آموزش هوش مصنوعی مولد برای DevOps - آخرین آپدیت

دانلود Generative AI for DevOps

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: از هوش مصنوعی مولد (Generative AI)، گیت‌هاب کوپایلت (GitHub Copilot)، Azure OpenAI، گیت‌هاب اکشنز (GitHub Actions) و .NET برای مدرن‌سازی جریان‌های کاری DevOps استفاده کنید. به‌کارگیری هوش مصنوعی مولد در چرخه حیات DevOps برای کدنویسی، خط لوله‌ها (Pipelines)، زیرساخت، تست، مدیریت انتشار و پاسخ به حوادث. بهره‌گیری از Copilot برای بهینه‌سازی جریان‌های کاری CI/CD. اتوماسیون وظایف تکراری DevOps با استفاده از Copilot. بهبود روش‌های زیرساخت به عنوان کد (IaC). عیب‌یابی و مانیتورینگ با کمک هوش مصنوعی. توسعه عامل‌های هوش مصنوعی (AI Agents) تنظیم شده برای DevOps. پیاده‌سازی عامل‌های هوش مصنوعی خودگردان. ادغام استدلال‌های LLM در جریان‌های کاری گیت‌هاب. درک تفاوت بین DevOps متکی به هوش مصنوعی (AI-assisted) و DevOps خودگردان (AI-autonomous)، شامل موارد استفاده ایمن و غیرایمن. استفاده از هوش مصنوعی برای ChatOps، یادداشت‌های انتشار (Release Notes)، استراتژی تست، تحلیل ریشه خطا (RCA) و جریان‌های کاری مستندسازی. افزودن قابلیت مشاهده (Observability)، ارزیابی و حلقه‌های بازخورد به خط لوله‌ها و عامل‌های متکی به هوش مصنوعی. بهبود نتایج DevOps با مهندسی پرامپت و مهندسی کانتکست بهتر برای وظایف عملیاتی. طراحی گام‌های جریان کاری قطعی و امن برای GitHub Actions و اتوماسیون خط لوله. ساخت و توسعه یک عامل DevOps حداقلی، افزودن حافظه به صورت دقیق و ادغام ابزارهای مبتنی بر MCP در جریان‌های کاری. ایجاد نرده‌های حفاظتی سازمانی (Enterprise Guardrails) برای امنیت، انطباق، پاسخگویی و استفاده مسئولانه از هوش مصنوعی در تیم‌های DevOps. پیش نیازها: مبانی Git و GitHub، استفاده ابتدایی از خط فرمان (CLI)، داشتن حساب گیت‌هاب، مفاهیم پایه ابر و زیرساخت، مفاهیم اصلی DevOps مانند CI/CD، Pull Requests و کنترل نسخه. تجربه متوسط در توسعه با C# و .NET به دلیل استاندارد بودن مثال‌های دوره بر پایه .NET توصیه می‌شود. آشنایی با Azure و GitHub Actions سرعت شما را در بخش‌های عملی افزایش می‌دهد.

هوش مصنوعی مولد در حال تغییر نحوه ساخت، استقرار، ایمن‌سازی و بهره‌برداری نرم‌افزاری توسط تیم‌های مدرن DevOps است. این دوره به شما نشان می‌دهد چگونه هوش مصنوعی مولد را در کارهای واقعی DevOps با استفاده از مفاهیم Azure DevOps، گیت‌هاب، GitHub Actions، Azure OpenAI، Bicep و .NET به کار ببرید.

شما با مبانی هوش مصنوعی مولد برای DevOps شروع خواهید کرد، از جمله اینکه هوش مصنوعی در کجای چرخه DevOps ارزش افزوده ایجاد می‌کند، تفاوت بین جریان‌های کاری دستی و خودگردان چیست و ریسک‌های عملیاتی مانند توهمات (Hallucinations) و انحراف (Drift) چگونه مدیریت شوند. سپس دوره به سراغ سناریوهای عملی و صنعتی مانند زیرساخت به عنوان کد (IaC) متکی به AI، نویسندگی خط لوله، تولید یادداشت‌های انتشار، بهبود استراتژی تست، پشتیبانی از پاسخ به حوادث و ادغام ChatOps می‌رود.

همچنین خواهید آموخت که چگونه هوش مصنوعی را به صورت مسئولانه در سیستم‌های CI/CD ادغام کنید، گام‌های جریان کاری قطعی طراحی کنید، کارهای AI را در GitHub Actions مدیریت نمایید و قابلیت مشاهده و حلقه‌های بازخورد را اضافه کنید. در ادامه، موضوعات سازمانی مانند استراتژی ابزارهای AI، نرده‌های حفاظتی، حسابرسی، پاسخگویی، بازگشت سرمایه (ROI) و برنامه‌ریزی پذیرش بررسی می‌شوند.

در نهایت، شما هوش مصنوعی عامل‌محور (Agentic AI) برای DevOps را بررسی خواهید کرد؛ از جمله تفاوت عامل‌های AI، الگوهای عامل‌محور در CI/CD، ساخت عامل DevOps حداقلی، افزودن حافظه ایمن، استانداردسازی دسترسی به ابزارها با MCP و ارزیابی عملکرد عامل‌ها در محیط واقعی.

این دوره برای متخصصانی طراحی شده است که به دنبال مهارت‌های عملی و کاربردی در سطح سازمان هستند، نه صرفاً شنیدن تبلیغات. شما یاد می‌گیرید کجا هوش مصنوعی واقعاً نتایج DevOps را بهبود می‌بخشد، کجا باید محدود شود و چگونه آن را به روشی مفید، قابل اندازه‌گیری و مسئولانه به کار ببرید.


سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه Introduction

  • دامنه دوره و ابزارها Course Scope and Tooling

مفاهیم هوش مصنوعی مولد برای DevOps Generative AI Concepts for DevOps

  • مرور بخش Section Overview

  • هوش مصنوعی مولد چگونه به مهندسان DevOps کمک می‌کند How Can Generative AI Help DevOps Engineers

  • نقاط ایجاد ارزش توسط هوش مصنوعی در چرخه DevOps Where Generative AI Adds Value in the DevOps Lifecycle

  • مقایسه DevOps متکی به AI و DevOps خودگردان AI-Assisted vs AI-Autonomous DevOps

  • آگاهی از ریسک‌ها: توهمات، انحراف و زیاده‌روی Risk Awareness: Hallucinations, Drift, and Overreach

  • مرور بخش Section Review

  • توجیه استفاده از هوش مصنوعی مولد در DevOps Making the Case for Generative AI in DevOps

DevOps عملی با کمک هوش مصنوعی Practical AI-Assisted DevOps

  • مرور بخش Section Overview

  • کد منبع مرجع Reference Source Code

  • زیرساخت به عنوان کد (IaC) با کمک AI AI-Assisted Infrastructure as Code (IaC)

  • دمو: زیرساخت به عنوان کد (Bicep + GitHub Copilot) Demo: AI-Assisted Infrastructure as Code (Bicep + GitHub Copilot)

  • مرور طراحی IaC متکی به AI AI-Assisted IaC Design Review

  • دمو: نویسندگی و بهینه‌سازی خط لوله با استفاده از AI Demo: Pipeline Authoring and Optimization Using AI

  • دمو: هوش مصنوعی برای استراتژی تست و اطمینان از انتشار Demo: AI for Test Strategy and Release Confidence

  • دمو: اتوماسیون یادداشت‌های انتشار با کمک AI Demo: AI-Assisted Release Notes Automation

  • جلسه آمادگی انتشار مبتنی بر AI AI-Driven Release Readiness Meeting

  • دمو: پاسخ به حوادث و تحلیل ریشه خطا با کمک AI Demo: AI-Assisted Incident Response & Root Cause Analysis

  • مرور بخش Section Review

ابزارهای AI، حاکمیت و آمادگی سازمانی در DevOps DevOps AI Tools, Governance, and Enterprise Readiness

  • مرور بخش Section Overview

  • چشم‌انداز ابزارهای AI سازمانی برای DevOps Enterprise AI Tooling Landscape for DevOps

  • بررسی ابزارهای AI مورد استفاده در DevOps Review of AI Tooling Used in DevOps

  • ایجاد نرده‌های حفاظتی AI برای تیم‌های DevOps سازمانی Establishing AI Guardrails for Enterprise DevOps Teams

  • حسابرسی، پاسخگویی و نظارت عملیاتی Auditing, Accountability, and Operational Oversight

  • جلسه مرور نرده‌های حفاظتی AI سازمانی Enterprise AI Guardrails Review Meeting

  • ایجاد دفترچه راهنمای پذیرش AI برای سازمان شما Creating an AI Adoption Playbook for Your Organization

  • اندازه‌گیری بازگشت سرمایه (ROI) هوش مصنوعی در DevOps Measuring ROI of AI in DevOps

  • جلسه استراتژی دفترچه راهنمای پذیرش AI AI Adoption Playbook Strategy Session

  • مرور بخش Section Review

ادغام هوش مصنوعی مولد در خط لوله‌های DevOps Integrating Generative AI into DevOps Pipelines

  • مرور بخش Section Overview

  • کد منبع مرجع Reference Source Code

  • تخصیص و اتصال به موتور هوش مصنوعی Provisioning and Connecting to an AI Engine

  • طراحی گام‌های قطعی در جریان کاری AI Designing Deterministic AI Workflow Steps

  • ارکستراسیون کارهای AI در GitHub Actions Orchestrating AI Jobs in GitHub Actions

  • مهندسی کانتکست برای AI در DevOps Context Engineering for DevOps AI

  • مرور طراحی جریان کاری قطعی AI Deterministic AI Workflow Design Review

  • مدیریت هزینه و عملکرد برای خط لوله‌های AI Cost & Performance Management for AI Pipelines

  • قابلیت مشاهده و حلقه‌های بازخورد برای خط لوله‌های متکی به AI Observability and Feedback Loops for AI-Assisted Pipelines

  • الگوهای ادغام امن (امنیت فنی) Secure Integration Patterns (Technical Security)

  • مرور معماری امن خط لوله AI Secure AI Pipeline Architecture Review

  • ChatOps تقویت شده با AI AI-Augmented ChatOps

  • جلسه فرماندهی حادثه در ChatOps تقویت شده با AI AI-Augmented ChatOps Incident Command Meeting

  • مرور بخش Section Review

هوش مصنوعی عامل‌محور برای سناریوهای پیشرفته DevOps Agentic AI for Advanced DevOps Scenarios

  • مرور بخش Section Overview

  • آشنایی با عامل‌های AI: کالبدشناسی یک عامل AI Agents 101: Anatomy of an Agent

  • هوش مصنوعی عامل‌محور در خط لوله‌های CI/CD (موارد ایمن و غیرایمن) Agentic AI in CI/CD Pipelines (Safe and Unsafe Use Cases)

  • کد منبع مرجع Reference Source Code

  • دمو: توسعه یک عامل DevOps حداقلی Demo: Developing a Minimal DevOps Agent

  • دمو: افزودن عامل حداقلی به جریان کاری گیت‌هاب Demo: Adding Minimal Agent to a GitHub Workflow

  • مودهای شکست عامل در محیط عملیاتی Agent Failure Modes in Production

  • مدل طراحی خودمختاری پیشرونده Progressive Autonomy Design Model

  • طراحی ایمن عامل در CI/CD Safe Agent Design in CI/CD

  • الگوهای عامل‌محور در جریان‌های کاری DevOps (مرتبط با PR، بیلدها و حوادث) Agentic Patterns in DevOps Workflows (map to PRs, builds, incidents)

  • دمو: توسعه عامل پیشنهاددهنده کیفیت کد در PR Demo: Developing PR Code Quality Suggesting Agent

  • دمو: ادغام عامل در جریان کاری ارزیابی کیفیت کد PR Demo: Integrating Agent into PR Code Quality Assessment Workflow

  • حافظه در سیستم‌های عامل‌محور: چه چیزی ذخیره شود و چه چیزی نشود Memory in Agentic Systems: What to Store, What Not to Store

  • دمو: افزودن حافظه در سطح جریان کاری به یک عامل DevOps Demo: Adding Workflow-Level Memory to a DevOps Agent

  • ابزارها و MCP: استانداردسازی کانتکست و اکشن‌ها در میان عامل‌ها Tools and MCP: Standardizing Context + Actions Across Agents

  • دمو: ساخت یک سرور MCP برای ابزارهای گیت‌هاب Demo: Build an MCP Server For GitHub Tooling

  • دمو: توسعه عامل با ابزارهای MCP Demo: Extend The Agent with MCP Tools

  • دمو: تست و تایید جریان کاری گیت‌هاب با استفاده از عامل MCP Demo: Test and Verify the GitHub Workflow using the MCP Agent

  • مرور ابزارهای MCP و توسعه عامل MCP Tooling and Agent Extension Review

  • سیستم‌های چند-عاملی برای پاسخ به حوادث Multi-Agent Systems for Incident Response

  • دمو: ایجاد پیاده‌سازی چند-عاملی Demo: Creating Multi-Agent Implementation

  • دمو: تست یک جریان کاری چند-عاملی Demo: Testing a Multi-Agent Workflow

  • بازبینی (Retrospective) پاسخ به حادثه چند-عاملی Multi-Agent Incident Response Retrospective

  • قابلیت مشاهده و ارزیابی عامل‌های AI Observability and Evaluation of AI Agents

  • دمو: افزودن قابلیت مشاهده و ارزیابی به یک عامل Demo: Adding Observability and Evaluation to An Agent

  • دمو: بصری‌سازی Open Telemetry عامل با Aspire Demo: Visualize Agent Open Telemetry with Aspire

  • گزارش قابلیت مشاهده و ارزیابی برای عامل‌های AI Observability and Evaluation Readout for AI Agents

  • مرور بخش Section Review

جمع‌بندی Conclusion

  • جمع‌بندی و توصیه‌ها Conclusion and Recommendations

نمایش نظرات

آموزش هوش مصنوعی مولد برای DevOps
جزییات دوره
5 hours
61
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
236
4.4 از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar