آموزش ساخت اپلیکیشن‌های هوش مصنوعی با Spring AI، OpenAI، Ollama و SpringBoot - 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]

• دنیای 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 API OpenAI Getting Started with Spring AI and OpenAI API

• مقدمه‌ای بر Spring AI Introduction to Spring AI

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

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

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

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

• راه‌اندازی Insomnia برای تست نقطه پایانی (Endpoint) چت‌ها 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 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 سیستم، دستیار و کاربر در عمل System, Assistant, and User Messages in Action

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

مدیریت خطای سراسری برای برخورد با استثناها 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 پیام 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

• مقدمه‌ای کوتاه بر Spring Advisors A Quick Introduction to Spring Advisors

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

• ساخت مشاور (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 برنامه‌ریزی سفر Prompt Engineering in Action - Let's Explore the Travel Plan Prompt

• درک تزریق پرامپت (Prompt Injection) و نحوه کاهش 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 BeanOutputConverter Structured Outputs using entity() function - Using BeanOutputConverter

• خروجی‌های ساختاریافته در Spring AI چگونه کار می‌کنند؟ 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 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

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

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

• Tool Calling با استفاده از توابع: دسترسی به داده‌های زنده آب و هوا Tool Calling in Action using Functions: Accessing Live Weather Data

• Tool Calling با استفاده از Spring Beans: دسترسی به داده‌های زنده آب و هوا Tool Calling in Action using Spring Beans: Accessing Live Weather Data

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

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

RAG در عمل: توانمندسازی LLMها با دانش خارجی با استفاده از 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) LLMها و پرامپت استافینگ (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 (Q&A) مبتنی بر RAG با Spring AI Build a Q&A RAG Application with Spring AI

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

• مقدمه‌ای بر پایگاه داده‌های برداری 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

• بازیابی در عمل: استخراج اسناد مرتبط از PgVector VectorDB 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)

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

استراتژی‌های ورود داده‌های مستند با Spring AI Document Ingestion Strategies with Spring AI

• وارد کردن اسناد از طریق Endpoint: رویکرد صحیح Ingesting Documents using Endpoint - The Right Approach

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

• وارد کردن اسناد Word با استفاده از TikaDocumentReader Ingesting Word Documents using TikaDocumentReader

• وارد کردن 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

بررسی چندوجهی: باز کردن قابلیت‌های بصری با مدل‌های تصویری OpenAI Exploring Multimodality: Unlocking Visual Capabilities with OpenAI Image Models

• مقدمه‌ای بر چندوجهی (MultiModality) در هوش مصنوعی 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 به OpenAI Customize Image Generation using Different Inputs to OpenAI

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

بررسی چندوجهی: باز کردن قابلیت‌های بینایی با OpenAI Exploring Multimodality: Unlocking Vision Capabilities with OpenAI

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

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

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

تسلط بر چندوجهی: ایجاد و پردازش صدا 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 صدا با ورودی‌های مختلف به مدل TTS 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 تبدیل متن با ورودی‌های مختلف به مدل Transcription 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

• ادغام Spring AI با Ollama Integrating Spring AI with Ollama