آموزش ساخت جریان‌های کاری هوش مصنوعی چندعاملی بر بستر AWS Bedrock - آخرین آپدیت

دانلود Building Multi-Agentic AI Workflows on AWS Bedrock

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

هوش مصنوعی پیشرفته: ساخت آژانس مسافرتی با چند عاملی و AWS Bedrock

آیا به دنبال استفاده از قدرت گردش کار چند عاملی برای ایجاد برنامه‌های کاربردی هوش مصنوعی پیشرفته و استقرار آن‌ها در مقیاس بزرگ هستید؟ این دوره دروازه ورود شما به ساخت یک برنامه‌ریز سفر کاملاً عملیاتی و آماده تولید بر روی AWS Bedrock است، جایی که چندین عامل برای ارائه توصیه‌های شخصی‌سازی شده و لحظه‌ای با یکدیگر همکاری می‌کنند. خواهید دید که چگونه عوامل سرپرست (Supervisor Agents) جریان کار وظایف را هماهنگ می‌کنند، در حالی که عوامل همکار (Collaborator Agents) و عوامل کمکی (Helper Agents) وظایف اصلی را انجام می‌دهند – مانند انجام جستجوی پایگاه داده، مدیریت فراخوانی API، و پردازش ترجیحات سفر از طرف شما. با ساختاردهی هوش مصنوعی خود به این شکل عامل‌محور، یک سیستم مقیاس‌پذیر و ماژولار توسعه خواهید داد که به آرامی با سناریوهای پیچیده و واقعی سازگار می‌شود.

ویژگی‌های کلیدی دوره:

  • بهره‌برداری از LLM ها، سازماندهی گردش کار چند عاملی و ساخت آژانس مسافرتی اختصاصی خود آماده تولید با هوش مصنوعی
  • درک و پیاده‌سازی گردش کار چند عاملی
  • استقرار گردش کار چند عاملی با استفاده از AWS – شامل Bedrock، Lambdas، API Gateway، S3 و موارد دیگر
  • استفاده از AWS Bedrock برای LLM ها
  • پیاده‌سازی همکاری چند عاملی
  • استقرار سیستم‌های هوش مصنوعی تولیدی – راه‌اندازی یک معماری هوش مصنوعی مقیاس‌پذیر با استفاده از AWS Lambda و API Gateway
  • ایجاد گروه‌های عملیاتی (Action Groups) در AWS Lambda – ساخت و مدیریت گروه‌های عملیاتی برای تصمیم‌گیری هوش مصنوعی در محیط‌های بدون سرور
  • ساخت آژانس‌های مسافرتی با قدرت هوش مصنوعی – طراحی یک دستیار مسافرتی هوشمند که بتواند توصیه‌های اقامتگاه و رستوران ارائه دهد
  • پیاده‌سازی API Gateway برای دسترسی خارجی – در دسترس قرار دادن آژانس مسافرتی هوش مصنوعی خود در وب با استفاده از AWS API Gateway
  • بهینه‌سازی درخواست‌های هوش مصنوعی با محدودیت‌های نرخ API – یادگیری نحوه مدیریت محدودیت‌های درخواست API و جلوگیری از هزینه‌های استفاده بیش از حد
  • پیاده‌سازی ثبت وقایع (Logging) و نظارت (Monitoring) – پیگیری عملکرد مدل هوش مصنوعی و نظارت بر استفاده از API با AWS CloudWatch
  • درک نقش عوامل سرپرست – یادگیری نحوه مدیریت و هماهنگی کارآمد وظایف توسط عوامل سرپرست
  • استقرار یک سیستم هوش مصنوعی End-to-End – انتقال آژانس مسافرتی شما از مفهوم تا تولید در یک محیط واقعی AWS
  • تنظیم دقیق پاسخ‌های AWS Bedrock LLM – تنظیم پارامترهای سیستم برای بهبود دقت و ارتباط توصیه‌های سفر
  • طراحی برنامه‌های کاربردی مقیاس‌پذیر بدون سرور – یادگیری بهترین شیوه‌ها برای مقیاس‌بندی برنامه‌های کاربردی بدون سرور مبتنی بر هوش مصنوعی در AWS

در ابتدا به اصول طراحی چند عاملی می‌پردازیم – چه زمانی وظایف را به عوامل تخصصی تقسیم کنیم، چگونه ارتباط بین عوامل را مدیریت کنیم و همکاری بی‌نقص را برای پاسخ‌های بسیار سریع تضمین کنیم. سپس به مدل‌های زبان بزرگ (LLMs) AWS Bedrock می‌پردازیم و نحوه سفارشی‌سازی قالب‌های پرامپت، نادیده گرفتن پارامترهای پیش‌فرض و بهینه‌سازی خروجی هوش مصنوعی خود را برای کوئری‌های کاربر نشان می‌دهیم. یاد خواهید گرفت که چگونه داده‌های کلیدی سفر را در Amazon S3 ذخیره کنید و یک لایه برنامه کاربردی بدون سرور با استفاده از توابع AWS Lambdaگروه‌های عملیاتی – بسازید تا گردش کار هوش مصنوعی شما سبک و مقرون به صرفه باقی بماند. در نهایت، نحوه آماده‌سازی برای تولید را با استقرار از طریق AWS API Gateway نشان می‌دهیم که یک رابط کاربری قوی ارائه می‌دهد و می‌تواند درخواست‌های زنده را از هر نقطه جهان با مقیاس‌پذیری و امنیت داخلی پاسخ دهد.

