آموزش مسترکلاس معماری هوش مصنوعی سازمانی (Enterprise AI) - آخرین آپدیت

دانلود Enterprise AI Architecture Masterclass

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: سیستم‌های هوش مصنوعی مقیاس‌پذیر، امن و تحت نظارت را برای سازمان‌ها بسازید—بدون نیاز به تجربه قبلی. طراحی معماری‌های هوش مصنوعی در سطح سازمانی با استفاده از RAG، عامل‌های هوشمند (AI Agents)، پروتکل MCP، پایگاه‌های داده برداری و پلتفرم‌های مدرن AI. ساخت سیستم‌های هوش مصنوعی امن، مقیاس‌پذیر و آماده بهره‌برداری مطابق با اصول معماری سازمانی. ایجاد چارچوب‌های حاکمیتی، امنیتی، انطباق و عملیاتی برای محیط‌های سازمانی. معماری سیستم‌های چند-عاملی (Multi-agent)، پلتفرم‌های جستجوی سازمانی، دستیاران دانش و کوپایلوت‌های هوش مصنوعی. توسعه مدل‌های عملیاتی AI، مراکز تعالی (CoE) و نقشه‌های راه تحول هوش مصنوعی در سازمان. تولید خروجی‌های حرفه‌ای معماری شامل اسناد HLD، دیاگرام‌های معماری، مدل‌های حاکمیتی و ارائه‌های مدیریتی. پیشنیازها: داشتن درک پایه از توسعه نرم‌افزار، رایانش ابری یا مفاهیم IT سازمانی توصیه می‌شود. آشنایی با مفاهیم هوش مصنوعی و هوش مصنوعی مولد (Generative AI) مفید است اما الزامی نیست. تجربه در زمینه‌های معماری راهکار، معماری نرم‌افزار، معماری داده یا نقش‌های رهبری فنی یک مزیت محسوب می‌شود. دسترسی به ChatGPT، Microsoft Copilot، Claude یا ابزارهای مشابه برای انجام آزمایشات و تمرینات معماری توصیه می‌شود. هیچ نیازی به تجربه برنامه‌نویسی، یادگیری ماشین یا علوم داده نیست. تمایل به یادگیری استراتژی‌های تحول و معماری هوش مصنوعی در مقیاس سازمانی.

این دوره شامل استفاده از هوش مصنوعی است.

آنچه خواهید آموخت

  • درک معماری هوش مصنوعی سازمانی و مدل‌های عملیاتی آن

  • ساخت معماری‌های مرجع هوش مصنوعی سازمانی

  • طراحی کوپایلوت‌ها، دستیاران دانش و سیستم‌های چند-عاملی مبتنی بر AI

  • معماری راهکارهای تولید تقویت‌شده با بازیابی (RAG)

  • درک پایگاه‌های داده برداری و معماری‌های جستجوی سازمانی

  • طراحی سیستم‌های AI عامل‌محور با قابلیت‌های برنامه‌ریزی، حافظه، استدلال و سازماندهی ابزارها

  • یادگیری معماری پروتکل زمینه مدل (MCP) و الگوهای یکپارچه‌سازی

  • ایمن‌سازی سیستم‌های AI در برابر تزریق پرامپت (Prompt Injection)، نشت داده‌ها و تهدیدات نوظهور

  • پیاده‌سازی چارچوب‌های هوش مصنوعی مسئولانه و حاکمیت AI

  • طراحی مدل‌های عملیاتی AI شامل قابلیت مشاهده (Observability)، قابلیت اطمینان و FinOps

  • راه‌اندازی مرکز تعالی (CoE) هوش مصنوعی سازمانی


سرفصل‌های دوره

پودمان ۱: مقدمه‌ای بر هوش مصنوعی سازمانی

  • مبانی AI سازمانی

  • چالش‌های پذیرش و پیاده‌سازی

  • معماری مرجع هوش مصنوعی سازمانی

پودمان ۲: مبانی معماری سازمانی

  • معماری کسب‌وکار

  • معماری اپلیکیشن

  • معماری داده

  • معماری تکنولوژی

  • معماری امنیت

  • اصول معماری هوش مصنوعی

پودمان ۳: الگوهای معماری AI

  • معماری کوپایلوت (Copilot)

  • معماری دستیار دانش

  • جستجوی سازمانی

  • سیستم‌های پشتیبان تصمیم‌گیری

  • معماری‌های چند-عاملی

پودمان ۴: تولید تقویت‌شده با بازیابی (RAG)

