ساختن سیستم های پیشنهادی مبتنی بر LLM

<h3>توضیح</h3> <h4>این دوره در مورد چیست؟</h4> یک نمای کلی فنی از نحوه شروع ساخت نسل بعدی سیستم های توصیه گر هوشمند دریافت کنید. فراتر از الگوریتم‌های سنتی، این دوره به شما نشان می‌دهد که چگونه سیستم‌های موجود را با استفاده از تکنیک‌های مبتنی بر هوش مصنوعی برای جاسازی تولید، رتبه‌بندی مجدد معنایی و کاهش شروع سرد تقویت کنید. مدرس Rishabh Misra نحوه طراحی معماری های پیچیده بومی GenAI را توضیح می دهد که تجربیات پویا مانند جستجوی مکالمه و توصیه های چندوجهی را امکان پذیر می کند. این دوره بر ارزیابی قوی، از جمله چگونگی اندازه گیری کیفیت، انصاف، و دقت واقعی با استفاده از رویکردهایی مانند تولید افزوده بازیابی (RAG) تاکید می کند. در پایان، شما آماده طراحی، ارزیابی و عملیاتی کردن سیستم‌های توصیه‌کننده مؤثر و مسئولانه GenAI در یک محیط تولید خواهید بود.</p> <p>این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه مبتنی بر ابر که عملکرد کامل IDE را بدون نیاز به تنظیم محلی ارائه می‌کند و تمرین عملی را از هر ماشینی امکان‌پذیر می‌کند.</p> <h3>مدرس</h3> <h4>چه کسی این دوره را تدریس می کند؟</h4> Rishabh Misra یک مهندس اصلی ML در Atlassian است، جایی که او ابتکارات پس از آموزش LLM و شخصی سازی GenAI را رهبری می کند.</p> <h3>اهداف</h3> <h4>تا پایان این دوره چه کاری می توانم انجام دهم؟</h4> <ul> <li>تفاوت‌های بین سیستم‌های توصیه‌گر سنتی و رویکردهای مدرن مبتنی بر GenAI، از جمله تغییر به درک معنایی را بیان کنید.</li> <li>تکنیک‌های کاربردی GenAI مانند تولید جاسازی، رتبه‌بندی مجدد زنجیره‌ای از افکار، و تولید تقویت‌شده با بازیابی (RAG) را برای بهبود عملکرد و قابلیت اطمینان به کار ببرید.</li> <li>معماری‌های سطح بالا را برای سیستم‌های توصیه‌گر بومی GenAI، انتخاب مدل‌ها و زیرساخت‌های مناسب مانند پایگاه‌های داده برداری طراحی کنید.</li> <li>راهبردهای ارزیابی را با استفاده از معیارهای کیفیت، انصاف و دقت واقعی ایجاد کنید.</li> <li>برنامه های عملیاتی برای استقرار، از جمله مدیریت تأخیر، نظارت بر مدل، و یکپارچه سازی خط لوله CI/CD ایجاد کنید.</li> </ul></p> <h3>مخاطب</h3> <h4>این دوره برای چه کسانی است؟</h4> <ul> <li>مهندسین نرم افزار</li> <li>دانشمندان داده</li> <li>مهندسین AI و ML</li> <li>مدیران محصول فنی</li> </ul></p> <h3>پیش نیازها</h3> <h4>چه چیزی باید قبل از شرکت در این دوره بدانم؟</h4> <ul> <li>درک اولیه مفاهیم یادگیری ماشین</li> <li>آشنایی با چارچوب ها و ابزارهای هوش مصنوعی و ML</li> <li>تجربه در مهندسی نرم افزار یا تجزیه و تحلیل داده ها مفید است</li> </ul></p>