آموزش تسلط بر مهندسی استقرار پیشرو (Certified Forward Deployed Engineer) - آخرین آپدیت

دانلود Certified Forward Deployed Engineer Mastery

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: سیستم‌های هوش مصنوعی آماده مشتری را از مرحله شناسایی تا تولید بسازید، مستقر کنید و تحویل دهید درک نقش، مسئولیت‌ها، مسیرهای شغلی و کارهای روزمره یک مهندس استقرار پیشرو (FDE) تبدیل مشکلات مشتری، جریان‌های کاری تجاری و نیازهای ذینفعان به الزامات فنی شفاف ساخت برنامه‌های کاربردی عملی با استفاده از Python، TypeScript، JavaScript، APIها، SQL و متدهای مدرن مهندسی نرم‌افزار طراحی معماری‌های نرم‌افزاری ماژولار، قابل اعتماد و مقیاس‌پذیر برای راهکارهای مشتری‌محور ساخت و استقرار برنامه‌های AI آماده تولید، سیستم‌های RAG و جریان‌های کاری عامل‌محور (Agentic) کار با مدل‌های زبانی بزرگ (LLM)، Embeddingها، پایگاه‌های داده برداری، جستجوی معنایی و مهندسی پرامپت طراحی عوامل هوش مصنوعی (AI Agents) که از ابزارها، حافظه، برنامه‌ریزی، ارکستراسیون، نرده‌های حفاظتی (Guardrails) و تاییدات انسانی استفاده می‌کنند یکپارچه‌سازی برنامه‌های AI با پایگاه‌های داده سازمانی، APIها، سیستم‌های CRM، سیستم‌های ERP، ابزارهای تیکتینگ و وب‌هوک‌ها به‌کارگیری مفاهیم ابری، کانتینرها، مدیریت محیط، CI/CD، مانیتورینگ، لاگ‌گیری و قابلیت مشاهده (Observability) شناسایی و کاهش ریسک‌های مربوط به امنیت، حریم خصوصی، تزریق پرامپت (Prompt Injection)، کنترل دسترسی و هوش مصنوعی مسئولانه ایجاد طرح‌های تست، مجموعه‌داده‌های ارزیابی، معیارهای موفقیت و بررسی‌های کیفی برای برنامه‌های مبتنی بر AI انجام تماس‌های شناسایی مشتری، مصاحبه با ذینفعان، جمع‌آوری الزامات و تعیین محدوده فنی ایجاد نمودارهای معماری، اسناد طراحی، نقشه‌های راه پیاده‌سازی و پیشنهادهای آماده برای مشتری ارائه دموهای فنی شفاف، ارائه‌های مدیریتی، به‌روزرسانی‌های وضعیت و گزارش‌های ذینفعان عیب‌یابی مشکلات محیط تولید با استفاده از لاگ‌ها، داده‌های مانیتورینگ، تحلیل ریشه خطا (RCA)، استراتژی‌های بازگشت (Rollback) و بازیابی مدیریت ابهامات، تغییر الزامات، ریسک‌های تحویل، حلقه‌های بازخورد و انتظارات مشتری ساخت یک سیستم کامل AI آماده مشتری از شناسایی و معماری تا استقرار و نمایش نهایی ایجاد یک پروژه نهایی (Capstone) آماده برای پورتفولیو جهت ارائه در مصاحبه‌های FDE، مهندسی AI و مهندسی راهکار پیشنیازها: آشنایی اولیه با کامپیوتر، نرم‌افزارها و مدیریت فایل‌ها و پوشه‌ها اشتیاق به یادگیری برنامه‌نویسی، معماری نرم‌افزار، سیستم‌های AI و مهندسی مشتری‌محور دانش پایه پایتون مفید است، اما مفاهیم سطح مبتدی در طول دوره مرور می‌شوند تجربه قبلی در JavaScript، TypeScript، SQL، APIها، پلتفرم‌های ابری یا AI مفید است اما الزامی نیست به هیچ تجربه قبلی به عنوان مهندس استقرار پیشرو نیاز نیست به پیش‌زمینه ریاضیات پیشرفته یا یادگیری ماشین نیازی نیست کامپیوتری با قابلیت اجرای پایتون، یک ویرایشگر کد و ابزارهای توسعه رایج دسترسی به اینترنت برای نصب نرم‌افزارها، دسترسی به مستندات و کار با سرویس‌های AI یا ابری استفاده از یک ویرایشگر کد مدرن مانند Visual Studio Code توصیه می‌شود دسترسی به GitHub برای همکاری و توسعه پورتفولیو توصیه می‌شود کنجکاوی، توانایی حل مسئله و راحتی در مواجهه با چالش‌های فنی دنیای واقعی تمایل به ارتباط با ذینفعان فنی و غیرفنی تمامی مفاهیم اصلی گام به گام معرفی می‌شوند تا دوره برای مبتدیان مشتاق قابل دسترسی باشد

