فلش‌کارت‌های آموزشی مهندسی جریان و عملیات مدل‌های زبان بزرگ در Azure

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی جریان و عملیات مدل‌های زبان بزرگ در Azure

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: توسعه و استقرار مدل‌های هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی جریان و عملیات مدل‌های زبان بزرگ
• 2. مبانی مدل‌های زبان بزرگ (LLMs)
• 3. معماری مدل‌های زبان بزرگ
• 4. مفاهیم کلیدی در LLMOps
• 5. مقدمه‌ای بر Azure AI Foundry
• 6. آشنایی با Prompt Flow
• 7. طراحی و ساخت جریان‌های Prompt
• 8. اجزای اصلی Prompt Flow
• 9. مدیریت داده‌ها در Prompt Flow
• 10. انواع ابزارهای Prompt Flow
• 11. طراحی Prompt های مؤثر
• 12. بهینه‌سازی Prompt ها
• 13. ارزیابی عملکرد Prompt ها
• 14. تکنیک‌های پیشرفته Prompt نویسی
• 15. مبانی توسعه و استقرار مدل‌های هوش مصنوعی
• 16. چرخه حیات مدل‌های هوش مصنوعی
• 17. مراحل LLMOps
• 18. مدیریت پیکربندی مدل‌ها
• 19. ردیابی و ثبت مدل‌ها
• 20. استقرار مدل‌ها در Azure
• 21. استقرار مدل‌های LLM
• 22. مدیریت استقرار مدل‌ها
• 23. نظارت بر عملکرد مدل‌های مستقر
• 24. مقیاس‌پذیری مدل‌های هوش مصنوعی
• 25. امنیت در LLMOps
• 26. مدیریت دسترسی در Azure AI
• 27. حریم خصوصی داده‌ها در LLMOps
• 28. نظارت امنیتی بر مدل‌ها
• 29. مقدمه‌ای بر بازیابی افزوده (RAG)
• 30. نحوه کارکرد RAG
• 31. اجزای سیستم RAG
• 32. ذخیره‌سازی و بازیابی اطلاعات
• 33. ایجاد پایگاه دانش برای RAG
• 34. بهینه‌سازی بازیابی اطلاعات
• 35. ارزیابی سیستم‌های RAG
• 36. کاربرد RAG در Prompt Flow
• 37. ترکیب Prompt Flow و RAG
• 38. ساخت برنامه‌های کاربردی با RAG
• 39. ملاحظات اخلاقی در LLMs
• 40. سوگیری در مدل‌های زبان بزرگ
• 41. کاهش سوگیری در مدل‌ها
• 42. شفافیت و قابلیت توضیح‌پذیری LLMs
• 43. مسئولیت‌پذیری در هوش مصنوعی
• 44. قوانین و مقررات مرتبط با هوش مصنوعی
• 45. استانداردهای صنعتی در LLMOps
• 46. ابزارهای متن‌باز در LLMOps
• 47. مقایسه ابزارهای LLMOps
• 48. یکپارچه‌سازی با Azure DevOps
• 49. استفاده از Azure Machine Learning
• 50. مدیریت مخازن کد
• 51. مدیریت اجرای آزمایشی مدل‌ها
• 52. پایپ‌لاین‌های CI/CD برای LLMs
• 53. تست خودکار مدل‌ها
• 54. مستندسازی مدل‌ها
• 55. مدیریت نسخه‌های مدل
• 56. کنترل کیفیت در LLMOps
• 57. بهبود مداوم مدل‌ها
• 58. مانیتورینگ و هشداردهی
• 59. مدیریت خطا در مدل‌های مستقر
• 60. بازیابی از خطاها
• 61. بهینه‌سازی هزینه در LLMOps
• 62. استفاده بهینه از منابع
• 63. مدیریت چرخه عمر داده‌ها
• 64. آماده‌سازی داده‌ها برای LLMs
• 65. پاکسازی و پیش‌پردازش داده‌ها
• 66. تقسیم داده‌ها برای آموزش و ارزیابی
• 67. تولید داده‌های مصنوعی
• 68. مدیریت داده‌های حساس
• 69. حفظ حریم خصوصی در داده‌ها
• 70. اصول مهندسی Prompt برای وظایف خاص
• 71. Prompt برای خلاصه‌سازی متن
• 72. Prompt برای ترجمه ماشینی
• 73. Prompt برای پاسخگویی به سوالات
• 74. Prompt برای تولید کد
• 75. Prompt برای تحلیل احساسات
• 76. Prompt برای طبقه‌بندی متن
• 77. Prompt برای استخراج اطلاعات
• 78. Prompt برای مکالمه
• 79. طراحی جریان‌های پیچیده در Prompt Flow
• 80. استفاده از گره‌های سفارشی
• 81. مدیریت جریان‌های شرطی
• 82. ایجاد حلقه در جریان‌ها
• 83. استفاده از ابزارهای ارزیابی پیشرفته
• 84. متریک‌های کلیدی برای LLMs
• 85. ارزیابی کیفیت خروجی
• 86. ارزیابی امنیت مدل‌ها
• 87. ارزیابی عملکرد و سرعت
• 88. تنظیم دقیق (Fine-tuning) مدل‌های LLM
• 89. مبانی تنظیم دقیق
• 90. فرآیند تنظیم دقیق
• 91. انتخاب داده‌های مناسب برای تنظیم دقیق
• 92. ارزیابی مدل‌های تنظیم شده
• 93. کاربرد تنظیم دقیق در Prompt Flow
• 94. استقرار مدل‌های تنظیم شده
• 95. ملاحظات امنیتی در استقرار
• 96. مدیریت دسترسی به مدل‌های API
• 97. سیاست‌های امنیتی در Azure
• 98. نظارت بر ترافیک API
• 99. بررسی لاگ‌های امنیتی
• 100. مقدمه‌ای بر معماری‌های جدید LLM