آموزش مبانی GenAIOps - آخرین آپدیت

دانلود GenAIOps Foundations

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

هوش مصنوعی مولد (Generative AI) در حال متحول کردن روش استقرار اپلیکیشن‌ها در محیط‌های عملیاتی برای بهبود بهره‌وری در سازمان‌ها است. با پذیرش روزافزون ابزارهای GenAI در جریان‌های کاری، نیاز به مدیریت، نظارت و بهینه‌سازی موثر مدل‌ها و سیستم‌های هوش مصنوعی در تمامی مراحل چرخه حیات GenAI حیاتی است. در این دوره، مدرس (Kumaran Ponnambalam) شما را با چرخه حیات GenAI و نحوه ادغام GenAIOps در این چرخه برای ساخت، استقرار، مدیریت و نظارت بر محصولات و دستاوردهای هوش مصنوعی مولد آشنا می‌کند. در پایان این دوره، شما آماده خواهید بود تا از فرآیندهای استاندارد صنعت و بهترین روش‌ها برای پیاده‌سازی GenAIOps در مقیاس بزرگ استفاده کنید.

این دوره بخشی از یک مسیر یادگیری است. با گذراندن تمامی دوره‌ها و موفقیت در آزمون نهایی، گواهینامه حرفه‌ای دریافت خواهید کرد که می‌توانید آن را به پروفایل لینکدین خود اضافه کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • مبانی GenAIOps GenAIOps foundations

1. مبانی GenAIOps 1. GenAIOps Fundamentals

  • مقایسه DevOps، MLOps و GenAIOps DevOps, MLOps and GenAIOps

  • برنامه‌ریزی پروژه‌های GenAI Planning genAI projects

  • چرخه حیات یادگیری ماشین The machine learning lifecycle

  • چرخه حیات GenAIOps The GenAIOps lifecycle

  • ظهور هوش مصنوعی مولد The advent of generative AI

2. آموزش مدل در هوش مصنوعی مولد 2. Model Training in Gen AI

  • ردیابی ارزیابی و تنظیم دقیق (Fine-tuning) Evaluation and finetuning tracking

  • داده‌ها برای ارزیابی و تنظیم دقیق Data for evaluaton and fine-tuning

  • پایپ‌لاین‌های اتوماسیون هوش مصنوعی مولد Generative AI automation pipelines

  • مرحله آموزش در هوش مصنوعی مولد Training phase in generative AI

  • مدیریت چرخه حیات مدل Model lifecycle management

3. توسعه اپلیکیشن‌های هوش مصنوعی مولد 3. Developing Gen AI Applications

  • مدیریت حافظه و Embeddingها Memory and embedding management

  • یکپارچه‌سازی ابزارهای ایجنت (Agent Tools) Agent tools integrations

  • تست اپلیکیشن‌های هوش مصنوعی مولد Testing generative AI applications

  • مدیریت ایجنت‌ها Agents management

  • پشته تکنولوژی اپلیکیشن‌های GenAI The generative AI application stack

  • مدیریت پرومپت‌ها (Prompt Management) Prompt management

4. استقرار و سرویس‌دهی مدل 4. Model Deployment and Serving

  • مقیاس‌بندی استقرارهای هوش مصنوعی مولد Scaling generative AI deployments

  • الگوهای استقرار GenAI GenAI deployment patterns

  • برنامه‌ریزی زیرساخت Infrastructure planning

  • استقرار گاردریل‌ها (Guardrails) Guardrails deployments

  • پایپ‌لاین‌های استقرار هوش مصنوعی مولد Generative AI deployment pipelines

5. نظارت و عیب‌یابی 5. Monitoring and Troubleshooting

  • مسیرهای حرکت ایجنت (Agent Trajectories) Agent trajectories

  • متریک‌های هوش مصنوعی مولد Metrics for generative AI

  • عیب‌یابی رفتار مدل‌های هوش مصنوعی مولد Troubleshooting generative AI model behavior

  • ردیابی‌های هوش مصنوعی مولد (Traces) Generative AI traces

  • پایپ‌لاین‌های نظارتی هوش مصنوعی مولد Generative AI monitoring pipelines

6. امنیت و انطباق 6. Security and Compliance

  • محافظت در برابر آسیب‌پذیری‌ها Protection against vulnerabilities

  • حفاظت از حریم خصوصی در GenAI Privacy protection in genAI

  • اخلاق و انطباق Ethics and compliance

  • سمی بودن و سوگیری در هوش مصنوعی مولد Toxicity and bias in generative AI

  • توهمات مدل (Hallucinations) Hallucinations

جمع‌بندی Conclusion

  • گام‌های بعدی Next steps

نمایش نظرات

آموزش مبانی GenAIOps
جزییات دوره
1h 19m
33
(آخرین آپدیت)
9,578
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Kumaran Ponnambalam Kumaran Ponnambalam

اختصاص به آموزش علوم داده

V2 Maestros به آموزش علوم داده و داده های بزرگ با هزینه های مقرون به صرفه برای جهان اختصاص دارد. مربیان ما تجربه دنیای واقعی در تمرین علم داده و ارائه نتایج تجاری دارند. علم داده یک حوزه داغ و در حال رخ دادن در صنعت فناوری اطلاعات است. متأسفانه منابع موجود برای یادگیری این مهارت به سختی یافت می شود و گران است. امیدواریم این مشکل را با ارائه آموزش باکیفیت با نرخ های مقرون به صرفه، با ایجاد استعدادهای علم داده در سراسر جهان، کاهش دهیم.