این دوره شامل استفاده از هوش مصنوعی است.

تسلط بر مهندسی استقرار پیشرویک دوره کاربردی و شغلی است که برای کمک به شما در جهت ساخت مهارت‌های فنی، مشتری‌محور و حل مسئله طراحی شده تا به عنوان یک مهندس استقرار پیشرویا FDEمدرن موفق شوید.

مهندسان استقرار پیشرو در نقطه تلاقی مهندسی نرم‌افزار، هوش مصنوعی، معماری راهکارو تحویل مشتریفعالیت می‌کنند. آن‌ها مستقیماً با مشتریان کار می‌کنند تا مشکلات پیچیده تجاری را درک کنند، راهکارهای فنی کاربردی طراحی کنند، نمونه‌های اولیه بسازند، سیستم‌های سازمانی را یکپارچه کنند و برنامه‌ها را از مفهوم به تولید برسانند. این دوره شما را برای این مسیر کامل آماده می‌کند.

شما با درک نقش مهندس استقرار پیشرو، جایگاه آن در تیم‌های مدرن AI و محصول، و تفاوت آن با نقش‌هایی مانند مهندس راهکار، مهندس محصول، مهندس نرم‌افزارو مشاور فنیشروع خواهید کرد. سپس پایه‌های مهندسی قوی در Python، TypeScript، JavaScript، Git، GitHub، API، HTTP، SQL، تست و دیباگینگ را توسعه می‌دهید.

این دوره مفاهیم ضروری در معماری نرم‌افزار، از جمله طراحی سیستم‌های ماژولار، مرزهای سرویس، رابط‌ها، مدیریت وضعیت، پیام‌رسانی، قابلیت اطمینان و مدیریت خطا را معرفی می‌کند. همچنین رایانش ابری، Docker، پایپ‌لاین‌های CI/CD، مدیریت محیط، Secretها، پیکربندی، استقرار، مانیتورینگ و مشاهده‌پذیری را بررسی خواهید کرد.

تمرکز اصلی دوره بر ساخت برنامه‌های AIآماده تولید است. شما مبانی مدل‌های زبانی بزرگ، مهندسی پرامپت، Embeddingها، جستجوی معنایی، پایگاه‌های داده برداریو تولید تقویت شده با بازیابی (RAG)را می‌آموزید. همچنین سیستم‌های AI عامل‌محوررا با استفاده از فراخوانی ابزار، فراخوانی تابع، برنامه‌ریزی، حافظه، ارکستراسیون جریان کاری، الگوهای چند-عاملی، Guardrailها و ارزیابی طراحی و می‌سازید.

شما الگوهای برنامه‌های AI در دنیای واقعی، از جمله دستیارهای چت، سیستم‌های دانش سازمانی، اتوماسیون جریان کاری، پایپ‌لاین‌های پردازش سندو برنامه‌های انسان-در-حلقه (Human-in-the-loop)را بررسی می‌کنید. یاد می‌گیرید چگونه این برنامه‌ها را به پلتفرم‌های سازمانی مانند سیستم‌های CRM، ابزارهای ERP، سیستم‌های تیکتینگ، پایگاه‌های داده، APIهای داخلی، وب‌هوک‌ها و سرویس‌های رویداد-محور متصل کنید.

