معرفی دوره و اهداف آموزشی

در دنیای پیشرفته هوش مصنوعی و پردازش زبان طبیعی (NLP)، تکنیک‌های جدیدی برای تعامل مؤثرتر با مدل‌های زبانی بزرگ (LLMs) در حال ظهور هستند. یکی از این تکنیک‌های نوآورانه، رویکرد Agentic Retrieval-Augmented Generation (RAG) است که با ترکیب قابلیت‌های بازیابی اطلاعات و تولید محتوا، امکان ساخت سیستم‌های هوشمندتر و دقیق‌تر را فراهم می‌آورد. این دوره آموزشی با تمرکز بر دو فریم‌ورک قدرتمند، LangChain و LangGraph، شما را با اصول و پیاده‌سازی Agentic RAG آشنا می‌کند. هدف اصلی این دوره، توانمندسازی شرکت‌کنندگان برای ساخت عامل‌های هوشمند (Intelligent Agents) است که قادر به انجام وظایف پیچیده با استفاده از دانش خارجی و درک عمیق‌تر از زمینه مورد نظر هستند. شما یاد خواهید گرفت چگونه با استفاده از مدل‌های زبانی محلی مانند Ollama، سیستم‌های RAG پیشرفته‌ای را طراحی و پیاده‌سازی کنید که قابلیت‌های فراوانی از جمله استدلال، برنامه‌ریزی و یادگیری مداوم را به عامل‌های خود اضافه کنند.

با گذراندن این دوره، شما قادر خواهید بود تا:

• مفهوم Agentic RAG و اهمیت آن را در سیستم‌های هوش مصنوعی درک کنید.
• با معماری و نحوه عملکرد LangChain و LangGraph در ساخت عامل‌های هوشمند آشنا شوید.
• از Ollama برای اجرای مدل‌های زبانی محلی و ادغام آن‌ها در گردش کار Agentic RAG استفاده کنید.
• طرح‌ریزی، پیاده‌سازی و ارزیابی سیستم‌های RAG پیچیده را بیاموزید.
• توانایی ساخت عامل‌هایی را که می‌توانند به طور پویا اطلاعات را بازیابی کرده و پاسخ‌های دقیق و مرتبط تولید کنند، کسب کنید.

سرفصل‌ها و محتوای دوره

این دوره آموزشی به صورت جامع طراحی شده است تا تمامی جوانب Agentic RAG را پوشش دهد. سرفصل‌های اصلی شامل موارد زیر می‌باشند:

• مقدمه‌ای بر مدل‌های زبانی بزرگ (LLMs) و تکنیک‌های Augmentation:
  • مروری بر معماری‌های پرکاربرد LLM.
  • مفهوم Retrieval-Augmented Generation (RAG) و انواع آن.
  • چالش‌ها و فرصت‌های موجود در RAG سنتی.
• آشنایی با LangChain:
  • مبانی LangChain: Chain ها، Agents، Memory، Indexes.
  • پیاده‌سازی Gadget های LangChain برای تعامل با LLMs.
  • کاربرد LangChain در ساخت اپلیکیشن‌های مبتنی بر LLM.
• آشنایی با LangGraph:
  • مفهوم Graph ها در برنامه‌نویسی و ارتباط آن با LLMs.
  • معماری LangGraph و نحوه ساخت Directed Acyclic Graphs (DAGs) و Cyclic Graphs.
  • پیاده‌سازی State Management و Control Flow در LangGraph.
• Agentic RAG با LangChain و LangGraph:
  • ادغام LangChain و LangGraph برای ایجاد عامل‌های هوشمند.
  • طراحی عامل‌های RAG که قابلیت برنامه‌ریزی و استدلال دارند.
  • استفاده از LangGraph برای مدیریت گردش کار پیچیده بازیابی و تولید.
• استفاده از Ollama برای مدل‌های محلی:
  • نصب و پیکربندی Ollama.
  • اجرا و تعامل با مدل‌های زبانی مختلف از طریق Ollama.
  • ادغام Ollama در چارچوب Agentic RAG.
  • بهینه‌سازی عملکرد مدل‌های محلی.
• پیاده‌سازی سناریوهای پیشرفته:
  • ساخت عامل‌های پرسش و پاسخ هوشمند با دسترسی به پایگاه داده‌های خارجی.
  • توسعه عامل‌هایی برای خلاصه سازی متون طولانی با استفاده از دانش خارجی.
  • ایجاد عامل‌های پویا برای پشتیبانی از مشتری یا تحقیقات.
• ارزیابی و بهینه‌سازی عامل‌های RAG:
  • معیارهای ارزیابی عملکرد سیستم‌های RAG.
  • تکنیک‌های بهبود دقت و کارایی عامل‌ها.
  • ملاحظات مربوط به مقیاس‌پذیری و تولید.

پیش‌نیازها

برای بهره‌مندی کامل از این دوره و تسلط بر مفاهیم آن، داشتن دانش و تجربه اولیه در زمینه‌های زیر توصیه می‌شود:

• آشنایی با زبان برنامه‌نویسی Python در سطح متوسط.
• درک مفاهیم اولیه هوش مصنوعی، یادگیری ماشین و پردازش زبان طبیعی (NLP).
• آشنایی کلی با نحوه کار مدل‌های زبانی بزرگ (LLMs) مفید است، اما نه الزامی.
• تجربه کار با خط فرمان (Command Line) و مفاهیم پایه آن.
• درک مفاهیم پایگاه داده و بازیابی اطلاعات (به صورت کلی).

