آموزش هوش مصنوعی مولد AWS: RAG، ایجنت‌های هوش مصنوعی و هوش مصنوعی مسئولانه - آخرین آپدیت

RAG، پایگاه‌های داده برداری، ایجنت‌ها و مهندسی پرامپت RAG, Vector Databases, Agents, Prompt Engineering

• ملاحظات طراحی برای برنامه‌های مدل پایه Design considerations for Foundation Model Applications

• مدل‌های چندزبانه Multilingual Models

• معیارهای عملکرد و RAG Performance Metrics and RAG

• ذخیره‌سازی Embeddingها در پایگاه‌های داده برداری Storing Embeddings in Vector Databases

• انتخاب مدل‌های پیش‌آموزش‌دیده Selecting Pre-Trained Models

• استقرار مدل‌های پایه: توضیح‌پذیری، حریم خصوصی و محدودیت‌های سخت‌افزاری Deploying Foundation Models: Explainability, Privacy, and Hardware Constraints

• پارامترهای استنتاج و اثرات آن‌ها Inference Parameters and Their Effects

• پارامترهای استنتاج: دما (Temperature) Inference Parameters: Temperatures

• Amazon Bedrock و پارامترهای استنتاج Amazon Bedrock and Inference Parameters

• تولید تقویت‌شده با بازیابی (RAG) و کاربردهای آن Retrieval Augmented Generation (RAG) and its uses

• تولید تقویت‌شده با بازیابی (RAG): کاربردهای تجاری، پیاده‌سازی و چالش‌ها Retrieval-Augmented Generation (RAG): Business Applications, Implementation, and Challenges

• پایگاه‌های داده برداری در AWS Vector Databases on AWS

• جستجوی برداری و جریان‌های کاری RAG در AWS Vector Search and RAG Workflows on AWS

• رویکردهای سفارشی‌سازی مدل‌های پایه Foundation Model Customization Approaches

• تولید تقویت‌شده با بازیابی (RAG) Retrieval-Augmented Generation (RAG)

• ایجنت‌ها برای وظایف چندمرحله‌ای Agents for Multi-step tasks

• ایجنت‌های هوش مصنوعی: مزایا، ریسک‌ها و کاربردهای نوظهور AI Agents: Benefits, Risks, and Emerging Applications

• تکنیک‌های مهندسی پرامپت و بهترین شیوه‌ها Prompt Engineering Techniques and Best Practices

• انواع پرامپت‌ها Types of Prompts

• قالب‌های پرامپت Prompt Templates

• مهندسی پرامپت Prompt Engineering

• فرآیند آموزش و Fine-tuning برای مدل‌های پایه Training and Fine-tuning Process for Foundation Models

• فرآیند Fine-tuning مدل‌های پایه: آماده‌سازی داده‌ها، آموزش و ارزیابی با AWS Fine-Tuning Process for Foundation Models: Data Preparation, Training, and Evaluation with AWS

• ارزیابی عملکرد مدل‌های پایه Evaluating Foundation Model Performance

• بنچ‌مارکینگ LLM LLM Benchmarking

کاهش سوگیری، توضیح‌پذیری و طراحی انسان‌محور Bias Mitigation, Explainability, Human-Centered Design

• ویژگی‌های هوش مصنوعی مسئولانه Features of Responsible AI

• هوش مصنوعی مسئولانه: توضیح‌پذیری، عدالت، سوگیری، استحکام، حریم خصوصی و حاکمیت Responsible AI: Explainability, Fairness, Bias, Robustness, Privacy and Governance

• ابزارهای شناسایی ویژگی‌های هوش مصنوعی مسئولانه Tools for Identifying Responsible AI Features

• ابزارهای شناسایی ویژگی‌های هوش مصنوعی مسئولانه (بخش دوم) Tools for Identifying Responsible AI Features Part-2

• شیوه‌های مسئولانه در انتخاب مدل Responsible Model Selection Practices

• انتخاب مدل بر اساس عملکرد Choosing a Model Based on Performance

• ریسک‌های قانونی در هوش مصنوعی مولد Legal Risks in Generative AI

• ویژگی‌های مجموعه داده و سوگیری Dataset Characteristics and Bias

• سازماندهی داده‌ها برای ایجاد مجموعه‌ داده‌های متوازن Data Curation for Balanced Datasets

• مدل‌های شفاف و توضیح‌پذیر Transparent and Explainable Models

• هوش مصنوعی انسان‌محور و مسئولانه با ابزارهای AWS Human-Centered and Responsible AI with AWS Tools

• طراحی انسان‌محور برای هوش مصنوعی توضیح‌پذیر Human-centered Design for Explainable AI

پروژه نهایی: دستیار دانش هوش مصنوعی چندوجهی Capstone Project: Multimodal AI Knowledge Assistant