آموزش ارزیابی و مقیاس‌بندی مدل‌های زبانی بزرگ (LLMs) - آخرین آپدیت

تکنیک‌های پیشرفته بازیابی و ارزیابی RAG Advanced Retrieval Techniques and RAG Evaluation

• معرفی تخصص Specialization Introduction

• معرفی دوره Course Introduction

• تکنیک‌های پیشرفته بازیابی – چرا RAG پایه کافی نیست؟ Advanced Retrieval Techniques – Why Basic RAG Isn't Enough

• رتبه‌بندی مجدد اسناد بازیابی شده با Cross Encoder Re-ranking Retrieved Documents with a Cross-Encoder

• تبدیل‌های پرس‌وجو (Query Transformations) Query Transformations

• بهبود درک پرس‌وجو و رتبه‌بندی Enhancing Query Understanding and Ranking

• تبدیل پرس‌وجو – بازنویسی، پرس‌وجوی چندگانه و HyDE Query Transformation — Rewriting, Multi-Query, and HyDE

• جستجوی ترکیبی (Hybrid Search) Hybrid Search

• جستجوی ترکیبی – ترکیب بازیابی متراکم و کلیدواژه‌ای Hybrid Search — Combining Dense and Keyword Retrieval

• بهبود بازیابی با اسناد والد و پرس‌وجوی خودکار Enhancing Retrieval with Parent Documents and Self-Querying

• بازیاب اسناد والد و پرس‌وجوی خودکار Parent-Document and Self-Querying Retriever

• ارزیابی سیستم‌های RAG: معیارهای بازیابی Evaluating RAG Systems: Retrieval Metrics

• اندازه‌گیری کیفیت بازیابی با معیارهای رتبه‌بندی Measuring Retrieval Quality with Ranking Metrics

• بنچ‌مارک عملکرد RAG Benchmarking RAG Performance

• امتیازدهی به وفاداری و مرتبط بودن تولیدات با RAGAS Scoring Generation Faithfulness and Relevance with RAGAS

• عیب‌یابی و بهبود یک خط لوله RAG ضعیف Diagnosing and Improving a Weak RAG Pipeline

• پروژه نهایی – ساخت یک دستیار دانش مبتنی بر اسناد Capstone — Building a Document-Based Knowledge Assistant

انتخاب مدل و تنظیم دقیق با بهره‌وری پارامتری Model Selection and Parameter-Efficient Fine-Tuning

• تنظیم دقیق، پرامپت‌نویسی یا RAG: راهنمای تصمیم‌گیری بصری Fine-Tuning, Prompting, or RAG: A Visual Decision Guide

• بنچ‌مارک مدل‌های کاندید بر اساس هزینه، تأخیر و کیفیت Benchmarking Candidate Models on Cost, Latency, and Quality

• آماده‌سازی مجموعه داده برای تنظیم دستورالعمل‌ها (Instruction Tuning) Preparing an Instruction-Tuning Dataset

• تنظیم دقیق با بهره‌وری پارامتری: توضیح LoRA Parameter-Efficient Fine-Tuning: LoRA Explained

• تنظیم دقیق با بهره‌وری پارامتری: توضیح QLoRA و آداپتورها Parameter-Efficient Fine-Tuning: QLoRA, and Adapters Explained

• معرفی Transformers در Hugging Face Introduction to Hugging Face Transformers

• تنظیم دقیق یک مدل با LoRA در Hugging Face Fine-Tuning a Model with LoRA on Hugging Face

• تنظیم دقیق بهینه از نظر حافظه با QLoRA Memory-Efficient Fine-Tuning with QLoRA

• افزودن و تعویض آداپتورهای وظیفه (Task Adapters) Adding and Swapping Task Adapters

• معیارهای ارزیابی مدل: F1, BLEU, ROUGE Model Evaluation Metrics: F1, BLEU, ROUGE

• ارزیابی کیفیت مدل قبل و بعد از تنظیم دقیق Evaluating Model Quality Before and After Fine-Tuning

سیستم‌های هوش مصنوعی مولد چندوجهی Multimodal Generative AI Systems

• مدل‌های LLM چندوجهی: بررسی بصری Multimodal LLMs: A Visual Walkthrough

• پرامپت‌ها برای تصاویر، کدها و اسناد Prompts for Images, Code, and Documents

• تولید شرح تصویر با مدل بینایی-زبان Image Captioning with a Vision-Language Model

• پاسخ به سوالات بصری روی تصاویر Visual Question Answering over Images

• ادغام تبدیل گفتار به متن و متن به گفتار Integrating Speech-to-Text and Text-to-Speech

قابلیت اطمینان، سرویس‌دهی و استقرار Reliability, Serving, and Deployment

• افزودن کشینگ، تلاش مجدد و جایگزین‌های تامین‌کننده Adding Caching, Retries, and Provider Fallbacks

• ساخت API هوش مصنوعی مولد با FastAPI Building a GenAI API with FastAPI

• کانتینری کردن برنامه GenAI با Docker Containerising a GenAI Application with Docker

• استقرار کانتینر در فضای ابری Deploying the Container to the Cloud

عملیات LLMOps و ایمنی در محیط تولید LLMOps and Production Safety

• LLMOps: مدیریت GenAI در محیط تولید LLMOps: Operating GenAI in Production

• نسخه‌بندی پرامپت‌ها و خروجی‌ها و ردیابی آزمایش‌ها Versioning Prompts and Outputs and Tracking Experiments

• افزودن گاردریل‌ها (Guardrails) به برنامه GenAI Adding Guardrails to a GenAI Application

• تیم قرمز برای بررسی سمیت و توهمات مدل Red-Teaming for Toxicity and Hallucination

مشاهده‌پذیری، مانیتورینگ و پروژه نهایی تخصص Observability, Monitoring, and the Specialization Capstone

• مشاهده‌پذیری برای GenAI: ردیابی، مانیتورینگ و تشخیص رانش Observability for GenAI: Tracing, Monitoring, and Drift Detection

• ردیابی و مانیتورینگ یک برنامه GenAI مستقر شده Tracing and Monitoring a Deployed GenAI Application

• تشخیص رانش مدل و داده‌ها در محیط تولید Detecting Model and Data Drift in Production

• پروژه نهایی – یک برنامه GenAI جامع، مستقر شده و مانیتور شده Capstone — A Deployed, Monitored End-to-End GenAI Application

• خلاصه دوره Course Summary