فلش‌کارت‌های آموزشی هوش مصنوعی مولد پیشرفته: طراحی و پیاده‌سازی سیستم‌های RAG با LangGraph

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره هوش مصنوعی مولد پیشرفته: طراحی و پیاده‌سازی سیستم‌های RAG با LangGraph

موضوع کلی: هوش مصنوعی و پردازش زبان طبیعی

موضوع میانی: سیستم‌های بازیابی افزوده (RAG) و گردش کارهای عامل‌محور

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی مولد و پردازش زبان طبیعی
• 2. مبانی مدل‌های زبانی بزرگ (LLMs)
• 3. معماری ترنسفورمر در LLMs
• 4. آموزش و تنظیم دقیق LLMs
• 5. مقدمه‌ای بر سیستم‌های بازیابی افزوده (RAG)
• 6. کاربرد RAG در افزایش دقت LLMs
• 7. اجزای کلیدی سیستم‌های RAG
• 8. مخازن دانش و پایگاه‌های داده برداری
• 9. فهرست‌سازی و جستجو در پایگاه‌های داده برداری
• 10. معرفی Pinecone به عنوان یک پایگاه داده برداری
• 11. نصب و راه‌اندازی Pinecone
• 12. مفاهیم کلیدی در Pinecone: Index, Vector, Pod
• 13. ایجاد Index در Pinecone
• 14. افزودن و بازیابی وکتورها در Pinecone
• 15. پرس‌وجو و جستجوی شباهت در Pinecone
• 16. تنظیمات پیشرفته در Pinecone
• 17. کاربرد Pinecone در سیستم‌های RAG
• 18. معرفی LangGraph برای ایجاد گردش کارهای عامل‌محور
• 19. مبانی گراف‌های عامل‌محور
• 20. عوامل (Agents) و نقش آن‌ها در LangGraph
• 21. وضعیت (State) و انتقال بین عوامل
• 22. مدیریت جریان کنترل در LangGraph
• 23. ایجاد یک گراف ساده با LangGraph
• 24. پیاده‌سازی عوامل تصمیم‌گیرنده
• 25. پیاده‌سازی عوامل تولیدکننده
• 26. پیاده‌سازی عوامل بازیابی
• 27. ادغام RAG با LangGraph
• 28. طراحی گردش کار RAG با LangGraph
• 29. مدیریت حافظه در عوامل LangGraph
• 30. استراتژی‌های بازیابی در RAG
• 31. تنظیم پارامترهای جستجو در Pinecone
• 32. بهینه‌سازی پرس‌وجوها برای RAG
• 33. ارزیابی عملکرد سیستم‌های RAG
• 34. متریک‌های ارزیابی کیفیت پاسخ‌ها
• 35. متریک‌های ارزیابی دقت بازیابی
• 36. متریک‌های ارزیابی جامع سیستم RAG
• 37. گردش کارهای پیچیده عامل‌محور
• 38. عوامل پویا و خودسازمان‌دهنده
• 39. استفاده از ابزارها (Tools) در عوامل
• 40. ادغام LLMs با ابزارهای خارجی
• 41. طراحی عوامل متخصص
• 42. استراتژی‌های زنجیره فکری (Chain-of-Thought)
• 43. پیاده‌سازی Chain-of-Thought در LangGraph
• 44. استفاده از LangChain با LangGraph
• 45. ادغام LangChain Agents با LangGraph
• 46. مباحث پیشرفته در Pinecone
• 47. تکنیک‌های کوانتیزاسیون و فشرده‌سازی وکتور
• 48. مدیریت داده‌های حجیم در Pinecone
• 49. امنیت و دسترسی در Pinecone
• 50. مباحث پیشرفته در LangGraph
• 51. دیباگ کردن و مانیتورینگ گراف‌ها
• 52. استفاده از LangSmith برای دیباگ
• 53. بهینه‌سازی عملکرد گراف‌ها
• 54. پردازش موازی در LangGraph
• 55. طراحی سیستم‌های RAG چندمرحله‌ای
• 56. گردش کار پرسش و پاسخ پیشرفته
• 57. تولید خلاصه متنی با RAG
• 58. سیستم‌های پرسش و پاسخ مبتنی بر اسناد
• 59. استفاده از RAG برای خلاصه‌سازی اسناد طولانی
• 60. تولید محتوای خلاقانه با RAG
• 61. سیستم‌های توصیه‌گر مبتنی بر RAG
• 62. کاربرد RAG در تحلیل احساسات
• 63. تشخیص موجودیت نام‌گذاری شده (NER) با RAG
• 64. استخراج اطلاعات با RAG
• 65. سیستم‌های پرسش و پاسخ تعاملی
• 66. طراحی عامل پرسش‌گر هوشمند
• 67. طراحی عامل پاسخ‌دهنده مطمئن
• 68. مدیریت ابهام در پرسش‌ها
• 69. استفاده از بازخورد کاربر در سیستم RAG
• 70. بهبود مستمر سیستم با داده‌های جدید
• 71. تنظیم پارامترهای LLM در LangGraph
• 72. مدیریت هزینه‌ها در استفاده از LLMs و Pinecone
• 73. ملاحظات اخلاقی در هوش مصنوعی مولد
• 74. مسئولیت‌پذیری در سیستم‌های هوش مصنوعی
• 75. حریم خصوصی داده‌ها در سیستم‌های RAG
• 76. امنیت سیستم‌های مبتنی بر LLMs
• 77. مقدمه‌ای بر مهندسی پرامپت پیشرفته
• 78. تکنیک‌های مهندسی پرامپت برای RAG
• 79. ارزیابی و تست سیستم‌های RAG
• 80. بهبود دقت و روانی پاسخ‌ها
• 81. استفاده از تکنیک‌های بازیابی پیشرفته
• 82. بازیابی مبتنی بر پرسش (Query-based Retrieval)
• 83. بازیابی مبتنی بر پاسخ (Answer-based Retrieval)
• 84. بازیابی ترکیبی (Hybrid Retrieval)
• 85. استفاده از Embeddings سفارشی
• 86. تنظیمات پیشرفته پایگاه داده برداری
• 87. مدیریت Indexهای بزرگ
• 88. استراتژی‌های پشتیبان‌گیری و بازیابی در Pinecone
• 89. مقدمه‌ای بر معماری‌های عامل‌محور توزیع شده
• 90. طراحی سیستم‌های RAG مقیاس‌پذیر
• 91. کاربردهای صنعتی سیستم‌های RAG
• 92. موردکاوی: سیستم RAG برای پشتیبانی مشتری
• 93. موردکاوی: سیستم RAG برای تحلیل حقوقی
• 94. موردکاوی: سیستم RAG برای پژوهش علمی
• 95. آینده سیستم‌های RAG و عامل‌محور
• 96. روندهای نوظهور در پردازش زبان طبیعی
• 97. پیشرفت‌های آتی در LLMs و RAG
• 98. جمع‌بندی و چشم‌انداز آینده
• 99. پیاده‌سازی یک سیستم RAG کامل با LangGraph و Pinecone
• 100. ساخت یک عامل پرسش و پاسخ پیشرفته