در پایان این دوره، شما یک برنامه کاربردی چند عاملی در سطح تولید خواهید داشت که قادر به جستجوی خودکار سوابق پایگاه داده، انجام فراخوانی‌های API، و ارائه توصیه‌های سفر پویا است. چه یک توسعه‌دهنده مشتاق هوش مصنوعی باشید و چه یک مهندس باتجربه، مهارت‌های عملی را برای سازماندهی عوامل سرپرست، همکار و کمکی برای راه‌حل‌های واقعی در مقیاس سازمانی کسب خواهید کرد. به ما بپیوندید و نسل بعدی هوش مصنوعی را با AWS Bedrock بسازید – همه در یک محیط کاملاً آماده تولید!

پیش‌نیازها:

برنامه‌نویسی پایه پایتون


سرفصل ها و درس ها

مقدمه Introduction

  • آنچه می‌سازیم – بخش اول What We Are Building Part 1

  • آنچه می‌سازیم – بخش دوم What We Are Building Part 2

منابع دوره Course Resources

  • دسترسی به منابع دوره در اینجا Access The Course Resources Here

راه‌اندازی حساب AWS خود Setting Up Our AWS Account

  • ورود به AWS Signing In to AWS

  • ایجاد کاربر IAM در AWS Creating and IAM User in AWS

  • دسترسی به محیط AWS خود با کاربر IAM Accessing Our AWS Environment with our IAM User

  • چه کاری انجام دهیم اگر حساب AWS شما هک شد What to Do If your AWS Account Gets Hacked

طراحی معماری، دسترسی به مدل و سهمیه‌ها Architecture Design, Model Access and Quotas

  • نمودار معماری جریان کاری چند عاملی ما Architecture Diagram of Our Multi Agentic Workflow

  • دسترسی به مدل LLM، محدودیت‌های نرخ API، سهمیه‌ها و مناطق AWS LLM Model Access, API Rate Limits, Quotas, and AWS Regions

ایجاد عامل رستوران در AWS Bedrock Creating the Restaurant Agent in AWS Bedrock

  • مقدمه‌ای بر عوامل AWS Bedrock Introduction to AWS Bedrock Agents

  • ایجاد عامل رستوران Creating the Restaurant Agent

  • ایجاد سطل AWS S3 برای ذخیره داده‌هایمان Creating our AWS S3 Bucket To Store Our Data

  • بارگذاری داده‌های رستوران در AWS S3 Uploading Restaurant Data to AWS S3

  • ایجاد گروه اکشن برای عامل رستوران ما Creating an Action Group For Our Restaurant Agent

  • تکمیل تابع Lambda برای عامل رستوران ما Finishing Our Lambda Function for our Restaurant Agent

  • آزمایش عامل رستوران ما Testing Our Restaurant Agent

ایجاد عامل اقامت در AWS Bedrock Creating the Accommodation Agent in AWS Bedrock

  • راه‌اندازی عامل اقامت Setting Up The Accommodation Agent

  • بارگذاری داده‌های هتل و Airbnb در AWS S3 Uploading Our Hotel and Airbnb Data to AWS S3

  • ایجاد گروه اکشن تابع Lambda برای عامل اقامت Creating The Lambda Function Action Group For The Accommodation Agent

  • تکمیل عامل اقامت Finishing The Accommodation Agent

  • آزمایش عامل اقامت Testing The Accommodation Agent

همکاری چند عاملی با استفاده از عامل ناظر در AWS Bedrock Multi Agentic Collaboration Using the Supervisor Agent in AWS Bedrock

  • ایجاد و آزمایش عامل ناظر Creating and Testing The Supervisor agent

  • توضیح همکاران عامل Explaining Agent Collaborators

  • بهبود رابط کاربری چند عاملی، زمان‌بندی عوامل Multi Agent UI Enhancement, Timing Agents

استقرار جریان کاری چند عاملی ما و پاکسازی منابع Deploying Our Multi Agentic Workflow and Cleaning Up Resources

  • فراخوانی بدون سرور عامل ناظر با استفاده از AWS Lambda Serverless Invocation of the Supervisor Agent using AWS Lambda

  • راه‌اندازی AWS API Gateway برای استقرار جریان کاری ما از طریق اینترنت Setting up AWS API Gateway to Deploy Our Worfklow Through the Internet

  • آزمایش نقطه پایانی ما از طریق اینترنت با Postman Testing Our Endpoint Through The Internet with Postman

  • پاکسازی منابع Cleaning Up Resources

نمایش نظرات

آموزش ساخت جریان‌های کاری هوش مصنوعی چندعاملی بر بستر AWS Bedrock
جزییات دوره
3.5 hours
28
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
447
4.7 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

Patrik Szepesi Patrik Szepesi

مهندس یادگیری ماشین