لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
ساخت عاملهای هوش مصنوعی End-to-End واقعی با استفاده از AWS Bedrock [آموزشی]
- آخرین آپدیت
دانلود Build Real world End-to-End AI Agents using AWS Bedrock [Video]
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
در این دوره عملی، به دنیای توسعه عاملهای هوش مصنوعی (AI Agents) با AWS Bedrock عمیق شوید. ابتدا با مفاهیم ضروری مدلهای زبانی بزرگ (LLMs)، هوش مصنوعی عاملمحور (Agentic AI) و ادغام دادههای چندوجهی آشنا میشوید. با استفاده از قابلیتهای قدرتمند AWS Bedrock، یاد میگیرید که اپلیکیشنهای مبتنی بر هوش مصنوعی را طراحی، مستقر و مقیاسپذیر کنید تا در صنایع مختلف بهینهترین عملکرد را داشته باشند.
این دوره شما را گامبهگام در فرآیند ساخت و استقرار برنامههای واقعی راهنمایی میکند و با دانش بنیادی ابزارهایی مانند Docker، AWS CLI و Boto3 شروع میشود. شما جریانهای کاری (Workflows) پویا را با ترکیب منابع داده ساختاریافته و بدون ساختار مانند DynamoDB و Redshift ایجاد خواهید کرد. در ادامه، در طراحی عاملهای خودمختاری که قادر به همکاری و انجام مستقل وظایف هستند تخصص مییابید؛ ایدهآل برای کاربردهایی مانند چتباتها، مدیریت موجودی محصولات و موارد دیگر.
در پایان دوره، مهارتهای لازم برای کار با اکوسیستم کامل AWS Bedrock، از سیستمهای چند-عاملی تا توابع Lambda را کسب خواهید کرد که به شما امکان میدهد اپلیکیشنهای مقیاسپذیر AI را به راحتی بسازید. با آزمایشگاههای عملی و تکالیف، شما برای پیادهسازی راهکارهای مبتنی بر هوش مصنوعی و ارتقای مسیر شغلی خود در حوزه در حال رشد Generative AI کاملاً آماده خواهید بود.
- طراحی و پیادهسازی سیستمهای چند-عاملی برای انجام وظایف پیچیده
- ساخت و مدیریت پایگاههای دانش برای بازیابی و پردازش پیشرفته دادهها
- استقرار اپلیکیشنهای مقیاسپذیر AI با استفاده از کانتینرها و AWS ECS
- یکپارچهسازی و اتوماسیون جریانهای کاری با Bedrock Flows و توابع Lambda
- کار با منابع داده ساختاریافته و بدون ساختار مانند Redshift و DynamoDB
- کسب تخصص در مدیریت مکالمات چند-مرحلهای و ارکستراسیون عاملهای هوش مصنوعی
این دوره برای علاقهمندان به هوش مصنوعی، مهندسان نرمافزار، دانشمندان داده، معماران ابری و توسعهدهندگانی که به دنبال ساخت اپلیکیشنهای هوشمند با AWS Bedrock هستند، عالی است. برای کسانی که به دنبال تجربه عملی در سیستمهای Generative AI و راهکارهای چند-عاملی هستند ایدهآل است و نیازمند آشنایی با مفاهیم پایه برنامهنویسی (ترجیحاً پایتون) و درک ابتدایی از رایانش ابری است. تجربه کار با سرویسهای AWS مانند Lambda و DynamoDB مفید است اما اجباری نیست.
- یادگیری استقرار اپلیکیشنهای AI با کانتینرها در AWS ECS برای مقیاسپذیری
- بررسی سیستمهای چند-عاملی و همکاری آنها برای وظایف پیچیده
- کسب تجربه عملی از طریق آزمایشگاهها و تکالیف واقعی
سرفصل ها و درس ها
مقدمه دوره و پیشزمینه
Course Introduction & Background
مقدمه
Introduction
نقشهای نوظهور هوش مصنوعی در صنعت
Emerging AI Roles in the Industry
پیشنیازهای دوره (حتما تماشا کنید)
Course Prerequisites - Must Watch
مفاهیم بنیادی در اپلیکیشنهای مبتنی بر LLM و هوش مصنوعی
Fundamental Concepts in LLM-Driven Apps & AI
مروری بر معماری RAG
Overview of RAG Architecture
آشنایی با فراخوانی توابع (Function Calling) و ارکستراسیون
Introduction to Function Calling and Orchestration
هوش مصنوعی عاملمحور (Agentic AI) چیست؟
What is Agentic AI?
نصب نرمافزارهای مورد نیاز
Dependent Software Installation
ابزارها و فریمورکهای مورد نیاز برای نصب
Tools & Frameworks to be Installed
آزمایشگاه: نصب Docker و AWS CLI
Lab - Install Docker and AWS CLI
آشنایی با AWS Bedrock
Introduction to AWS Bedrock
مروری بر AWS Bedrock
Overview of AWS Bedrock
آزمایشگاه: گشتوگذار در کنسول Bedrock
Lab - Bedrock Console Walkthrough
آزمایشگاه: شروع کار با Python/Boto3 برای Bedrock
Lab - Getting Started with Python/Boto3 for Bedrock
آزمایشگاه: استقرار چتبات Streamlit به عنوان کانتینر Docker در AWS ECS
Lab - Deploy Streamlit Chatbot as Docker Container to AWS ECS
آزمایشگاه: فراخوانی مدلهای چندوجهی Bedrock با کتابخانه Python/Boto3
Lab - Invoke Bedrock's MultiModal LLMs Using Python/Boto3 Library
تکلیف: استقرار تولید تصویر با Stable Diffusion در AWS ECS
Assignment - Deploy Image Generation using Stable Diffusion to AWS ECS
کار با Bedrock KnowledgeBase به عنوان ذخیرهساز برداری (Vector Store)
Working with Bedrock KnowledgeBase as Vector Store
مروری بر AWS Bedrock KnowledgeBase
Overview of AWS Bedrock KnowledgeBase
آزمایشگاه: ساخت اولین پایگاه دانش برای پرسش و پاسخ (Q&A)
Lab - Create Your First KnowledgeBase for Q&A
آزمایشگاه: تست پایگاه دانش با استفاده از کنسول وب
Lab - Test Your KnowledgeBase Using Web Console
آزمایشگاه: فراخوانی پایگاه دانش با Python SDK و توابع Lambda از طریق API Gateway
Lab - Invoke KnowledgeBase with Python SDK & Lambda Functions Using API Gateway
آزمایشگاه: استقرار چتبات دستیار وام مسکن در AWS ECS
Lab - Deploy a Mortgage Assistant Chatbot to AWS ECS
آزمایشگاه: توسعه دستیار رزرو هتل با AWS Bedrock، Dynamo و توابع Lambda
Lab - Develop Hotel Booking Assistant with AWS Bedrock, Dynamo & Lambda Functions
مقدمهای بر مورد کاربردی
Introduction to the Use-Case
آزمایشگاه: استقرار توابع Lambda دستیار رزرو هتل
Lab - Deploy Hotel Booking Assistant Lambda Functions
آزمایشگاه: استقرار کامل دستیار رزرو هتل با استفاده از AWS ECS
Lab - Full Deployment of Hotel Booking Assistant Using AWS ECS
استفاده از Redshift به عنوان پایگاه دانش برای دادههای ساختاریافته
Redshift as a KnowledgeBase for Structured Data
مقدمهای بر منابع داده ساختاریافته برای پایگاه دانش
Introduction to Structured Data Source for KnowledgeBase
آزمایشگاه: تنظیم Redshift Serverless برای لیست اجاره آپارتمان
Lab - Setup Redshift Serverless for Rental Apartment Listings
آزمایشگاه: تنظیم پایگاه دانش با منبع داده Redshift
Lab - Setup KnowledgeBase with Redshift Data Source
آزمایشگاه: تنظیم عاملهای دستیار اجاره با استفاده از Bedrock
Lab - Setup Rental Assistant Agents Using Bedrock
نکات مهم پیش از استفاده از Redshift با Bedrock KnowledgeBase
Remember This Before Using Redshift with Bedrock KnowledgeBase
تکلیف: استقرار توابع Lambda برای کوئری زدن به Redshift برای عاملهای Bedrock
Lab - Assignment | Deploy Lambda Functions to Query Redshift for Bedrock Agents
جریانهای کاری برای اپلیکیشنهای Generative AI با استفاده از Bedrock Flows
Workflows for Generative AI Apps Using Bedrock Flows
مقدمهای بر Bedrock Flows
Introduction to Bedrock Flows
آزمایشگاه: ساخت اولین جریان کاری برای بازخوردهای کاربران در فروشگاههای آنلاین
Lab - Build Your First Workflow for User Feedback for Ecommerce Stores
آزمایشگاه: یکپارچهسازی Bedrock KnowledgeBase با Flows برای پاسخهای قابل اعتماد
Lab - Integrate Bedrock KnowledgeBase with Flows for Reliable Responses
مقدمهای بر مکالمات چند-مرحلهای (Multi-turn)
Introduction to Multi-turn Conversations
آزمایشگاه: استقرار عاملها با Bedrock Flows (بخش اول)
Lab - Deploy Agents with Bedrock Flows | Part 1
آزمایشگاه: استقرار عاملها با Bedrock Flows (بخش دوم)
Lab - Deploy Agents with Bedrock Flows | Part 2
آزمایشگاه: فراخوانی Bedrock Flows با استفاده از Python/Boto3 SDK
Lab - Invoke Bedrock Flows Using Python/Boto3 SDK
Siddharth Raghunath یک مدیر مهندسی کسب و کار با تجربه گسترده در زمینه توسعه نرم افزار، پردازش توزیع شده و مهندسی داده های ابری است. او روی پلتفرمهای ابری مختلف مانند AWS و GCP و همچنین خوشههای Hadoop در محل کار کرده است. او سمینارهایی را در مورد پردازش توزیع شده با استفاده از Spark، جریان بیدرنگ و تجزیه و تحلیل، و بهترین شیوه ها برای ETL و حاکمیت داده برگزار می کند. او علاقه زیادی به کدنویسی و ایجاد خطوط لوله داده بهینه برای پردازش قوی داده ها و راه حل های جریان دارد.
نمایش نظرات