لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ارکستراسیون و مقیاسپذیری عاملهای هوش مصنوعی (AI Agents)
- آخرین آپدیت
دانلود AI Agent Orchestration and Scaling
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره به معرفی اصول و کاربردهای مدیریت (Orchestration) و مقیاسپذیری عاملهای هوش مصنوعی میپردازد و مفاهیم تئوری را با طراحی عملی سیستمها ترکیب میکند. شما یاد خواهید گرفت که چگونه چندین عامل هوش مصنوعی را که برای اجرای جریانهای کاری هوشمند و خودمختار با هم همکاری میکنند، هماهنگ، نظارت و بهینه کنید؛ با تمرکز ویژه بر ساخت راهکارهای مقیاسپذیر پشتیبانی مشتری مبتنی بر هوش مصنوعی.
از طریق درسهای ساختاریافته، پروژههای راهنما و نمایشهای عملی، نحوه هماهنگی تعاملات عاملها، تخصیص پویا وظایف و تضمین قابلیت اطمینان سیستم با افزایش پیچیدگی عاملها را بررسی خواهید کرد. شما با الگوهای ارکستراسیون و پروتکلهای ارتباطی کار خواهید کرد که به عاملهای هوش مصنوعی اجازه میدهد به صورت جمعی استدلال کنند، به ورودیهای کاربر پاسخ دهند و تصمیمگیریهای لحظهای (Real-time) را مدیریت کنند.
در پایان این دوره، شما قادر خواهید بود:
• چارچوبهای ارکستراسیون و استراتژیهای مقیاسپذیری برای سیستمهای عامل هوش مصنوعی را درک کنید.
• تکنیکهای هماهنگی و نظارت را برای جریانهای کاری عاملهای خودمختار پیادهسازی کنید.
• مدیریت وظایف، توازن بار (Load Balancing) و عملکرد را در محیطهای چند-عاملی بهینه کنید.
• عاملهای پشتیبانی مشتری مقیاسپذیر طراحی کنید که پرسشها را مدیریت کرده، رفتار خود را تطبیق دهند و با دریافت بازخورد بهبود یابند.
این دوره برای توسعهدهندگان هوش مصنوعی، دانشمندان داده و مهندسان اتوماسیون که میخواهند سیستمهای هوش مصنوعی آماده برای سطح سازمانی (Enterprise-ready) با کارایی بالا در مقیاس بزرگ بسازند، ایدهآل است.
داشتن دانش پایه در برنامهنویسی پایتون و تجربه قبلی در زمینه هوش مصنوعی یا یادگیری ماشین مفید خواهد بود اما الزامی نیست.
به ما بپیوندید تا کشف کنیم چگونه ارکستراسیون و مقیاسپذیری، عاملهای ساده هوش مصنوعی را به سیستمهای هوشمند و خودمختاری تبدیل میکند که قادر به مدیریت عملیات پیچیده در دنیای واقعی هستند.
سرفصل ها و درس ها
ورودیهای چندوجهی و ارکستراسیون حالتدار
Multimodal Inputs and Stateful Orchestration
مقدمه تخصصی
Specialization Introduction
مقدمه دوره
Course Introduction
گذار از همکاری دیجیتال به خودمختاری واقعی
The Shift from Digital Collaboration to True Autonomy
تسلط بر ابزار: تعریف حالت گراف و گرهها در LangGraph
Tool Mastery: LangGraph Defining the Graph State and Nodes
تمرین عملی: ایجاد اولین جریان LangGraph و اجرای آن
Hands-on: Creating the First LangGraph Flow and Executing It
تمرین عملی: پیادهسازی گره اولویتبندی (Triage) و مسیریابی شرطی
Hands-on: Implementing the Tier-1 Triage Node and Conditional Routing
تسلط بر ابزار: اصول هوش مصنوعی بینایی و استدلال چندوجهی در Vision LLMs
Tool Mastery: Vision LLMs Principles of Visual AI and Multimodal Reasoning
تمرین عملی: استفاده از Vision LLMs برای استخراج کدهای خطا از اسکرینشاتهای مشتری
Hands-On: Using Vision LLMs to Extract Error Codes from Customer Screenshots
تمرین عملی: یکپارچهسازی ابزارهای API خارجی
Hands-on: Integrating External API Tools
تمرین عملی: ساخت گره ارکستراسیون چند-ابزاره: منطق تشخیص مرحلهای
Hands-on: Building the Multi-Tool Orchestration Node: Sequential Diagnostic Logic
تمرین عملی: راهاندازی رابط چت شبیهسازی شده (ورودی/خروجی)
Hands-On: Setting up the Simulated Chat Interface Input/Output
تمرین عملی: عامل اولویتبندی مجهز به بینایی
Hands-on: The Visually-Informed Triage Agent
حافظه بلندمدت و بازبرنامهریزی پویا
Long-Term Memory and Dynamic Re-Planning
تئوری حافظه بلندمدت (حافظه رویدادی در مقابل معنایی در سیستمهای خودمختار)
LTM Theory(Episodic vs. Semantic Memory in Autonomous Systems)
تسلط بر ابزار (گرافهای دانش: مدلسازی روابط کاربر و خطا)
Tool Mastery (Knowledge Graphs - Modeling User & Error Relationships)
تمرین عملی: ثبت تجربه جدید و پرسوجوی متن (Context)
Hands-on: Writing New Experience and Querying Context
تسلط بر ابزار (ماژولهای حافظه پیشرفته LlamaIndex و منطق تجمیع)
Tool Mastery(LlamaIndex Advanced Memory Modules - Consolidation Logic)
تمرین عملی: پیادهسازی گره بررسی حافظه بلندمدت (LTM)
Hands-on: Implementing the LTM Check Node
تمرین عملی: نقش عامل برنامهریز (Planner Agent)
Hands-on: The Planner Agent's Role
تمرین عملی: ساخت حلقه بازخورد کاربر
Hands-on: Building the User Feedback Loop
تمرین عملی: پیادهسازی زیرگرافها برای وظایف تو در تو
Hands-on: Implementing Sub-Graphs for Nested Tasks
تمرین عملی: نمایش بازبرنامهریزی پویا مبتنی بر حافظه بلندمدت توسط عامل
Hands-on: The Agent Demonstrates LTM-Informed Dynamic Re-Planning
ارکستراسیون، حاکمیت و مقیاسپذیری
Orchestration, Governance, and Scaling
حفاظ هوش برای اقدامات غیرقابل بازگشت: جلوگیری از اجرای جریانهای کاری پرخطر
The Irreversible Action Guardrail: Preventing High-Risk Workflow Execution
تمرین عملی: حضور انسان در چرخه (Human in the Loop) و یکپارچهسازی گره تحویل دستی
Hands-on: Human-in-the-Loop Integrating a Manual Hand-off Node
حاکمیت داده: خودکارسازی مسیر حسابرسی و ثبت تصمیمات
Data Governance: Automating the Audit Trail and Decision Logging
تمرین عملی: Flask - راهاندازی سرویس API عامل
Hands-on: Flask - Setting up the Agent’s API Service
تمرین عملی: Flask - استقرار کامل جریان LangGraph برای دسترسی در محیط عملیاتی
Hands-on: Flask - Deploying the Full LangGraph Workflow for Production Access
تمرین عملی: مفاهیم مقیاسپذیری: عاملهای لبه (Edge) در مقابل ارکستراسیون ابری
Hands-on: Scaling Concepts: Edge Agents vs. Cloud Orchestration
استفاده از Kubernetes و کانتینرسازی برای مدیریت ناوگان عاملها
Kubernetes/Containerization for Fleet Management
تمرین عملی: اتصال تمام ماژولها به عامل پشتیبانی
Hands-on: Connecting all Modules into the Support Agent
تمرین عملی: تست و اعتبارسنجی جریان کاری خودمختار
Hands-on: Testing and Validating the Autonomous Workflow
تمرین عملی: یکپارچهسازی LangSmith برای نظارت و مشاهدهپذیری LLM
Hands-on: Integrating LangSmith for LLM Monitoring and Observability
آینده بهینهسازی فرآیندهای خودمختار
The Future of Autonomous Process Optimization
جمعبندی دوره و ارزیابی
Course Wrap-Up and Assessment
نمایش نظرات