آموزش ساخت اپلیکیشن‌های هوش مصنوعی با Spring AI، OpenAI، Ollama و SpringBoot [ویدئویی] - آخرین آپدیت

سرفصل ها و درس ها

شروع کار با دوره Getting Started With the Course

• معرفی دوره Course Introduction

• پیش‌نیازها Prerequisites

مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs)، OpenAI و ChatGPT [تئوری] Introduction to Large Language Models (LLMs), OpenAI & ChatGPT [Theory]

• جهان قبل از LLMها: نگاهی به گذشته The World Before LLMs: A Glimpse into the Past

• مدل‌های زبانی بزرگ و تکامل آن‌ها Large Language Models and their Evolution

• مزایا و چالش‌های LLMها Advantages, Challenges with LLMs

• ثبت‌نام در حساب ChatGPT و شروع کاوش Sign up for a ChatGPT Account and Start Exploring

شروع کار با Spring AI و OpenAI API Getting Started with Spring AI and OpenAI API

• مقدمه‌ای بر Spring AI Introduction to Spring AI

• راه‌اندازی حساب OpenAI و OpenAI Playground Setup OpenAI Account & Open AI Playground

• نصب جاوا با استفاده از SDKMan Set Up Java using SDKMan

• راه‌اندازی پروژه پایه با استفاده از Gradle و IntelliJ Set up the Base Project using Gradle and IntelliJ

• چت با پلتفرم OpenAI با استفاده از Spring ChatClient Let's Chat with OpenAI Platform using Spring "ChatClient"

• راه‌اندازی Insomnia برای تست End-pointهای چت Setting Up Insomnia to Test the Chats Endpoint

• ChatClient در پشت صحنه چگونه کار می‌کند؟ AutoConfiguration و فراخوانی API How does the ChatClient Work under the Hood? - AutoConfiguration & API call to OpenAI

• پرامپت، توکن‌ها و توکن‌سازی؛ این‌ها چیستند؟ Prompt, Tokens and Tokenization - What are they?

• پارامترهای درخواست OpenAI: پارامتر temperature OpenAI Request Parameters - temperature

• پارامترهای درخواست OpenAI: پارامتر max_tokens OpenAI Request Parameters - max_tokens

• درک پیام‌های System، Assistant و User در OpenAI Understanding System, Assistant, and User Messages in OpenAI

• پیام‌های System، Assistant و User در عمل System, Assistant, and User Messages in Action

• دریافت پاسخ‌های استریم (Streaming) از OpenAI Streaming OpenAI Responses

مدیریت خطای سراسری (Global ErrorHandler) با استفاده از Github Copilot Global ErrorHandler to Deal with Exception/Errors using Github Copilot

• راه‌اندازی Copilot در IntelliJ SetUp Copilot in IntelliJ

• مدیریت خطا با استفاده از ControllerAdvice Error Handling using ControllerAdvice

بهینه‌سازی ارسال پیام‌ها به LLMها با استفاده از StringTemplates و PromptTemplates Streamlining Message Passing to LLMs using StringTemplates & PromptTemplates

• ساخت پرامپت‌ها با استفاده از Prompt و ChatClient Building prompts using the Prompt and ChatClient

• بهبود مدیریت پرامپت با StringTemplate Enhancing Prompt Management with StringTemplate

• استفاده از PromptTemplate: روشی ساده برای ارسال پیام به AI Using PromptTemplate: A Simplified Way to Pass Messages to AI

• ارسال مقادیر پویا به پرامپت‌ها: رویکرد جایگزین Passing Dynamic Values to Prompts - Alternative Approach

مشاوران Spring AI: ارتقای تعاملات هوش مصنوعی Spring AI Advisors: Enhancing AI Interactions

• معرفی سریع Spring Advisors A Quick Introduction to Spring Advisors

• Spring Advisor در عمل: SimpleLoggerAdvisor Spring Advisor in Action - SimpleLoggerAdvisor

• ساخت Advisor سفارشی خودمان Let's Build our own Custom Advisor

مهندسی پرامپت (Prompt Engineering) Prompt Engineering

• مهندسی پرامپت و PromptTemplate Prompt Engineering & PromptTemplate

• مهندسی پرامپت در عمل: بررسی پرامپت برنامه سفر Prompt Engineering in Action - Let's Explore the Travel Plan Prompt