  • معماری RAG

  • استراتژی‌های تکه‌بندی (Chunking)

  • جایگذاری‌های برداری (Embeddings)

  • مکانیزم‌های بازیابی

  • چارچوب‌های ارزیابی

پودمان ۵: پایگاه‌های داده برداری و معماری دانش

  • چالش‌های دانش سازمانی

  • توضیح پایگاه‌های داده برداری

  • طراحی متادیتا (Metadata)

  • مدل‌سازی دانش

  • معماری جستجو

پودمان ۶: معماری هوش مصنوعی عامل‌محور (Agentic AI)

  • عامل‌های هوش مصنوعی (AI Agents)

  • برنامه‌ریزی و استدلال

  • معماری‌های حافظه

  • فراخوانی ابزارها (Tool Calling)

  • سیستم‌های چند-عاملی

پودمان ۷: پروتکل زمینه مدل (MCP)

  • معماری MCP

  • سرورهای MCP

  • الگوهای یکپارچه‌سازی سازمانی

  • حاکمیت و امنیت

پودمان ۸: امنیت هوش مصنوعی سازمانی

  • چشم‌انداز تهدیدات AI

  • تزریق پرامپت (Prompt Injection)

  • نشت داده‌ها

  • امنیت عامل‌های هوشمند

  • مدل Zero Trust در AI

پودمان ۹: حاکمیت هوش مصنوعی (AI Governance)

  • هوش مصنوعی مسئولانه

  • سیاست‌های AI

  • چارچوب‌های انطباق (Compliance)

  • شوراهای بازبینی AI

  • حاکمیت بر عامل‌های هوشمند

پودمان ۱۰: عملیات هوش مصنوعی سازمانی (AI Ops)

  • قابلیت مشاهده AI (Observability)

  • مانیتورینگ

  • بهینه‌سازی هزینه و FinOps

  • مهندسی قابلیت اطمینان

  • مدیریت حوادث

پودمان ۱۱: مرکز تعالی هوش مصنوعی سازمانی (AI CoE)

  • مدل عملیاتی AI

  • ساختار سازمانی

  • چارچوب مهارت‌ها

  • استراتژی پذیرش


این دوره برای چه کسانی است

  • معماران سازمانی

  • معماران راهکار

  • معماران هوش مصنوعی

  • معماران ابری

  • رهبران تکنولوژی

  • مدیران IT

  • مهندسان هوش مصنوعی

  • معماران داده

  • مشاوران

  • متخصصان تحول دیجیتال

  • هر کسی که به دنبال کسب تخصص در AI سازمانی است

پیش‌نیازها

  • درک پایه از مفاهیم تکنولوژی

  • علاقه به هوش مصنوعی و معماری سازمانی

  • عدم نیاز به تجربه قبلی در توسعه AI

در پایان این دوره

شما قادر خواهید بود با اطمینان، معماری‌های هوش مصنوعی سازمانی را طراحی، ارزیابی و مدیریت کنید؛ به گونه‌ای که استراتژی کسب‌وکار، پلتفرم‌های تکنولوژی، الزامات امنیتی، چارچوب‌های حاکمیتی و تعالی عملیاتی با یکدیگر همسو باشند.

چه برای ایفای نقش به عنوان معمار AI آماده می‌شوید، چه در حال هدایت ابتکارات تحول AI هستید و چه در حال طراحی راهکارهای AI در مقیاس سازمانی، این دوره دانش معماری کاربردی لازم برای موفقیت را در اختیار شما قرار می‌دهد.


سرفصل ها و درس ها

مقدمه‌ای بر هوش مصنوعی سازمانی Introduction to Enterprise AI

  • مقدمه‌ای بر هوش مصنوعی سازمانی: آنچه خواهیم آموخت Introduction to Enterprise AI - What we will learn

  • چرا AI سازمانی به رویکرد متفاوتی نیاز دارد Why Enterprise AI Demands a Different Approach

  • چشم‌انداز AI سازمانی و چالش‌های پذیرش Enterprise AI Landscape and Adoption Challenges

  • معماری مرجع هوش مصنوعی سازمانی Enterprise AI Reference Architecture

  • آزمایشگاه نقشه قابلیت‌های AI سازمانی: تئوری Enterprise AI Capability Map Lab - Theory

  • آزمایشگاه نقشه قابلیت‌های AI سازمانی: طراحی عملی Enterprise AI Capability Map Lab - Design Lab

