کتاب 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.
اشتراکی
مقدمه کتاب
پیش از شروع، نگاهی کوتاه به آنچه در این کتاب خواهید آموخت
در مقدمه کتاب سوالات کلی که برات به وجود اومده رو خیلی سریع با یک نگاه رفعشون کن تا دیدت بازتر شه و انتخابت آگاهانه تر باشه و میشه گفت سوالاتی مانند چرا این کتاب نوشته شده و چه مشکلی را حل میکند؟ چه کسانی میتوانند از کتاب استفاده کنند؟ خلاصه فصلها و اهداف یادگیری در هر بخش؟ تغییرات مهم و بهبودهای جدید اضافه شده در نسخه های مختلف و... باشه که ما همه این ها رو برات رفع میکنیم
مخاطب هدف
این کتاب برای توسعهدهندگان برنامههای هوش مصنوعی که میخواهند از مدلهای بنیادی برای ساخت برنامههای قوی استفاده کنند، ایدهآل است. این کتاب برای کسانی که تجربه قبلی کمی در هوش مصنوعی دارند یا اصلاً ندارند، مناسب است و مسیری روشن برای درک و پیادهسازی راهحلهای مدرن هوش مصنوعی ارائه میدهد. محتوا کاربران را در پیمایش چشمانداز پیچیده هوش مصنوعی راهنمایی میکند.
مهندسان یادگیری ماشین که به سمت مهندسی هوش مصنوعی در حال گذار هستند، این کتاب را به ویژه مفید خواهند یافت. این کتاب تفاوتهای بین مهندسی یادگیری ماشین سنتی و پشته جدید هوش مصنوعی را برجسته میکند و به آنها کمک میکند تا مهارتهای خود را تطبیق دهند. کتاب بینشهایی در مورد چالشها و رویکردهای منحصر به فرد مورد نیاز برای کار با مدلهای بنیادی ارائه میدهد.
متخصصانی که به بهینهسازی استنتاج هوش مصنوعی و استقرار کارآمد برنامههای هوش مصنوعی علاقهمند هستند، از بحثهای دقیق در مورد گلوگاههای تأخیر و هزینه بهرهمند خواهند شد. این کتاب استراتژیهای عملی برای غلبه بر این چالشها ارائه میدهد و استقرار با عملکرد بالا و مقرون به صرفه را تضمین میکند. این کتاب تکنیکهای مختلف بهینهسازی مدل و بهینهسازی سرویس استنتاج را پوشش میدهد.
هر کسی که در گردآوری دادهها، افزایش دادهها یا مهندسی مجموعهداده برای مدلهای هوش مصنوعی نقش دارد، راهنماییهای ارزشمندی خواهد یافت. این کتاب تکنیکهایی برای بهبود کیفیت، پوشش و کمیت دادهها، از جمله سنتز دادهها با کمک هوش مصنوعی را پوشش میدهد. همچنین به مراحل پردازش دادهها مانند بازرسی، حذف تکرار، پاکسازی و قالببندی میپردازد.
دلیل نوشتن کتاب
این کتاب با کاهش موانع ورود برای توسعهدهندگان، به تقاضای فزاینده برای محصولات هوش مصنوعی پاسخ میدهد. تمرکز آن بر ساخت برنامهها با استفاده از مدلهای بنیادی موجود است که هوش مصنوعی پیشرفته را برای مخاطبان گستردهتری قابل دسترس میکند. محتوا برای پر کردن شکاف بین دانش نظری هوش مصنوعی و توسعه کاربردی عملی طراحی شده است.
این کتاب یک مرور جامع از مهندسی هوش مصنوعی ارائه میدهد، آن را از مهندسی یادگیری ماشین سنتی متمایز میکند و پشته جدید هوش مصنوعی را معرفی میکند. این درک بنیادی برای هر کسی که به دنبال پیمایش پیچیدگیهای توسعه مدرن هوش مصنوعی است، حیاتی است. کتاب انتظارات روشنی را برای برنامهریزی، نقاط عطف و نگهداری برنامههای هوش مصنوعی تعیین میکند.
این کتاب بر اهمیت حیاتی ارزیابی در سیستمهای هوش مصنوعی، به ویژه برای مدلهای باز، به دلیل پتانسیل شکستهای فاجعهبار تأکید میکند. این کتاب روششناسیهای مختلف ارزیابی، از جمله رویکرد نوآورانه هوش مصنوعی به عنوان داور را بررسی میکند. این تمرکز تضمین میکند که توسعهدهندگان میتوانند برنامههای هوش مصنوعی قوی و قابل اعتماد بسازند.
این کتاب توسعهدهندگان را با تکنیکهای تطبیق مدل عملی مانند مهندسی پرامپت، RAG، تنظیم دقیق و عاملها مجهز میکند. این تکنیکها برای سفارشیسازی مدلهای بنیادی برای موارد استفاده خاص و بهینهسازی عملکرد آنها ضروری هستند. این کتاب همچنین مهندسی مجموعهداده را برای افزایش بیشتر اثربخشی مدل پوشش میدهد.
نمای کلی محتوا
این کتاب به طور مؤثری مهندسی هوش مصنوعی را روشن میکند و آن را به عنوان یک رشته عملی برای ساخت برنامهها با مدلهای بنیادی ارائه میدهد. این کتاب یک چارچوب روشن و ساختاریافته برای توسعه ارائه میدهد و مفاهیم پیچیده را برای مخاطبان گستردهای قابل دسترس میکند. پوشش جامع تضمین میکند که خوانندگان درک محکمی از کل چرخه عمر برنامه هوش مصنوعی به دست آورند.
نویسنده تمایز ارزشمندی بین مهندسی هوش مصنوعی و مهندسی یادگیری ماشین سنتی ارائه میدهد و جنبههای منحصر به فرد پشته جدید هوش مصنوعی را برجسته میکند. این دیدگاه به متخصصان کمک میکند تا تغییر پارادایمها را درک کرده و مهارتهای خود را بر این اساس تطبیق دهند. بینشهای کتاب در مورد روششناسیهای ارزیابی به ویژه قوی است و به یک نیاز حیاتی در این حوزه پاسخ میدهد.
این کتاب در جزئیاتبخشی به تکنیکهای مختلف تطبیق مدل، از مهندسی پرامپت گرفته تا تنظیم دقیق و RAG، عالی عمل میکند. این کتاب راهنمایی عملی در مورد نحوه عملکرد این روشها و زمان استفاده از آنها ارائه میدهد و توسعهدهندگان را قادر میسازد تا مدلهای بنیادی را به طور مؤثر سفارشی کنند. گنجاندن عاملها و مهندسی مجموعهداده کاربرد عملی آن را بیشتر میکند.
یکی از نقاط قوت قابل توجه این اثر، تمرکز آن بر بهینهسازی استنتاج و معماری مهندسی هوش مصنوعی است. این کتاب به نگرانیهای حیاتی مانند تأخیر و هزینه هنگام سرویسدهی مدلهای بنیادی میپردازد و راهحلهایی برای استقرار کارآمد ارائه میدهد. بحثها در مورد نظارت، قابلیت مشاهده و بازخورد کاربر دیدگاهی جامع از نگهداری سیستمهای هوش مصنوعی در تولید ارائه میدهند.
10 فصل در حال تولید
مدت زمان خوانش
15:52
نوع کتاب
اشتراکی
شرکت کنندگان
0 نفر
تولید کتاب
۳۰ شهریور ۱۴۰۵