آموزش ساخت اپلیکیشن‌های هوش مصنوعی محلی با Ollama، پایتون و Streamlit - آخرین آپدیت

سرفصل ها و درس ها

روز اول —مبانی هوش مصنوعی محلی با Ollama Day 1 — Local AI Foundations with Ollama

• دمو: دستیار محلی عملیات کارخانه Demo: Local Factory Operations Assistant

• هوش مصنوعی محلی در مقابل هوش مصنوعی ابری Local AI versus cloud-based AI

• نصب Ollama و مدیریت مدل‌های محلی Installing Ollama and managing local models

• اتصال برنامه‌های پایتون به Ollama Connecting Python applications to Ollama

• طراحی پرامپت، دستورالعمل‌های سیستمی و پارامترهای مدل Prompt design, system instructions, and model parameters

• ساخت رابط‌های کاربری پایه هوش مصنوعی با Streamlit Building basic Streamlit AI interfaces

• آزمایش عملی: دستیار محلی عملیات کارخانه Hands-on Lab: Local Factory Operations Assistant

روز دوم —هوش مصنوعی گفتگو-محور و حافظه Day 2 — Conversational AI and Memory

• دمو: چت‌بات خصوصی خدمات مهمان هتل Demo: Private Hotel Guest-Service Chatbot

• پیام‌های سیستمی، کاربر و دستیار System, user, and assistant messages

• مدیریت گفتگوهای چندمرحله‌ای Multi-turn conversation management

• وضعیت نشست (Session State) در Streamlit Streamlit session state

• شخصیت‌های چت‌بات و رفتار پاسخ‌دهی Chatbot personas and response behavior

• ذخیره، بازنشانی و خروجی گرفتن از گفتگوها Saving, resetting, and exporting conversations

• آزمایش عملی: چت‌بات خصوصی خدمات مهمان هتل Hands-on Lab: Private Hotel Guest-Service Chatbot

روز سوم —پردازش اسناد و جستجوی معنایی Day 3 — Document Processing and Semantic Search

• دمو: یافت‌کننده بندهای قراردادهای حقوقی Demo: Legal Contract Clause Finder

• استخراج متن از اسناد PDF و متنی Extracting text from PDF and text documents

• پاکسازی و آماده‌سازی محتوای اسناد Cleaning and preparing document content

• استراتژی‌های تکه‌تکه سازی (Chunking) و مدیریت متاداده‌ها Chunking strategies and metadata management

• Embeddingهای محلی و شباهت معنایی Local embeddings and semantic similarity

• ذخیره و جستجوی اسناد با ChromaDB Storing and searching documents with ChromaDB

• آزمایش عملی: یافت‌کننده بندهای قراردادهای حقوقی Hands-on Lab: Legal Contract Clause Finder

روز چهارم —تولید محتوای تقویت‌شده با بازیابی (RAG) و پرسش و پاسخ اسناد Day 4 — Retrieval-Augmented Generation and Document Q&A

• درک خط لوله تولید محتوای تقویت‌شده با بازیابی (RAG) Understanding the Retrieval-Augmented Generation pipeline

• بازیابی تکه‌های مرتبط از اسناد Retrieving relevant document chunks

• ساخت پرامپت‌های مستند و مبتنی بر منبع Constructing grounded prompts

• تولید پاسخ‌ها همراه با ارجاعات Generating answers with citations

• کاهش توهمات و مدیریت سوالات بدون پاسخ در اسناد Reducing hallucinations and handling unsupported questions

• آزمایش عملی: دستیار خصوصی تطبیق بانکی Hands-on Lab: Private Banking Compliance Assistant

روز پنجم —خروجی‌های ساختاریافته هوش مصنوعی و اپلیکیشن‌های یادگیری Day 5 — Structured AI Outputs and Learning Applications

• طراحی قالب‌های پرامپت قابل استفاده مجدد Designing reusable prompt templates

• تولید خروجی‌های ساختاریافته JSON Generating structured JSON outputs

• خلاصه‌سازی و توضیح مفاهیم Summarization and concept explanation

• تولید فلش‌کارت و کوییز Flashcard and quiz generation

• ردیابی امتیازات، پیشرفت و تاریخچه یادگیری Tracking scores, progress, and learning history

• آزمایش عملی: دستیار آموزش تکنسین هواپیما Hands-on Lab: Aircraft Technician Training Assistant

روز ششم —هوش مصنوعی ابزار-محور و گردش‌کارهای پژوهشی Day 6 — Tool-Using AI and Research Workflows

• ایجاد ابزارهای پایتونی برای اپلیکیشن‌های هوش مصنوعی Creating Python tools for AI applications

• تقسیم سوالات پیچیده به وظایف پژوهشی Breaking complex questions into research tasks

• جستجو و بازیابی اطلاعات از منابع متعدد Searching and retrieving information from multiple sources

• سازماندهی شواهد و ردیابی منابع Organizing evidence and tracking references

• تولید گزارش‌های پژوهشی ساختاریافته Generating structured research reports

• آزمایش عملی: دستیار محلی پژوهش دارویی Hands-on Lab: Local Drug Research Assistant

روز هفتم —اپلیکیشن‌های هوش مصنوعی محلی آماده تولید Day 7 — Production-Ready Local AI Applications

• ساختاربندی اپلیکیشن‌های چندصفحه‌ای Streamlit Structuring multi-page Streamlit applications

• پیکربندی، کشینگ و بهینه‌سازی عملکرد Configuration, caching, and performance optimization

• لاگینگ، اعتبارسنجی و مدیریت خطاها Logging, validation, and error handling

• ارزیابی کیفیت بازیابی و پاسخ‌های هوش مصنوعی Evaluating retrieval quality and AI responses

• مدیریت مدل‌ها، اسناد، کاربران و ایندکس‌های برداری Managing models, documents, users, and vector indexes

• آزمایش عملی: مرکز کنترل هوش مصنوعی عملیات خرده‌فروشی Hands-on Lab: Retail Operations AI Control Center