آموزش جامع گواهینامه رهبری هوش مصنوعی مولد گوگل کلاد ۲۰۲۵ [ویدئویی] - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• خوش‌آمدگویی به دوره گواهینامه رهبری هوش مصنوعی مولد Welcome to the Generative AI Leader Certification Course

• بررسی کلی آزمون Google Cloud Generative AI Leader و استراتژی آمادگی Google Cloud Generative AI Leader - Exam Overview and Preparation Strategy

• چه کسانی باید این دوره را بگذرانند – آیا این دوره برای شما مناسب است؟ Who Should Take This Course – Is This Course Right for You?

• راهنمای پیمایش و بهره‌وری حداکثری از این دوره How to Navigate and Maximize This Course

مبانی هوش مصنوعی مولد: مفاهیم، مدل‌ها و ارتباط با کسب‌وکار Fundamentals of Generative AI: Concepts, Models, and Business Relevance

• هوش مصنوعی مولد چیست؟ (توضیح Generative AI)، تعاریف و تمایزها What is Generative AI (Generative AI Explained)? Definitions and Differentiators

• مفاهیم کلیدی هوش مصنوعی مولد: AI, ML, NLP, LLMs و مدل‌های پایه Core Concepts of Generative AI: AI, ML, NLP, LLMs, and Foundation Models

• تسلط بر مهندسی پرامپت، مدل‌های Diffusion و هوش مصنوعی چندوجهی (Multimodal) Mastering Prompt Engineering, Diffusion Models, and Multimodal AI

• کاربردهای واقعی هوش مصنوعی مولد در کسب‌وکار Real-World Business Applications of Generative AI

• یادگیری نظارت شده، نظارت نشده و یادگیری تقویت شده در AI مولد Supervised, Unsupervised, and Reinforcement Learning in Generative AI

• چرخه عمر یادگیری ماشین: از جذب داده‌ها تا استقرار مسئولانه The Machine Learning Lifecycle: From Data Ingestion to Responsible Deployment

• تطبیق ابزارهای AI گوگل کلاد با چرخه عمر یادگیری ماشین Google Cloud AI Tools Mapped to the ML Lifecycle

• انتخاب مدل پایه مناسب: مودالیته، کانتکست و هزینه Choosing the Right Foundation Model: Modality, Context, and Cost

• عملکرد مدل، تنظیم دقیق (Fine-Tuning) و امنیت در هوش مصنوعی مولد Model Performance, Fine-Tuning, and Security in Generative AI

• کیفیت و دسترسی به داده‌ها: مبانی هوش مصنوعی مسئولانه Data Quality and Accessibility: Foundations of Responsible AI

• داده‌های ساختاریافته در مقابل داده‌های بدون ساختار در جریان‌های کاری AI Structured vs. Unstructured Data in Generative AI Workflows

• داده‌های برچسب‌دار در مقابل بدون برچسب: انتخاب استراتژی آموزشی درست Labeled vs. Unlabeled Data: Choosing the Right Training Strategy

• پشته تکنولوژی Gen AI: از زیرساخت تا اپلیکیشن‌ها The Gen AI Technology Stack: From Infrastructure to Applications

• بررسی مدل‌های پایه گوگل: Gemini, Gemma, Imagen و Veo Gemini, Gemma, Imagen, and Veo: Google's Foundation Models Explained

هوش مصنوعی مولد گوگل کلاد: پلتفرم، ابزارها و قابلیت‌های سازمانی Google Cloud Gen AI: Platform, Tools, and Enterprise Capabilities

• چه چیزی گوگل را در زمینه هوش مصنوعی مولد متمایز می‌کند؟ What Sets Google Apart in Generative AI

• هوش مصنوعی آماده سازمان: حریم خصوصی، مقیاس و قابلیت اطمینان در گوگل کلاد Enterprise-Ready AI: Privacy, Scale, and Reliability on Google Cloud

• باز، تحت نظارت و پاسخگو: استراتژی AI گوگل برای سازمان‌ها Open, Governed, and Accountable: Google's AI Strategy for Enterprises

• TPUها، GPUها و هایپرکامپیوتر AI: مقیاس‌بندی عملکرد با گوگل TPUs, GPUs, and the AI Hypercomputer: Scaling Performance with Google

• حریم خصوصی داده‌ها، حاکمیت مدل و کنترل با Google Cloud AI Data Privacy, Model Governance, and Control with Google Cloud AI

• برنامه Gemini در مقابل Gemini Advanced: انتخاب ابزار سازمانی مناسب Gemini App vs. Gemini Advanced: Choosing the Right Enterprise Tool

• فضای عامل‌های گوگل (Agentspace): عامل‌های سفارشی، NotebookLM و ادغام جستجو Google Agentspace: Custom Agents, NotebookLM, and Search Integration

• جمنای برای گوگل ورک‌اسپیس: هوش مصنوعی در Gmail, Docs, Sheets و غیره Gemini for Google Workspace: AI Inside Gmail, Docs, Sheets, and More

• جستجوی Vertex AI در مقابل جستجوی گوگل: بازیابی دانش سازمانی Vertex AI Search vs. Google Search: Enterprise Knowledge Retrieval

• هوش مصنوعی تعامل با مشتری: مرکز تماس، دستیار عامل و تحلیل‌ها Customer Engagement AI: Contact Center, Agent Assist, and Insights

• Vertex AI, Model Garden و AutoML: ابزارهایی برای هر سطح از توسعه‌دهنده Vertex AI, Model Garden, and AutoML: Tools for Every Developer Level

• تولید تقویت شده با بازیابی (RAG): APIها و جریان‌های کاری سازمانی Retrieval-Augmented Generation (RAG): APIs and Enterprise Workflows

• سازنده عامل Vertex AI: ابزارهای Low-Code برای جریان‌های کاری سفارشی AI Vertex AI Agent Builder: Low-Code Tools for Custom AI Workflows

• افزونه‌ها، پلاگین‌ها و دسترسی به داده‌ها: عملیاتی کردن عامل‌ها Extensions, Plugins, and Data Access: Making Agents Actionable

• APIهای گوگل کلاد: تشخیص گفتار، بینایی، ترجمه و Document AI Speech, Vision, Translation, and Document AI: Google Cloud APIs

• Google AI Studio در مقابل Vertex AI Studio: نمونه‌سازی در مقابل تولید Google AI Studio vs. Vertex AI Studio: Prototyping vs. Production

هوش مصنوعی مولد مسئولانه: ریسک‌ها، Grounding و کنترل خروجی Responsible Generative AI: Risks, Grounding, and Output Control

• ریسک‌های رایج Gen AI: سوگیری، توهم (Hallucination) و شکاف‌های دانشی Common Gen AI Risks: Bias, Hallucination & Knowledge Gaps

• استراتژی‌های کاهش ریسک: Grounding, RAG, HITL و تنظیم دقیق Mitigation Strategies: Grounding, RAG, HITL & Fine-Tuning

• مانیتورینگ Gen AI: شاخص‌های کلیدی عملکرد (KPIs)، مشاهده‌پذیری و Feature Store Monitoring Gen AI: KPIs, Observability & Feature Store

• مهندسی پرامپت: تکنیک‌های Zero-Shot, One-Shot و Few-Shot Prompt Engineering: Zero-Shot, One-Shot, and Few-Shot Techniques

• پرامپت‌نویسی نقش‌محور و زنجیره‌سازی پرامپت برای رفتار ساختاریافته AI Role Prompting and Prompt Chaining for Structured AI Behavior

• زنجیره تفکر (Chain of Thought) و پرامپت ReAct: استدلال و اقدام Chain-of-Thought and ReAct Prompting: Reasoning and Action

• اتصال به واقعیت (Grounding) در Gen AI: داده‌های سازمانی، شخص ثالث و عمومی Grounding in Gen AI: Enterprise, Third-Party, and Public Data

• چگونه RAG دقت، مرتبط بودن و اعتماد به خروجی را بهبود می‌بخشد How RAG Improves Output Accuracy, Relevance, and Trust

• تنظیم خروجی با پارامترهای نمونه‌برداری: توکن‌ها، دما (Temperature) و Top-p Tuning Output with Sampling Parameters: Tokens, Temperature, Top-p

مقیاس‌بندی و حاکمیت هوش مصنوعی مولد در سازمان Scaling and Governing Generative AI in the Enterprise

• نگاشت راهکارها – متن، تصویر، کد و شخصی‌سازی Mapping Solutions – Text, Image, Code, Personalization

• هم‌راستاسازی راهکارها با نیازهای کسب‌وکار Aligning Solutions with Business Needs

• مراحل ادغام هوش مصنوعی مولد در سازمان Steps to Integrate Gen AI into the Enterprise

• تکنیک‌های اندازه‌گیری اثرگذاری Impact Measurement Techniques

• چارچوب امنیتی هوش مصنوعی گوگل (SAIF) Google's Secure AI Framework (SAIF)

• مدیریت دسترسی (IAM)، زیرساخت امن و ابزارهای مانیتورینگ IAM, Secure-by-Design Infrastructure, Monitoring Tools

• شفافیت، توضیح‌پذیری و پاسخگویی Transparency, Explainability, and Accountability

• حریم خصوصی – بی‌نام‌سازی و نام مستعارسازی Privacy – Anonymization, Pseudonymization

• سوگیری، عدالت و استفاده اخلاقی در کسب‌وکار Bias, Fairness, and Ethical Business Use

آمادگی برای آزمون نهایی و مهارت‌های رهبری Final Exam Preparation and Leadership Readiness

• دامنه های کلیدی برای تمرکز در آزمون Key Domains to Focus on for the Exam

• نمونه سوالات و بررسی عملی Sample Questions and Practice Walkthrough

• اشتباهات رایج و نکات مدیریت زمان Common Mistakes and Time Management Tips

• استراتژی‌های آزمون نهایی و موفقیت در دریافت گواهینامه Final Exam Strategies and Certification Success