آموزش معماری های هوش مصنوعی مولد با LLM، Prompt، RAG، Vector DB

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

• ابزارها و منابع دوره - اسلایدهای دوره Tools and Resources for the Course - Course Slides

• پروژه دوره: پشتیبانی مشتری EShop با قابلیت‌های مبتنی بر هوش مصنوعی با استفاده از LLM Course Project: EShop Customer Support with AI-Powered Capabilities using LLMs

هوش مصنوعی مولد چیست؟ What is Generative AI ?

• تکامل هوش مصنوعی: هوش مصنوعی، یادگیری ماشینی، یادگیری عمیق و هوش مصنوعی مولد Evolution of AI: AI, Machine Learning, Deep Learning and Generative AI

• هوش مصنوعی مولد چیست؟ What is Generative AI ?

• هوش مصنوعی مولد چگونه کار می کند؟ How Generative AI works ?

• معماری مدل های هوش مصنوعی (انواع مدل های هوش مصنوعی مولد) Generative AI Model Architectures (Types of Generative AI Models)

• معماری ترانسفورماتور: توجه تنها چیزی است که نیاز دارید Transformer Architecture: Attention is All you Need

مدل های زبان بزرگ (LLM) چیست؟ What are Large Language Models (LLMs) ?

• مدل های زبان بزرگ (LLM) چیست؟ What are Large Language Models (LLMs) ?

• مدل های زبان بزرگ (LLM) چگونه کار می کنند؟ How Large Language Models (LLMs) works?

• Token And Tokenization چیست؟ What is Token And Tokenization ?

• چگونه LLM ها از توکن ها استفاده می کنند How LLMs Use Tokens

• قابلیت های LLM: تولید متن، خلاصه سازی، پرسش و پاسخ، طبقه بندی Capabilities of LLMs: Text Generation, Summarization, Q&A, Classification

• موارد استفاده LLM و برنامه های کاربردی در دنیای واقعی LLM Use Cases and Real-World Applications

• محدودیت‌های مدل‌های زبان بزرگ (LLM) Limitations of Large Language Models (LLMs)

• تولید متن با ChatGPT: درک قابلیت ها و محدودیت های LLM Generate Text with ChatGPT: Understand Capabilities and Limitations of LLMs

• تنظیمات LLM: دما، حداکثر توکن، توالی توقف، بالا P، جریمه فرکانس LLM Settings: Temperature, Max Tokens, Stop sequences, Top P, Frequency Penalty

• فراخوانی تابع در مدل های زبان بزرگ (LLM) Function Calling in Large Language Models (LLMs)

• خروجی ساختاریافته در مدل های زبان بزرگ (LLM) Structured Output in Large Language Models (LLMs)

• مدل های زبان کوچک (SLM) چیست؟ موارد استفاده/چگونه/چرا/چه زمانی What are Small Language Models (SLMs) ? Use Cases / How / Why / When

• آزمون LLM LLM Quiz

کاوش و اجرای LLM های مختلف با HuggingFace و Olama Exploring and Running Different LLMs w/ HuggingFace and Ollama

• ارائه دهندگان LLM: OpenAI، Meta AI، Anthropic، Hugging Face، Microsoft، Google LLM Providers: OpenAI, Meta AI, Anthropic, Hugging Face, Microsoft, Google

• مدل های LLM: OpenAI ChatGPT، Meta Llama، Anthropic Claude، Google Gemini، Mistral LLM Models: OpenAI ChatGPT, Meta Llama, Anthropic Claude, Google Gemini, Mistral

• مدل‌های SLM: OpenAI ChatGPT 4o mini، Meta Llama 3.2 mini، Gemma، Phi-3 SLM Models: OpenAI ChatGPT 4o mini, Meta Llama 3.2 mini, Gemma, Phi-3

• نحوه انتخاب مدل های LLM: کیفیت، سرعت، قیمت، تاخیر و پنجره زمینه How to Choose LLM Models: Quality, Speed, Price, Latency and Context Window

• متن باز در مقابل مدل های اختصاصی Open Source vs Proprietary Models

• Hagging Face - GitHub مدل های یادگیری ماشین Hugging Face - The GitHub of Machine Learning Models

• انواع تعامل LLM: بدون کد (ChatUI) یا با کد (کلیدهای API) LLM Interaction Types: No-Code (ChatUI) or With-Code (API Keys)

• تعامل LLM های مختلف با رابط کاربری چت: ChatGPT، LLama، Mixtral، Phi3 Interacting Different LLMs with Chat UI: ChatGPT, LLama, Mixtral, Phi3

• تعامل نقطه پایانی تکمیل گپ OpenAI با کدگذاری Interacting OpenAI Chat Completions Endpoint with Coding

• اولاما - LLMs را به صورت محلی اجرا کنید Ollama – Run LLMs Locally

• نصب و اجرای مدل های Llama و Gemma با استفاده از Ollama Installing and Running Llama and Gemma Models Using Ollama

• ادغام اولاما با استفاده از هسته معنایی و سی شارپ با کدگذاری Ollama integration using Semantic Kernel and C# with coding

• مدرن کردن برنامه‌های سازمانی با قابلیت‌های LLM مجهز به هوش مصنوعی Modernizing Enterprise Apps with AI-Powered LLM Capabilities

• طراحی «برنامه پشتیبانی EShop» با قابلیت‌های LLM مجهز به هوش مصنوعی Designing the 'EShop Support App' with AI-Powered LLM Capabilities

• LLMs Augmentation Flow: Prompt Engineering -> RAG -> Fine Tunning -> Trained LLMs Augmentation Flow: Prompt Engineering -> RAG -> Fine tunning -> Trained

مهندسی سریع Prompt Engineering

• Prompt چیست؟ What is Prompt ?

• عناصر و نقش های یک اعلان Elements and Roles of a Prompt

• مهندسی سریع چیست؟ What is Prompt Engineering ?

• مراحل طراحی اعلان های موثر: تکرار، ارزیابی و الگوسازی Steps of Designing Effective Prompts: Iterate, Evaluate and Templatize

• تکنیک های پیشرفته اعلان Advanced Prompting Techniques

• درخواست صفر شات Zero-Shot Prompting

• درخواست تک شات One-shot Prompting

• چند شات تحریک Few-shot Prompting

• تحریک زنجیره ای از فکر Chain-of-Thought Prompting

• اعلان مبتنی بر دستورالعمل و نقش محور Instruction-based and Role-based Prompting

• درخواست‌های پیشرفته برای پشتیبانی EShop طراحی کنید - طبقه‌بندی، تجزیه و تحلیل احساسات Design Advanced Prompts for EShop Support – Classification, Sentiment Analysis

• درخواست‌های پیشرفته برای صفحه جزئیات بلیط را در برنامه پشتیبانی EShop با چت پرسش و پاسخ طراحی کنید Design Advanced Prompts for Ticket Detail Page in EShop Support App w/ Q&A Chat

• درخواست‌های تست برای بلیط مشتری پشتیبانی Eshop با زمین بازی Test Prompts for Eshop Support Customer Ticket w/ Playground

• آزمون مهندسی سریع Prompt Engineering Quiz

Retrieval-Augmented Generation (RAG) Retrieval-Augmented Generation (RAG)

• Retrieval-Augmented Generation (RAG) چیست؟ What is Retrieval-Augmented Generation (RAG) ?

• چرا به نسل افزوده بازیابی (RAG) نیاز داریم؟ چرا RAG مهم است؟ Why Need Retrieval-Augmented Generation (RAG) ? Why is RAG Important?

• چگونه Retrieval-Augmented Generation (RAG) کار می کند؟ How Does Retrieval-Augmented Generation (RAG) Work?

• The RAG Architecture Part 1: Ingestion with Embeddings and Vector Search The RAG Architecture Part 1: Ingestion with Embeddings and Vector Search

• The RAG Architecture Part 2: Retrieval with Reranking and Context Query Prompts The RAG Architecture Part 2: Retrieval with Reranking and Context Query Prompts

• معماری RAG قسمت 3: تولید با ژنراتور و خروجی The RAG Architecture Part 3: Generation with Generator and Output

• گردش کار E2E یک نسل افزایش یافته بازیابی (RAG) - گردش کار RAG E2E Workflow of a Retrieval-Augmented Generation (RAG) - The RAG Workflow

• کاربردها موارد استفاده از RAG Applications Use Cases of RAG

• چالش ها و ملاحظات کلیدی استفاده از RAG -- Retrieval-Augmented Generation Challenges and Key Considerations of Using RAG -- Retrieval-Augmented Generation

• پشتیبانی مشتری EShop را با استفاده از RAG طراحی کنید Design EShop Customer Support using RAG

• مثال RAG سرتاسری برای پشتیبانی مشتری EShop با استفاده از OpenAI Playground End-to-End RAG Example for EShop Customer Support using OpenAI Playground

• مسابقه RAG RAG Quiz

Fine-Tuning LLMs Fine-Tuning LLMs

• تنظیم دقیق چیست؟ What is Fine-Tuning ?

• چرا به تنظیم دقیق نیاز داریم؟ Why Need Fine-Tuning ?

• چه زمانی از Fine-Tuning استفاده کنیم؟ When to Use Fine-Tuning ?

• تنظیم دقیق چگونه کار می کند؟ How Does Fine-Tuning Work?

• روش‌های تنظیم دقیق: تنظیم دقیق کامل، کارآمد پارامتر (PEFT)، LoRA Fine-Tuning Methods: Full, Parameter-Efficient Fine-Tuning (PEFT), LoRA

• کاربردها و موارد استفاده از تنظیم دقیق Applications & Use Cases of Fine-Tuning

• چالش ها و ملاحظات کلیدی تنظیم دقیق Challenges and Key Considerations of Fine-Tuning

• طراحی پشتیبانی مشتری EShop با استفاده از Fine-Tuning Design EShop Customer Support Using Fine-Tuning

• تنظیم دقیق یک LLM برای پشتیبانی مشتری EShop با استفاده از OpenAI Playground End-to-End Fine-Tuning a LLM for EShop Customer Support using OpenAI Playground

• مسابقه تنظیم دقیق Fine-Tuning Quiz

انتخاب بهینه سازی مناسب – مهندسی سریع، RAG و تنظیم دقیق Choosing the Right Optimization – Prompt Engineering, RAG, and Fine-Tuning

• مقایسه مهندسی سریع، RAG و Fine-Tuning Comparison of Prompt Engineering, RAG, and Fine-Tuning

• انتخاب بهینه سازی مناسب – مهندسی سریع، RAG و تنظیم دقیق Choosing the Right Optimization – Prompt Engineering, RAG, and Fine-Tuning

• آموزش مدل خود برای بهینه سازی LLM Training Own Model for LLM Optimization

• با تشکر Thanks