آموزش توسعه مدل-محور (SDD): طراحی سیستم‌های هوش مصنوعی قطعی و پیش‌بینی‌پذیر - آخرین آپدیت

دانلود Spec-Driven Development: designing deterministic AI systems

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: سیستم‌های هوش مصنوعی قطعی را با استفاده از مشخصات اجرایی (Executable Specs)، سینتکس EARS، گیت‌های تایید و تشخیص‌های زمان اجرا بسازید. طراحی یک گردش‌کار کامل از «مشخصات ← برنامه ← وظایف ← پیاده‌سازی» برای مهندسی نرم‌افزار با کمک هوش مصنوعی را بیاموزید. نوشتن مشخصات قابل تفسیر برای ماشین با استفاده از سینتکس EARS و حذف ابهامات از طریق گیت‌های شفاف‌سازی. ایجاد «قانون اساسی پروژه» و فایل‌های دستورالعمل ایجنت برای مدیریت رفتار AI با تعیین مرزهای «همیشه انجام بده»، «ابتدا بپرس» و «هرگز انجام نده». مدیریت ایمن چندین ایجنت تخصصی هوش مصنوعی در حالی که یکپارچگی معماری سیستم حفظ شود. پیش‌نیازها: درک اولیه از مفاهیم توسعه نرم‌افزار مانند APIها، تست و کنترل نسخه (Version Control). آشنایی با ابزارهای کدنویسی AI مانند ChatGPT، Claude، Copilot یا Cursor مفید است اما الزامی نیست.

این دوره شامل استفاده از هوش مصنوعی است.

این دوره به شما می‌آموزد چگونه از پرامپت‌نویسی‌های پراکنده و اتفاقی به یک گردش‌کار مهندسی ساختاریافته و در سطح تولید (Production-grade) حرکت کنید.

به جای treating AI به عنوان یک تولیدکننده کد ساده، یاد می‌گیرید سیستم‌هایی طراحی کنید که در آن «مشخصات» منبع حقیقت هستند، معماری از قصد و هدف مشتق می‌شود و اعتبارسنجی در هر مرحله از توسعه تعبیه شده است.


توسعه مدل-محور (SDD) بداهه‌پردازی را با یک خط لوله تکرارپذیر جایگزین می‌کند:

تعیین مشخصات ← برنامه‌ریزی ← تعریف وظایف ← پیاده‌سازی ← تایید


در پایان این دوره، خواهید توانست توسعه با کمک AI را به گونه‌ای مدیریت کنید که قابل حسابرسی، مقیاس‌پذیر و مطابق با استانداردهای واقعی تولید باشد.


محتویات این دوره:

ماژول ۱ - مبانی توسعه مدل-محور (SDD)

درک خواهید کرد که چرا کدنویسی بر اساس حس (Vibe-coding) برای پروتوتایپ‌ها جواب می‌دهد اما در محدودیت‌های محیط تولید شکست می‌خورد.

با مفهوم «وارونگی قدرت» آشنا می‌شوید، جایی که کد در خدمت مشخصات است.

تکامل از SDLC، PRDها، TDD و BDD به سمت SDD را بررسی خواهید کرد.

اصول کلیدی اسناد زنده، قصد اجرایی، مدیریت ابهام و گیت‌های اعتبارسنجی را درک می‌کنید.


ماژول ۲ - گردش‌کار اصلی SDD:

بر چرخه کامل تسلط می‌یابید:

تعیین مشخصات - تعریف ستاره قطبی و معیارهای موفقیت قابل اندازه‌گیری بدون دخالت در جزئیات پیاده‌سازی.

برنامه‌ریزی - تولید معماری متناسب با کدبیس فعلی و مطابق با قانون اساسی پروژه.

وظایف - شکستن ویژگی‌های پیچیده به واحدهای اتمی و قابل بررسی.

پیاده‌سازی - اجرای وظایف با اعتبارسنجی انسانی (Human-in-the-loop) و شناسایی مداوم انحرافات.


ماژول ۳ - کانتکست پروژه و حاکمیت:

یک «قانون اساسی پروژه» طراحی می‌کنید که DNA معماری شما را تعریف می‌کند.

فایل‌های دستورالعمل ساختاریافته برای ایجنت‌ها جهت کنترل رفتار AI ایجاد می‌کنید.

مدل مرزی سه سطحی را پیاده می‌کنید: همیشه انجام بده، ابتدا بپرس، هرگز انجام نده.

پشته تکنولوژی خود را استاندارد می‌کنید تا کدهای تولید شده توسط AI بومی و مطابق با استانداردهای تیم‌ها باشد.