مبانی معماری سازمانی Enterprise Architecture Foundations

  • مبانی معماری سازمانی: آنچه خواهیم آموخت Enterprise Architecture Foundations - What we will learn

  • معماری کسب‌وکار Business Architecture

  • معماری اپلیکیشن Application Architecture

  • معماری داده Data Architecture

  • معماری تکنولوژی Technology Architecture

  • معماری امنیت Security Architecture

  • اصول معماری هوش مصنوعی AI Architecture Principles

  • آزمایشگاه بلوپرینت معماری سازمانی: تئوری Enterprise Architecture Blueprint Lab - Theory

  • آزمایشگاه بلوپرینت معماری سازمانی: طراحی عملی Enterprise Architecture Blueprint Lab - Design Lab

الگوهای معماری AI AI Architecture Patterns

  • الگوهای معماری AI: آنچه خواهیم آموخت AI Architecture Patterns - What we will learn

  • مروری بر الگوهای راهکار AI AI Solution Patterns Overview

  • الگوهای کوپایلوت و دستیار دانش Copilot and Knowledge Assistant Patterns

  • جستجوی سازمانی و پشتیبانی تصمیم‌گیری Enterprise Search and Decision Support

  • الگوی چند-عاملی Multi-Agent Pattern

  • ساخت ماتریس انتخاب الگوی AI: تئوری Build an AI Pattern Selection Matrix - Theory

  • ساخت ماتریس انتخاب الگوی AI: طراحی عملی Build an AI Pattern Selection Matrix - Design Lab

تولید تقویت‌شده با بازیابی (RAG) Retrieval Augmented Generation (RAG)

  • تولید تقویت‌شده با بازیابی (RAG): آنچه خواهیم آموخت Retrieval Augmented Generation (RAG) - What we will learn

  • مبانی و معماری RAG Foundations and Architecture of RAG

  • آماده‌سازی داده‌ها و ایندکس‌گذاری Data Preparation and Indexing

  • مکانیزم‌های بازیابی و جستجو Retrieval and Search Mechanisms

  • ارزیابی سیستم‌های RAG Evaluating RAG Systems

  • طراحی معماری RAG: تئوری Design a RAG Architecture - Theory

  • طراحی معماری RAG: طراحی عملی Design a RAG Architecture - Design Lab

پایگاه‌های داده برداری و معماری دانش Vector Databases & Knowledge Architecture

  • پایگاه‌های داده برداری و معماری دانش: آنچه خواهیم آموخت Vector Databases & Knowledge Architecture - What we will learn

  • چالش‌های دانش سازمانی Enterprise Knowledge Challenges

  • توضیح پایگاه‌های داده برداری Vector Databases Explained

  • مدل‌سازی دانش و استراتژی‌های ایندکس‌گذاری Knowledge Modeling and Indexing Strategies

  • طراحی متادیتا و معماری جستجو Metadata Design and Search Architecture

  • بلوپرینت معماری دانش: تئوری Knowledge Architecture Blueprint - Theory

  • بلوپرینت معماری دانش: طراحی عملی Knowledge Architecture Blueprint - Design Lab

معماری هوش مصنوعی عامل‌محور Agentic AI Architecture

  • معماری هوش مصنوعی عامل‌محور: آنچه خواهیم آموخت Agentic AI Architecture - What we will learn

  • تعریف عامل‌های AI و اجزای آن‌ها Defining AI Agents and Their Components

  • برنامه‌ریزی، استدلال و حافظه Planning, Reasoning, and Memory

  • فراخوانی ابزارها و سیستم‌های چند-عاملی Tool Calling and Multi-Agent Systems

  • سازماندهی (Orchestration) و چرخه حیات عامل Orchestration and the Agent Lifecycle

  • طراحی معماری عامل: تئوری Design an Agent Architecture - Theory

  • طراحی معماری عامل: طراحی عملی Design an Agent Architecture - Design Lab

پروتکل زمینه مدل (MCP) Model Context Protocol (MCP)

  • پروتکل زمینه مدل (MCP): آنچه خواهیم آموخت Model Context Protocol (MCP) - What we will learn

  • درک MCP و معماری آن Understanding MCP and Its Architecture

  • بررسی اجزای اصلی و سرورهای MCP Exploring Core MCP Components and Servers

  • یکپارچه‌سازی سازمانی، حاکمیت و امنیت Enterprise Integration, Governance, and Security

