آموزش مقدمه‌ای بر مدل‌های زبانی بزرگ (LLM) در شبکه 5G: ارتقای هوشمندی شبکه - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

1. آشنایی با مدل‌های زبانی بزرگ (LLMs) 1. Introduction to Large Language Models (LLMs)

• تحول صنعتی از طریق مدل‌های زبانی Industrial transformation through language models

• نقش ترانسفورمرها در هوش مصنوعی مولد (GenAI) Role of transformers in GenAI

• توکن‌ها به عنوان واحدهای بنیادی مدل‌های زبانی بزرگ Tokens as the fundamental units of large language models

• از توکن‌ها تا معناشناسی متنی From tokens to contextual semantics

• اصول عملکرد هوش مصنوعی مولد Working principles of generative AI

• مدل‌های زبانی بزرگ: ساختار و قابلیت‌ها Large language models: Structure and capabilities

• مروری بر مفاهیم هوش مصنوعی مولد Overview of generative AI concepts

2. مفهوم محوری: طبقه‌بندی توکن‌ها 2. Core Concept: Token Classification

• تجسم طبقه‌بندی توکن‌ها: از آشفتگی تا ساختار Visualizing token classification: From chaos to structure

• تشخیص موجودیت‌های نام‌دار (NER) و فراتر از آن Named entity recognition (NER) and beyond

• طبقه‌بندی توکن چیست؟ از تئوری تا کاربرد در تلکام What is token classification? From theory to telecom

3. مفهوم محوری: طبقه‌بندی متن 3. Core Concept: Text Classification

• طبقه‌بندی متن چیست؟ اتوماسیون دسته‌بندی در مقیاس بزرگ What is text classification? Automating categorization at scale

• چرا LLMها داده‌ها و عملکرد را متحول کرده‌اند Why LLMs have transformed data and performance

• یادگیری کم‌نمونه (Few-shot) و طبقه‌بندی قصد Few-shot learning and intent classification

• پیش‌نمایش: ساخت طبقه‌بندی‌کننده قصد مخصوص تلکام Preview: Building a telecom-specific intent classifier

4. ساخت مدل NER سفارشی برای لاگ‌های شبکه 4. Building a Custom NER Model for Network Logs

• فرآیند برچسب‌گذاری: ایجاد داده‌های آموزشی مخابراتی The annotation process: Creating telecom training data

• معماری: لایه طبقه‌بندی برای برچسب‌زنی توکن‌ها Architecture: Classification layer for token labeling

• خط لوله آماده‌سازی داده‌ها و توکنایزیشن: شبیه‌سازی Data preparation and tokenization pipeline: Simulation

• ارزیابی مدل NER: فراتر از دقت، تمرکز بر تاثیر تجاری Evaluating your NER model: Beyond accuracy to business impact

• خط لوله آماده‌سازی داده‌ها و توکنایزیشن برای لاگ‌های تلکام Data preparation and tokenization pipeline for telecom logs

• ساخت مدل NER سفارشی برای لاگ‌های شبکه Building a custom NER model for network logs

• بهینه‌سازی مدل پیش‌آموزش‌دیده برای تشخیص موجودیت‌های سفارشی: شبیه‌سازی Fine-tuning a pretrained model for custom entity recognition: Simulation

5. استخراج اطلاعات: ساخت مدل‌ها 5. Extracting Information: Building Models

• ساخت تاکسونومی موجودیت‌های تلکام: از مفاهیم عمومی تا تخصصی Building a telecom entity taxonomy: From generic to domain specific

• ساخت مدل‌ها برای تشخیص موجودیت‌های خاص مشتری Building models for customer-specific entity recognition

• مدل NER متمرکز بر انطباق (Compliance) برای تلکام: شبیه‌سازی Compliance-focused NER model for telecom: Simulation

6. اتوماسیون پشتیبانی مشتری با طبقه‌بندی قصد 6. Automating Customer Support with Intent Classification

• از خروجی مدل تا منطق تجاری: ایجاد قوانین قصد کاربردی From model output to business logic: Creating actionable intent rules

• ارزیابی عملکرد مدل و بهبود دقت Evaluating model performance and improving accuracy

7. تحلیل احساسات برای تجربه مشتری 7. Sentiment Analysis for Customer Experience

• ساخت نقشه راه هوش مصنوعی تلکام: از پایلوت تا تولید Building your telecom AI road map: From pilot to production

• از تحلیل تا اقدام: ادغام بینش‌ها در سیستم CRM From analysis to action: Integrating insights into CRM

• تحلیل احساسات برای تجربه مشتری در تلکام Sentiment analysis for telecom customer experience

• ترکیب قصد و احساس: تصویر کامل از مشتری تلکام Combining intent and sentiment: The complete telecom customer picture

جمع‌بندی Conclusion

• جمع‌بندی Conclusion