آموزش LLMOps پیشرفته: استقرار و مدیریت مدل‌های زبانی بزرگ (LLM) در محیط عملیاتی - آخرین آپدیت

دانلود Advanced LLMOps: Deploying and Managing LLMs in Production

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: تکنولوژی‌های پیشرفته هوش مصنوعی در حال تغییر جهان هستند، اما بدون استقرار و مدیریت صحیح، اپلیکیشن‌های شما هرگز به پتانسیل کامل خود نخواهند رسید و حتی ممکن است دچار شکست یا خطاهای بحرانی در سیستم‌ها شوند. با گسترش استفاده سازمان‌ها از مدل‌های زبانی بزرگ در گردش‌های کاری، نیاز شدیدی به متخصصانی ایجاد شده است که بتوانند این مدل‌ها را به‌صورت مؤثر، مسئولانه و ایمن در محیط‌های Production مستقر و نظارت کنند. در این دوره، تکنیک‌های پیشرفته و بهترین روش‌های استقرار و مانیتورینگ LLMها را خواهید آموخت. موضوعاتی چون گزینه‌های استقرار، مدیریت محدودیت‌های API، تکنیک‌های نظارت بر عملکرد، مدیریت پرامپت‌ها، رفع توهمات مدل (Hallucinations) و موارد دیگر را بررسی می‌کنیم. علاوه بر این، مفاهیم امنیتی و ملاحظات هزینه‌ای را آموخته و یادگیری خود را از طریق چالش‌ها و راهکارهای عملی تست خواهید کرد.

سرفصل ها و درس ها

مقدمه Introduction

  • استقرار LLMها برای محیط عملیاتی Deploying LLMs for production

  • کار با گوگل کولب (Google Colab) Working in Google Colab

1. گزینه‌های استقرار برای LLMها 1. Deployment Options for LLMs

  • استقرار از طریق APIها Deploying via APIs

  • مدل‌های سفارشی: ساخت و استقرار Custom models: Building and deployment

  • مروری بر گزینه‌های استقرار Overview of deployment options

  • استفاده از مدل‌های Fine-tuned برای استقرار Using fine-tuned models for deployment

2. مدیریت محدودیت‌های API 2. Handling API Limitations

  • راهکار: محدودیت‌های API در استقرار LLM Solution: API limitations for LLM deployment

  • چالش: محدودیت‌های API در استقرار LLM Challenge: API limitations for LLM deployment

  • درک محدودیت‌های API Understanding API limitations

  • کاهش مشکلات تاخیر (Latency) در استقرار LLM Mitigating latency issues in LLM deployment

  • استراتژی‌های مدیریت آپ‌تایم نقاط اتصال (Endpoint) Strategies to handle endpoint uptime limitations

3. معماری استقرار 3. Deployment Architecture

  • چالش: استقرار یک اپلیکیشن RAG ساده با استفاده از API Challenge: Deploy a simple RAG application using an API

  • دیتابیس‌های برداری برای استقرار LLM Vector databases for LLM deployment

  • راهکار: استقرار یک اپلیکیشن RAG ساده با استفاده از API Solution: Deploying a simple RAG application using an API

  • ایجنت‌ها در استقرار LLM Agents in LLM deployment

  • زنجیره‌ها (Chains) در استقرار LLM Chains in LLM deployment

4. مانیتورینگ عملکرد LLM 4. Monitoring LLM Performance

  • مقدمه‌ای بر مانیتورینگ عملکرد LLM Introduction to LLM performance monitoring

  • رفع توهمات (Hallucinations) در LLMها Addressing hallucinations in LLMs

5. تکنیک‌های پیشرفته استقرار 5. Advanced Deployment Techniques

  • راهکار: ارزیابی سیستم‌های LLM Solution: Evaluating LLM systems

  • مدیریت پرامپت برای استقرار LLM Prompt management for LLM deployment

  • ارزیابی LLMها در محیط عملیاتی Evaluating LLMs in production

  • چالش: ارزیابی سیستم‌های LLM Challenge: Evaluating LLM systems

6. ملاحظات امنیتی و هزینه‌ای 6. Security and Cost Considerations

  • چالش: تخمین هزینه‌های API مدل‌های زبانی Challenge: Estimating costs of an LLM API

  • ایجاد تعادل بین هزینه و عملکرد در استقرار LLM Balancing costs and performance in LLM deployment

  • راهکار: تخمین هزینه‌های API مدل‌های زبانی Solution: Estimating costs of an LLM API

  • ملاحظات امنیتی برای LLMها در محیط عملیاتی Security considerations for LLMs in production

  • استراتژی‌های استقرار مقرون‌به‌صرفه LLM Strategies for cost-effective LLM deployment

جمع‌بندی Conclusion

  • گام‌های بعدی Next steps

نمایش نظرات

آموزش LLMOps پیشرفته: استقرار و مدیریت مدل‌های زبانی بزرگ (LLM) در محیط عملیاتی
جزییات دوره
1h 45m
28
(آخرین آپدیت)
3,582
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Archana Vaidheeswaran Archana Vaidheeswaran

دانشمند داده، مهندس هوش مصنوعی و مدیر محصول داده

Archana Vaidheeswaran یک مهندس هوش مصنوعی، دانشمند داده و مدیر پروژه است

Archana ابتکار عمل Scaledown را اجرا می کند. چارچوب بهینه سازی شبکه عصبی منبع برای دستگاه های TinyML. او همچنین مدیر اطلاعات محصول در Women Who Code است. او پس از دریافت مدرک لیسانس خود در دانشگاه SRM، در دانشگاه ملی سنگاپور تحصیل کرد و در آنجا مدرک کارشناسی ارشد خود را در مهندسی برق و کامپیوتر گرفت.

Soham Chatterjee Soham Chatterjee

سوهام چاترجی پیشرو در یادگیری ماشین است.

سوهام یک محقق یادگیری عمیق با بیش از شش سال تجربه در تحقیق، ساخت، استقرار، و حفظ بینایی کامپیوتر و محصولات NLP است. او همچنین مدرس دوره Udacity's How to Become a Machine Learning Engineer است که در آن به دانش آموزان می آموزد که چگونه مدل های یادگیری ماشین را با استفاده از AWS به کار گیرند.