ماژول ۴ - نوشتن مشخصات موثر برای هوش مصنوعی:

یاد می‌گیرید چگونه الزامات قابل تفسیر برای ماشین را با استفاده از سینتکس EARS بنویسید.

ابهامات را با استفاده از گیت‌های شفاف‌سازی و بررسی کامل بودن الزامات حذف می‌کنید.

تولید UI و UX را با استفاده از بصری‌ها، موکاپ‌ها و یکپارچگی با Figma هماهنگ می‌کنید.

مشخصات را به عنوان اسناد زنده و تحت کنترل نسخه مدیریت می‌کنید.


ماژول ۵ - ابزارها و اکوسیستم:

با ابزارهای واقعی SDD کار خواهید کرد، از جمله:

GitHub Spec Kit و گردش‌کار دستورات اسلش ساختاریافته آن.

Agent OS برای شکل‌دهی ویژگی‌ها و سازماندهی وظایف.

Amazon Kiro برای اعتبارسنجی سخت‌گیرانه الزامات و تست‌های مبتنی بر ویژگی (Property-based testing).

پروتکل کانتکست مدل (MCP) برای تشخیص‌های زمان اجرا و دیباگینگ مبتنی بر شواهد.


ماژول ۶ - پیاده‌سازی، تست و تایید:

مشخصات تست-محور را پیاده می‌کنید که در آن الزامات به گاردریل‌های اجرایی تبدیل می‌شوند.

گیت‌های تایید اجباری را پیش از ادغام کد (Merge) اعمال می‌کنید.

از تست‌های مبتنی بر ویژگی مشتق شده از ناوردان‌های EARS استفاده می‌کنید.

چندین زیر-ایجنت تخصصی را در حالی که یکپارچگی معماری حفظ شده، مدیریت می‌کنید.


ماژول ۷ - موارد استفاده پیشرفته SDD:

تشخیص‌های زمان اجرا را مستقیماً به مشخصات متصل می‌کنید.

سیستم شناسایی انحراف (Drift Detection) را برای تحمیل معماری در زمان اجرا پیاده می‌کنید.

سیستم‌های قدیمی (Legacy) را بدون به ارث بردن بدهی فنی مدرن می‌کنید.

پیاده‌سازی‌های چندگانه با برابری در زبان و عملکرد را از یک منبع حقیقت واحد تولید می‌کنید.


ماژول ۸ - استراتژی پذیرش و نرخ بازگشت سرمایه (ROI):

یک توجیه تجاری برای SDD با استفاده از داده‌های واقعی بهره‌وری می‌سازید.

یک استقرار مرحله‌بندی شده از پایلوت تا پذیرش در سطح سازمان طراحی می‌کنید.

از تله‌های رایج مانند پرامپت‌های مبهم، انحراف از مشخصات و مثلث مرگبار «سرعت، عدم قطعیت و هزینه» دوری می‌کنید.

معیارهایی را ردیابی می‌کنید که بهبود SDD را در بهره‌وری، کیفیت و قابلیت اطمینان عملیاتی اثبات می‌کند.


ارزیابی:

دوره با یک کوییز جامع برای تقویت مفاهیم کلیدی و اطمینان از درک عملی گردش‌کار SDD به پایان می‌رسد.


با تکمیل این دوره، شما قادر خواهید بود:

گردش‌کارهای مهندسی تحت مدیریت AI را طراحی کنید.

مشخصات اجرایی و قابل تفسیر برای ماشین بنویسید.

انضباط معماری را از طریق گیت‌های اعتبارسنجی تحمیل کنید.

هوش مصنوعی را به صورت ایمن در تیم‌ها و کدبیس‌های پیچیده مقیاس‌بندی کنید.

بازگشت سرمایه پذیرش ساختاریافته AI را اندازه‌گیری و اثبات کنید.


این دوره برای مهندسان، معماران، لیدهای فنی و مدیران مهندسی طراحی شده است که می‌خواهند از خروجی‌های سریع اما شکننده AI به سیستم‌های کنترل‌شده، قطعی و در سطح تولید حرکت کنند.


سرفصل ها و درس ها

ماژول ۱: تغییر پارادایم؛ از حس به قصد Module 1 - The paradigm shift: from vibe to intent

  • درس ۱: از کدنویسی بر اساس حس به توسعه مدل-محور Lesson 1: From Vibe-Coding to Spec-Driven Development

  • درس ۲: تکامل قصد و هدف Lesson 2: The Evolution of Intent

  • درس ۳: وارونگی قدرت: ارتقای مشخصات بالاتر از کد Lesson 3: The Power Inversion: Elevating Specification Above Code

  • درس ۴: اصول توسعه مدل-محور Lesson 4 - The principles of spec-driven development

