مسیر یادگیری تخصصی هوش مصنوعی عاملی
تیم تحریریه
- ۲۷ مرداد ۱۴۰۴
این مقاله به شما کمک می‌کند تا در 21 هفته، با مفاهیم و تکنیک‌های مختلف مربوط به عوامل هوش مصنوعی (AI Agents) آشنا شده و مهارت‌های لازم برای ساخت سیستمهای پیشرفته مبتنی بر هوش مصنوعی را کسب کنید. در ادامه، هر هفته از این مسیر آموزشی به تفصیل توضیح داده شده است.
هفته 1-2: مقدمه‌ای بر هوش مصنوعی مولد (Generative AI)
در این مرحله، ابتدا باید یک درک عمیق از هوش مصنوعی مولد (Generative AI) و کاربردهای آن به دست آورید. این نوع هوش مصنوعی شامل ایجاد محتوا مانند متن، تصاویر و موسیقی است. با ابزارهای رایج مانند ChatGPT، Gemini، Midjourney و سایر ابزارها آشنا شوید.
مدل‌های کلیدی در هوش مصنوعی مولد:
- GANs (شبکه‌های مولد تخاصمی): این مدل‌ها شامل دو شبکه عصبی هستند که یکی داده تولید می‌کند و دیگری تلاش می‌کند داده‌های واقعی را از تولیدی تشخیص دهد. نتیجه، خروجی‌های واقع‌گرایانه مانند تصاویر با کیفیت بالا است.
- VAEs (خودرمزگذارهای متغیر): این مدل‌ها داده‌های ورودی را به نمایش‌های کوچک‌تر فشرده کرده و سپس بازسازی می‌کنند. کاربرد آن‌ها در تولید تصاویر جدید و درک ساختارهای پیچیده داده است.
- GMMs (مدل‌های ترکیب گاوسی): این مدل‌ها داده‌ها را به عنوان ترکیبی از چندین توزیع گاوسی مدل‌سازی می‌کنند و برای خوشه‌بندی و تخمین تراکم استفاده می‌شوند.
مدل‌های پیشرفته:
- مدل‌های انتشار (Diffusion Models): این مدل‌ها تصاویر با کیفیت بالا را از نویز تصادفی تولید کرده و به‌طور تدریجی خروجی را بهبود می‌بخشند.
- مدل‌های مبتنی بر ترانسفورماتور: این مدل‌ها مانند GPT برای وظایف پردازش زبان طبیعی عالی هستند.
- مدل‌های فضای حالت: برای داده‌های سری زمانی و اطلاعات متوالی طراحی شده‌اند و در کاربردهایی مانند تشخیص گفتار، پیش‌بینی مالی و سیستمهای کنترلی مفید هستند.
منابع:
- دوره آموزشی: GenAI Pinnacle Program
- دوره آموزشی: Generative AI – A Way of Life
- وبلاگ: What is Generative AI and How Does it Work?
هفته 3: ساخت اولین عامل هوش مصنوعی بدون کدنویسی
در این هفته، شما آماده ساخت اولین عامل هوش مصنوعی خود با استفاده از ابزارهای بدون نیاز به کدنویسی (No-Code) هستید. این پلتفرم‌ها فرآیند ایجاد عوامل هوش مصنوعی را ساده کرده و به شما امکان می‌دهند بدون نیاز به مهارت برنامه‌نویسی، عوامل هوش مصنوعی بسازید.
منابع:
- وبلاگ: 7 Steps to Build an AI Agent with No Code
- وبلاگ: How to Build an AI Chatbot Without Coding?
- ویدئو: The EASIEST Way to Build an AI Agent Without Coding
- وبلاگ: Building an AI Phone Agent with No Code Using Bland AI
- ویدئو: Deploy Autonomous AI Agents With No-Code In Minutes!
هفته 4-5: کدنویسی ابتدایی برای هوش مصنوعی
در این مرحله، یادگیری برنامه‌نویسی با پایتون (Python) را آغاز کنید که محبوب‌ترین زبان برنامه‌نویسی در اکثر حوزه‌های هوش مصنوعی است.
منابع:
- دوره آموزشی: Introduction to Python
- وبلاگ: Python Tutorial | Concepts, Resources and Projects
- وبلاگ: Introduction to SQL
- وبلاگ: How To Use ChatGPT API In Python?
