آموزش استقرار مدل‌های زبانی بزرگ (LLM) متن‌باز - آخرین آپدیت

دانلود Deploying Open-source LLMs

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: استقرار مدل‌های زبانی بزرگ (LLM) متن‌باز می‌تواند فرصت‌های قدرتمندی ایجاد کند، اما بسیاری از متخصصان در انتخاب استراتژی مناسب، راه‌اندازی محیط فنی و بهینه‌سازی برای محیط عملیاتی (Production) با چالش روبرو هستند. در این دوره آموزشی، «استقرار مدل‌های زبانی بزرگ متن‌باز»، شما مهارت‌های لازم برای انتقال با اعتمادبه‌نفس یک مدل LLM از مرحله انتخاب تا استقرار نهایی را خواهید آموخت. در ابتدا، بررسی خواهید کرد که چگونه استراتژی‌های استقرار را با نیازهای سازمانی مانند تأخیر (Latency)، حریم خصوصی و بودجه مطابقت دهید و نحوه راه‌اندازی فریم‌ورک‌های سرویس‌دهی (Serving Frameworks) را تمرین می‌کنید. سپس، یاد می‌گیرید که چگونه محیط فنی را برای بهره‌وری حداکثری پیکربندی کنید؛ این شامل درک نیازمندی‌های سخت‌افزاری، اعمال کوانتیزاسیون مدل (Model Quantization) و اندازه مناسب زیرساخت‌ها است. در نهایت، متوجه خواهید شد که چگونه استقرار LLM را برای محیط عملیاتی بهینه و مانیتور کنید، تکنیک‌های کاهش هزینه را به کار ببرید، فرآیندهای بازگشت (Rollback) را اجرا کرده و نقاط اتصال (Endpoints) را ایمن سازید. پس از پایان این دوره، شما دانش و تجربه عملی لازم برای استقرار مدل‌های LLM متن‌باز در محیط‌هایی که تعادلی بین عملکرد، هزینه و امنیت برقرار می‌کنند را کسب خواهید کرد.

سرفصل ها و درس ها

انتخاب و پیکربندی استراتژی‌های استقرار Selecting and Configuring Deployment Strategies

  • معرفی دوره Course Introduction

  • تطبیق استقرار با محدودیت‌ها Matching Deployment to Constraints

  • فریم‌ورک‌های سرویس‌دهی Serving Frameworks

  • دمو: استقرار محلی اپلیکیشن Ollama Demo: Deploying Ollama App Locally

  • دمو: استقرار اپلیکیشن Ollama روی ابر AWS Demo: Deploying Ollama App on AWS Cloud

  • کانتینری‌سازی و ارکستراسیون Containerization and Orchestration

راه‌اندازی محیط فنی Setting up the Technical Environment

  • نیازمندی‌های سخت‌افزاری Hardware Requirements

  • دمو: مصرف منابع در مقابل اندازه مدل در کامپیوتر شخصی Demo: Resource Usage vs. Model Size on Local PC

  • دمو: مصرف منابع در مقابل اندازه مدل در ابر AWS Demo: Resource Usage vs. Model Size on AWS Cloud

  • کوانتیزاسیون مدل Model Quantization

  • دمو: اعمال کوانتیزاسیون برای کاهش مصرف منابع Demo: Applying Quantization to Reduce Resource Use

  • تعیین اندازه مناسب زیرساخت Right-sizing Infrastructure

  • دمو: تنظیمات پیکربندی Demo: Adjusting Configuration Settings

بهینه‌سازی و مانیتورینگ برای محیط عملیاتی Optimizing and Monitoring for Production

  • تکنیک‌های بهینه‌سازی Optimization Techniques

  • دمو: بنچ‌مارک تأخیر و نرخ انتقال داده Demo: Benchmarking Latency and Throughput

  • پشتیبان‌گیری، بازیابی و بازگشت (Rollback) Backup, Recovery, and Rollback

  • دمو: بازگشت به نسخه قبلی مدل Demo: Rolling Back to a Previous Model Version

  • بهترین روش‌های امنیتی: ایمن‌سازی نقاط اتصال مدل و دسترسی API Security Best Practices: Securing Model Endpoints and API Access

  • دمو: افزودن احراز هویت پایه با API Key Demo: Adding Basic API Key Authentication

نمایش نظرات

آموزش استقرار مدل‌های زبانی بزرگ (LLM) متن‌باز
جزییات دوره
1h 16m
19
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
7
از 5
دارد
دارد
دارد
Navid Tauhid
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Navid Tauhid Navid Tauhid

نویدوت توحید مشاور یکپارچه ارتباطات و همکاری، متخصص مرکز تماس و معمار با بیش از 15 سال تجربه در صنعت است. او پروژه های متعدد UC سازمانی در مقیاس بزرگ را برای بسیاری از شرکت های چندملیتی مستقر، نگهداری و عیب یابی کرده است. او همچنین به هزاران دانش آموز فناوری اطلاعات در سراسر جهان در مورد محصولات مختلف ارتباطات یکپارچه آموزش داده است و به آنها کمک کرده تا بهترین های فنی خود را داشته باشند. او دارای گواهینامه CCIE Collaboration Written، CCNP Collaboration، Voicemail و مرکز تماس و متخصص مسیریابی و سوئیچینگ CCNA است. او همچنین یک معمار راه حل دارای گواهی Azure و AWS Cloud است. او مشتاق یادگیری فن آوری های جدید است و عاشق به اشتراک گذاری دانش است.