کتاب هوش مصنوعی مولد در مایکروسافت آژور

این بخش به بررسی عمیق مبانی فنی هوش مصنوعی مولد می‌پردازد و تکامل الگوهای پذیرش آن را در طول زمان شرح می‌دهد. موضوعات کلیدی شامل انواع مدل‌های هوش مصنوعی مولد، مفاهیم فنی اساسی مانند پیش‌آموزش، پس از آموزش و استنتاج، و نحوه نگاشت این مفاهیم به اکوسیستم مایکروسافت آژور است. هدف این است که خوانندگان درک جامعی از فناوری زیربنایی و چگونگی پیاده‌سازی آن در محیط‌های واقعی به دست آورند.

این بخش همچنین به بررسی چگونگی تکامل این فناوری در چند سال گذشته می‌پردازد و بینش‌هایی در مورد روندهای نوظهور ارائه می‌دهد. درک این مبانی برای متخصصان هوش مصنوعی که قصد دارند پروژه‌های پیچیده را در آژور پیاده‌سازی کنند، ضروری است. این فصل با یک نتیجه‌گیری جامع به پایان می‌رسد که نکات اصلی را خلاصه می‌کند.

این بخش بر چگونگی انتقال پروژه‌های هوش مصنوعی مولد از مرحله نمونه‌سازی اولیه به تولید در مایکروسافت آژور تمرکز دارد. این امر شامل بررسی اکوسیستم پیشرفته هوش مصنوعی آژور، با تمرکز ویژه بر Microsoft Foundry و قابلیت‌های آن برای مدل‌ها، گردش کارها و ایمنی است. همچنین به تنوع مدل‌ها، استراتژی‌های چند ارائه‌دهنده و کاتالوگ مدل آژور AI پرداخته می‌شود.

علاوه بر این، الگوهای استقرار، ساخت عامل‌ها در آژور، و ادغام با Microsoft Copilot و Copilot Studio مورد بحث قرار می‌گیرند. بخش قابل توجهی به پایگاه‌های داده برداری، Azure AI Search، و Azure Cosmos DB با Vector Search اختصاص یافته است، که برای مدیریت داده‌های مورد نیاز برنامه‌های هوش مصنوعی مدرن حیاتی هستند. چارچوب‌های وب و ادغام با GitHub Copilot نیز پوشش داده می‌شوند تا درک جامعی از استقرار و سفارشی‌سازی برنامه‌های هوش مصنوعی در آژور ارائه شود.

این بخش به بهترین شیوه‌ها برای انتخاب مدل و مهندسی پرامپت در اکوسیستم هوش مصنوعی مایکروسافت می‌پردازد. خوانندگان با ملاحظات مربوط به انتخاب مدل، از جمله استفاده از Microsoft Foundry و Azure OpenAI Models، آشنا می‌شوند. بهترین شیوه‌های مهندسی پرامپت، از جمله پایه‌ریزی برای پرامپت‌های مؤثر و تکنیک‌های مختلف، به تفصیل شرح داده شده‌اند.

بخش مهمی به تولید افزوده بازیابی (RAG) اختصاص دارد که شامل اصول اولیه، فرآیند RAG، پیاده‌سازی آن در آژور با استفاده از Azure AI Search، و بهینه‌سازی تکراری خطوط لوله RAG است. سناریوهای پیشرفته RAG مانند RAG چندوجهی، GraphRAG، NL2SQL و Agentic RAG نیز مورد بررسی قرار می‌گیرند تا درک جامعی از این تکنیک‌های قدرتمند ارائه شود.

این بخش به دو حوزه کلیدی در توسعه هوش مصنوعی مولد می‌پردازد: تنظیم دقیق مدل‌ها و ساخت سیستم‌های عامل. ابتدا، شرایطی که در آن تنظیم دقیق مدل‌ها ضروری است، و مقایسه آن با مهندسی پرامپت و RAG مورد بحث قرار می‌گیرد. انواع تنظیم دقیق مانند SFT و PEFT و همچنین فرآیندهای گام به گام برای تنظیم دقیق مدل‌های Azure OpenAI و سایر مدل‌های کاتالوگ در Microsoft Foundry شرح داده شده‌اند.

سپس، این بخش به سیستم‌های عامل می‌پردازد و توضیح می‌دهد که چه زمانی باید از آنها استفاده کرد، پروتکل‌های عامل، و الگوهای طراحی عامل مانند الگوی ترتیبی، گردش کار، همزمان، گروه-چت، خود-بازتابی، و انسان در حلقه. نحوه ساخت سیستم‌های عامل در آژور، از جمله سرویس عامل Microsoft Foundry، چارچوب عامل مایکروسافت، و استقرار عامل‌های میزبان، نیز پوشش داده شده است.