آموزش عملیاتی‌سازی مدل‌های زبانی بزرگ (LLMs) در محیط Azure - آخرین آپدیت

مقدمه‌ای بر LLMOps با Azure Introduction to LLMOps with Azure

• آشنایی با مدرس: Alfredo Deza Meet your instructor: Alfredo Deza

• درباره این دوره About this course

• مقدمه Introduction

• آشنایی با پرتال Azure Introduction to the Azure Portal

• استفاده از Microsoft Learn Using Microsoft Learn

• شناسایی راهکارهای هوش مصنوعی Azure Identifying the Azure AI solutions

• مقدمه‌ای بر Azure Machine Learning Introduction to Azure Machine Learning

• مقدمه‌ای بر سرویس Azure Open AI Introduction to Azure Open AI Service

• جمع‌بندی Summary

• مقدمه Introduction

• مدل‌های زبانی بزرگ (LLMs) چیستند و چگونه کار می‌کنند؟ What are LLMs and how do they work?

• مزایا و ریسک‌های استفاده از LLMها Benefits and risks of using LLMs

• کاهش ریسک‌های LLMها Mitigating risks of LLMs

• مقدمه‌ای بر LLMOps Introduction to LLMOps

• جمع‌بندی Summary

• مقدمه Introduction

• کشف و ارزیابی LLMها در Azure Discover and evaluate LLMs in Azure

• گزینه‌های استقرار برای استنتاج (Inferencing) Deployment options for inferencing

• قابلیت Azure AI Content Safety چیست؟ What is the Azure AI Content Safety feature?

• تفاوت‌های Azure Machine Learning و سرویس Azure Open AI Azure Machine Learning and Azure Open AI Service differences

• جمع‌بندی Summary

مدل‌های زبانی بزرگ (LLMs) در Azure LLMs with Azure

• مقدمه Introduction

• سهمیه‌ها و در دسترس بودن GPU GPU quotas and availability

• ایجاد یک منبع پردازشی (Compute Resource) Creating a compute resource

• استقرار مدل Deploying the model

• استفاده از Inference API Using the inference API

• جمع‌بندی Summary

• مقدمه Introduction

• دریافت دسترسی به سرویس Azure OpenAI Getting access to Azure OpenAI Service

• ایجاد منبع سرویس Azure OpenAI Creating an Azure OpenAI Service resource

• استقرار یک مدل OpenAI Deploy an OpenAI model

• استفاده از Playground Using the playground

• جمع‌بندی Summary

• مقدمه Introduction

• استفاده از کلیدها و نقاط اتصال (Endpoints) Using keys and endpoints

• ایجاد یک نمونه ساده پایتون Creating a simple Python example

• بررسی میزان استفاده و سهمیه‌ها Reviewing usage and quotas

• پاک‌سازی منابع Cleaning up resources

• جمع‌بندی Summary

توسعه با استفاده از توابع و پلاگین‌ها Extending with Functions and Plugins

• مقدمه Introduction

• Semantic Kernel چیست؟ What is Semantic Kernel?

• استفاده از Semantic Kernel در Azure Using Semantic Kernel with Azure

• استفاده از System Prompt Using a system prompt

• پرامپت‌های سیستمی پیشرفته Advanced system prompts

• جمع‌بندی Summary

• مقدمه Introduction

• نمای کلی توابع Overview of functions

• تعریف توابع Defining functions

• استفاده از تابع با LLM Using the function with the LLM

• کار با خطاها Working with errors

• جمع‌بندی Summary

• مقدمه Introduction

• ایجاد یک تابع رابط (Glue Function) Creating a glue function

• استفاده از آرگومان‌های تابع Consuming function arguments

• استفاده از یک تابع Native Using a native function

• نمای کلی یک میکروسرویس برای توابع Overview of a microservice for functions

• استفاده از API میکروسرویس خارجی Using an external microservice API

• جمع‌بندی Summary

ساخت یک اپلیکیشن LLM جامع در Azure Building an End-to-End LLM application in Azure

• مقدمه Introduction

• نمای کلی معماری Architectural overview

• RAG چیست؟ What is RAG

• نمای کلی Azure AI Search Overview of Azure AI Search

• اتوماسیون و استقرار با GitHub Automation and deployment with GitHub

• جمع‌بندی Summary

• مقدمه Introduction

• ایجاد منابع Azure Create the Azure resources

• ایجاد Embeddings Create the embeddings

• ایجاد و آپلود ایندکس Create and upload the index

• تأیید Embeddings Verifying the embeddings

• استفاده از RAG با Azure OpenAI Using RAG with Azure OpenAI

• جمع‌بندی Summary

• مقدمه Introduction

• نمای کلی اپلیکیشن Application overview

• راه‌اندازی اجزای Azure Setting up Azure components

• نمای کلی معماری Architectural overview

• استفاده از GitHub Actions با Azure Using GitHub Actions with Azure

• تأیید و عیب‌یابی استقرارها Verifying and troubleshooting deployments

• جمع‌بندی Summary