الگوهای طراحی هوش مصنوعی مولد

هوش مصنوعی مولد (Generative AI) قابلیت‌های قدرتمند جدیدی را فراهم می‌کند، اما با محدودیت‌های جدی همراه است که برای ارائه یک برنامه یا عامل (Agent) قابل‌اعتماد باید با آن‌ها مقابله کنید. خوشبختانه، متخصصان این حوزه مجموعه‌ای از ۳۲ الگوی طراحی آزموده و اثبات‌شده را برای رفع چالش‌هایی که هنگام ساخت برنامه‌ها با استفاده از مدل‌های زبانی بزرگ (LLM) با آن‌ها مواجه می‌شوید، گردآوری کرده‌اند. این چالش‌ها شامل مواردی مانند توهمات (Hallucinations)، پاسخ‌های غیرقطعی (Nondeterministic responses) و محدودیت‌های دانش (Knowledge cutoffs) است. این کتاب تحقیقات و تجربیات دنیای واقعی را به توصیه‌هایی تبدیل می‌کند که می‌توانید در پروژه‌های خود بگنجانید. هر الگو یک مسئله را توصیف می‌کند، روشی اثبات‌شده برای حل آن با یک مثال کاملاً کدنویسی‌شده نشان می‌دهد و بده‌بستان‌های (Trade-offs) مربوطه را بررسی می‌کند.

سیستم‌های تولید یادگیری ماشین

استفاده از یادگیری ماشین (Machine Learning) برای محصولات، خدمات و فرآیندهای حیاتی کسب‌وکار، تفاوت‌های قابل‌توجهی با محیط‌های آکادمیک یا تحقیقاتی دارد. این کتاب کاربردی، دیدگاهی جامع از کل حوزه مهندسی یادگیری ماشین ارائه می‌دهد و برای کسانی که به دنبال انتقال از محیط تحقیق به فضای تجاری هستند، بسیار مفید است. نویسندگان به شما کمک می‌کنند تا موضوعات کلیدی را شناسایی کرده و با استفاده از منابع مرجع و آموزش‌ها، به عمق مفاهیم نفوذ کنید. شما با وضعیت فعلی مهندسی یادگیری ماشین (Machine Learning Engineering)، از جمله مدل‌سازی، دیپلوی (Deployment) و عملیات یادگیری ماشین (MLOps) آشنا خواهید شد. این کتاب چهار بخش عمیق را پوشش می‌دهد: - داده (Data): جمع‌آوری، برچسب‌گذاری، اعتبارسنجی، اتوماسیون، پیش‌پردازش، مهندسی ویژگی و ذخیره‌سازی. - مدل‌سازی (Modeling): مدل‌سازی با کارایی بالا، مدیریت منابع، تحلیل مدل، تعامل‌پذیری و جستجوی معماری عصبی. - دیپلوی (Deployment): الگوهای سرویس‌دهی مدل، زیرساخت برای مدل‌های ML و LLM، مدیریت، تحویل، مانیتورینگ و لاگ‌گیری. - تولیدی‌سازی (Productionalizing): پایپ‌لاین‌های ML، طبقه‌بندی متون و تصاویر غیرساختاریافته و پایپ‌لاین‌های مدل‌های هوش مصنوعی مولد (GenAI).