی Design Scalable AI Systems and Components

چرا سیستم‌های هوش مصنوعی در مقیاس بالا دچار شکست می‌شوند Why AI Systems Break at Scale
طراحی لایه استنتاج: مقیاس‌بندی مدل‌ها تحت فشار Designing the Inference Tier: Scaling Models Under Load
مقیاس‌بندی افقی: چه زمانی، چرا و چگونه Horizontal Scaling: When, Why, and How
از سیستم به اجزا: نمودارهای C4 برای خط لوله‌های هوش مصنوعی From System to Components: C4 Diagrams for AI Pipelines
بررسی عمیق جریان داده: Feature Store، API مدل و استک مانیتورینگ Data Flow Deep Dive: Feature Store, Model API, and Monitoring Stack
تبریک و یادگیری مستمر Congratulations and Continuous Learning