فلش‌کارت‌های آموزشی طراحی و ساخت جریان‌های کاری هوشمند با PromptFlow در Azure AI Studio

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و ساخت جریان‌های کاری هوشمند با PromptFlow در Azure AI Studio

موضوع کلی: هوش مصنوعی و توسعه نرم‌افزار

موضوع میانی: ابزارهای هوش مصنوعی برای توسعه‌دهندگان

📋 سرفصل‌های دوره

• 1. آشنایی با Azure AI Studio و PromptFlow
• 2. مقدمه‌ای بر جریان‌های کاری هوشمند
• 3. اصول طراحی جریان‌های کاری در PromptFlow
• 4. اجزای کلیدی PromptFlow
• 5. انواع گره‌ها در PromptFlow
• 6. گره‌های ورودی و خروجی
• 7. گره‌های محاسباتی
• 8. گره‌های ارزیابی
• 9. گره‌های فراخوانی مدل
• 10. ساخت جریان کاری ساده
• 11. تنظیم پارامترهای گره‌ها
• 12. اتصال گره‌ها به یکدیگر
• 13. مدیریت داده‌ها در جریان کاری
• 14. انواع داده‌های پشتیبانی شده
• 15. ذخیره‌سازی و بازیابی داده‌ها
• 16. استفاده از متغیرها در جریان کاری
• 17. اعمال منطق شرطی
• 18. تکرار و حلقه‌ها در جریان کاری
• 19. مدیریت خطا و استثناها
• 20. نوشتن گره‌های سفارشی با Python
• 21. استفاده از کتابخانه‌های Python
• 22. پیاده‌سازی منطق سفارشی
• 23. تست و اشکال‌زدایی گره‌های سفارشی
• 24. بهینه‌سازی جریان‌های کاری
• 25. اندازه‌گیری عملکرد جریان کاری
• 26. شناسایی گلوگاه‌ها
• 27. تکنیک‌های بهینه‌سازی
• 28. استفاده از مدل‌های زبانی بزرگ (LLMs)
• 29. تنظیم دقیق LLMs
• 30. Prompt Engineering برای LLMs
• 31. کاربرد LLMs در جریان‌های کاری
• 32. ادغام با Azure OpenAI Service
• 33. تنظیمات امنیتی برای Azure OpenAI
• 34. استفاده از مدل‌های سفارشی LLM
• 35. ارزیابی کیفیت خروجی LLMs
• 36. متریک‌های ارزیابی خروجی LLMs
• 37. طراحی سناریوهای ارزیابی
• 38. انجام ارزیابی خودکار
• 39. انجام ارزیابی دستی
• 40. مستندسازی جریان‌های کاری
• 41. نمودار جریان کاری
• 42. توضیحات گره‌ها و اتصالات
• 43. راهنمای استفاده از جریان کاری
• 44. استقرار جریان‌های کاری
• 45. محیط‌های استقرار
• 46. فرآیند استقرار
• 47. مدیریت نسخه‌ها
• 48. نظارت بر جریان‌های کاری مستقر شده
• 49. لاگ‌ها و معیارها
• 50. عیب‌یابی مشکلات استقرار
• 51. کاربرد PromptFlow در توسعه برنامه‌های هوش مصنوعی
• 52. ساخت چت‌بات‌های هوشمند
• 53. سیستم‌های توصیه‌گر
• 54. تحلیل احساسات
• 55. خلاصه‌سازی متن
• 56. تولید محتوا
• 57. ترجمه ماشینی
• 58. شناسایی موجودیت نام‌گذاری شده (NER)
• 59. پاسخ به سوالات
• 60. استفاده از PromptFlow برای یادگیری ماشین
• 61. پیش‌پردازش داده‌ها
• 62. تنظیم و ارزیابی مدل‌های ML
• 63. مهندسی ویژگی
• 64. استفاده از PromptFlow برای اتوماسیون وظایف
• 65. اتوماسیون فرآیندهای کسب و کار
• 66. تولید گزارش
• 67. پردازش اسناد
• 68. امنیت در PromptFlow
• 69. مدیریت دسترسی‌ها
• 70. احراز هویت و مجوزدهی
• 71. حفاظت از داده‌ها
• 72. حریم خصوصی در جریان‌های کاری
• 73. ملاحظات اخلاقی در طراحی جریان‌های کاری
• 74. مسئولیت‌پذیری در هوش مصنوعی
• 75. شفافیت در عملکرد جریان‌های کاری
• 76. مقایسه PromptFlow با ابزارهای مشابه
• 77. مزایا و معایب PromptFlow
• 78. موارد استفاده پیشرفته PromptFlow
• 79. ساخت جریان‌های کاری پیچیده
• 80. ادغام با سایر سرویس‌های Azure
• 81. سفارشی‌سازی پیشرفته گره‌ها
• 82. بهینه‌سازی مقیاس‌پذیری جریان‌های کاری
• 83. مباحث پیشرفته در Prompt Engineering
• 84. تکنیک‌های Prompting خلاقانه
• 85. Prompt Chaining
• 86. Reflective Prompting
• 87. کاربرد PromptFlow در تحقیقات هوش مصنوعی
• 88. کاوش ایده‌های جدید
• 89. آزمایش فرضیه‌ها
• 90. توسعه ابزارهای تحقیقاتی
• 91. آینده PromptFlow و جریان‌های کاری هوشمند
• 92. روندهای نوظهور در هوش مصنوعی
• 93. تحولات آتی در Azure AI Studio
• 94. نکات کلیدی برای موفقیت در طراحی جریان‌های کاری
• 95. جمع‌بندی و گام‌های بعدی
• 96. منابع تکمیلی و یادگیری بیشتر
• 97. کارگاه عملی: ساخت یک جریان کاری پیچیده
• 98. پروژه پایانی: طراحی و پیاده‌سازی یک راهکار هوشمند
• 99. ارائه پروژه‌های پایانی
• 100. بازخورد و بهبود مستمر