همه میتوانند RAG، Embeddings، Agents، Fine-tuning و LLM Eval را تعریف کنند. اما تعداد کمی میتوانند از سوال دوم جان سالم به در ببرند؛ همان سوالاتی از جنس «چرا این اتفاق میافتد و شما چه راهکاری برای آن دارید» که در سکوت، سرنوشت مصاحبه را رقم میزند.
این دوره دقیقاً برای پر کردن این شکاف طراحی شده است. ما سختترین و رایجترین سوالات مصاحبه در پنج ستون اصلی مهندسی GenAI مدرن را جمعآوری کردهایم و به هر یک به گونهای پاسخ دادهایم که یک کاندیدای قوی باید پاسخ دهد: استخراج مکانیسم به جای نام بردن از آن، ارائه اعداد دقیق (بایتها، Recall، تأخیر و حافظه GPU) و بیان Trade-offهایی که پذیرفتهاید.
تمام محتوا در سه سطح سازماندهی شده که بر روی یکدیگر بنا شدهاند: مبانی (Beginner)، مکانیسمهای متوسط (Intermediate) و طراحی سیستم در سطح پیشرفته/معمار (Advanced/Architect)، در قالب پنج ماژول:
تولید تقویتشده با بازیابی (RAG): تکهبندی (Chunking)، جستجوی ترکیبی و Reciprocal Rank Fusion، رینکرها (Re-rankers)، پدیده «گم شدن در میان»، تضاد دانش و طراحی RAG برای بیش از ۵۰۰ میلیون سند با پاسخ زیر ۲۰۰ میلیثانیه.
ترنسفورمرها (Transformers): توکنها و Embeddings، مکانیزم Attention، توجه چندسره (Multi-head attention)، KV cache، GQA، RoPE، FlashAttention و MoE و PagedAttention.
جاسازیها و پایگاه دادههای برداری (Embeddings & Vector Databases): فرضیه توزیعی، ناهمسانی (Anisotropy)، HNSW، کوانتیزاسیون محصول، Matryoshka embeddings، شاردینگ برای میلیاردها بردار، Drift و بازسازی ایندکس بدون توقف (Zero-downtime re-indexing).
عاملهای LLM و سیستمهای عاملیت (LLM Agents & Agentic Systems): حلقه عامل (Agent Loop)، ابزارها، طراحی حافظه، MCP، ارکستراسیون، سیستمهای چندعاملی، خودمختاری بلندمدت، امنیت و قابلیت مشاهده (Observability).
تنظیم دقیق LLM (Fine-Tuning): مقایسه Pretraining در مقابل SFT و Alignment، ماسک کردن Loss، قالبهای چت (Chat Templates)، LoRA/QLoRA/DPO، محاسبات حافظه GPU، آموزش توزیع شده با ZeRO و FSDP و سرویسدهی همزمان چندین مدل Fine-tune شده.
ارزیابی LLM (LLM Evaluation): ارزیابی آفلاین در مقابل آنلاین، مدل LLM به عنوان داور و حالتهای شکست آن، معیارهای خاص RAG (صداقت، مرتبط بودن پاسخ، دقت/فراخوانی متن)، آلودگی بنچمارکها، تست رگرسیون و شناسایی افت کیفیت خاموش در محیط Production.
هر پاسخ همراه با پیشزمینه، یک مثال عملی و کدهای واقعی است که به صورت مستقل از فریمورک و با استفاده از SDKهای مدرن ارائه شده است. ادعاهای پیچیدهتر با مقالات اصلی چک شدهاند.
این دوره برای هر کسی که برای نقشهای مهندس AI، مهندس ML، دانشمند کاربردی (Applied Scientist) یا نقشهای جدید مهندس LLM/GenAI آماده میشود و همچنین برای متخصصانی که ترجیح میدهند مکانیسمها را درک کنند تا صرفاً دستورالعملها را کپی کنند، مناسب است. ماژولها را به ترتیب دنبال کنید؛ هر سطح بر واژگان سطح قبلی تکیه دارد. سعی کنید قبل از تماشای هر ویدیو، پاسخ سوال را با صدای بلند بگویید. نقاطی که در آنها گیر میکنید، مفیدترین نقاط برای یادگیری هستند.
Rithesh Sreenivasan
مشاور یادگیری ماشین و هوش مصنوعی، مدرس و متخصص NLP
نمایش نظرات