  • طراحی معماری یکپارچه‌سازی MCP: تئوری Design an MCP Integration Architecture - Theory

  • طراحی معماری یکپارچه‌سازی MCP: طراحی عملی Design an MCP Integration Architecture - Design Lab

امنیت هوش مصنوعی سازمانی Enterprise AI Security

  • امنیت هوش مصنوعی سازمانی: آنچه خواهیم آموخت Enterprise AI Security - What we will learn

  • درک چشم‌انداز تهدیدات AI Understand the AI Threat Landscape

  • دفاع در برابر تزریق پرامپت و نشت داده‌ها Defend Against Prompt Injection and Data Leakage

  • ایمن‌سازی عامل‌ها و پیاده‌سازی‌های RAG Secure Agents and RAG Implementations

  • اعمال هویت و Zero Trust در AI Apply Identity and Zero Trust to AI

  • انجام ارزیابی امنیتی AI: تئوری Perform an AI Security Assessment - Theory

  • انجام ارزیابی امنیتی AI: طراحی عملی Perform an AI Security Assessment - Design Lab

حاکمیت هوش مصنوعی AI Governance

  • حاکمیت هوش مصنوعی: آنچه خواهیم آموخت AI Governance - What we will learn

  • مبانی هوش مصنوعی مسئولانه Foundations of Responsible AI

  • ایجاد سیاست‌های AI و انطباق Establishing AI Policies and Compliance

  • عملیاتی کردن نظارت بر AI Operationalizing AI Oversight

  • توسعه چارچوب حاکمیت AI: تئوری Develop an AI Governance Framework - Theory

  • توسعه چارچوب حاکمیت AI: طراحی عملی Develop an AI Governance Framework - Design LAB

عملیات هوش مصنوعی سازمانی Enterprise AI Operations

  • عملیات هوش مصنوعی سازمانی: آنچه خواهیم آموخت Enterprise AI Operations - What We Will Learn

  • قابلیت مشاهده و مانیتورینگ AI AI Observability and Monitoring

  • بهینه‌سازی هزینه و FinOps Cost Optimization and FinOps

  • قابلیت اطمینان AI و مدیریت حوادث AI Reliability and Incident Management

  • توسعه مدل عملیاتی AI: تئوری Develop an AI Operations Model - Theory

  • توسعه مدل عملیاتی AI: طراحی عملی Develop an AI Operations Model - Design Lab

مرکز تعالی هوش مصنوعی سازمانی Enterprise AI Center of Excellence

  • مرکز تعالی هوش مصنوعی سازمانی: آنچه خواهیم آموخت Enterprise AI Center of Excellence - What we will learn

  • طراحی مدل عملیاتی AI Design the AI Operating Model

  • تعریف مرکز تعالی AI Define the AI Center of Excellence

  • ساختاربندی سازمان AI Structure the AI Organization

  • توسعه چارچوب‌های مهارت و پذیرش Develop Skills and Adoption Frameworks

  • ایجاد بلوپرینت AI CoE: تئوری Create the AI CoE Blueprint - Theory

  • ایجاد بلوپرینت AI CoE: طراحی عملی Create the AI CoE Blueprint - Design Lab

نمایش نظرات

آموزش مسترکلاس معماری هوش مصنوعی سازمانی (Enterprise AI)
جزییات دوره
15.5 hours
75
(آخرین آپدیت)
40
1 از 5
ندارد
دارد
دارد
Mukesh Ranjan
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Mukesh Ranjan Mukesh Ranjan

همه چیز را گام به گام یاد بگیرید

من موکش رنجان هستم. مشاور فنی با حرفه و معلم به انتخاب. من در مجموع 17 سال سابقه کار دارم. در این 17 سال سفر من با Startup to IT Gaint کار کرده ام. من روی پلتفرم های مختلف از منبع باز تا اختصاصی کار کرده ام. زمینه های تخصص من عبارتند از اتوماسیون ابری/توسعه دهنده/یادگیری ماشین/شیرپوینت. من مشتاق یادگیری تکنولوژی جدید و آموزش هستم. دوره های من بر ارائه یک تجربه تعاملی و عملی برای دانش آموزان در یادگیری فن آوری جدید متمرکز است که یادگیری را واقعاً جالب می کند. من این دوره را طبق استاندارد صنعتی طراحی کردم که می توانید در فعالیت های روزانه خود استفاده کنید