آموزش ساخت سیستم‌های توصیه‌گر مبتنی بر مدل‌های زبانی بزرگ (LLM) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• کشف قدرت هوش مصنوعی مولد برای سیستم‌های توصیه‌گر Discover the power of generative AI for recommendation systems

۱. بهبودهای پربازده GenAI برای سیستم‌های توصیه‌گر 1. High-Impact GenAI Enhancements for Recommenders

• حل مشکل شروع سرد (Cold Start) با Embedding‌های متقاطع-مودال Solving item cold-start with cross-modal embeddings

• ایجاد Embedding‌های باکیفیت با Sentence Transformers Creating quality embeddings with sentence transformers

• انتخاب ابزار GenAI مناسب: LLMها، GANها و مدل‌های Diffusion Choosing your GenAI tool: LLMs, GANs, and diffusion

• افزایش داده‌ها: ایجاد «منفی‌های سخت» با استفاده از LLMها Data augmentation: Creating "hard negatives" with LLMs

• پرامپت‌نویسی Few-shot برای توضیحات شخصی‌سازی شده Few-shot prompting for personalized explanations

• پیوست مفاهیم پایه: تغییر محوری ــ از شناسه‌های آیتم به Embedding‌های معنایی Foundational follow-up: The core shift—From item IDs to semantic embeddings

• خلاصه‌سازی تاریخچه کاربر برای شخصی‌سازی بهتر Summarizing user history for better personalization

• پیوست مفاهیم پایه: تقویت در برابر جایگزینی ــ الگوی تولیدی در محیط عملیاتی Foundational follow-up: Augment vs. replace—The LLMERS production pattern

۲. معماری سیستم‌های توصیه‌گر بومی GenAI 2. Architecting GenAI-Native Recommender Systems

• جزء کلیدی: توکن‌سازی معنایی آیتم‌ها The key component: Semantic item tokenization

• ساخت توصیه‌گرهای محاوره‌ای با استفاده از ابزارها و RAG Building conversational recommenders with tool use and RAG

• تلفیق چندوجهی: نحوه عملکرد Cross Attention Multimodal fusion: How cross-attention works

• چالش معماری: مدیریت حافظه بلندمدت کاربر Architectural challenge: Managing long-term user memory

• معماری بازیابی مولد (Generative Retrieval) The generative retrieval architecture

• پیوست مفاهیم پایه: LLMها چگونه می‌فهمند ــ مقدمه‌ای بر ترنسفورمر Foundational follow-up: How LLMs understand—A primer on the transformer

۳. ارزیابی توصیه‌گرهای GenAI: کیفیت، عدالت و اعتماد 3. Evaluating GenAI Recommenders: Quality, Fairness, and Trust

• ارزیابی لیست‌های توصیه‌شده: تنوع و نوآوری Evaluating recommendation lists: Diversity and novelty

• ارزیابی متن‌های تولید شده: ROUGE، BLEU و BERTScore Evaluating generated text: ROUGE, BLEU, and BERTScore

• تیم قرمز (Red Teaming): شناسایی پیش‌دستانه حالت‌های شکست Red teaming: Proactively finding failure modes

• معماری RAG: بررسی عمیق در استنادهای واقعی The RAG architecture: A deep dive into factual grounding

۴. عملیاتی‌سازی سیستم‌های توصیه‌گر GenAI در مقیاس بزرگ 4. Operationalizing GenAI Recommender Systems at Scale

• پیوست مفاهیم پایه: مدل دو-برجی (Two Tower Model) Foundational follow-up: The two-tower model

• زیرساخت عملیاتی: پایگاه‌های داده برداری و سروینگ مدل Production infrastructure: Vector databases and model serving

• مقیاس‌بندی برای استنتاج: کوانتیزاسیون و تقطیر دانش Scaling for inference: Quantization and knowledge distillation

• مانیتورینگ برای رانش Embedding و افت کیفیت Monitoring for embedding drift and quality degradation

۵. جمع‌بندی 5. Conclusion

• خلاصه دوره Course summary

• آینده عامل‌محور است: طراحی توصیه‌گرها به عنوان عوامل خودمختار The future is agentic: Designing recommenders as autonomous agents

۶. مفاهیم پایه 6. Primer