لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مقدمه ای بر ارکستراسیون هوش مصنوعی با LangChain و LlamaIndex
Introduction to AI Orchestration with LangChain and LlamaIndex
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
آیا آماده هستید تا به دنیای برنامه های کاربردی هوش مصنوعی شیرجه بزنید؟ این دوره برای شما طراحی شده است. چارچوبهای هماهنگسازی هوش مصنوعی به شما این امکان را میدهند که از جزئیات ابزارهای هوش مصنوعی و APIها عقبنشینی کنید و در عوض روی ساختن سیستمهای کلیتر و مؤثرتر تمرکز کنید که مشکلات دنیای واقعی را حل میکنند. به مربی M.Joel Dubinko بپیوندید تا مزایای تجاری ارکستراسیون هوش مصنوعی را بررسی کند - توسعه سریعتر، رابط های هوشمندتر، هزینه های کمتر و موارد دیگر. این دوره مروری بر اصول و قابلیتهای کلیدی هوش مصنوعی، مانند دسترسی به ابزارها و پایگاههای اطلاعاتی خارجی، با تمرکز ویژه بر کاوش مدلهای محلی در حال اجرا بر روی سختافزار خود، در کنار یا به جای سرویسهای ابری مانند آنهایی که از OpenAI ارائه میکند، ارائه میکند. در هر مرحله از راه، جوئل نمایش های عملی از دو چارچوب پیشرو در صنعت ارائه می دهد: LangChain و LlamaIndex. در پایان این دوره، شما آماده خواهید بود که ساخت رباتهای چت، عوامل هوشمند و سایر ابزارهای مفید را شروع کنید، در حالی که در حین انجام خطاها و عیبیابی را کنترل میکنید.
سرفصل ها و درس ها
معرفی
Introduction
ساخت اپلیکیشن های محلی هوش مصنوعی با LangChain و LlamaIndex
Building local AI apps with LangChain and LlamaIndex
آنچه شما باید بدانید
What you should know
راه اندازی محیط خود برای ساخت اپلیکیشن های هوش مصنوعی
Setting up your environment for building AI apps
1. از AI Orchestration برای ساخت اولین برنامه خود استفاده کنید
1. Use AI Orchestration to Build Your First App
اولین برنامه LangChain شما
Your first LangChain app
اجرای LLMهای محلی
Running local LLMs
مفاهیم ارکستراسیون هوش مصنوعی
AI orchestration concepts
اشکال زدایی برنامه های هوش مصنوعی
Debugging AI apps
ساخت اپلیکیشن با OpenAI API
Building an app with the OpenAI API
اولین برنامه LlamaIndex شما
Your first LlamaIndex app
2. LLM ها و شاخص ها را برای درخواست اسناد محلی ترکیب کنید
2. Combine LLMs and Indexes to Query Local Documents
راه حل: خلاصه سازی اسناد
Solution: Document summarization
هوش مصنوعی بر روی اسناد محلی: تولید افزوده شده با بازیابی
AI over local documents: Retrieval-augmented generation
RAG با LangChain
RAG with LangChain
انتخاب جاسازی
Choosing an embedding
چالش: خلاصه سازی اسناد
Challenge: Document summarization
RAG با LlamaIndex
RAG with LlamaIndex
3. گردشهای کاری هوش مصنوعی چند مرحلهای را با زنجیرهسازی جمع کنید
3. Assemble Multi-Step AI Workflows with Chaining
مفاهیم برنامه برای زنجیرهسازی و گردشهای کاری پیچیدهتر
App concepts for chaining and more complex workflows
فراخوانی تابع LLM
LLM function calling
راه حل: بارگذاری وظیفه LLM محلی
Solution: Local LLM task offloading
خارج کردن JSON از LLM
Getting JSON out of the LLM
چالش: تخلیه وظایف LLM محلی
Challenge: Local LLM task offloading
4. اجازه دهید هوش مصنوعی تصمیم بگیرد که در مرحله بعد چه کاری انجام دهد: عوامل ساختمانی
4. Let the AI Decide What to Do Next: Building Agents
مقدمه ای بر چارچوب عامل ReAct
Introduction to the ReAct agent framework
راه حل: نقاط قوت و ضعف LangChain و LlamaIndex
Solution: LangChain and LlamaIndex strengths and weaknesses
پیاده سازی یک عامل ReAct
Implementing a ReAct agent
چالش: نقاط قوت و ضعف LangChain و LlamaIndex
Challenge: LangChain and LlamaIndex strengths and weaknesses
نتیجه
Conclusion
مراحل بعدی برای مهندسان اپلیکیشن هوش مصنوعی
Next steps for AI app engineers
نمایش نظرات