از آنجا که یک FDE باید بیش از نوشتن کد عمل کند، این دوره شناسایی مشتری، نقشه‌برداری ذینفعان، جمع‌آوری الزامات، چارچوب‌بندی مسئله، معیارهای موفقیت، تعیین محدوده فنی، ارزیابی ریسک، برنامه‌ریزی پروتوتایپ و نقشه‌های راه پیاده‌سازی را پوشش می‌دهد. یاد می‌گیرید چگونه نیازهای مشتری را به معماری تبدیل کنید و توازن‌ها (Trade-offs) را به طور شفاف برای مخاطبان فنی و مدیریتی بیان کنید.

مباحث تکمیلی شامل امنیت AI، حریم خصوصی داده‌ها، تزریق پرامپت، حاکمیت، انطباق، جریان‌های تایید، لاگ‌های حسابرسی، AI مسئولانه، ارزیابی مدل، تشخیص توهم (Hallucination)، مانیتورینگ تولید، پاسخ به حوادث، تحلیل ریشه خطا، استراتژی‌های بازگشت و تحلیل‌های پس از حادثه (Postmortems) است.

در طول دوره، شما داستان‌سرایی فنی، ارائه دمو، مستندسازی طراحی، گزارش‌دهی به ذینفعان، ارجاع مسائل و مدیریت انتظارات مشتری را تمرین خواهید کرد.

دوره با یک پروژه نهایی جامعبه پایان می‌رسد که در آن یک سناریوی مشتری را انتخاب می‌کنید، شناسایی را انجام می‌دهید، الزامات را تعریف می‌کنید، معماری را طراحی می‌کنید، راهکار را می‌سازید، سیستم‌های سازمانی را یکپارچه می‌کنید، عملکرد را ارزیابی می‌کنید، برنامه را ایمن می‌کنید و یک دموی نهایی آماده مشتری ارائه می‌دهید.

در پایان این دوره، شما دانش کاربردی، تجربه پورتفولیو و طرز فکر حرفه‌ای لازم برای طراحی، ساخت، استقرار و تحویل سیستم‌های AIدر دنیای واقعی را به عنوان یک مهندس استقرار پیشروموفق خواهید داشت.


سرفصل ها و درس ها

نقش مهندس استقرار پیشرو The Forward Deployed Engineer Role

  • یک مهندس استقرار پیشرو چه کاری انجام می‌دهد What a Forward Deployed Engineer Does

  • جایگاه FDE در تیم‌های مدرن AI Where FDE Fits in Modern AI Teams

  • مقایسه FDE با مهندس راهکار و مهندس محصول FDE vs Solutions Engineer vs Product Engineer

