دوره آموزش مهندس هوش مصنوعی | تولید نرم افزارهای هوشمند

آموزش مهندس هوش مصنوعی

“از مفاهیم پایه تا ساخت سیستم های هوشمند”

هدف دوره : آموزش مهندسان و توسعه دهندگان برای تسلط بر طراحی، پیاده سازی و بهینه سازی سیستم های هوشمند مبتنی بر مدل های زبانی بزرگ (LLMها) با ترکیب مفاهیم پایه، ابزارهای پیشرفته و پروژه های واقعی، به منظور تبدیل چالش های دنیای امروز به راه حل های نوآورانه فردا.

در این دوره هدف شناخت و استفاده از روش های معروف و کاربردی در تولید و توسعه نرم افزارها خواهد بود. شما با یادگیری نحوه استفاده از انواع روش ها و ابزارها در تولید و توسعه نرم افزار می توانید محصولات توسعه یافته برپایه هوش مصنوعی داشته باشید.

پیش نیاز دوره : تجربه برنامه نویسی با زبان های برنامه نویسی و علاقه به یادگیری مطالب جدید

مدت زمان دوره : 54 ساعت

۱.  مقدمه ای بر هوش مصنوعی: تاریخچه، مفاهیم کلیدی و تحولات

• تاریخچه هوش مصنوعی
• تولد هوش مصنوعی و مرور نقاط عطف (شبکه های عصبی، یادگیری عمیق، AlphaGo) 
• رویکردهای سنتی: سیستم های مبتنی بر قواعد (Rule-Based)، یادگیری ماشین کلاسیک (SVM، درخت تصمیم)
• مفاهیم کلیدی 
• تفاوت بین هوش مصنوعی(AI)، یادگیری ماشین (ML) و یادگیری عمیق (DL) 
• معرفی مدل های زبانی (Language Models) و تحول از Seq2Seq به ترنسفورمرها (Transformers)
• انقلاب مدل های پایه (Foundation Models) و LLMها 
• تعریف مدل های پایه : قابلیت انتقال دانش (Transfer Learning) در مقیاس بزرگ
• تفاوت LLMها (مثل GPT-4) با مدل های قدیمی تر (BERT، RNN) 
• معماری مبتنی بر توجه (Attention) در مقابل LSTM/GRU
• آموزش بدون نظارت (Self-Supervised) روی داده های متنوع
• توانایی انجام وظایف چندگانه (Multitask) بدون تنظیم اختصاصی

۲. مدل های زبانی بزرگ (LLMها) مقایسه، هزینه ها و پیاده سازی

• معرفی مدل های اصلی 
• مقایسه فنی و کاربردی 
• جدول مقایسه: اندازه مدل (پارامترها)، داده های آموزشی، محدودیت های توکن، هزینه استنتاج
• عملکرد در وظایف خاص (کدنویسی، استدلال ریاضی، خلاصه سازی)
• هزینه ها و چالش های عملیاتی 
• هزینه آموزش (Training Cost) در مقابل هزینه استنتاج (Inference Cost)
• بهینه سازی برای کاهش هزینه ها  Quantization، Pruning، استفاده از APIها (مثل OpenAI) در مقابل میزبانی خود (Self-Hosted)
• پیاده سازی عملی 
• استقرار مدل های متن باز (مثل LLaMA) با ابزارهایی مانند Hugging Face Transformers و vLLM
• مدیریت حافظه و سخت افزار (GPU vs. TPU) 

۳. فناوری های پیشرفته در توسعه سیستم های مبتنی بر LLM

• ذخیره سازی و بازیابی دانش : وکتور دیتابیس ها و RAG 
• مفاهیم جاسازی (Embedding) و شباهت برداری (Vector Similarity)
• پیاده سازی RAG (Retrieval-Augmented Generation)
• تنظیم دقیق (Fine-Tuning) و آموزش تطبیقی 
• تفاوت Fine-Tuning (آموزش کل مدل) با LoRA (Low-Rank Adaptation) 
• استفاده از داده های دامنه خاص (مثل پزشکی، حقوقی)
• کنترل و بهینه سازی خروجی ها 
• تکنیک های MCP (Model Context Protocol) و RLHF (Reinforcement learning from human feedback) 
• کاهش توهمات (Hallucinations) با سیستم های ترکیبی (مدل + پایگاه دانش)
• ایجاد سیستم های چندعاملی (AI Agents) 
• معماری عامل ها (Autonomous Agents): برنامه ریزی زنجیرهای (Chain-of-Thought)، ابزارهای خارجی (Tools API)
• نمونه  AutoGPT، BabyAGI

4.پیاده سازی پروژه های عملی با چارچوب های متن باز

• چارچوب های توسعه هوش مصنوعی 
• اتصال مدل ها به منابع داده، ابزارها و سرویس های خارجی: LangChain/LlamaIndex
• تولید تصویر/ویدئو با مدل های Stable Diffusion و Diffusers Hugging Face
• پروژه نمونه : ساخت چت بات هوشمند 

5. آینده مهندسی نرم افزار: مهارت های ضروری و تحولات

• تغییر نقش مهندسان در عصرAI
• انتقال از کدنویسی صرف به طراحی سیستم های هوشمند (AI System Design)
• اهمیت درک مفاهیم MLOps و LLMOps
• ادغام با حوزه های میان رشته ای 
• آشنایی با مدیریت محصول (Product Management) : اولویت بندی نیازها، تعامل با ذینفعان
• مهارت های ابری (AWS/GCP/Azure) مدیریت زیرساخت های مقیاس پذیر
• توسعه مهارت های نرم 
• تفکر انتقادی برای ارزیابی خروجی های AI
• یادگیری مستمر با توجه به سرعت تحولات فناوری

6. ابزارهای کدنویسی مبتنی بر هوش مصنوعی

• مقایسه ابزارها 
• یکپارچه سازی GitHub Copilot با  VS Code
• ویرایشگر مبتنی بر گفتگو GPT-4    
• ابزارهای جایگزین  Tabnine،Amazon CodeWhisperer
• کاربردهای پیشرفته 
• دیباگ خودکار، تولید تست های واحد (Unit Tests)، بازنویسی کد
• محدودیت ها : وابستگی به کیفیت داده های آموزشی، ریسک امنیتی

7.  ابزارهای افزایش بهره وری مهندسان نرم افزار

• اتوماسیون توسعه نرم افزار 
• تولید خودکار کد با Bolt، Retool یا Copilot
• تولید API و داکیومنت با ابزارهایی مانند FastAPI + Swagger
• بهینه سازی فرآیندها 
• مدیریت وابستگی ها با Dependabot،Renovate
• ابزارهای تحلیل کد SonarQube،Semgrep
• ادغام با DevOps 
• Pipe Line های CI/CD با GitHub Actions،GitLab CI