- وبلاگ: Getting Started with RESTful APIs and Fast API
- ویدئو: Build an AI app with FastAPI and Docker
هفته 6-7: مبانی مدل‌های زبانی بزرگ (LLMs)
مدل‌های زبانی بزرگ (LLMs) مانند GPT و Claude برای پردازش و تولید متن انسانی استفاده می‌شوند.
منابع:
- دوره آموزشی: Getting Started with Large Language Models
- وبلاگ: Understanding Transformers
- وبلاگ: What are the Different Types of Attention Mechanisms?
- وبلاگ: Build Large Language Models from Scratch
- وبلاگ: LLM Training: A Simple 3-Step Guide
هفته 8: اصول مهندسی پرامپت (Prompt Engineering)
در این هفته، مهارت ایجاد و بهینه‌سازی پرامپت‌ها برای هدایت سیستمهای هوش مصنوعی را فرا می‌گیرید.
منابع:
- وبلاگ: Introduction to Prompt Engineering
- دوره آموزشی: Building LLM Applications using Prompt Engineering
- راهنما: OpenAI Prompt Engineering Guide
- وبلاگ: What is Chain-of-Thought Prompting and Its Benefits?
هفته 9-10: آشنایی با LangChain
در این مرحله، با LangChain که یک چارچوب قدرتمند برای توسعه اپلیکیشن‌های هوش مصنوعی است، آشنا می‌شوید. LangChain فرآیند اتصال مدل‌های زبانی بزرگ (LLMs) به ابزارها، APIها و جریان‌های کاری را ساده می‌کند تا سیستمهای هوش مصنوعی مؤثرتر و کارآمدتری ایجاد شوند.
اجزای اصلی LangChain:
- LLMs: مدل‌های زبانی بزرگ مانند GPT و Llama که پایه قابلیت‌های LangChain هستند.
- Chains: زنجیره‌هایی از اقدامات شامل پرامپت‌ها، مدل‌ها و پارسرها برای انجام یک وظیفه خاص.
- Parsers: برای تفسیر و ساختاردهی خروجی تولید شده توسط LLMها استفاده می‌شوند.
- Model I/O: مدیریت ورودی و خروجی بین مدل‌ها و ابزارهای مختلف در جریان کاری هوش مصنوعی.
منابع:
- وبلاگ: What is LangChain?
- راهنما: A Comprehensive Guide to Using Chains in LangChain
- وبلاگ: LangChain Expression Language (LCEL)
- وبلاگ: Building LLM-Powered Applications with LangChain
- دوره آموزشی: LangChain for LLM Application Development
هفته 11-12: مبانی سیستمهای RAG (Retrieval-Augmented Generation)
در این مرحله، با سیستمهای RAG آشنا می‌شوید که ترکیبی از روش‌های بازیابی اطلاعات سنتی و تولید متن توسط مدل‌های زبانی بزرگ هستند. این سیستم‌ها به هوش مصنوعی اجازه می‌دهند قبل از تولید پاسخ، اطلاعات مرتبط را از منابع خارجی استخراج کنند.
موارد کلیدی:
- بارگذاری و پردازش اسناد: یادگیری نحوه مدیریت فرمت‌های مختلف اسناد مانند PDF، فایل‌های Word و اسناد چندرسانه‌ای.
- تکنیک‌های chunking: تقسیم اسناد بزرگ به بخش‌های کوچک‌تر برای بازیابی بهتر اطلاعات.
- پایگاه‌های داده برداری: مانند ChromaDB یا Weaviate که داده‌ها را به صورت برداری ذخیره کرده و امکان بازیابی سریع بر اساس شباهت را فراهم می‌کنند.
- اتصال پایگاه‌های داده به LLMها: برای ایجاد سیستم RAG کامل که اطلاعات دقیق و مرتبط تولید کند.
منابع:
- وبلاگ: What is Retrieval-Augmented Generation (RAG)?
- وبلاگ: How Do Vector Databases Shape the Future of Generative AI Solutions?