• درک تزریق پرامپت (Prompt Injection) و نحوه کاهش اثرات آن Understanding Prompt Injection and How to Mitigate it

• پرامپت‌نویسی Zero Shot Zero Shot Prompting

• پرامپت‌نویسی Few Shot Few Shot Prompting

• پرامپت‌نویسی زنجیره افکار (Chain of Thought) Chain of Thought Prompting

• تسلط بر پرامپت‌های چند مرحله‌ای Mastering Multi-Step Prompts

تولید داده‌های ساختاریافته با OpenAI و Spring AI Generating Structured Data with OpenAI & Spring AI

• مقدمه‌ای بر خروجی‌های ساختاریافته در LLM Introduction to Structured Outputs in LLM

• خروجی‌های ساختاریافته با استفاده از مهندسی پرامپت Structured Outputs using Prompt Engineering

• خروجی‌های ساختاریافته با مثال‌های Few Shot در مهندسی پرامپت Structured Outputs with Few Shot Examples using Prompt Engineering

• خروجی‌های ساختاریافته با تابع entity() و استفاده از BeanOutputConverter Structured Outputs using entity() function - Using BeanOutputConverter

• خروجی‌های ساختاریافته در Spring AI چگونه کار می‌کنند؟ (پشت صحنه) How Structured Outputs work in Spring AI - Under the Hood?

• استفاده از ParameterizedTypeReference برای خروجی‌های ساختاریافته (لیست‌ها) Using ParameterizedTypeReference for Structured Outputs - List Collection Types

• تولید خروجی‌های ساختاریافته از نوع Map Generate Structured Outputs of type "Map" Collection Type

تقویت LLMها با استفاده از فراخوانی ابزار (Tool Calling) در Spring AI Augmenting LLMs using Tool Calling with Spring AI

• فراخوانی ابزار (Tool Calling): چیست و چرا؟ Tool Calling - What & Why?

• فراخوانی ابزار با OpenAI: دسترسی به زمان سیستم Tool Calling with OpenAI: Accessing System Time

• فراخوانی ابزار در پشت صحنه OpenAI و Spring AI چگونه کار می‌کند؟ How Tool Calling Works under the Hood in OpenAI and Spring AI?

• فراخوانی ابزار در عمل: دسترسی به نرخ لحظه‌ای ارز Tool Calling in Action: Accessing Live Currency Exchange Rates

• فراخوانی ابزار با استفاده از توابع: دسترسی به داده‌های لحظه‌ای آب‌وهوا Tool Calling in Action using Functions: Accessing Live Weather Data

• فراخوانی ابزار با استفاده از Spring Beans: دسترسی به داده‌های لحظه‌ای آب‌وهوا Tool Calling in Action using Spring Beans: Accessing Live Weather Data

• خروجی‌های ساختاریافته با استفاده از Tool Calling و ReturnDirect Structured Outputs using Tool Calling with "ReturnDirect"

• افزودن متادیتا به فراخوانی ابزار با استفاده از ToolContext Adding Metadata to the Tool Calling using ToolContext

RAG در عمل: توانمندسازی LLMها با دانش خارجی با Spring AI RAG in Action: Empowering LLMs with External Knowledge using Spring AI

• RAG چیست و چرا به آن نیاز داریم؟ What is RAG and Why Do We Need It?

• پایه سازی (Grounding) مدل‌های LLM و پر کردن پرامپت (Prompt Stuffing) Grounding LLMs & Prompt Stuffing

• محدودیت‌های Prompt Stuffing: چرا پایه سازی کل متن مقیاس‌پذیر نیست The Limits of Prompt Stuffing: Why Grounding the Whole Context Doesn't Scale

ساخت اپلیکیشن پرسش و پاسخ RAG با Spring AI Build a Q&A RAG Application with Spring AI

• بررسی کلی اپلیکیشن پرسش و پاسخ مبتنی بر RAG Overview of the RAG-Powered Q&A App

• مقدمه‌ای بر پایگاه داده‌های برداری (Vector Databases) و ایندکس‌گذاری Introduction to Vector Databases & Indexing

• ایندکس‌گذاری در عمل: وارد کردن اسناد به PgVectorDB با PagePdfDocumentReader Indexing in Action: Ingest Docs into the PgVectorDB using PagePdfDocumentReader

• بازیاب (Retriever) در عمل: استخراج اسناد مرتبط از PgVectorDB Retriever in Action: Pull the Relevant Docs from the PgVector VectorDB

• تولید در عمل: ایندکس، بازیابی و تولید (اپلیکیشن RAG کامل) Generate in Action - Index, Retrieve, and Generate (End to End RAG App)

• امبدینگ‌ها (Embeddings) در پشت صحنه چگونه ایجاد می‌شوند؟ How are the Embeddings Created Under the Hood?

