دسترسی سریع:

مسیر:

صفحه اصلی

لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در کانال تلگرام عضو شوید.

آموزش اصول کلیدی LLMOps برای استقرار سیستم‌های هوش مصنوعی قابل اعتماد [ویدیو] - آخرین آپدیت

دانلود Key LLMOps Principles for Deploying Reliable AI Systems [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: بدون عملیات (Operations) قدرتمند، حتی مدل‌هایی با عملکرد بالا نیز ممکن است در محیط عملیاتی دچار افت کیفیت شوند یا به‌صورت بی‌صدا شکست بخورند. LLMOps (عملیات مدل‌های زبانی بزرگ) برای مقابله با این چالش‌ها ظهور کرده است و اصول MLOps را با چالش‌های منحصر‌به‌فرد برنامه‌های مبتنی بر LLM تطبیق می‌دهد تا این سیستم‌ها قابل اعتماد و مؤثر باقی بمانند. این دوره ویدئویی در سطح متوسط، نحوه به‌کارگیری عملی LLMOps را آموزش می‌دهد. شما خط لوله‌های (Pipelines) جامع برای LLMها را راه‌اندازی خواهید کرد؛ از نسخه‌بندی مدل‌ها و پرومپت‌ها گرفته تا اتوماسیون استقرار از طریق CI/CD. یاد می‌گیرید که مانیتورینگ و لاگ‌گذاری مخصوص LLM را پیاده‌سازی کنید تا مشکلات نادیده گرفته نشوند. الگوهایی مانند ارزیابی خودکار، تشخیص رانش (Drift Detection) و حلقه‌های بازخورد انسانی را برای حفظ کیفیت مدل بررسی خواهید کرد. همچنین گاردریل‌هایی مانند فیلترهای خروجی و سیستم‌های جایگزین (Fallbacks) را برای مدیریت نقاط ضعف LLM مانند توهمات (Hallucinations) یا خروجی‌های نامناسب ادغام می‌کنید. در پایان، شما مجهز خواهید شد تا پروژه‌های LLM را با اطمینان از مرحله نمونه اولیه به مرحله تولید منتقل کنید. شما دانش لازم برای مشاهده‌پذیر، امن و قابل اتکا نگه داشتن برنامه‌های هوش مصنوعی خود را مدت‌ها پس از استقرار به دست خواهید آورد. به طور خلاصه، شما آماده خواهید بود تا سیستم‌های هوش مصنوعی بسازید که در شرایط دنیای واقعی، به‌طور مداوم و قابل اعتمادی ارزش‌آفرین باشند. درک دلیل شکست بی‌صدای مدل‌های هوش مصنوعی بدون عملیات مناسب ایجاد مانیتورینگ و مشاهده‌پذیری در برنامه‌های مبتنی بر LLM به‌کارگیری بهترین شیوه‌های LLMOps برای استقرارهای مقیاس‌پذیر و قابل اعتماد راه‌اندازی خط لوله‌های بازتولیدپذیر و CI/CD برای به‌روزرسانی مدل‌ها استفاده از ابزارهای لاگ‌گذاری، ارزیابی و تشخیص رانش در LLMOps طراحی استراتژی‌های جایگزین و حضور انسان در چرخه (Human-in-the-loop) برای شکست‌های LLM مدیریت نسخه‌بندی پرومپت‌ها و ارزیابی آن‌ها برای بهبود خروجی‌های مدل پیاده‌سازی گاردریل‌ها برای مدیریت توهمات LLM و خروجی‌های ناامن این دوره برای متخصصان یادگیری ماشین و هوش مصنوعی طراحی شده است که نیاز به استقرار و مدیریت مدل‌ها در محیط عملیاتی دارند. مخاطبان این دوره مهندسان ML، دانشمندان داده، متخصصان MLOps و توسعه‌دهندگان AI هستند که مفاهیم پایه توسعه مدل را می‌شناسند. اگر مدل‌های ML یا نمونه‌های اولیه ساخته‌اید و اکنون می‌خواهید مطمئن شوید که در مقیاس بزرگ به‌طور قابل اعتمادی اجرا می‌شوند (به‌ویژه برنامه‌هایی که از مدل‌های زبانی بزرگ استفاده می‌کنند)، این دوره برای شماست. سطح متوسطی از دانش پایتون و یادگیری ماشین مورد نیاز است، زیرا تمرکز ما بر تکنیک‌های عملیاتی است تا مفاهیم مقدماتی ML. نمایش تجربیات واقعی LLMOps از طریق مثال‌های عملی * پوشش جامع LLMOps: مشاهده‌پذیری، تحویل مداوم و کنترل‌های ایمنی * طراحی شده برای مهندسان ML و توسعه‌دهندگانی که مدل‌ها را از آزمایشگاه به محیط تولید منتقل می‌کنند

سرفصل ها و درس ها

هوش مصنوعی مولد سازمانی Enterprise Generative AI

اصول کلیدی LLMOps برای استقرار سیستم‌های هوش مصنوعی قابل اعتماد Key LLMOps Principles for Deploying Reliable AI Systems

برای ارسال نظر ثبت نام کنید.

نمایش نظرات

آموزش اصول کلیدی LLMOps برای استقرار سیستم‌های هوش مصنوعی قابل اعتماد [ویدیو]

جزییات دوره

زمان دوره: 0h 43m

تعداد ویدیو ها: 1

شرکت: Packtpub

تاریخ انتشار مرجع: (آخرین آپدیت)

بازدید مرجع :

امتیاز مرجع: از 5

فایل تمرین: ندارد

زیرنویس زبان اصلی: دارد

زیرنویس فارسی: (توسط هوش مصنوعی) دارد

مدرس: Aurimas Griciūnas

لینک کوتاه این دوره

https://donyad.com/d/7a021b

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

نرم افزارهای مورد نیاز

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Aurimas Griciūnas

اوریماس گریچیوناس متخصص شناخته شده AI، یکی از چهره‌های برتر لینکدین در حوزه AI و بنیان‌گذار SwirlAI است. او پیش از این به عنوان مدیر ارشد محصول در Neptune.ai فعالیت می‌کرد و با تیم‌های برتر ML برای مقیاس‌بندی زیرساخت‌ها، ارزیابی و روش‌های LLMOps در صنایع مختلف همکاری داشت. اوریماس با بیش از یک دهه تجربه در تقاطع علوم داده، یادگیری ماشین و مهندسی نرم‌افزار، ابتکارات AI را در استارت‌آپ‌ها و محیط‌های سازمانی رهبری کرده است. مأموریت او پر کردن شکاف بین تبلیغات و واقعیت از طریق آموزش مهندسان برای ساخت سیستم‌هایی است که در دنیای واقعی کار می‌کنند.

Data GPT/LLMs داده

عکاسی

داده ها