- دوره آموزشی: Building and Evaluating Advanced RAG Applications
هفته 13: مقدمه‌ای بر عوامل هوش مصنوعی (AI Agents)
در این مرحله، با عوامل هوش مصنوعی آشنا می‌شوید. این سیستم‌ها قادر به درک محیط، تصمیم‌گیری و انجام اقدامات مستقل هستند. برخلاف نرم‌افزارهای سنتی، عوامل هوش مصنوعی می‌توانند بدون نیاز به دستورالعمل‌های گام‌به‌گام، براساس اهداف مشخص تصمیم‌گیری کنند.
انواع عوامل هوش مصنوعی:
- عوامل بازتابی ساده: واکنش مستقیم به محرک‌های محیطی.
- عوامل مبتنی بر مدل: استفاده از مدل جهان برای مواجهه با سناریوهای پیچیده‌تر.
- عوامل مبتنی بر هدف: تمرکز بر دستیابی به اهداف خاص.
- عوامل یادگیرنده: یادگیری از محیط و بهبود رفتارها.
منابع:
هفته 14-15: الگوهای طراحی عامل‌محور (Agentic AI Design Patterns)
در این هفته، با الگوهای طراحی عامل‌محور آشنا می‌شوید که به عوامل هوش مصنوعی قابلیت‌های بیشتری برای تفکر، عمل و همکاری می‌دهند.
انواع الگوها:
- بازتاب (Reflection): بررسی اقدامات و اصلاح رفتار برای دستیابی به نتایج بهتر.
- استفاده از ابزارها (Tool Use): استفاده از ابزارهایی مانند جستجوی وب، APIها یا اجرای کد برای بهبود عملکرد.
- برنامه‌ریزی چندمرحله‌ای (Planning): تولید و اجرای برنامه‌های چندمرحله‌ای برای دستیابی به یک هدف.
- همکاری چندعاملی (Multi-agent Collaboration): عوامل متعدد با یکدیگر همکاری کرده و وظایف را تقسیم می‌کنند.
منابع:
- وبلاگ: Top 4 Agentic AI Design Patterns for Architecting AI Systems
- وبلاگ: Agentic Design Patterns – Part 1
- وبلاگ: What is Agentic AI Reflection Pattern?
هفته 16-17: ساخت عامل هوش مصنوعی از صفر با پایتون
در این مرحله، یاد می‌گیرید چگونه یک عامل هوش مصنوعی را از ابتدا با استفاده از پایتون بسازید. این فرآیند شامل انتخاب مدل زبانی مناسب، تعریف ابزارها و APIها، نوشتن پرامپت‌های آموزشی و ادغام همه این‌ها در یک اسکریپت است.
منابع:
- راهنما: Comprehensive Guide to Build AI Agents from Scratch
- وبلاگ: How To Create AI Agents With Python From Scratch
هفته 18-19: ساخت سیستمهای پیشرفته عامل‌محور با LangChain، CrewAI و AutoGen
با استفاده از چارچوب‌هایی مانند LangChain، CrewAI و AutoGen، سیستمهای پیشرفته‌ای بسازید که وظایف پیچیده را مدیریت کنند، اقدامات گذشته را به خاطر بسپارند و با سایر عوامل هوش مصنوعی همکاری کنند.
منابع:
- وبلاگ: Building Smart AI Agents with LangChain
- وبلاگ: Building Collaborative AI Agents With CrewAI
- وبلاگ: Launching into Autogen: Exploring the Basics of a Multi-Agent Framework
هفته 20-21: ساخت سیستمهای پیشرفته RAG عامل‌محور
در آخرین مرحله، سیستمهای RAG پیشرفته‌ای بسازید که قابلیت بازیابی اطلاعات خارجی و تولید پاسخ‌های دقیق و مبتنی بر زمینه را دارند.
منابع:
این مسیر یادگیری شما را از مفاهیم پایه هوش مصنوعی مولد و برنامه‌نویسی پایه تا ساخت سیستمهای پیشرفته عامل‌محور با قابلیت بازیابی و تولید تقویتشده هدایت می‌کند. خواه یک تازه‌کار باشید که با ابزارهای No-Code شروع می‌کنید، یا توسعه‌دهنده‌ای حرفه‌ای که به دنبال طراحی سیستمهای پیچیده هستید، این برنامه جامع دانش، مهارت‌ها و منابع لازم برای موفقیت در حوزه عامل‌های هوش مصنوعی را در اختیارتان قرار می‌دهد.
