آموزش مهندسی هوش مصنوعی مولد (GenAI) در Databricks - آخرین آپدیت

ماژول ۱: ساخت خط لوله RAG در Databricks Module 1: Building a RAG Pipeline on Databricks

• زمانی که RAG شکست می‌خورد: هزینه مدل‌های زبانی ایستا When RAG Goes Wrong: The Cost of Static LLMs

• معماری Lakehouse و مبانی جستجوی برداری Lakehouse Architecture and Vector Search Fundamentals

• ساخت ایندکس جستجوی برداری در Databricks Building a Vector Search Index in Databricks

ماژول ۲: بهینه‌سازی آزمایش‌های تنظیم دقیق با MLflow Module 2: Optimizing Fine-Tuning Experiments with MLflow

• تفسیر نتایج آزمایش: انتخاب پارامترهای مناسب آداپتور Interpreting Experiment Results: Selecting the Right Adapter Parameters

• مقایسه اجراهای آزمایش MLflow برای تصمیمات تنظیم دقیق Comparing MLflow Experiment Runs for Fine-Tuning Decisions

ماژول ۳: ارزیابی پاسخ‌های GenAI برای آمادگی در محیط تولید Module 3: Evaluating GenAI Responses for Production Readiness

• شکاف ارزیابی: چرا سیستم‌های GenAI در محیط تولید شکست می‌خورند The Evaluation Gap: Why GenAI Systems Fail in Production

• تکرار پیکربندی‌های پرامپت و کانتکست برای انطباق با SLA Iterating Prompt and Context Configurations for SLA Compliance

• اجرای ارزیابی‌های GenAI در Databricks با استفاده از MLflow Running GenAI Evaluations in Databricks with MLflow