ماژول ۲: عملیاتی کردن خط لوله SDD Module 2 - Operationalizing the SDD pipeline

  • درس ۱: مرحله ۱: تعیین مشخصات Lesson 1 - Phase 1: Specify

  • درس ۲: مرحله ۲: فیلتر معماری Lesson 2 - Phase 2: The architectural filter

  • درس ۳: مرحله ۳: خرد کردن کوه (تجزیه وظایف) Lesson 3 - Phase 3: Breaking down the mountain

  • درس ۴: مرحله ۴: پیاده‌سازی همراه با اعتبارسنجی Lesson 4 - Phase 4: Implementation with validation

ماژول ۳: مرزهای سه سطحی و خودمختاری محدود Module 3 – Three-tier boundaries and bounded autonomy

  • درس ۱: تله کارآموز و خودمختاری محدود Lesson 1 – The intern trap and bounded autonomy

  • درس ۲: دستورالعمل‌های ایجنت Lesson 2 – Agent Instructions

  • درس ۳: مرزهای سه سطحی: گاردریل‌ها برای ایجنت‌های خودمختار Lesson 3 – Three-Tier Boundaries: Guardrails for Autonomous Agents

  • درس ۴: استانداردسازی پشته تکنولوژی Lesson 4 – Standardizing the Stack

ماژول ۴: نوشتن مشخصات موثر برای هوش مصنوعی Module 4 – Writing Effective Specifications for AI

  • درس ۱: سینتکس EARS Lesson 1 – The EARS Syntax

  • درس ۲: مدیریت ابهام Lesson 2 – Ambiguity Management

  • درس ۳: راهنمای بصری Lesson 3 – Visual Guidance

  • درس ۴: اسناد زنده Lesson 4 – Living Documents

ماژول ۵: ابزارها و اکوسیستم Module 5 – Tooling and Ecosystem

  • درس ۱: GitHub Spec Kit Lesson 1 – GitHub Spec Kit

  • درس ۲: Agent OS: مدیریت چرخه حیات ویژگی‌ها Lesson 2 - Agent OS: Managing the Feature Lifecycle

  • درس ۳: Amazon Kiro: IDE ایجنتی با دقت بالا Lesson 3 - Amazon Kiro: The High-Rigor Agentic IDE

  • درس ۴: پروتکل کانتکست مدل (MCP) Lesson 4 - Model Context Protocol (MCP)

ماژول ۶: پیاده‌سازی، تست و تایید Module 6 - Implementation, Testing, and Verification

  • درس ۱: مشخصات تست-محور: الزامات به عنوان گاردریل‌های اجرایی Lesson 1 - Test-Driven Specs: Requirements as Executable Guardrails

  • درس ۲: گیت‌های تایید: نقاط بازرسی اجباری برای کیفیت Lesson 2 - Verification Gates: Mandatory Checkpoints for Quality

  • درس ۳: تایید اثبات‌پذیر از طریق EARS و PBT Lesson 3 - Provable Verification via EARS & PBT

  • درس ۴: سازماندهی چند-ایجنت در توسعه مدل-محور Lesson 4 - Multi-Agent Orchestration in Spec-Driven Development

ماژول ۷: موارد استفاده پیشرفته SDD Module 7 - Advanced SDD Use Cases

  • درس ۱: تشخیص‌های زمان اجرا: مشخصات به عنوان لنگر تشخیص Lesson 1 - Runtime Diagnostics: The Spec as a Diagnostic Anchor

  • درس ۲: استقرار توسعه مدل-محور (SDD) Lesson 2 - Rolling Out Spec-Driven Development (SDD)

  • درس ۳: مدرن‌سازی سیستم‌های قدیمی Lesson 3 - Legacy Modernization

  • درس ۴: پیاده‌سازی‌های چند-گونه Lesson 4 - Multi-Variant Implementations

ماژول ۸: استراتژی پذیرش و نرخ بازگشت سرمایه (ROI) Module 8 - Adoption Strategy and ROI

  • درس ۱: توجیه تجاری Lesson 1 - The business case

  • درس ۲: استقرار مرحله‌بندی شده Lesson 2 - Phased Rollout

  • درس ۳: تله‌های رایج Lesson 3 - Common Pitfalls

  • درس ۴: معیارهای موفقیت Lesson 4 - Metrics for Success

مطالب تکمیلی Additional materials

  • تمرینات عملی Hands on exercises

نمایش نظرات

آموزش توسعه مدل-محور (SDD): طراحی سیستم‌های هوش مصنوعی قطعی و پیش‌بینی‌پذیر
جزییات دوره
9 hours
33
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
321
3.9 از 5
دارد
دارد
دارد
Skliar Serhii
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Skliar Serhii Skliar Serhii

مدرس در Udemy