راهنمای مصور عامل‌های هوش مصنوعی

هوش مصنوعی در حال ورود به فاز جدیدی است. عامل‌های هوش مصنوعی (AI agents) اکنون می‌توانند با استقلال فزاینده‌ای استدلال، برنامه‌ریزی و عمل کنند. این سیستم‌ها، از تسریع پیشرفت‌های علمی گرفته تا پشتیبانی از کارهای خلاقانه، به سرعت در حال تغییر شکل صنایع و زندگی روزمره هستند. این کتاب مبانی مفهومی و بینش‌های عملی مورد نیاز برای درک و کار موثر با این فناوری نوظهور را فراهم می‌کند. از طریق صدها تصویر گرافیکی واضح، مارتن گروتندورست و جی علمار توضیح می‌دهند که عامل‌های هوش مصنوعی چگونه ساخته می‌شوند، چگونه فکر می‌کنند و به کدام سمت می‌روند. این راهنما که برای متخصصان، دانشجویان و یادگیرندگان کنجکاو طراحی شده است، فراتر از هیاهو می‌رود تا آنچه را که واقعاً در درون این سیستم‌ها اتفاق می‌افتد، اهمیت آن و نحوه به کارگیری این دانش در زمینه‌های واقعی را آشکار کند. راهنمای مصور عامل‌های هوش مصنوعی مرجع ضروری شما برای پیمایش در مرز بعدی هوش مصنوعی است. معماری اصلی عامل‌های هوش مصنوعی را کاوش کنید: ابزارها، حافظه و برنامه‌ریزی. مدل‌های زبان بزرگ (LLM) استدلالی، مدل‌های چندوجهی (multimodal) و همکاری چندعاملی را درک کنید. روش‌های پیشرفته، از جمله تقطیر (distillation)، کوانتیزاسیون (quantization) و یادگیری تقویتی (reinforcement learning) را بیاموزید. کاربردها، نقاط قوت و محدودیت‌های عامل‌های هوش مصنوعی در دنیای واقعی را ارزیابی کنید.

کار با مدل‌های زبانی بزرگ

هوش مصنوعی در چند سال اخیر به توانمندی‌های زبانی خیره‌کننده‌ای دست یافته است. سیستم‌های هوش مصنوعی زبانی که با پیشرفت‌های سریع در یادگیری عمیق (Deep Learning) هدایت می‌شوند، اکنون بهتر از هر زمان دیگری قادر به نوشتن و درک متن هستند. این روند باعث ایجاد ویژگی‌ها، محصولات و صنایع کاملاً جدیدی شده است. خوانندگان از طریق ماهیت بصری و آموزشی این کتاب، ابزارها و مفاهیم کاربردی مورد نیاز برای استفاده از این قابلیت‌ها را فرا خواهند گرفت. شما یاد خواهید گرفت که چگونه از مدل‌های زبانی بزرگ پیش‌آموزش‌دیده برای مواردی مانند کپی‌رایتینگ و خلاصه‌سازی استفاده کنید؛ سیستم‌های جستجوی معنایی (Semantic Search) بسازید که فراتر از تطبیق کلمات کلیدی عمل می‌کنند؛ و از کتابخانه‌های موجود و مدل‌های پیش‌آموزش‌دیده برای طبقه‌بندی متن، جستجو و خوشه‌بندی استفاده کنید. این کتاب همچنین به شما کمک می‌کند تا: - معماری مدل‌های زبانی ترنسفورمر (Transformer) را که در تولید و نمایش متن عالی هستند، درک کنید. - خط‌لوله‌های پیشرفته LLM را برای خوشه‌بندی اسناد متنی و کاوش در موضوعات آن‌ها بسازید. - موتورهای جستجوی معنایی بسازید که با استفاده از روش‌هایی مانند بازیابی متراکم (Dense Retrieval) و رتبه‌بندی مجدد (Rerankers)، فراتر از جستجوی کلمات کلیدی بروند. - چگونگی استفاده از مدل‌های مولد (Generative Models) را، از مهندسی پرامپت (Prompt Engineering) گرفته تا تولید تقویت‌شده با بازیابی (RAG)، بررسی کنید. - درک عمیق‌تری از نحوه آموزش LLMها و بهینه‌سازی آن‌ها برای کاربردهای خاص با استفاده از تنظیم دقیق (Fine-tuning) مدل مولد، تنظیم دقیق مقابله‌ای و یادگیری در متن (In-context Learning) به دست آورید.