🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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 Lambda – گروههای 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
نمایش نظرات