  • مسیرهای شغلی و انتظارات از FDE FDE Career Paths and Expectations

پایه‌های مهندسی Engineering Foundations

  • پایتون برای سیستم‌های کاربردی Python for Applied Systems

  • مبانی TypeScript و JavaScript TypeScript and JavaScript Fundamentals

  • گیت، گیت‌هاب و جریان‌های کاری همکاری Git, GitHub, and Collaboration Workflows

  • ضروریات تست و دیباگینگ Testing and Debugging Essentials

  • مبانی API و مفاهیم پایه HTTP API Fundamentals and HTTP Basics

  • مبانی SQL و مدیریت داده‌ها SQL and Data Handling Basics

مبانی معماری نرم‌افزار Software Architecture Basics

  • اصول طراحی سیستم System Design Principles

  • طراحی برنامه‌های ماژولار Modular Application Design

  • مرزهای سرویس و رابط‌ها Service Boundaries and Interfaces

  • وضعیت، رویدادها و پیام‌رسانی State, Events, and Messaging

  • مدیریت خطا و الگوهای قابلیت اطمینان Error Handling and Reliability Patterns

مبانی ابری و استقرار Cloud and Deployment Foundations

  • مفاهیم ابری برای FDEها Cloud Concepts for FDEs

  • کانتینرها و داکر Containers and Docker

  • پایپ‌لاین‌های CI/CD CI/CD Pipelines

  • مدیریت محیط (Environment Management) Environment Management

  • Secretها و پیکربندی Secrets and Configuration

  • مبانی مشاهده‌پذیری (Observability) Observability Basics

پایه‌های داده Data Foundations

  • انواع و منابع داده‌های سازمانی Enterprise Data Types and Sources

  • مدلسازی داده برای برنامه‌های AI Data Modeling for AI Apps

  • پایگاه‌های داده برداری و جستجو Vector Databases and Search

  • کیفیت و حاکمیت داده‌ها Data Quality and Governance

  • دسترسی و مجوزهای داده Data Access and Permissions

مبانی کاربردی هوش مصنوعی Applied AI Fundamentals

  • مفاهیم و قابلیت‌های LLM LLM Concepts and Capabilities

  • مبانی مهندسی پرامپت Prompt Engineering Basics

  • Embeddingها و جستجوی معنایی Embeddings and Semantic Search

  • تولید تقویت شده با بازیابی (RAG) Retrieval-Augmented Generation

  • انتخاب مدل و تحلیل توازن‌ها Model Selection and Tradeoffs

  • ایمنی AI و حالت‌های شکست AI Safety and Failure Modes

سیستم‌های عامل‌محور (Agentic) Agentic Systems

  • مبانی معماری عامل‌ها (Agents) Agent Architecture Fundamentals

  • استفاده از ابزار و فراخوانی تابع Tool Use and Function Calling

  • الگوهای چند-عاملی Multi-Agent Patterns

  • برنامه‌ریزی و حافظه Planning and Memory

  • ارکستراسیون جریان کاری Workflow Orchestration

  • ارزیابی عامل‌ها و نرده‌های حفاظتی Agent Evaluation and Guardrails

ساخت برنامه‌های AI Building AI Applications

  • برنامه‌های چت و دستیارها Chat Applications and Assistants

  • سیستم‌های دانش داخلی Internal Knowledge Systems

  • موردهای کاربردی اتوماسیون جریان کاری Workflow Automation Use Cases

  • پایپ‌لاین‌های پردازش سند Document Processing Pipelines

  • طراحی انسان-در-حلقه Human-in-the-Loop Design

  • الگوهای UX برای محصولات AI UX Patterns for AI Products

یکپارچه‌سازی سازمانی Enterprise Integration

  • مدیریت هویت و دسترسی (IAM) Identity and Access Management

  • اتصال به سیستم‌های سازمانی Connecting to Enterprise Systems

  • یکپارچه‌سازی CRM، ERP و تیکتینگ CRM, ERP, and Ticketing Integrations

  • وب‌هوک‌ها و جریان‌های رویداد-محور Webhooks and Event-Driven Flows

  • لاگ‌های حسابرسی و قابلیت ردیابی Audit Logging and Traceability

  • محدودیت‌های استقرار سازمانی Enterprise Deployment Constraints

امنیت و حاکمیت Security and Governance

  • اصول امنیتی برای تحویل AI Security Principles for AI Delivery

  • حریم خصوصی داده‌ها و انطباق Data Privacy and Compliance

  • ریسک‌های تزریق پرامپت و سوءاستفاده Prompt Injection and Abuse Risks

  • حاکمیت و کنترل‌های مدل Model Governance and Controls

  • اجرای سیاست‌ها و جریان‌های تایید Policy Enforcement and Approval Flows

  • تیم‌های هوش مصنوعی مسئولانه Responsible AI Practices

ارزیابی و کیفیت Evaluation and Quality

  • تعریف معیارهای موفقیت Defining Success Metrics

  • ارزیابی آفلاین و آنلاین Offline and Online Evaluation

  • الگوهای LLM به عنوان داور LLM-as-a-Judge Patterns

  • مجموعه‌های تست و داده‌های طلایی Test Sets and Golden Data

  • تشخیص توهم (Hallucination) Hallucination Detection

  • مانیتورینگ کیفیت در محیط تولید Monitoring Quality in Production

شناسایی مشتری Customer Discovery

  • ساختار تماس‌های شناسایی Discovery Call Structure

  • چارچوب‌بندی مسئله و تحلیل نیازها Problem Framing and Needs Analysis

  • نقشه‌برداری ذینفعان Stakeholder Mapping

  • جمع‌آوری الزامات Requirements Gathering

  • تعریف معیارهای موفقیت Success Criteria Definition

  • تعیین محدوده و اولویت‌بندی Scoping and Prioritization

طراحی راهکار Solution Design

  • تبدیل نیازها به معماری Translating Needs into Architecture

  • برنامه‌ریزی پروتوتایپ Prototype Planning

  • تصمیم‌گیری بین ساخت یا خرید Build vs Buy Decisions

  • ارزیابی ریسک Risk Assessment

  • نقشه‌های راه پیاده‌سازی Implementation Roadmaps

  • استراتژی دمو و پایلوت Demo and Pilot Strategy

تحویل و اجرا Delivery and Execution

  • تحویل چابک (Agile) برای کارهای مشتری Agile Delivery for Customer Work

  • مدیریت ابهامات Managing Ambiguity

  • چرخه‌های تکرار شونده ساخت و یادگیری Iterative Build-and-Learn Cycles

  • حلقه‌های بازخورد و بهینه‌سازی Feedback Loops and Refinement

  • تریاژ مسائل و ارجاع Issue Triage and Escalation

  • آمادگی برای لانچ Launch Readiness

ارتباطات میدانی Field Communication

  • ارتباطات مدیریتی Executive Communication

  • داستان‌سرایی فنی Technical Storytelling

  • ارائه دمو Demo Delivery

  • نوشتن اسناد طراحی Writing Design Docs

  • به‌روزرسانی وضعیت و گزارش‌دهی به ذینفعان Status Updates and Stakeholder Reporting

  • مدیریت اعتراضات و توازن‌ها Handling Objections and Tradeoffs

عیب‌یابی و پشتیبانی Troubleshooting and Support

  • دیباگ کردن مشکلات تولید Debugging Production Issues

  • تحلیل لاگ‌ها و تحلیل ریشه خطا (RCA) Log Analysis and Root Cause Analysis

  • مبانی پاسخ به حوادث Incident Response Basics

  • بهینه‌سازی عملکرد Performance Tuning

  • بازگشت (Rollback) و بازیابی Rollback and Recovery

  • تحلیل‌های پس از حادثه و درس‌های آموخته شده Postmortems and Lessons Learned

مدل عملیاتی حرفه‌ای Professional Operating Model

  • همکاری با تیم‌های محصول و فروش Working with Product and Sales

  • مدیریت انتظارات مشتری Managing Customer Expectations

  • مدیریت زمان در محیط میدانی Time Management in the Field

  • سیستم‌های عملیاتی شخصی Personal Operating Systems

  • عادات مستندسازی Documentation Habits

  • رشد شغلی به عنوان FDE Career Growth as an FDE

پروژه نهایی Capstone Project

  • انتخاب سناریوی مشتری Customer Scenario Selection

  • سند شناسایی و تعیین محدوده Discovery and Scoping Document

  • معماری و طراحی سیستم Architecture and System Design

  • ساخت و یکپارچه‌سازی Build and Integration

  • ارزیابی و ایمن‌سازی Evaluation and Hardening

  • دموی نهایی و دفاع از پروژه Final Demo and Defense

نمایش نظرات

آموزش تسلط بر مهندسی استقرار پیشرو (Certified Forward Deployed Engineer)
جزییات دوره
4 hours
104
(آخرین آپدیت)
1,243
2.5 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

School of AI School of AI

Arjun Vaid Arjun Vaid

مهندس نرم‌افزار و مدرس طراحی کاربردی محصول