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
(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