آموزش مدیریت چرخه حیات هوش مصنوعی در Azure - آخرین آپدیت

انتخاب و ارزیابی سرویس‌های هوش مصنوعی Azure Azure AI service selection and evaluation

• درک گزینه‌های سرویس Azure AI Understanding your Azure AI service options

• قابلیت‌های سرویس‌های Azure AI Azure AI services capabilities

• موازنه و انتخاب سرویس‌های Azure AI Azure AI services tradeoffs and selection

نحوه اتخاذ تصمیمات معماری هوش مصنوعی How to make AI architecture decisions

• نحوه طراحی معماری‌های AI توسط تیم‌ها برای عملکرد بهینه How teams design AI architectures that actually work

• انتخاب سرویس‌های مناسب Azure برای پروژه‌های AI Choosing the right Azure services for AI projects

• نحوه تصمیم‌گیری بین محیط ابری و محلی (On-premises) برای AI How to decide between cloud and on-premises for AI

طراحی و حاکمیت خط لوله‌های داده برای پروژه‌های AI Designing and governing data pipelines for AI projects

• نحوه همکاری Azure Data Factory و Purview How Azure Data Factory and Purview work together

• نحوه ساخت یک خط لوله پایه در Data Factory How to build a basic Data Factory pipeline

• استفاده از Microsoft Purview برای حاکمیت خط لوله‌های داده AI Using Microsoft Purview to govern AI data pipelines

اتخاذ تصمیمات توسعه مدل با AutoML Making model development decisions with AutoML

• زمان و دلیل استفاده تیم‌ها از AutoML When and why teams use AutoML

• نحوه مدیریت مدل‌های AutoML توسط تیم‌ها How teams manage AutoML models

انتخاب رویکرد مناسب AI برای پروژه شما Choosing the right AI approach for your project

• زمان انتخاب Fine-tuning در مقابل RAG When teams choose fine-tuning vs RAG

• نحوه نوشتن نیازمندی‌های AI برای اجرای تیم‌های فنی How to write AI requirements that technical teams can execute

• نحوه ارزیابی Fine-tuning در مقابل RAG و ارائه پیشنهاد How to evaluate fine-tuning vs RAG and make a recommendation

مدیریت جریان‌های کاری عوامل هوشمند AI Managing AI agent workflows

• زمان و دلیل استقرار عوامل AI و Copilotها When and why teams deploy AI agents and Copilots

• راه‌اندازی جریان‌های کاری Agent برای فرآیندهای تجاری Setting up agent workflows for business processes

• نحوه عیب‌یابی شکست‌های جریان کاری Agent با استفاده از لاگ‌ها How to diagnose agent workflow failures using logs

ساخت و حاکمیت استقرارهای Copilot Building and governing Copilot deployments

• ارزیابی طراحی Copilot و انجام بررسی هوش مصنوعی مسئولانه Evaluating a Copilot design and conducting a responsible AI review

تحلیل گزارش‌های عملکرد AI برای تصمیمات تجاری Reading AI performance reports for business decisions

• درک معیارهای کلیدی عملکرد Understanding key performance metrics

• نحوه خواندن گزارش‌های عملکرد AI برای تاثیرات تجاری How to read AI performance reports for business impact

• ایجاد گزارش‌های عملکرد برای مدیران ارشد Creating executive performance reports

ساخت و بهره‌برداری از خط لوله‌های ML قابل اعتماد Building and operating reliable ML pipelines

• خط لوله‌های Azure ML چیستند و چگونه کار می‌کنند What Azure ML Pipelines are and how they work

• طراحی خط لوله‌های موثر Azure ML و عیب‌یابی شکست‌ها Designing effective Azure ML Pipelines and diagnosing failures

• اتصال نظارت خط لوله‌های Azure ML و جریان‌های کاری CI Connecting Azure ML Pipelines monitoring and CI workflows

نظارت بر محیط تولید و تصمیمات بازآموزی Production monitoring and retraining decisions

• علائم هشدار اولیه در سیستم‌های AI در محیط تولید Early warning signs in production AI systems

• استفاده از Azure Monitor برای تصمیم‌گیری در مورد زمان اقدام Using Azure Monitor to decide when to act

• راه‌اندازی نظارت و امنیت برای سیستم‌های AI در محیط تولید Setting up monitoring and security for production AI systems

یکپارچگی سازمانی و حاکمیت دسترسی Enterprise integration and access governance

• تصمیمات یکپارچگی سازمانی و دسترسی در AI تولیدی Enterprise integration and access decisions in production AI

• ممیزی و مدیریت دسترسی‌های یکپارچگی سازمانی Auditing and managing enterprise integration access

پروژه تحویل سیستم AI از ابتدا تا انتها End-to-end AI system delivery project

• طراحی سیستم‌های AI که در محیط تولید واقعاً کار می‌کنند Designing AI systems that actually work in production

• آنچه می‌سازید و نحوه ارزیابی آن What you are building and how it will be evaluated

• یک چارچوب عملی برای ساخت سیستم AI از داده تا استقرار A practical framework for building an AI system from data to deployment