لازم نیست شما متخصص باشید، اما پیش‌زمینه قوی در این حوزه‌ها به شما کمک می‌کند تا سریع‌تر پیشرفت کنید و از محتوای دوره نهایت استفاده را ببرید.

مخاطبان هدف

این دوره برای طیف وسیعی از متخصصان و علاقه‌مندان حوزه هوش مصنوعی و توسعه نرم‌افزار طراحی شده است، از جمله:

• توسعه‌دهندگان نرم‌افزار که قصد دارند اپلیکیشن‌های هوشمند و مبتنی بر LLM بسازند.
• مهندسان داده و دانشمندان داده که به دنبال به‌کارگیری آخرین تکنیک‌های NLP هستند.
• محققان هوش مصنوعی که علاقه‌مند به کاوش در معماری‌های جدید سیستم‌های عامل و RAG هستند.
• مدیران محصول و استراتژیست‌های فنی که به دنبال درک قابلیت‌های Agentic RAG برای توسعه محصولات خود هستند.
• هر فردی که می‌خواهد درک عمیقی از نحوه ساخت عامل‌های هوشمند با استفاده از LangChain، LangGraph و مدل‌های زبانی محلی به دست آورد.

مزایای دانلود و یادگیری آفلاین این دوره

با دسترسی به این دوره به صورت دانلودی، شما از مزایای بی‌شماری برای یادگیری بهره‌مند خواهید شد:

• یادگیری در زمان و مکان دلخواه: بدون نیاز به اتصال دائمی اینترنت، می‌توانید در هر زمان و مکانی که برایتان مناسب است، به محتوای آموزشی دسترسی داشته باشید. این انعطاف‌پذیری به شما امکان می‌دهد تا برنامه یادگیری خود را با برنامه روزمره‌تان هماهنگ کنید.
• دسترسی همیشگی و پایدار: پس از دانلود، محتوای دوره همیشه در دسترس شما خواهد بود. دیگر نگران محدودیت‌های زمانی دسترسی یا تغییرات در پلتفرم‌های آنلاین نخواهید بود. این به شما اطمینان می‌دهد که منابع یادگیری شما همیشه قابل دسترس هستند.
• مرور آسان و تکرار مطالب: امکان تکرار و مرور بخش‌های مختلف دوره به شما کمک می‌کند تا مفاهیم پیچیده را بهتر درک کرده و دانش خود را تثبیت کنید. می‌توانید به سرعت به بخش‌های خاصی که نیاز به یادآوری دارند، بازگردید.
• تمرکز بیشتر بر یادگیری: با دانلود دوره، از وقفه‌ها و اختلالات احتمالی ناشی از اتصال اینترنت ناپایدار یا محدودیت‌های پلتفرم‌های آنلاین در امان خواهید بود. این به شما اجازه می‌دهد تا تمام تمرکز خود را بر روی جذب مطالب بگذارید.
• انعطاف در سرعت یادگیری: شما می‌توانید با سرعت دلخواه خود پیش بروید، ویدئوها را متوقف کنید، یادداشت بردارید و زمان کافی برای تمرین و درک عمیق مطالب اختصاص دهید.

نکات کلیدی که یاد می‌گیرند

پس از اتمام این دوره، شرکت‌کنندگان قادر خواهند بود تا:

• طراحی و پیاده‌سازی عامل‌های هوشمند: با استفاده از LangChain و LangGraph، قادر خواهید بود عامل‌هایی بسازید که می‌توانند وظایف پیچیده را با استفاده از ابزارها و دانش خارجی انجام دهند.
• بهبود دقت و قابلیت اطمینان LLMs: درک خواهید کرد که چگونه Agentic RAG با فراهم کردن دسترسی به اطلاعات به‌روز و مرتبط، محدودیت‌های دانش ذاتی LLMs را برطرف می‌کند.
• کار با مدل‌های زبانی محلی: مهارت لازم برای راه‌اندازی و استفاده از مدل‌های زبانی قدرتمند از طریق Ollama در پروژه‌های خود را کسب خواهید کرد.
• مدیریت گردش کارهای پیچیده: LangGraph به شما امکان می‌دهد تا جریان‌های کاری چند مرحله‌ای و پویا را برای عامل‌های خود طراحی کنید، که شامل مراحل بازیابی، استدلال، و تولید می‌شود.
• ساخت اپلیکیشن‌های نوآورانه: قادر خواهید بود اپلیکیشن‌های پیشرفته‌ای مانند سیستم‌های پرسش و پاسخ تخصصی، دستیارهای هوشمند، یا ربات‌های گفتگوی پیچیده را توسعه دهید.
• بهینه‌سازی عملکرد: یاد خواهید گرفت چگونه سیستم‌های Agentic RAG خود را برای دستیابی به بالاترین دقت، کارایی و سرعت ممکن ارزیابی و تنظیم کنید.

این دوره، کلید ورود شما به دنیای پیچیده اما هیجان‌انگیز ساخت عامل‌های هوشمند و سیستم‌های تولید متن پیشرفته با استفاده از جدیدترین ابزارها و تکنیک‌های روز خواهد بود.