آموزش ساخت با هوش مصنوعی: پیادهسازی عاملهای SQL AI در محیط عملیاتی - آخرین آپدیت
دانلود Build with AI: SQL AI Agents in Production
با یادگیری نحوه بهرهبرداری از Python، LangChain و فریمورکهای LLM، عاملهای SQL خود را برای محیط عملیاتی آماده کنید. در ابتدا، با تمرکز بر ساخت یک فریمورک قدرتمند که از اطلاعات قطعی (Deterministic) استفاده میکند، معماری کلی عاملهای SQL AI را بیاموزید. متوجه شوید که چگونه قالبهای پرامپت موثر ایجاد کنید، زمینه (Context) را اضافه نمایید و حافظه را به عاملها تزریق کنید تا پرسوجوهای پیچیده و پویا را به راحتی مدیریت کنند. در مباحث تضمین ایمنی، اعتبارسنجی پرسوجوها و محدودیتهای امنیتی عمیق شوید و سیستمهای مانیتورینگ و فرآیندهای مدیریت خطا را بررسی کنید. سپس، لاگها را برای ردیابی عملکرد عامل با استفاده از MLflow تنظیم کنید. در نهایت، نحوه پیادهسازی چندین عامل هوش مصنوعی برای پردازش دادهها را مشاهده خواهید کرد.
این دوره برای دانشمندان و مهندسان داده طراحی شده است، اما برای تحلیلگران دادهای که به دنبال افزایش دانش و کسب مهارتهای عملی در سیستمهای هوش مصنوعی هستند نیز مفید است. در پایان این دوره، شما یاد خواهید گرفت که چگونه نمونههای اولیه عاملهای SQL AI را بسازید و آنها را به صورت مسئولانه در محیطهای تولید (Production) مستقر کنید.
مقدمه Introduction
-
ساخت یک عامل SQL AI برای محیط عملیاتی Build a SQL AI agent for production
1. معماری عامل SQL AI و تنظیمات پایتون 1. SQL AI Agent Architecture and Python Settings
-
راه اندازی محیط دوره Setting up the course environment
-
ساخت عاملهای SQL AI آماده تولید: بررسی کلی دوره Building production-ready SQL AI agents: Course overview
-
آماده سازی و وارد کردن دادهها Prepare and ingest data
2. ساخت عاملهای SQL AI با زمینه غنی 2. Build Context‑Rich SQL AI Agents
-
ساخت عاملهای SQL AI با زنجیرههای LangChain Building SQL AI agents with LangChain Chains
-
افزودن حافظه گفتگو به عامل SQL AI Add conversational memory to an SQL AI agent
-
رفع ابهام با استفاده از زمینه قطعی Resolving ambiguity with deterministic context
-
تزریق زمینه قطعی به پرامپتهای عامل SQL Inject deterministic context into an SQL agent prompts
-
طراحی قالبهای پرامپت برای عاملهای SQL AI Designing prompt templates for SQL AI agents
-
استفاده از مهارتها برای تزریق دانش دامنه به عامل SQL Use skills to inject domain knowledge into your SQL agent
3. پیادهسازی لایههای متعدد اعتبارسنجی پرسوجو 3. Implementing Multiple Query Validation Layers
-
لایههای اعتبارسنجی پرسوجو Query validation layers
-
تنظیم محدودیتهای امنیتی SQL Setting SQL safety constraints
-
شناسایی ریسکها: چه مشکلاتی ممکن است برای یک عامل AI پیش بیاید؟ Identifying risks: What could go wrong with an AI agent?
-
پیاده سازی لایه اعتبارسنجی پرسوجو Implementing a query validation layer
4. مدیریت خطا و متدهای جایگزین (Fallback) 4. Error Handling and Fallback Method
-
ساخت و یکپارچهسازی فریمورک تست Building and integrating a testing framework
-
فعال سازی گزینههای جایگزین: تعریف سیستم مدل Fallback Enabling fallback options: Defining a fallback model system
-
مدیریت سینتکس نامعتبر SQL: ایجاد یک مدیریتکننده خطا Handling invalid SQL syntax: Creating an error handler
-
معماری عامل دیباگر برای سیستمهای SQL AI Debugger agent architecture for SQL AI systems
5. مانیتورینگ و لاگها 5. Monitoring and Logs
-
طراحی سیستم ثبت لاگ Designing a logging system
-
استراتژیهای هشدار برای عاملهای SQL AI Alerting strategies for SQL AI agents
-
قابلیت مشاهده (Observability) برای عاملهای SQL AI Observability for SQL AI agents
-
طراحی داشبورد مانیتورینگ برای عاملهای SQL AI Designing a monitoring dashboard for SQL AI agents
https://donyad.com/d/dea808
Rami Krispin
رامی کریسپین مدیر ارشد علم و مهندسی داده است.
رامی کریسپین یک مدیر علوم داده و مهندسی است که عمدتاً بر تجزیه و تحلیل سری های زمانی، پیش بینی و برنامه های کاربردی MLOps تمرکز دارد. او علاقه زیادی به منبع باز، Docker و MLOps، کار با داده ها و API ها، یادگیری ماشین، آمار بیزی، تجسم داده ها و داده های GIS دارد.
رامی همچنین یک مشارکت کننده منبع باز و نویسنده تحلیل سری های زمانی دستی با R و چندین بسته R برای تحلیل سری های زمانی و برنامه های کاربردی یادگیری ماشین است.
نمایش نظرات