آموزش از توسعه‌دهنده جاوا به مهندس هوش مصنوعی: دوره فشرده Spring AI - آخرین آپدیت

سرفصل ها و درس ها

Spring AI – Say Hello to AI in Spring Boot

• معرفی دوره Course Introduction

• جزئیات کد منبع، محتوای PDF و سایر دستورالعمل ها برای دوره Details of Source Code, PDF Content & other instructions for the course

• چارچوب Spring AI چیست؟ What is Spring AI Framework

• اپلیکیشن Hello World Spring AI با OpenAI - قسمت 1 Hello World Spring AI app with OpenAI - Part 1

• اپلیکیشن Hello World Spring AI با OpenAI - قسمت 2 Hello World Spring AI app with OpenAI - Part 2

• بررسی عمیق ChatModel و ChatClient Deep dive on ChatModel and ChatClient

• ساخت یک برنامه "Hello World" با Spring AI و Ollama Building a “Hello World” App with Spring AI and Ollama

• ساخت یک برنامه "Hello World" با Spring AI و Docker Building a “Hello World” App with Spring AI and Docker

• ساخت یک برنامه "Hello World" با Spring AI و AWS Bedrock - قسمت 1 Building a “Hello World” App with Spring AI and AWS Bedrock - Part 1

• ساخت یک برنامه "Hello World" با Spring AI و AWS Bedrock - قسمت 2 Building a “Hello World” App with Spring AI and AWS Bedrock - Part 2

• کار با چندین مدل چت در Spring AI Working with Multiple Chat Models in Spring AI

• انتخاب استراتژی مناسب استقرار LLM برای Spring AI Choosing the Right LLM Deployment Strategy for Spring AI

ملزومات Spring AI - پرامپت‌ها، مشاوران و پاسخ‌های ساختاریافته Spring AI Essentials - Prompts, Advisors, and Structured Responses

• درک نقش پیام ها در LLM ها - تئوری Understanding Message Roles in LLMs - Theory

• درک نقش پیام ها در LLM ها - نسخه ی نمایشی Understanding Message Roles in LLMs - Demo

• مقادیر پیش فرض در Spring AI چیست؟ What Are Defaults in Spring AI

• استفاده از تمپلیت‌های پرامپت در Spring AI Using Prompt Templates in Spring AI

• استفاده از تکنیک Prompt Stuffing Using Prompt Stuffing technique

• چرا Prompt Stuffing برای Big Data در نظر گرفته نشده است Why Prompt Stuffing Isn’t Meant for Big Data

• درک Advisors در گردش کار Spring AI Understanding Advisors in Spring AI Workflows

• مشاوران داخلی Spring AI - هوش Plug and Play Spring AI Built-in Advisors - Plug and Play Intelligence

• مشاوران سفارشی در Spring AI - هوش مصنوعی را مطابق با روش خود به کار بگیرید Custom Advisors in Spring AI - Make the AI Work Your Way

• درک ChatOptions در Spring AI Understanding ChatOptions in Spring AI

• پیکربندی ChatOptions در Spring AI Configuring ChatOptions in Spring AI

• توضیح انواع پاسخ در Spring AI ChatClient Spring AI ChatClient – Response Types Explained

• جریان پاسخ‌های هوش مصنوعی در زمان واقعی با استفاده از متد stream() Streaming AI Responses in Real-Time using stream() Method

• از متن به انواع - تسلط بر خروجی ساختاریافته در Spring AI From Text to Types - Mastering Structured Output in Spring AI

• از متن هوش مصنوعی به آبجکت‌های Java - نسخه ی نمایشی خروجی ساختاریافته Spring AI From AI Text to Java Objects - Spring AI Structured Output Demo

• استفاده از تبدیل‌کننده‌های خروجی Bean، List و Map در Spring AI Using Bean, List, and Map Output Converters in Spring AI

• نگاشت پاسخ هوش مصنوعی به List<POJO> با استفاده از ParameterizedTypeReference Mapping AI Response to List<POJO> using ParameterizedTypeReference

