آموزش حافظه، وضعیت و کاربردهای گفتگو-محور در LangChain - آخرین آپدیت

دانلود Memory, State, and Conversational Applications in LangChain

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: مدل‌های زبانی بزرگ (LLM) به دلیل ماهیت Stateless (بدون وضعیت)، در حفظ زمینه، ثبات و ارتباط در گفتگوهای طولانی دچار مشکل هستند که این امر منجر به فراموشی دستورالعمل‌ها، قطع شدن ارجاعات و افزایش هزینه‌های توکن می‌شود. در این دوره آموزشی با عنوان «حافظه، وضعیت و کاربردهای گفتگو-محور با LangChain»، شما توانایی طراحی سیستم‌های هوش مصنوعی گفتگو-محور و قدرتمندی را کسب خواهید کرد که می‌توانند به صورت منسجم در طول زمان استدلال کنند. ابتدا بررسی خواهید کرد که چرا LLMها ذاتاً بدون وضعیت هستند و چگونه لایه‌های صریح حافظه از طریق استراتژی‌های حافظه کوتاه‌مدت و بلندمدت، تداوم گفتگو را بازمی‌گردانند. سپس، نحوه عملکرد انتزاع‌های حافظه در LangChain، از جمله پیاده‌سازی‌های حافظه بافر (Buffer)، پنجره‌ای (Windowed)، خلاصه‌سازی شده (Summarized)، مبتنی بر موجودیت (Entity-based) و حافظه‌های مبتنی بر بردار (Vector-backed) و مزایا و معایب هر کدام را خواهید شناخت. در نهایت، یاد می‌گیرید چگونه برنامه‌های گفتگو-محور چندمرحله‌ای (Multi-turn) آماده تولید بسازید که پنجره‌های زمینه را مدیریت کرده، هزینه‌ها را کنترل نماید، وضعیت کاربر را ذخیره کند و ریسک‌هایی مانند انحراف زمینه (Context Drift)، نشت حریم خصوصی و پاسخ‌های متناقض را کاهش دهد. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم در مدیریت حافظه LLM و طراحی وضعیت گفتگو را خواهید داشت تا سیستم‌های هوش مصنوعی گفتگو-محورِ آگاه به حافظه را طراحی، ارزیابی و اجرا کنید که در کاربردهای واقعی به صورت قابل اطمینان مقیاس‌پذیر باشند.

سرفصل ها و درس ها

معماری فراموشی: مبانی حافظه The amnesia architecture: Memory fundamentals

  • بدون وضعیت بودن LLM و اثر فراموشی LLM statelessness and the amnesia effect

  • سلسله‌مراتب حافظه: کوتاه‌مدت در مقابل بلندمدت Memory hierarchy: Short-term vs. long-term

  • ConversationChain و بازسازی زمینه ConversationChain and context reconstruction

  • دمو: ConversationChain و بازسازی زمینه Demo: ConversationChain and context reconstruction

انواع و استراتژی‌های حافظه Memory types and strategies

  • حافظه تاکسونومیک و اکتشافی Taxonomy and Heuristic memory

  • دمو: حافظه تاکسونومیک و اکتشافی Demo: Taxonomy and Heuristic memory

  • خلاصه‌سازی و حافظه ترکیبی Summarization and hybrid memory

  • دمو: خلاصه‌سازی و حافظه ترکیبی Demo: Summarization and hybrid memory

  • حافظه موجودیتی و برداری Entity and vector memory

  • دمو: حافظه موجودیتی و برداری Demo: Entity and vector memory

پرتگاه توکن: هزینه‌ها و حاکمیت The token cliff: Costs and governance

  • محدودیت‌های پنجره زمینه و مشاهده‌پذیری توکن Context window limits and token observability

  • حافظه آگاه به توکن و اولویت‌بندی زمینه Token-aware memory and context prioritization

  • دمو: حافظه آگاه به توکن و اولویت‌بندی زمینه Demo: Token-aware memory and context prioritization

  • تعادل استراتژی‌ها و تصمیمات معماری Strategy trade-offs and architectural decisions

ساخت برنامه‌های گفتگو-محور چندمرحله‌ای Building multi-turn applications

  • بازیابی تقویت شده با حافظه و ذخیره‌سازی تاریخچه Memory-augmented retrieval and history storage

  • دمو: بازیابی تقویت شده با حافظه و ذخیره‌سازی تاریخچه Demo: Memory-augmented retrieval and history storage

  • مدیریت نشست (Session) و ماندگاری داده‌ها Session management and persistence

  • دمو: مدیریت نشست و ماندگاری داده‌ها Demo: Session management and persistence

  • جریان گفتگو و حل ارجاعات Conversation flow and reference resolution

  • دمو: جریان گفتگو و حل ارجاعات Demo: Conversation flow and reference resolution

  • لایه کنترل کاربر User control layer

ریسک‌ها، حاکمیت و مشاهده‌پذیری Risks, governance, and observability

  • بحران یکپارچگی The integrity crisis

  • موتور بهره‌وری The efficiency engine

نمایش نظرات

آموزش حافظه، وضعیت و کاربردهای گفتگو-محور در LangChain
جزییات دوره
1h 49m
23
(آخرین آپدیت)
2
از 5
دارد
دارد
دارد
Marc Harb
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Marc Harb Marc Harb

مارک یک دانشمند ارشد داده با پایه‌ای قوی در مهندسی ارتباطات و کامپیوتر است و مدرک کارشناسی ارشد در زمینه هوش مصنوعی و یادگیری عمیق را از یکی از دانشگاه‌های پیشرو فرانسه دریافت کرده است. مسیر شغلی او بر پایه اشتیاق عمیق به علوم داده و هوش مصنوعی است و تخصص فنی خود را با تفکر نوآورانه ترکیب می‌کند تا راهکارهای اثرگذاری ارائه دهد. او از پتانسیل تحول‌آفرین علوم داده و هوش مصنوعی برای انقلاب در صنایع و بهبود کیفیت زندگی الهام گرفته است. مارک متعهد به کشف بینش‌های معنادار، توسعه سیستم‌های هوشمند و خلق راهکارهای نوآورانه برای مقابله با چالش‌های دنیای واقعی است.