مهندسی هوش مصنوعی: ساخت اپلیکیشن با مدل‌های پایه
یاد می‌گیرید با مدل زبانی بزرگ (LLM) یک اپلیکیشن هوش مصنوعی واقعی بسازید: مدل را از درون بشناسید — از توکن تا دما و توهم — پرامپت دفاعی بنویسید، چت‌بات روی اسناد با RAG و ایجنت هوش مصنوعی پیاده کنید، بدانید fine tuning کی می‌ارزد، خروجی را با عدد ارزیابی کنید و هزینه و سرعت را مهار کنید. در ده فصل، دستیار فارسی «ذهن‌یار» را لایه‌به‌لایه با پایتون میسازید.
- ۴۳ درس
- ۱۶ ساعت مطالعه
- ۴۳ درس رایگان
- آزمونک و فلش‌کارت
- ۱۶ درس منتشرشده، بقیه در حال نگارش
درباره‌ی این دوره ABOUT
مهندسی هوش مصنوعی چیست؟ مهندسی هوش مصنوعی یعنی ساختن محصول روی مدل‌های آماده — مثل GPT، Claude یا یک مدل زبانی بزرگ فارسی متن‌باز — به‌جای آموزش مدل از صفر. کار مهندس هوش مصنوعی انتخاب مدل، نوشتن پرامپت، وصل کردن مدل به داده‌ی سازمان، ارزیابی خروجی و کنترل هزینه است. این دوره همین مهارت را قدم‌به‌قدم و به فارسی آموزش میدهد.
دوره بر پایه‌ی ساختار کتاب مرجع *AI Engineering* نوشته Chip Huyen طراحی شده، ولی ترجمه نیست: هر مفهوم با مثال ماندگار فارسی، نمودار اورجینال و آزمونک توضیح داده میشود. از اینکه توکن در هوش مصنوعی چیست و مدل زبانی بزرگ (LLM) چطور کار می‌کند شروع می‌کنیم و به موضوع‌هایی می‌رسیم که در پروژه‌ی واقعی گیر می‌کنید: RAG چیست و چه وقت لازم است، ایجنت هوش مصنوعی کجا شکست می‌خورد، fine tuning چیست و کی ارزش هزینه‌اش را دارد.
بخش عملی دوره یک پروژه‌ی پیوسته است. اگر دنبال آموزش ساخت چت‌بات هوش مصنوعی با پایتون بوده‌اید، اینجا یک دستیار پرسش‌وپاسخ فارسی به نام «ذهن‌یار» میسازید که هر فصل یک لایه به آن اضافه می‌کند: لایه‌ی مدل قابل تعویض، ارزیابی خودکار، کتابخانه‌ی پرامپت، موتور RAG، کش و نگهبان. همهی پروژهها آفلاین و رایگان اجرا میشوند؛ برای وصل شدن به مدل واقعی فقط یک متغیر عوض میشود.
این دوره برای برنامه‌نویسی است که می‌خواهد ساخت اپلیکیشن با هوش مصنوعی را جدی و درست یاد بگیرد، نه با چند خط کد کپی‌شده. دو درس اول رایگان است و بدون ثبت‌نام خوانده میشود.
در این دوره یاد می‌گیرید OUTCOMES
- بفهمید مدل پایه از درون چطور کار می‌کند — از توکن تا نمونه‌برداری و دما
- برای یک محصول واقعی خط لوله‌ی ارزیابی بسازید و مدل مناسب را با عدد انتخاب کنید
- پرامپت نسخه‌دار بنویسید و جلوی حمله‌ی تزریق پرامپت بایستید
- موتور RAG و ایجنت ابزارمحور را از صفر پیاده کنید
- تشخیص دهید کی تنظیم دقیق به‌صرفه است و LoRA را پیاده کنید
- استنتاج را سریع‌تر و ارزان‌تر کنید: کش، دسته‌بندی درخواست‌ها، سنجش TTFT
بهتر است پیش از شروع این مهارت‌ها را داشته باشید PREREQUISITES
- پایتون در حد نوشتن تابع و کلاس
- کار با ترمینال و pip
- آشنایی اولیه با API و JSON
مسیر یادگیری PATH
سرفصل SYLLABUS
۰۱مقدمه‌ای بر ساخت اپلیکیشن با مدل‌های پایهمدل پایه چیست، چرا ناگهان همه‌جا پیدایش شد، مهندسی هوش مصنوعی چه فرقی با یادگیری ماشین سنتی دارد، و قبل از نوشتن اولین خط کد چه سؤال‌هایی باید از خودتان بپرسید.۵ درس · ۹۶ دقیقه
۱از مدل زبانی تا مدل پایهمدل زبانی چطور کار می‌کند، توکن چیست و چرا خودنظارتی همه‌چیز را عوض کرد.۲۴ دقیقه۲مدل پایه به چه دردی می‌خورد؟نقشه‌ی کاربردهای مدل زبانی بزرگ: کجا عالی است و کجا نباید از آن استفاده کرد.۹ دقیقه۳قبل از کد: نقشهٔ محصولپیش از کد: معیار موفقیت، ریسک و نقشه‌ی ساخت محصول هوش مصنوعی.۱۸ دقیقه۴سه لایهٔ مهندسی هوش مصنوعیسه لایه‌ی مهندسی هوش مصنوعی و تفاوتش با یادگیری ماشین سنتی.۱۴ دقیقه۵پروژه: تولد ذهن‌یاراسکلت دستیار «ذهن‌یار» با لایه‌ی مدل قابل تعویض در پایتون.۳۱ دقیقهمیسازیم: اسکلت پروژهٔ ذهن‌یار + لایهٔ provider قابل تعویض + اولین فراخوانی واقعی مدل
۰۲درک مدل‌های زبانی بزرگدادهٔ آموزشی، معماری، اندازهٔ مدل، پس‌آموزش، و مهم‌تر از همه: نمونه‌برداری. اینجا می‌فهمید چرا مدل گاهی خیال‌بافی می‌کند و چطور با یک پارامتر ساده رفتارش را عوض کنید.۵ درس · ۱۷۱ دقیقه
۶داده‌ی آموزشی: مدل از چه یاد می‌گیردچرا مدل‌ها در فارسی ضعیف‌ترند و داده‌ی آموزشی رفتار مدل را چطور شکل میدهد.۲۶ دقیقه۷ترنسفورمر و اندازه‌ی مدل، به زبان سادهمعماری ترنسفورمر، تعداد پارامتر و قانون مقیاس بدون فرمول ترسناک.۳۵ دقیقه۸پس‌آموزش: از مدل خام تا دستیارSFT و RLHF؛ چرا ChatGPT مؤدب است و مدل خام نیست.۲۵ دقیقه۹نمونه‌برداری: دما، top-p و توهم هوش مصنوعیچرا مدل هر بار جواب متفاوت میدهد و ریشه‌ی توهم کجاست.۳۲ دقیقه۱۰پروژه: توکنایزر و آزمایشگاه دماتوکنایزر فارسی و یک مدل زبانی کوچک واقعی میسازید.۵۳ دقیقهمیسازیم: توکنایزر + مدل زبانی واقعی + آزمایشگاه دما و top-p + خروجی ساختاریافته
۰۳روش‌شناسی ارزیابیسخت‌ترین بخش مهندسی هوش مصنوعی. سرگشتگی، تطابق دقیق، شباهت معنایی، و استفاده از خود هوش مصنوعی به‌عنوان داور.۶ درس · ۱۵۰ دقیقه
