آموزش الگوهای طراحی هوش مصنوعی عاملمحور (Agentic AI) برای GenAI و هوش مصنوعی پیشبین - آخرین آپدیت
دانلود Agentic AI Design Patterns for GenAI and Predictive AI
توضیحات
این دوره در مورد چیست؟
هوش مصنوعی پیشبین (Predictive AI) و هوش مصنوعی مولد (Generative AI) ارزش تجاری روشنی ایجاد میکنند، اما هر کدام محدودیتها و ریسکهای خاص خود را دارند. با بهرهگیری از قابلیتهای استدلال خودکار در هوش مصنوعی عاملمحور (Agentic AI)، اکنون میتوانیم بسیاری از این محدودیتها را برطرف کرده و ریسکها را کاهش دهیم. این دوره مجموعهای از الگوهای طراحی AI را پوشش میدهد که به نحوه جایگذاری و بهرهبرداری مؤثر از Agentic AI به عنوان بخشی از راهکارهای هوش مصنوعی پیشبین و مولد میپردازد. نتیجه این رویکرد، سیستمهای هوش مصنوعی خودکارتر، مستقلتر، کارآمدتر و دقیقتری خواهد بود که تعامل انسانها و اپلیکیشنها با آنها را بهبود میبخشد. این دوره که برای مهندسان AI/ML و معماران راهکارهای هوش مصنوعی طراحی شده است، هدفش پر کردن شکاف بین Agentic AI و هوش مصنوعی پیشبین/مولد از طریق نمایش نحوه ترکیب مؤثر این فناوریهاست.
نکته: این دوره توسط Thomas Erl طراحی شده است و ما مفتخریم که این آموزش را در کتابخانه خود میزبانی میکنیم.
مدرس
چه کسی این دوره را تدریس میکند؟
توماس ارل (Thomas Erl)، یکی از چهرههای برتر لینکدین (Top Voice)، نویسنده پرفروش و متخصص آموزش فناوری دیجیتال و هوش مصنوعی در Arcitura. توماس نویسنده یا همنویس ۱۵ کتاب است و مقالات و مصاحبههای او در نشریاتی مانند CEO World، The Wall Street Journal و Forbes منتشر شده است.
اهداف دوره
در پایان این دوره قادر به انجام چه کارهایی خواهم بود؟
- شناسایی و فهرست کردن الگوهای کلیدی طراحی Agentic AI که برای تقویت مدلهای پیشبین و مولد استفاده میشوند.
- توضیح نقش RAG خودکار (Autonomous self-RAG) در بهبود دقت محتوای هوش مصنوعی مولد.
- تشریح نحوه کمک منطق خود-اصلاحی (Self-correction) و تصمیمگیری به بازیابی اطلاعات و پالایش محتوا.
- پیادهسازی موازیسازی عاملمحور (Agent-led parallelization) از طریق تجزیه وظایف پیچیده به زیر-وظایفی که به چندین سیستم AI اختصاص مییابند.
- تحلیل اثرات الگوهای استنتاج علی (Causal inference) در طراحی Agentic AI بر تصمیمگیریهای پیشبین، با تمرکز بر شناسایی روابط علت و معلولی و کاهش ریسک در کاربردهای واقعی.
- ارزیابی مزایا و محدودیتهای استفاده از الگوی طراحی مجموعههای رایگیری (Voting Ensemble) برای افزایش دقت پیشبینی در سناریوهای تصمیمگیری حساس و پیشنهاد راهکارهایی برای بهبود قابلیت اطمینان سیستم.
مخاطبان
این دوره برای چه کسانی است؟
- مهندسان هوش مصنوعی (AI Engineers)
- مهندسان یادگیری ماشین (ML Engineers)
- دانشمندان و مهندسان داده
- معماران هوش مصنوعی
- پژوهشگران علمی
- توسعهدهندگان نرمافزار
- مدیران پروژه در حوزه تکنولوژی
- متخصصان AI
- علاقهمندان به فناوری
پیشنیازها
قبل از شروع این دوره چه چیزهایی باید بدانم؟
- مفاهیم پایه طراحی و معماری هوش مصنوعی عاملمحور (Agentic AI)
- مفاهیم بنیادی معماری هوش مصنوعی پیشبین
- عملکردهای پایه سیستمها و عاملهای هوش مصنوعی
- درک متوسط از هوش مصنوعی مولد (Generative AI)
مقدمه Introduction
-
مقدمه Introduction
-
آنچه باید بدانید What you need to know
-
عاملهای AI و سیستمهای AI AI agents and AI systems
1. الگوهای طراحی دانش و استدلال 1. Knowledge and Reasoning Design Patterns
-
کشف و مهندسی خودکار ویژگیها Automated feature discovery and engineering
-
الگوهای طراحی دانش و استدلال Knowledge and reasoning design patterns
-
RAG خودکار و مستقل Autonomous self-RAG
-
استنتاج علی Causal inference
2. الگوهای طراحی ارکستراسیون و خلق 2. Orchestration and Creation Design Patterns
-
الگوهای طراحی ارکستراسیون و خلق Orchestration and creation design patterns
-
مجموعه رایگیری (Voting Ensemble) Voting ensemble
-
تولید سلسلهمراتبی Hierarchical generation
-
موازیسازی عاملمحور Agent-led parallelization
3. الگوهای طراحی اعتبارسنجی و یادگیری تطبیقی 3. Validation and Adaptive Learning Design Patterns
-
ارزیابی تصاعدی Escalating evaluation
-
استقرار مدل سایه (Shadow Model) Shadow model deployment
-
بازآموزی پیشدستانه Proactive retraining
-
الگوهای طراحی اعتبارسنجی و یادگیری تطبیقی Validation and adaptive learning design patterns
-
خود-اصلاحی مستقل Autonomous self-correction
4. جمعبندی 4. Conclusion
-
گامهای بعدی Next steps
https://donyad.com/d/675a10
Thomas Erl
نویسنده و سخنران پرفروش، مدیر عامل Arcitura
توماس یکی از پرفروشترین نویسندههای IT برای مجموعه کتابهای Pearson Digital Enterprise است که 15 کتاب را برای آن تألیف کرده است. بیش از 100 مقاله و مصاحبه توسط توماس در نشریات متعددی از جمله جهان مدیر عامل، وال استریت ژورنال، فوربس و مجله CIO منتشر شده است. او بیش از 20 کشور جهان را به عنوان سخنران اصلی کنفرانس های مختلف سفر کرده است. توماس میزبان یک سری ویدیوهای اطلاعاتی در کانال یوتیوب خود است و همچنین میزبان مجموعه پادکست تحول دیجیتال واقعی است. او مدیر عامل Arcitura Education و همچنین مشاور ارشد راه حل های دیجیتالی متحول کننده است. (بیشتر در: www.thomaserl.com بیاموزید)
نمایش نظرات