طراحی سیستم‌های یادگیری ماشین

سیستم‌های یادگیری ماشین هم پیچیده و هم منحصر‌به‌فرد هستند. پیچیده از این جهت که از اجزای مختلف زیادی تشکیل شده‌اند و ذی‌نفعان متعددی را در بر می‌گیرند. منحصر‌به‌فرد هستند زیرا وابسته به داده می‌باشند و داده‌ها از یک مورد استفاده به مورد دیگر به شدت تغییر می‌کنند. در این کتاب، شما یک رویکرد جامع برای طراحی سیستم‌های یادگیری ماشین خواهید آموخت که قابل اعتماد (Reliable)، مقیاس‌پذیر (Scalable)، قابل نگهداری (Maintainable) و تطبیق‌پذیر (Adaptive) با تغییرات محیط و الزامات کسب‌وکار باشند. نویسنده کتاب، چیپ هوین (Chip Huyen)، هم‌بنیان‌گذار Claypot AI، هر تصمیم طراحی—مانند نحوه پردازش و ایجاد داده‌های آموزشی، ویژگی‌های مورد استفاده، فواصل زمانی بازآموزی مدل‌ها و موارد قابل پایش—را در چارچوب چگونگی دستیابی سیستم به اهداف کلی خود بررسی می‌کند. چارچوب تکرارپذیر این کتاب از مطالعه‌های موردی واقعی همراه با منابع متعدد استفاده می‌کند. این کتاب به شما کمک می‌کند تا سناریوهایی مانند موارد زیر را مدیریت کنید: - مهندسی داده و انتخاب معیارهای مناسب برای حل یک مسئله کسب‌وکار - خودکارسازی فرآیند توسعه، ارزیابی، استقرار (Deployment) و به‌روزرسانی مداوم مدل‌ها - توسعه یک سیستم پایش (Monitoring System) برای شناسایی و رفع سریع مشکلاتی که مدل‌ها در محیط عملیاتی با آن مواجه می‌شوند - معماری یک پلتفرم یادگیری ماشین که در موارد استفاده گوناگون خدمت‌رسانی کند - توسعه سیستم‌های یادگیری ماشین مسئولانه (Responsible ML)

مهندسی هوش مصنوعی

پیشرفت‌های اخیر در هوش مصنوعی نه تنها تقاضا برای محصولات هوش مصنوعی را افزایش داده، بلکه موانع ورود برای کسانی که می‌خواهند محصولات هوش مصنوعی بسازند را نیز کاهش داده است. رویکرد مدل به عنوان سرویس (model-as-a-service) هوش مصنوعی را از یک رشته تخصصی به یک ابزار توسعه قدرتمند تبدیل کرده که هر کسی می‌تواند از آن استفاده کند. اکنون همه، از جمله کسانی که تجربه قبلی کمی در هوش مصنوعی دارند یا اصلاً ندارند، می‌توانند از مدل‌های هوش مصنوعی برای ساخت برنامه‌ها بهره ببرند. در این کتاب، نویسنده چیپ هویان به بحث درباره مهندسی هوش مصنوعی می‌پردازد: فرآیند ساخت برنامه‌ها با استفاده از مدل‌های بنیادی (foundation models) که به راحتی در دسترس هستند. این کتاب با مروری بر مهندسی هوش مصنوعی آغاز می‌شود و توضیح می‌دهد که چگونه با مهندسی یادگیری ماشین (ML engineering) سنتی تفاوت دارد و پشته جدید هوش مصنوعی را مورد بحث قرار می‌دهد. هرچه بیشتر از هوش مصنوعی استفاده شود، فرصت‌های بیشتری برای شکست‌های فاجعه‌بار وجود دارد، و بنابراین، ارزیابی اهمیت بیشتری پیدا می‌کند. این کتاب رویکردهای مختلفی را برای ارزیابی مدل‌های باز (open-ended models)، از جمله رویکرد به سرعت در حال رشد هوش مصنوعی به عنوان داور (AI-as-a-judge)، مورد بحث قرار می‌دهد. توسعه‌دهندگان برنامه‌های هوش مصنوعی کشف خواهند کرد که چگونه در چشم‌انداز هوش مصنوعی، از جمله مدل‌ها، مجموعه‌داده‌ها، معیارهای ارزیابی، و تعداد بی‌شمار موارد استفاده و الگوهای کاربردی، حرکت کنند. شما یک چارچوب برای توسعه یک برنامه هوش مصنوعی یاد خواهید گرفت، که با تکنیک‌های ساده شروع می‌شود و به سمت روش‌های پیچیده‌تر پیش می‌رود، و کشف خواهید کرد که چگونه این برنامه‌ها را به طور کارآمد پیاده‌سازی کنید. درک اینکه مهندسی هوش مصنوعی چیست و چگونه با مهندسی یادگیری ماشین سنتی تفاوت دارد. یادگیری فرآیند توسعه یک برنامه هوش مصنوعی، چالش‌های هر مرحله، و رویکردهای مقابله با آنها. بررسی تکنیک‌های مختلف تطبیق مدل (model adaptation)، از جمله مهندسی پرامپت (prompt engineering)، RAG، تنظیم دقیق (fine-tuning)، عامل‌ها (agents)، و مهندسی مجموعه‌داده (dataset engineering)، و درک چگونگی و چرایی عملکرد آنها. بررسی گلوگاه‌های تأخیر (latency) و هزینه هنگام سرویس‌دهی مدل‌های بنیادی و یادگیری چگونگی غلبه بر آنها. انتخاب مدل، مجموعه‌داده، معیارهای ارزیابی، و سنجه‌های مناسب برای نیازهای شما. چیپ هویان در Voltron Data برای تسریع تحلیل داده‌ها روی GPUها کار می‌کند. پیش از این، او در Snorkel AI و NVIDIA بود، یک استارتاپ زیرساخت هوش مصنوعی را تأسیس کرد، و طراحی سیستم‌های یادگیری ماشین را در استنفورد تدریس می‌کرد. او نویسنده کتاب Designing Machine Learning Systems است که یک کتاب پرفروش آمازون در زمینه هوش مصنوعی است. مهندسی هوش مصنوعی بر پایه کتاب Designing Machine Learning Systems (O'Reilly) بنا شده و مکمل آن است.