۱۱چرا ارزیابی مدل‌های زبانی سخت استپاسخ باز، معیار مبهم و بنچمارک‌هایی که نشت کرده‌اند.۱۶ دقیقه۱۲سرگشتگی (perplexity) و آنتروپیسنجه‌های مدل‌سازی زبان و آنچه واقعاً نشان می‌دهند.۲۴ دقیقه۱۳ارزیابی دقیق و شباهت معناییتطابق دقیق، BLEU و شباهت برداری؛ کِی کدام.۲۴ دقیقه۱۴هوش مصنوعی در نقش داور (LLM as a judge)داور خودکار، سوگیری‌هایش و راه مهارشان.۲۵ دقیقه۱۵رتبه‌بندی مدل‌ها با ارزیابی مقایسه‌ایمقایسه‌ی دوبه‌دو و رتبه‌بندی مثل صفحه‌های رتبه‌بندی عمومی.۲۰ دقیقه۱۶پروژه: داور خودکار با معیاربرای ذهن‌یار داوری با معیار مکتوب میسازید.۴۱ دقیقهمیسازیم: سنجه‌های perplexity و شباهت + داورِ خودکار با معیار مشخص
۰۴ارزیابی سیستم هوش مصنوعیاز سنجه‌ها به تصمیم: چه معیارهایی مهم‌اند، کدام مدل را انتخاب کنیم، و چطور یک خط لولهٔ ارزیابی بسازیم که به آن اعتماد کنیم.۴ درس · ۱۱۲ دقیقهدر حال نگارش
۱۷معیارهای ارزیابی محصولدرستی، وفاداری به منبع، ایمنی، سرعت و هزینه.طرح درس۲۸ دقیقه۱۸انتخاب مدل: متن‌باز یا APIبنچمارک عمومی یا داده‌ی خودتان؛ ساخت یا خرید.طرح درس۲۸ دقیقه۱۹طراحی خط لوله‌ی ارزیابیاز دیتاست طلایی تا اجرای خودکار پیش از هر انتشار.طرح درس۲۸ دقیقه۲۰پروژه: دیتاست طلایی و داشبورد مقایسهچند مدل را روی داده‌ی خودتان کنار هم می‌سنجید.طرح درس۲۸ دقیقهمیسازیم: دیتاست طلایی + خط لولهٔ ارزیابی + داشبورد مقایسهٔ مدل‌ها
۰۵مهندسی پرامپتچرا یک جملهٔ بهتر گاهی از ماه‌ها آموزش مدل مؤثرتر است. به‌علاوه: حملهٔ تزریق پرامپت و راه‌های دفاع.۴ درس · ۸۴ دقیقهدر حال نگارش
۲۱پرامپت چیست: سیستمی، زمینه و نمونهاجزای پرامپت و اینکه مدل هر کدام را چطور می‌خواند.طرح درس۲۱ دقیقه۲۲بهترین روش‌های پرامپت‌نویسی حرفه‌ایدستور روشن، نمونه‌ی خوب، زنجیره‌ی فکر و قالب خروجی.طرح درس۲۱ دقیقه۲۳مهندسی پرامپت دفاعی و تزریق پرامپتحمله‌ی prompt injection و راه‌های واقعی دفاع.طرح درس۲۱ دقیقه۲۴پروژه: کتابخانه‌ی پرامپت نسخه‌دارپرامپت‌ها را مثل کد نسخه‌بندی و با حمله تست می‌کنید.طرح درس۲۱ دقیقهمیسازیم: کتابخانهٔ پرامپت نسخه‌دار + تست حملهٔ تزریق + مقایسهٔ A/B
۰۶RAG و ایجنت هوش مصنوعیدو الگوی اصلی امروز: بازیابی اطلاعات از منبع بیرونی، و ایجنتی که ابزار صدا می‌زند و برای خودش نقشه می‌کشد.۴ درس · ۱۱۲ دقیقهدر حال نگارش
۲۵RAG چیست: معماری بازیابی و تولیدتکه‌بندی، جستجوی کلیدواژه و برداری، و ترکیبشان.طرح درس۲۸ دقیقه۲۶ایجنت هوش مصنوعی: ابزار، برنامه‌ریزی، شکستایجنت کِی به کار می‌آید و کجا نباید به آن اختیار داد.طرح درس۲۸ دقیقه۲۷حافظه در چت‌بات و ایجنتحافظه‌ی کوتاه و بلند و هزینهی هر کدام.طرح درس۲۸ دقیقه۲۸پروژه: چت‌بات روی اسناد با RAGموتور RAG کامل و ایجنت ابزارمحور برای ذهن‌یار.طرح درس۲۸ دقیقهمیسازیم: موتور RAG کامل (chunking، BM25، امبدینگ، ترکیب) + ایجنت ابزاردار با حافظه
۰۷تنظیم دقیق (Fine-tuning)کِی تنظیم دقیق به‌صرفه است و کِی نه، ریاضی حافظهٔ GPU، کوانتیزیشن، و روش‌های کم‌هزینه مثل LoRA.۵ درس · ۱۱۰ دقیقهدر حال نگارش
۲۹fine tuning چیست؟ نمای کلیانواع تنظیم دقیق و آنچه واقعاً در مدل عوض میشود.طرح درس۲۲ دقیقه۳۰کِی fine tuning کنیم و کِی نهمقایسه با پرامپت و RAG از نظر هزینه و نتیجه.طرح درس۲۲ دقیقه۳۱گلوگاه حافظه: GPU و کوانتیزیشنحساب کنید مدل روی کدام GPU جا میشود.طرح درس۲۲ دقیقه۳۲LoRA و روش‌های کم‌هزینهPEFT و LoRA به زبان ساده و در عمل.طرح درس۲۲ دقیقه۳۳پروژه: ماشین‌حساب حافظه و LoRAماشین‌حساب حافظه‌ی GPU و یک LoRA کوچک.طرح درس۲۲ دقیقهمیسازیم: ماشین‌حساب حافظه + کوانتیزیشن دستی + پیاده‌سازی LoRA از صفر
۰۸مهندسی دیتاستکیفیت داده یعنی چه، چقدر داده لازم است، چطور داده بسازیم و چطور تمیزش کنیم.۴ درس · ۸۴ دقیقهدر حال نگارش
۳۴گزینش داده: کیفیت، پوشش، مقدارچقدر داده لازم است و داده‌ی خوب یعنی چه.طرح درس۲۱ دقیقه۳۵افزایش داده و داده‌ی مصنوعیساخت داده با خود مدل و خطرهایش.طرح درس۲۱ دقیقه۳۶پردازش داده: پاک‌سازی و حذف تکراریاز داده‌ی خام تا داده‌ی آماده‌ی آموزش.طرح درس۲۱ دقیقه۳۷پروژه: خط لوله‌ی داده از لاگ‌هاداده‌ی آموزشی از گفت‌وگوهای واقعی ذهن‌یار.طرح درس۲۱ دقیقهمیسازیم: خط لولهٔ داده از لاگ‌های ذهن‌یار + تولید داده مصنوعی + حذف تکراری
۰۹بهینه‌سازی استنتاجکاربر منتظر نمی‌ماند و سرور مجانی نیست. سنجه‌های تأخیر، دسته‌بندی درخواست‌ها، و انواع حافظهٔ نهان.۳ درس · ۸۴ دقیقهدر حال نگارش
۳۸تأخیر، TTFT و توان عملیاتیسنجه‌هایی که سرعت و هزینهی واقعی را نشان می‌دهند.طرح درس۲۸ دقیقه۳۹کش، دسته‌بندی درخواست و کوانتیزیشنارزان‌تر و سریع‌تر کردن پاسخ بدون افت کیفیت.طرح درس۲۸ دقیقه۴۰پروژه: سنجش TTFT و کش معناییکش دقیق و معنایی و نمودار سرعت برای ذهن‌یار.طرح درس۲۸ دقیقهمیسازیم: سنجش TTFT و توان عملیاتی + کش دقیق و معنایی + نمودار قبل و بعد
۱۰معماری و بازخورد کاربرمعماری نهایی یک محصول هوش مصنوعی: نگهبان، مسیریاب، کش، رصد. و در نهایت: چطور از کاربر بازخورد بگیریم.۳ درس · ۸۴ دقیقهدر حال نگارش
۴۱معماری محصول هوش مصنوعینگهبان، مسیریاب، کش و رصد در یک نقشه.طرح درس۲۸ دقیقه۴۲بازخورد کاربر: طراحی و استفادهبازخورد را چطور بگیرید و به بهبود تبدیل کنید.طرح درس۲۸ دقیقه۴۳پروژه: دروازه‌ی کامل ذهن‌یارنگهبان، رصد و حلقه‌ی بازخورد روی محصول نهایی.طرح درس۲۸ دقیقهمیسازیم: دروازهٔ کامل با نگهبان و رصد + حلقهٔ بازخورد کاربر که به فصل ۸ برمی‌گردد
پرسش‌های پرتکرار
مهندسی هوش مصنوعی چیست و با یادگیری ماشین چه فرقی دارد؟
در یادگیری ماشین سنتی مدل را خودتان آموزش میدهید. در مهندسی هوش مصنوعی روی مدل آماده محصول میسازید و کارتان انتخاب مدل، پرامپت، داده، ارزیابی و هزینه است. درس ۱.۴ این تفاوت را با جدول نشان میدهد.
مدل زبانی بزرگ (LLM) چیست؟
مدلی که با پیشبینی توکن بعدی، متن را ادامه میدهد و آنقدر بزرگ است که کارهای زیادی را بدون آموزش دوباره انجام میدهد. درس ۱.۱ — رایگان — آن را با نمودار توضیح میدهد.
برای این دوره ریاضی لازم است؟
نه در حد دانشگاهی. هرجا مفهومی ریاضی لازم شده، با مثال و نمودار توضیح داده شده. پایتون مقدماتی کافی است.
پروژهها هزینهی API دارند؟
نه. همهی پروژهها آفلاین و رایگان اجرا میشوند و برای وصل شدن به مدل واقعی فقط یک متغیر محیطی عوض میشود.
دسترسی تا کی باز است؟
با خرید تکدوره دسترسی دائمی است؛ با اشتراک، تا وقتی اشتراک فعال است.