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

آموزش مقدمه ای بر ارکستراسیون هوش مصنوعی با LangChain و LlamaIndex
جزییات دوره
1h 27m
25
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
798
- از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar