دوره هوش مصنوعی عاملی از اصول تا سیستم‌های سازمانی

آنچه یاد خواهید گرفت: مفاهیم اصلی و اصول سیستم‌های هوش مصنوعی عاملی را درک کنید. با ساخت عامل‌های هوش مصنوعی با استفاده از فریم‌ورک‌هایی مانند LangChain، LangGraph و CrewAI تجربه‌ی عملی به دست آورید. یاد بگیرید ابزارها، حافظه و استدلال را برای گردش‌کارهای هوش مصنوعی عاملی در سطح سازمانی orchestrate کنید. هوش مصنوعی عاملی را با استفاده از شاخص‌های واقعی و بهترین شیوه ها، همراه با پروژه‌های نهایی دنیای واقعی، نظارت، ارزیابی و آماده‌ی استفاده کنید. عامل‌های هوش مصنوعی واقعی را با استفاده از LangChain ،LangGraph و CrewAI بسازید و مستقر کنید. روی پروژه‌های عملی برای ساخت عامل‌های هوش مصنوعی با قابلیت استدلال، برنامه‌ریزی و خودمختاری کار کنید. پروژه 1 - یک عامل هوش مصنوعی دستیار پژوهشی شخصی بسازید که به‌صورت خودکار داده را با استفاده از ReAct ،FAISS ،LangChain و حافظه جمع‌آوری، خلاصه و ترکیب کند. پروژه 2 - یک عامل هوش مصنوعی تحلیل‌گر سرمایه‌گذاری بسازید که شرکت‌ها را بررسی کند، بینش‌ها را خلاصه کند، تحلیل SWOT انجام دهد و ریسک‌ها را با استفاده از ابزارهای LangChain شناسایی کند. پیش‌نیازهای دوره دانش اولیه برنامه‌نویسی Python. آشنایی با REST APIها و JSON. آشنایی اولیه با LLMها (مانند OpenAI ،Claude و غیره) مفید است، اما الزامی نیست. آشنایی با Ubuntu یا هر محیط Unix دیگر ترجیح داده می‌شود. هوش مصنوعی عاملی در سطح سازمانی در محیط Windows با برخی محدودیت‌ها روبه‌رو است. توضیحات دوره هوش مصنوعی عاملی: از اصول تا سیستم‌های سازمانی بررسی دوره به هوش مصنوعی عاملی: از اصول تا سیستم‌های سازمانی خوش آمدید - راهنمای کامل و عملی شما برای طراحی، ساخت و استقرار عامل‌های هوشمند هوش مصنوعی برای کاربردهای دنیای واقعی است. این دوره برای توسعه‌دهندگان، علاقه‌مندان به هوش مصنوعی و معماران سازمانی طراحی شده است؛ کسانی که می‌خواهند فراتر از پرامپت نویسی بروند و توانمندی‌های عاملی مدل‌های زبانی بزرگ مدرن (LLMs) را بررسی کنند. یاد می‌گیرید چگونه عامل‌های هوش مصنوعی را ساختاردهی کنید، آن‌ها را با ابزارها توانمند کنید، حافظه و وضعیت آن‌ها را مدیریت کنید و آن‌ها را به سیستم‌های چندعاملی در سطح سازمانی ارتقا دهید. آنچه یاد خواهید گرفت اصول هوش مصنوعی عاملی و تفاوت آن با مهندسی پرامپت سنتی الگوهای معماری اصلی مانند الگوی ReAct (استدلال + اقدام) چگونه یک عامل ReAct حداقلی را از ابتدا در Python بسازید؟ چگونه ابزارهایی مانند جست‌وجوی وب، ماشین‌حساب، پایگاه‌های داده، APIها و توابع سفارشی را یکپارچه کنید؟ پیاده‌سازی استدلال چندمرحله‌ای و زنجیره‌سازی ابزارها در عامل مدیریت خطاها، timeoutها و خرابی ابزارها به شکلی روان و مناسب افزودن قابلیت‌های لاگ کردن، نظارت و ارزیابی عامل طراحی عامل‌های سلسله‌مراتبی، همکاری چندعاملی و واگذاری مبتنی بر نقش طراحی و استقرار عامل‌های در سطح سازمانی با استفاده از: LangChain LangGraph CrewAI FAISS Vector Stores OpenAI و مدل‌های Hugging Face FastAPI / Flask آماده برای استقرار در Cloud / On-Premise پروژه‌های نهایی: کاربردهای دنیای واقعی ما فقط تئوری آموزش نمی‌دهیم - ما می‌سازیم. در پایان دوره، شما 3 پروژه نهایی را تکمیل خواهید کرد که سناریوهای واقعی سازمانی را شبیه‌سازی می‌کنند: پروژه نهایی 1: عامل دستیار پژوهشی شخصی با دریافت یک موضوع یا پرسش، عامل به‌صورت خودکار اطلاعات را از چندین منبع و سند جمع‌آوری، خلاصه و ترکیب می‌کند. از استدلال ReAct، بازیابی اسناد از طریق FAISS vector store، ارکستراسیون ابزارها در LangChain و مدیریت حافظه برای تداوم زمینه استفاده می‌کند. یک رابط کاربری چت توسعه دهید. پروژه نهایی 2: عامل تحلیل‌گر پژوهش سرمایه‌گذاری با دریافت نام یک شرکت و اسناد مربوطه، عامل به‌صورت خودکار پژوهش، خلاصه‌سازی، تحلیل SWOT و شناسایی red flagها را انجام می‌دهد. از ارکستراسیون ابزارها، عامل‌های LangChain، بارگذارهای اسناد و بازیابی از vector store استفاده می‌کند. یک رابط کاربری برای این کاربرد توسعه دهید. فناوری‌ها و فریم‌ورک‌های پوشش‌داده‌شده الگوهای طراحی عاملی: ReAct، عامل‌های سلسله‌مراتبی LLMها: OpenAI (GPT-4 ،GPT-3.5) ،Hugging Face Transformers فریم‌ورک‌ها: LangChain ،LangGraph ،CrewAI معماری‌های حافظه: حافظه کوتاه‌مدت، بلندمدت، حافظه مبتنی بر Vector Store (FAISS ،ChromaDB) یکپارچه‌سازی ابزار: APIها، جست‌وجوی وب، ماشین‌حساب‌ها، ابزارهای سفارشی پایگاه‌های داده برداری: FAISS، بازیابی ترکیبی BM25 فریم‌ورک‌های سرور: FastAPI ،Flask رابط کاربری: Streamlit گزینه‌های استقرار: On-Premise ،Cloud، راه اندازی Dockerized نظارت و لاگ کردن: لاگ کردن سفارشی، ارزیابی رفتار عامل، Prometheus ،Grafana مدیریت خطا: fallbackهای روان، منطق retry، تحلیل مشاهدات چرا از این مدرس یاد بگیرید؟ مدرس شما یک مشاور باتجربه‌ی هوش مصنوعی و رهبر محصول است که دهه‌ها تجربه در ساخت راهکارهای هوش مصنوعی در مقیاس سازمانی دارد. او سیستم‌های GenAI را در حوزه‌هایی مانند مالی، انطباق، ERP ،edtech و پشتیبانی مشتری طراحی کرده است و اکنون رویکرد آزموده‌شده‌ی خود را برای طراحی و استقرار هوش مصنوعی عاملی به اشتراک می‌گذارد. این دوره برای چه کسانی است؟ این دوره برای افراد زیر ایده‌آل است: توسعه‌دهندگان AI/ML که می‌خواهند فراتر از پرامپت نویسی بروند. توسعه‌دهندگان بک اند که به ساخت سیستم‌های مجهز به LLM علاقه‌مند هستند. رهبران محصول و فناوری که محصولات مبتنی بر هوش مصنوعی می‌سازند. معماران سازمانی که پشته‌های عامل GenAI را طراحی می‌کنند. تیم‌های هکاتون و سازندگان استارتاپ نتایجی که می‌توانید انتظار داشته باشید در پایان دوره، شما: درک خواهید کرد چگونه عامل‌های هوشمند و هدف‌محور بسازید. تجربه‌ی عملی با ابزارهای واقعی و جست‌وجوی برداری به دست خواهید آورد. جریان‌های استدلال چندمرحله‌ای را با LangChain و LangGraph خواهید ساخت. معماری‌های عامل مقیاس‌پذیر و آماده‌ی تولید را مستقر خواهید کرد. برای اعمال هوش مصنوعی عاملی در موارد استفاده سازمانی اعتمادبه‌نفس خواهید داشت. ویژگی‌های کلیدی نمونه‌های کدنویسی عملی فراوان الگوها و فرمت‌های پرامپت قابل دانلود پروژه‌های نهایی با زمینه‌ی دنیای واقعی کد ماژولار که می‌توانید دوباره استفاده و گسترش دهید. مهارت‌های توسعه‌ی هوش مصنوعی خود را به سطح بعدی ببرید - همین حالا در این دوره شرکت کنید و ساخت عامل‌هایی را آغاز کنید که فکر می‌کنند، عمل می‌کنند و مقیاس می‌گیرند. این دوره برای چه کسانی مناسب است؟ این دوره برای متخصصان فناوری، فعالان حوزه‌ی هوش مصنوعی و سازندگان محصول طراحی شده است که می‌خواهند فراتر از چت‌بات‌های سنتی مبتنی بر LLM بروند و سیستم‌های قدرتمند هوش مصنوعی عاملی بسازند که بتوانند استدلال کنند، برنامه‌ریزی کنند، عمل کنند و همکاری داشته باشند. این دوره برای افراد زیر ایده‌آل است: مهندسان AI/ML که به دنبال پیاده‌سازی سیستم‌های چندعاملی و گردش‌کارهای خودمختار هستند. توسعه‌دهندگان بک اند و فول استک که می‌خواهند LangChain ،LangGraph ،CrewAI و عامل‌های سبک ReAct را در کاربردهای واقعی یکپارچه کنند. بنیان‌گذاران فناوری و مدیران محصول که می‌خواهند گردش‌کارهای مقیاس‌پذیر مبتنی بر هوش مصنوعی را برای محیط‌های سازمانی یا استارتاپی طراحی کنند. دانشمندان داده و معمارانی که به Retrieval-Augmented Generation (RAG)، ارکستراسیون ابزارها، نظارت و مشاهده پذیری عامل‌ها علاقه‌مند هستند. یادگیرندگان پیشرفته یا پژوهشگرانی که آماده‌اند معماری‌های پیشرفته برای تصمیم‌گیری، حافظه و هماهنگی در هوش مصنوعی را بررسی کنند.