استراتژی‌های جذب اسناد (Document Ingestion) با Spring AI Document Ingestion Strategies with Spring AI

• جذب اسناد با استفاده از Endpoint: رویکرد صحیح Ingesting Documents using Endpoint - The Right Approach

• جذب اسناد با استفاده از تکه‌تکه کردن پاراگرافی (Paragraph Chunking) Ingest Docs using Paragraph Chunking

• جذب اسناد Word با استفاده از TikaDocumentReader Ingesting Word Documents using TikaDocumentReader

• جذب اسناد با TokenSplitter و TikaDocumentReader: تکه‌تکه کردن بر اساس توکن Ingest Docs using TokenSplitter & TikaDocumentReader - Chunking by Tokens

• پردازش فایل‌های txt با TextReader در Spring AI Processing .txt Files with Spring AI's TextReader

کاوش در چندوجهی بودن: آزادسازی قابلیت‌های بصری با مدل‌های تصویر OpenAI Exploring Multimodality: Unlocking Visual Capabilities with OpenAI Image Models

• مقدمه‌ای بر چندوجهی بودن (MultiModality) در AI Introduction to MultiModality in AI

• ایجاد تصویر با استفاده از OpenAI Creating an Image using OpenAI

• تولید تصویر در پشت صحنه SpringAI و OpenAI چگونه کار می‌کند؟ How Image Generation Works Under the Hood with SpringAI and OpenAI

• سفارشی‌سازی تولید تصویر با ورودی‌های مختلف در OpenAI Customize Image Generation using Different Inputs to OpenAI

• ایجاد و ذخیره تصاویر: تبدیل Base64 JSON به سیستم فایل با OpenAI Creating and Saving Images: Base64 JSON to File System using OpenAI

کاوش در چندوجهی بودن: آزادسازی قابلیت‌های بینایی با OpenAI Exploring Multimodality: Unlocking Vision Capabilities with OpenAI

• تحلیل تصویر با LLMها: ارسال مستقیم فایل‌ها از سیستم فایل Image Analysis with LLMs: Passing Files Directly from Your File System

• تحلیل تصویر با LLMها: ارسال فایل‌ها به صورت MultiPart File Image Analysis with LLMs: Passing Files as a MultiPart File

• یک مورد کاربردی واقعی: پردازش فاکتورها با استفاده از Vision API A Real-World Use Case: Invoice Processing using Vision API

تسلط بر چندوجهی بودن: ایجاد و پردازش صوت با مدل صوتی OpenAI Mastering Multimodality: Creating and Processing Audio with OpenAI Audio Model

• از متن به صدا: تبدیل متن به گفتار با مدل TTS شرکت OpenAI From Text to Sound: Converting Text to Voice with OpenAI's TTS Model

• سفارشی‌سازی تولید صوت با ورودی‌های مختلف در مدل TTS شرکت OpenAI Customize Audio Generation with Different Inputs to OpenAI's TTS Model

• مقدمه‌ای بر مدل‌ها و API تبدیل گفتار به متن در OpenAI Introduction to the Speech to Text Models and API in OpenAI

• سفارشی‌سازی تولید متن با ورودی‌های مختلف در مدل Transcription شرکت OpenAI Customize Text to Generation with Different Inputs to OpenAI's Transcription Model

ساخت اپلیکیشن‌های AI محلی با Spring AI و Ollama Building Local AI Applications with Spring AI and Ollama

• مقدمه‌ای بر LLMهای محلی و Ollama Introduction to Local LLMs and Ollama

• راه‌اندازی محیط محلی با Ollama Setting Up the Local Environment with Ollama

• یکپارچه‌سازی Spring AI با Ollama Integrating Spring AI with Ollama