کتاب صوتی طراحی و پیاده‌سازی سیستم‌های بازیابی دانش افزوده (RAG) در محیط ابری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی سیستم‌های بازیابی دانش افزوده (RAG) در محیط ابری

موضوع کلی: هوش مصنوعی و توسعه نرم‌افزار

موضوع میانی: معماری‌های پیشرفته هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مبانی هوش مصنوعی و یادگیری ماشین
• 2. مقدمه‌ای بر سیستم‌های بازیابی دانش افزوده (RAG)
• 3. معماری‌های پایه RAG
• 4. مراحل اصلی پیاده‌سازی RAG
• 5. مقدمه ای بر Azure AI Foundry
• 6. مفاهیم کلیدی Azure AI Studio
• 7. آماده‌سازی داده‌ها برای RAG
• 8. پاکسازی و پیش‌پردازش داده‌ها
• 9. تکنیک‌های توکنایز کردن متون
• 10. بردارسازی اسناد و واژگان
• 11. مدل‌های جاسازی (Embedding Models)
• 12. معرفی مدل‌های جاسازی پیشرفته
• 13. انتخاب مدل جاسازی مناسب
• 14. ذخیره‌سازی داده‌های برداری (Vector Stores)
• 15. معرفی پایگاه داده‌های برداری
• 16. کار با Azure AI Search
• 17. تنظیمات و پیکربندی Azure AI Search
• 18. ایجاد شاخص‌های برداری
• 19. تزریق داده به شاخص برداری
• 20. موتورهای بازیابی اطلاعات
• 21. روش‌های جستجوی شباهت
• 22. جستجوی مجاورت k-نزدیکترین (k-NN)
• 23. جستجوی تقریبی مجاورت (ANN)
• 24. بهینه‌سازی پارامترهای جستجو
• 25. مدل‌های زبانی بزرگ (LLMs)
• 26. مبانی LLMs و معماری ترنسفورمر
• 27. معرفی مدل‌های پیشرفته LLM
• 28. انتخاب LLM مناسب برای RAG
• 29. تنظیم دقیق (Fine-tuning) LLMs
• 30. آموزش LLMs با داده‌های سفارشی
• 31. ملاحظات اخلاقی در LLMs
• 32. مقدمه‌ای بر Azure OpenAI Service
• 33. استقرار مدل‌های OpenAI در Azure
• 34. مدیریت دسترسی و امنیت در Azure OpenAI
• 35. تکنیک‌های تولید متن با LLMs
• 36. تولید پاسخ‌های خلاقانه
• 37. تولید پاسخ‌های مبتنی بر دانش
• 38. کنترل خروجی LLMs
• 39. مهندسی پرامپت (Prompt Engineering)
• 40. اصول مهندسی پرامپت مؤثر
• 41. تکنیک‌های پیشرفته پرامپت‌نویسی
• 42. مدیریت تاریخچه مکالمه
• 43. طراحی پرامپت برای وظایف خاص RAG
• 44. تکنیک‌های بهبود بازیابی (Retrieval)
• 45. افزایش دقت بازیابی اطلاعات
• 46. استفاده از متا‌داده‌ها در بازیابی
• 47. بازیابی چند مرحله‌ای (Multi-hop Retrieval)
• 48. بازیابی با استفاده از گراف دانش
• 49. ترکیب با روش‌های سنتی جستجو
• 50. تکنیک‌های بهبود تولید (Generation)
• 51. تولید پاسخ‌های منسجم و دقیق
• 52. استفاده از تکنیک‌های استنتاج
• 53. مدیریت پاسخ‌های نامربوط
• 54. ارزیابی سیستم‌های RAG
• 55. معیارهای ارزیابی بازیابی
• 56. معیارهای ارزیابی تولید
• 57. معیارهای کلی ارزیابی RAG
• 58. ابزارهای ارزیابی خودکار
• 59. ارزیابی انسانی سیستم‌های RAG
• 60. مقدمه‌ای بر Azure AI Studio برای RAG
• 61. ساخت اپلیکیشن RAG با Azure AI Studio
• 62. استفاده از ابزارهای داخلی Studio
• 63. اتصال به منابع داده خارجی
• 64. پیاده‌سازی گردش کار (Workflow) RAG
• 65. مدیریت نسخه‌بندی در Studio
• 66. استقرار سیستم RAG در Azure
• 67. مراحل استقرار در Azure App Service
• 68. تنظیمات شبکه و امنیت استقرار
• 69. مانیتورینگ و لاگ‌گیری سیستم RAG
• 70. بهینه‌سازی عملکرد سیستم RAG
• 71. کاهش تأخیر (Latency) در پاسخ‌دهی
• 72. مدیریت هزینه‌ها در Azure
• 73. توسعه مداوم و به‌روزرسانی سیستم
• 74. روندهای آینده در RAG
• 75. هوش مصنوعی مولد و RAG
• 76. RAG برای کاربردهای سازمانی
• 77. امنیت داده‌ها در سیستم‌های RAG
• 78. حفظ حریم خصوصی در RAG
• 79. ملاحظات قانونی و شرعی در RAG
• 80. استانداردهای اسلامی در فناوری اطلاعات
• 81. اخلاق حرفه‌ای در توسعه نرم‌افزار
• 82. کاربرد RAG در آموزش و پژوهش
• 83. کاربرد RAG در خدمات مشتریان
• 84. کاربرد RAG در تحلیل داده‌ها
• 85. کاربرد RAG در سیستم‌های حقوقی
• 86. کاربرد RAG در حوزه سلامت
• 87. ملاحظات فرهنگی در طراحی RAG
• 88. ملاحظات بومی‌سازی سیستم‌های RAG
• 89. تست و اعتبارسنجی سیستم‌های RAG
• 90. بهبود تجربه کاربری (UX) در RAG
• 91. معماری‌های پیشرفته‌تر RAG
• 92. RAG با استفاده از مدل‌های چندوجهی
• 93. ترکیب RAG با یادگیری تقویتی
• 94. استفاده از گراف‌های دانش در RAG
• 95. سیستم‌های RAG خودکار و یادگیرنده
• 96. جمع‌بندی و چشم‌انداز آینده RAG