اپلیکیشن اندرویدی فلش‌کارت آموزشی راه‌اندازی سامانهٔ پرسش و پاسخ پیشرفته با استفاده از ابزارهای هوش مصنوعی NVIDIA

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راه‌اندازی سامانهٔ پرسش و پاسخ پیشرفته با استفاده از ابزارهای هوش مصنوعی NVIDIA

موضوع کلی: هوش مصنوعی و پردازش زبان طبیعی

موضوع میانی: پیاده‌سازی سیستم‌های پرسش و پاسخ مبتنی بر هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و پردازش زبان طبیعی
• 2. مفاهیم کلیدی پردازش زبان طبیعی
• 3. مقدمه‌ای بر سیستم‌های پرسش و پاسخ
• 4. معماری سیستم‌های پرسش و پاسخ
• 5. مبانی بازیابی اطلاعات
• 6. نمونه‌سازی متون (Text Embedding)
• 7. مدل‌های زبانی بزرگ (LLMs)
• 8. مقدمه‌ای بر NVIDIA AI Workbench
• 9. نصب و پیکربندی NVIDIA AI Workbench
• 10. آشنایی با محیط کاری NVIDIA AI Workbench
• 11. مفاهیم پایه‌ای پایگاه داده‌های برداری (Vector Databases)
• 12. انتخاب پایگاه داده برداری مناسب
• 13. نصب و پیکربندی پایگاه داده برداری
• 14. بارگذاری داده‌ها در پایگاه داده برداری
• 15. ساخت نمایه‌های برداری (Vector Indexes)
• 16. مقدمه‌ای بر تکنیک بازیابی با افزونگی (RAG)
• 17. معماری RAG برای سیستم‌های پرسش و پاسخ
• 18. اجزای اصلی یک سامانه RAG
• 19. مراحل پیاده‌سازی RAG
• 20. استفاده از مدل‌های زبانی بزرگ در RAG
• 21. تنظیم دقیق مدل‌های زبانی برای RAG
• 22. انتخاب مدل‌های تعبیه (Embedding Models)
• 23. آموزش مدل‌های تعبیه
• 24. تنظیم پارامترهای مدل‌های تعبیه
• 25. مراحل بازیابی اسناد مرتبط
• 26. استراتژی‌های جستجوی برداری
• 27. بهینه‌سازی جستجوی برداری
• 28. فیلتر کردن نتایج بازیابی
• 29. تولید پاسخ با استفاده از LLM
• 30. مهندسی پرامپت (Prompt Engineering) برای RAG
• 31. طراحی پرامپت‌های مؤثر
• 32. تکنیک‌های پیشرفته مهندسی پرامپت
• 33. ارزیابی کیفیت پاسخ‌ها
• 34. معیارهای ارزیابی سیستم‌های پرسش و پاسخ
• 35. ارزیابی دقت بازیابی
• 36. ارزیابی کیفیت تولید پاسخ
• 37. مقدمه‌ای بر ابزارهای ارزیابی
• 38. استفاده از ابزارهای ارزیابی در NVIDIA AI Workbench
• 39. پیاده‌سازی یک دمو RAG گام به گام
• 40. انتخاب مجموعه داده مناسب
• 41. آماده‌سازی مجموعه داده
• 42. تقسیم‌بندی اسناد
• 43. ایجاد اسناد کوچکتر (Chunking)
• 44. استفاده از کتابخانه‌های پردازش زبان طبیعی
• 45. کتابخانه LangChain
• 46. کتابخانه LlamaIndex
• 47. یکپارچه‌سازی LangChain با پایگاه داده برداری
• 48. یکپارچه‌سازی LlamaIndex با پایگاه داده برداری
• 49. ساخت زنجیره پرسش و پاسخ با LangChain
• 50. ساخت زنجیره پرسش و پاسخ با LlamaIndex
• 51. پیکربندی LLM در LangChain
• 52. پیکربندی LLM در LlamaIndex
• 53. مدیریت حافظه در سیستم‌های پرسش و پاسخ
• 54. استفاده از حافظه در LangChain
• 55. استفاده از حافظه در LlamaIndex
• 56. بهینه‌سازی عملکرد سامانه RAG
• 57. نکات پیشرفته در RAG
• 58. تکنیک‌های بازیابی ترکیبی (Hybrid Retrieval)
• 59. استفاده از دانش سازمانی در RAG
• 60. امنیت داده‌ها در سیستم‌های هوش مصنوعی
• 61. حفظ حریم خصوصی در پردازش زبان طبیعی
• 62. استانداردهای اخلاقی در هوش مصنوعی
• 63. قوانین و مقررات مرتبط با هوش مصنوعی در ایران
• 64. چارچوب‌های قانونی برای پیاده‌سازی سامانه‌های پرسش و پاسخ
• 65. کاربرد سامانه‌های پرسش و پاسخ در حوزه‌های مختلف
• 66. سامانه‌های پرسش و پاسخ در آموزش
• 67. سامانه‌های پرسش و پاسخ در خدمات مشتریان
• 68. سامانه‌های پرسش و پاسخ در پژوهش
• 69. سامانه‌های پرسش و پاسخ در سازمان‌های دولتی
• 70. ارائه گزارش و مستندسازی سامانه
• 71. مستندسازی فنی سامانه
• 72. مستندسازی کاربری سامانه
• 73. نکات تکمیلی و پیشرفته در NVIDIA AI Workbench
• 74. استفاده از GPU برای تسریع پردازش‌ها
• 75. مدیریت منابع در NVIDIA AI Workbench
• 76. به اشتراک‌گذاری پروژه‌ها
• 77. استقرار سامانه پرسش و پاسخ
• 78. مباحث پیشرفته در پردازش زبان طبیعی
• 79. مدل‌های ترنسفورمر (Transformer Models)
• 80. آشنایی با مدل‌های ترنسفورمر پیشرفته
• 81. کاربرد مدل‌های ترنسفورمر در RAG
• 82. تکنیک‌های کاهش ابعاد در داده‌های برداری
• 83. فشرده‌سازی مدل‌های زبانی
• 84. استفاده از مدل‌های کوچکتر و کارآمدتر
• 85. مقایسه رویکردهای مختلف در RAG
• 86. راهنمای عیب‌یابی رایج در RAG
• 87. بهبود مستمر سامانه پرسش و پاسخ
• 88. آینده سیستم‌های پرسش و پاسخ مبتنی بر هوش مصنوعی
• 89. جمع‌بندی و چشم‌انداز
• 90. نکات پایانی برای پیاده‌سازی موفق
• 91. منابع و مراجع تکمیلی
• 92. پروژه‌های عملی برای تمرین بیشتر
• 93. پاسخ به سوالات متداول
• 94. آخرین تحولات در حوزه هوش مصنوعی و RAG