• تضمین خروجی های ساختاریافته در برنامه های Spring AI Ensuring Structured Outputs in Spring AI Applications

مبانی هوش مصنوعی مولد و LLMها Foundations of Generative AI and LLMs

• ردیابی ریشه ها - چگونه به هوش مصنوعی مولد رسیدیم Tracing the Roots - How We Reached Generative AI

• آشنایی با خانواده Gen AI - هوش مصنوعی، ML، DL و فراتر از آن Meet the Gen AI Family - AI, ML, DL, and Beyond

• میم‌های خنده‌دار هوش مصنوعی Funny memes of AI

• انواع مدل‌های هوش مصنوعی مولد Types of Generative AI Models

• معرفی مدل‌های زبانی بزرگ - متخصصان متن Introduction to Large Language Models - The Text Experts

• وظیفه اصلی یک LLM - حدس زدن کلمه بعدی Core job of an LLM - Guessing next word

• مفهوم Tokens و Token IDs در LLM The concept of Tokens & Token IDs in LLM

• درون یک دیکشنری LLM - درک واژگان مدل Inside an LLM’s Dictionary - Understanding Model Vocabulary

• Embeddings و Vectors - راهی برای نشان دادن معنی Embeddings & Vectors - A way to represent meaning

• نحوه محاسبه Embedding Vectors How Embedding Vectors calculated

• Static Embeddings چیست؟ What are Static Embeddings

• Positional Embeddings - چگونه هوش مصنوعی ترتیب کلمات را درک می کند Positional Embeddings - How AI Understands Word Order

• جادوی توجه - چگونه هوش مصنوعی زمینه را درک می کند The Magic of Attention - How AI Understands Context

آموزش به LLMها برای به خاطر سپردن - قدرت حافظه چت در Spring AI Teaching LLMs to Remember - The Power of Chat Memory in Spring AI

• LLMها شما را به خاطر نمی آورند - ماهیت بدون حالت مدل های هوش مصنوعی LLMs Don’t Remember You – The Stateless Nature of AI Models

• LLMها همه چیز را فراموش می کنند - ChatMemory به کمک می آید! LLMs Forget Everything — ChatMemory to the Rescue!

• ساخت ChatClient به طوری که "به خاطر بسپارد" - مشاوران حافظه Spring AI Making ChatClient ‘Remember’ – Spring AI’s Memory Advisors

• از بدون حالت به حالت دار - حافظه Spring AI در عمل From Stateless to Stateful - Spring AI Memory in Action

• حافظه به ازای هر کاربر در LLMها - با تشکر از CONVERSATION_ID! Per-User Memory in LLMs – Thanks to CONVERSATION_ID!

• حافظه چتی که ماندگار است - Spring AI با پایداری مبتنی بر JDBC Chat Memory That Lasts – Spring AI with JDBC-Based Persistence

• استفاده از maxMessages برای محدود کردن تاریخچه چت در Spring AI Using maxMessages to Limit Chat History in Spring AI

• اجتناب از بارگذاری بیش از حد Token - از maxMessages با در نظر گرفتن اندازه Context Window استفاده کنید Avoiding Token Overload - Use maxMessages with Context Window size in Mind

• اضافه کردن حافظه به مکالمات LLM Adding Memory to LLM Conversations

هنر صحبت با اسناد – RAG رها شده The Art of Talking to Documents – RAG Unleashed

• از Prompt Stuffing به RAG - راهی بهتر برای تغذیه LLMها From Prompt Stuffing to RAG – A Better Way to Feed LLMs

• درک جریان RAG Understanding the RAG flow

• آشنایی با Vector Database - ذخیره سازی معنا، نه فقط داده Meet the Vector Database - Storing Meaning, Not Just Data

• راه اندازی Qdrant Vector Store با Spring Boot با استفاده از Docker Compose Setting Up Qdrant Vector Store with Spring Boot Using Docker Compose

• نمونه RAG با استفاده از داده‌های متنی تصادفی - قسمت 1 Demo of RAG using random text data - Part 1

• نمونه RAG با استفاده از داده‌های متنی تصادفی - قسمت 2 Demo of RAG using random text data - Part 2

• نمونه RAG با استفاده از داده‌های متنی تصادفی - قسمت 3 Demo of RAG using random text data - Part 3

• بیایید با استفاده از RAG با اسناد صحبت کنیم Let's talk to documents using RAG

• تجزیه اسناد بزرگ - هنر Chunking برای LLMها Breaking Down Big Documents - The Art of Chunking for LLMs

• RAG آسان شد - RetrievalAugmentationAdvisor در عمل RAG Made Easy - RetrievalAugmentationAdvisor in Action

• جریان RAG با جستجوی وب - قسمت 1 RAG flow with Web Search - Part 1

• جریان RAG با جستجوی وب - قسمت 2 RAG flow with Web Search - Part 2

• RAG پیشرفته با Pre-Retrieval Advanced RAG with Pre-Retrieval

• RAG پیشرفته با Post-Retrieval Advanced RAG with Post-Retrieval

• چه کسی مقادیر embedding اسناد را محاسبه می کند؟ Who calculates the embedding values of the documents

• بهبود پاسخ ها با دانش خارجی/اسناد خصوصی Enhancing Answers with External Knowledge/Private Documents

Tool Calling در عمل - دادن قدرت انجام کارها به LLMها Tool Calling in Action - Giving LLMs the Power to Do Things

• معرفی Tool Calling در هوش مصنوعی Introduction to Tool Calling in AI

• LLMها در مقابل واقعیت - سوال زمانی که نمی توانند به آن پاسخ دهند LLMs vs Reality - The Time Question They Can’t Answer

• Tool Calling در عمل - آموزش LLMها برای گفتن زمان Tool Calling in Action - Teaching LLMs to Tell the Time

• چگونه Tools به صورت داخلی توسط LLM فراخوانی می شوند How the Tools get called by LLM internally

• اجازه دادن به LLMها برای صحبت با پایگاه داده ها - یک نمایش Tool Calling - قسمت 1 Letting LLMs Talk to Databases - A Tool Calling Demo - Part 1

• اجازه دادن به LLMها برای صحبت با پایگاه داده ها - یک نمایش Tool Calling - قسمت 2 Letting LLMs Talk to Databases - A Tool Calling Demo - Part 2

• اجازه دادن به LLMها برای صحبت با پایگاه داده ها - یک نمایش Tool Calling - قسمت 3 Letting LLMs Talk to Databases - A Tool Calling Demo - Part 3

• دور زدن مدل - بازگرداندن نتایج Tool به طور مستقیم به کاربر Bypass the Model - Returning Tool Results Directly to the User

• شکست زیبا - سفارشی کردن پاسخ های خطای Tool در Spring AI Graceful Failure - Customizing Tool Error Responses in Spring AI

• سفر هوش مصنوعی مولد - از چت استاتیک به هوش پویا Generative AI’s Journey - From Static Chat to Dynamic Intelligence

تسلط بر Model Context Protocol (MCP) Mastering Model Context Protocol (MCP)

• حلقه گمشده در برنامه های هوش مصنوعی - درک نیاز به MCP The Missing Link in AI Apps - Understanding the Need for MCP

• درون MCP - درک معماری Model Context Protocol Inside MCP - Understanding the Architecture of Model Context Protocol

• پشت صحنه ارتباط MCP - منطق حمل و نقل داخلی Behind the Scenes of MCP Communication - Built-in Transport Logic

• ساخت یک MCP Client با Spring AI Building an MCP Client with Spring AI

• نمونه ای از یکپارچه سازی MCP Client و MCP Server Demo of MCP Client and MCP Server integration

• آشنایی با MCP Inspector - ابزار X-Ray سرور MCP Meet the MCP Inspector - The X-Ray Tool of MCP Server

• نمونه ادغام با GitHub MCP Server Demo of integration with GitHub MCP Server

• ساخت یک MCP Server با استفاده از STDIO - قسمت 1 Building an MCP Server using STDIO - Part 1

• ساخت یک MCP Server با استفاده از STDIO - قسمت 2 Building an MCP Server using STDIO - Part 2

• ساخت یک MCP Server با استفاده از فراخوانی از راه دور Building an MCP Server using remote invocation

• استاندارد سازی ادغام ابزارهای هوش مصنوعی Standardizing AI Tool Integrations

از تست تا تولید - ایمن تر کردن پاسخ های هوش مصنوعی با Evaluators From Testing to Production – Making AI Answers Safer with Evaluators

• تست کردن غیر قابل تست - ارزیابی پاسخ های LLM با Spring AI Testing the Untestable - Evaluating LLM Responses with Spring AI

• ساخت هوش مصنوعی قابل اعتماد با RelevancyEvaluator و FactCheckingEvaluator Building Trustworthy AI with RelevancyEvaluator and FactCheckingEvaluator

• نمایش RelevancyEvaluator - اطمینان از اینکه LLMها در موضوع باقی می مانند RelevancyEvaluator Demo - Ensuring LLMs Stay on Topic

• FactCheckingEvaluator در عمل - گرفتن توهمات هوش مصنوعی FactCheckingEvaluator in Action - Catching AI Hallucinations

• استفاده از Spring AI Evaluator در یک سناریوی RAG Using Spring AI Evaluator in a RAG Scenario

• گرفتن پاسخ های بد LLM در تولید با بررسی های Runtime Catching Bad LLM Answers in Production with Runtime Checks

• اعتبارسنجی Runtime با Spring AI Evaluator و Spring Retry Runtime Validation with Spring AI Evaluator and Spring Retry

• مطمئن تر کردن تست هوش مصنوعی Making AI Testing More Reliable

قابلیت مشاهده در Spring AI - Metrics، Monitoring و Tracing Observability in Spring AI - Metrics, Monitoring & Tracing

• معرفی مانیتورینگ عملیات هوش مصنوعی Introduction to monitoring AI Operations

• فعال کردن Metrics در Spring AI با Spring Boot Actuator - قسمت 1 Enabling Metrics in Spring AI with Spring Boot Actuator - Part 1

• فعال کردن Metrics در Spring AI با Spring Boot Actuator - قسمت 2 Enabling Metrics in Spring AI with Spring Boot Actuator - Part 2

• فعال کردن مانیتورینگ Prometheus در Spring AI - قسمت 1 Enabling Prometheus Monitoring in Spring AI - Part 1

• فعال کردن مانیتورینگ Prometheus در Spring AI - قسمت 2 Enabling Prometheus Monitoring in Spring AI - Part 2

• راه اندازی داشبورد Grafana برای Metricsهای Spring AI Setting Up Grafana Dashboard for Spring AI Metrics

• Tracing عملیات هوش مصنوعی با استفاده از OTLP و Jaeger - قسمت 1 Tracing AI Operations using OTLP & Jaeger - Part 1

• Tracing عملیات هوش مصنوعی با استفاده از OTLP و Jaeger - قسمت 2 Tracing AI Operations using OTLP & Jaeger - Part 2

Transcription، Speech و Image Generation با استفاده از Spring AI Transcription, Speech, and Image Generation using Spring AI

• از صدا به متن - استفاده از Spring AI برای Transcription - قسمت 1 From Voice to Text - Using Spring AI for Transcription - Part 1

• از صدا به متن - استفاده از Spring AI برای Transcription - قسمت 2 From Voice to Text - Using Spring AI for Transcription - Part 2

• از متن به گفتار - تولید صداها با SpeechModel From Text to Speech - Generating Voices with SpeechModel

• از پرامپت به تصویر - تولید تصویر با ImageModel From Prompt to Picture - Image Generation with ImageModel

تشکر و تبریک Thank You & Congratulations

• تشکر و تبریک Thank You & Congratulations