آموزش مبانی هوش مصنوعی مولد و توسعه عوامل هوشمند (AI Agents) - آخرین آپدیت

دانلود GenAI Foundations and AI Agents Development

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: آیا آماده‌اید تا از سیستم‌های واکنشی هوش مصنوعی فراتر رفته و به سمت عوامل خودمختاری حرکت کنید که قادر به تفکر، برنامه‌ریزی و اجرای مستقل وظایف پیچیده هستند؟ اکثر پیاده‌سازی‌های فعلی هوش مصنوعی به تعاملات ساده پرسش و پاسخ محدود شده‌اند و پتانسیل تحول‌آفرین «کارگران دیجیتال خودمختار» را که می‌توانند بدون راهنمایی مداوم انسان استدلال کنند، همکاری نمایند و مسائل را حل کنند، نادیده گرفته‌اند. این دوره پیشرفته، شما را به یک معمار هوش مصنوعی خودمختار تبدیل می‌کند که قادر است عوامل هوشمندی بسازد که مانند اعضای یک تیم دیجیتال عمل می‌کنند. شما چرخه کامل توسعه عامل را با استفاده از فریم‌ورک‌های پیشرفته‌ای مانند CrewAI فرا خواهید گرفت، یکپارچه‌سازی ابزارهای پیچیده را برای تعامل با سیستم‌های دنیای واقعی پیاده‌سازی می‌کنید و ارکستراسیون چند-عاملی (Multi-agent Orchestration) را طراحی خواهید کرد تا عوامل متخصص برای حل مسائل دشوار با یکدیگر همکاری کنند. از طریق توسعه عملی و متمرکز، شما عوامل پشتیبانی مشتری با قابلیت‌های استدلال پیشرفته می‌سازید، چارچوب‌های ایمنی عامل را برای استقرار در محیط عملیاتی پیاده‌سازی کرده و سیستم‌های هماهنگی برای مدیریت چندین عامل خودمختار را ایجاد می‌کنید. این دوره برای مهندسان AI/ML که در حال ساخت سیستم‌های خودمختار هستند، معماران نرم‌افزاری که چارچوب‌های مبتنی بر عامل طراحی می‌کنند و مهندسان محصول که به دنبال پیاده‌سازی اتوماسیون هوشمند هستند، طراحی شده است. همچنین برای رهبران فنی که پتانسیل هوش مصنوعی عامل‌محور (Agentic AI) را برای ایجاد راهکارهای مقیاس‌پذیر و آگاه به متن بررسی می‌کنند، بسیار مفید است. چه در حال کار بر روی سیستم‌های عاملی در سطح سازمانی باشید و چه در حال پیشگامی در جریان‌های کاری هوشمند جدید، این دوره یک بنیاد کاربردی و مستحکم را فراهم می‌کند. شرکت‌کنندگان باید پایه‌ای قوی در مفاهیم هوش مصنوعی مولد، مهندسی پرامپت (Prompt Engineering) و تکنیک‌های تولید تقویت‌شده با بازیابی (RAG) داشته باشند. تسلط بر برنامه‌نویسی پایتون، آشنایی با مفاهیم رایج AI/ML و کار با APIها ضروری است. همچنین یادگیرندگان باید درک صحیحی از اصول برنامه‌نویسی شی‌گرا و سیستم‌های توزیع‌شده داشته باشند تا بتوانند به طور موثر با محتوای فنی پیشرفته دوره ارتباط برقرار کنند. در پایان این دوره، یادگیرندگان قادر خواهند بود عوامل هوش مصنوعی خودمختار را با استفاده از فریم‌ورک CrewAI به همراه ابزارهای یکپارچه و منطق تصمیم‌گیری بسازند. آن‌ها سیستم‌های چند-عاملی پیشرفته را با پروتکل‌های هماهنگی و مدیریت وظایف تفویضی پیاده‌سازی می‌کنند، عوامل پشتیبانی مشتری را که با پایگاه‌های دانش یکپارچه شده‌اند مستقر کرده و استراتژی‌های ایمنی و پروتکل‌های تست را برای تضمین استقرار پایدار در محیط تولید اعمال می‌کنند. علاوه بر این، یادگیرندگان از طریق پروژه‌های واقعی، تجربه عملی در زمینه طراحی معماری، جریان‌های هماهنگی و ارزیابی رفتار عامل‌ها در محیط‌های پیچیده کسب خواهند کرد.

سرفصل ها و درس ها

مبانی Foundations

  • معرفی دوره Course Introduction

  • تاثیر هوش مصنوعی مولد بر مهندسی Generative AI Impact on Engineering

  • اصول معماری سیستم‌های هوش مصنوعی مولد Fundamentals of Generative AI Systems Architecture

  • راه‌اندازی محیط‌های توسعه GenAI: محلی و ابری Setting Up GenAI Development Environments: Local & Cloud

  • داستان‌های موفقیت در پیاده‌سازی سازمانی Enterprise Implementation Success Stories

  • اجزای LLM و مکانیسم‌های اصلی LLM Components and Core Mechanics

  • مقایسه مدل‌های LLM در سطح سازمانی Enterprise LLM Model Comparison

  • یکپارچه‌سازی LLM و تنظیمات API LLM Integration and API Setup

  • چارچوب استراتژیک انتخاب مدل Strategic Model Selection Framework

  • ماتریس کاربردهای GenAI در سازمان Enterprise GenAI Application Matrix

  • معماری راهکارهای تخصصی هر صنعت Industry-Specific Solution Architecture

  • طراحی سیستم دستیار پشتیبانی Support Assistant System Design

  • سنجش ROI و معیارهای ارزیابی ROI Measurement and Metrics

عوامل هوش مصنوعی AI Agents

  • اصول معماری عوامل هوشمند (AI Agents) AI Agent Architecture Principles

  • الگوهای طراحی اجزای عامل Agent Component Design Patterns

  • راهنمای پیاده‌سازی ابتدایی عامل Basic Agent Implementation Guide

  • چارچوب سیستم طبقه‌بندی عوامل Agent Classification System Framework

  • اصول طراحی سیستم‌های چند-عاملی Multi-Agent System Design Principles

  • طراحی پروتکل ارتباطی بین عوامل Agent Communication Protocol Design

  • جریان کاری پیاده‌سازی چند-عاملی Multi-Agent Implementation Workflow

  • چارچوب کنترل ایمنی عامل Agent Safety Control Framework

  • تحلیل نیازمندی‌های عامل پشتیبانی Support Agent Requirements Analysis

  • ماتریس برنامه‌ریزی قابلیت‌های عامل Agent Capability Planning Matrix

  • راهنمای توسعه عامل پشتیبانی Support Agent Development Guide

  • چارچوب استراتژی تست عامل Agent Testing Strategy Framework

جمع‌بندی دوره Course Conclusion

  • جمع‌بندی دوره Course Conclusion

نمایش نظرات

آموزش مبانی هوش مصنوعی مولد و توسعه عوامل هوشمند (AI Agents)
جزییات دوره
6h 12m
26
(آخرین آپدیت)
466
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده