لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات