Udemy – Advanced RAG: Build & Deploy Production GenAI Apps 2026-4

در تاریخ: 1405/06/26 3:08:18

توضیحات

دوره Advanced RAG: Build & Deploy Production GenAI Apps. این دوره آموزشی به بررسی نحوه ساخت و استقرار سیستم‌های پیشرفته تولید افزوده بازیابی برای برنامه‌های کاربردی هوش مصنوعی مولد در مقیاس تولید می‌پردازد. تولید افزوده بازیابی (RAG) در هسته مرکزی تمامی برنامه‌های جدی و کاربردی هوش مصنوعی امروزی قرار دارد. با این حال، خطوط لوله پایه و ساده RAG به محض مواجهه با اسناد حجیم، پرس‌وجوهای پیچیده یا نیاز به اجرای پایدار در محیط تولید، به سرعت با محدودیت مواجه می‌شوند. در این دوره تخصصی، فراگیران یاد می‌گیرند که چگونه یک ابزار جامع تولید افزوده بازیابی درجه تولید به نام RAGWire را که بر پایه فریم‌ورک‌های LangChain، Qdrant و LangGraph توسعه یافته است، از پایه پیاده‌سازی کنند. این روند با یک خط لوله جستجوی ترکیبی ساده آغاز می‌شود و به مرور با اضافه کردن بازیابی پیشرفته، فیلترینگ متادیتا، سیستم‌های عاملی هوش مصنوعی، فریم‌ورک‌های چندعاملی، رابط کاربری کامل گفتگو و قابلیت استقرار ابری ادامه می‌یابد. شرکت‌کنندگان در پایان این دوره قادر خواهند بود سیستم‌های هوش مصنوعی مقیاس‌پذیر و مطمئنی را طراحی کنند که توانایی پردازش اسناد پیچیده سازمانی را دارند. علاوه بر این، دوره یاد شده به توسعه‌دهندگان نشان می‌دهد که چگونه چالش‌های فنی مربوط به پیاده‌سازی هوش مصنوعی را در محیط‌های عملیاتی مدیریت کنند. با تمرکز بر ساخت کدهای کاربردی و قابل اجرا، مهندسان می‌توانند الگوهای یادگرفته شده را مستقیماً در پروژه‌های شخصی و سازمانی خود به کار بگیرند. تسلط بر ابزارهای مدرن استقرار ابری و امنیت برنامه‌های کاربردی به تیم‌های فنی اجازه می‌دهد تا محصولات مبتنی بر هوش مصنوعی را با بالاترین استانداردهای عملکردی به بازار عرضه کنند و پایداری زیرساخت خود را تضمین نمایند. این رویکرد عملی تضمین می‌کند که فراگیران آمادگی کامل برای ورود به بازار کار تخصصی هوش مصنوعی را کسب کنند.

آنچه فرا خواهید گرفت

ساخت خط لوله ترکیبی: پیاده‌سازی خط لوله RAG ترکیبی با استفاده از جستجوی پراکنده BM25، بازیابی متراکم و تلفیق رتبه متقابل (RRF).
پیکربندی مدل‌ها و امبدینگ‌ها: تنظیم ابزار RAGWire با مدل‌های OpenAI GPT، Groq، Google Gemini، Ollama و امبدینگ‌های HuggingFace.
فیلترینگ متادیتا مبتنی بر هوش مصنوعی: پیاده‌سازی فیلترینگ خودکار متادیتا روی ساختارهای اسناد پیچیده و تو در تو.
ساخت سیستم‌های عاملی: ایجاد خطوط لوله RAG عاملی با ابزارهای عامل LangChain، حافظه و قابلیت استدلال.
طراحی عامل خودترمیم‌کننده: ساخت یک عامل RAG که کیفیت بازیابی خود را ارزیابی کرده و در صورت پایین بودن کیفیت، پرس‌وجوها را بازنویسی می‌کند.
پیاده‌سازی سیستم‌های چندعاملی: ساخت سیستم‌های ناظر چندعاملی با استفاده از LangGraph برای هدایت پرس‌وجوها به سمت عامل‌های متخصص.
توسعه تحلیلگرهای اسناد: ساخت تحلیلگرهای اسناد چندعاملی با بهره‌گیری از CrewAI، Microsoft AutoGen و فریم‌ورک عامل مایکروسافت.
طراحی رابط کاربری گفتگو: ساخت رابط کاربری چت مبتنی بر Chainlit با قابلیت احراز هویت، تاریخچه گفتگو و بارگذاری اسناد.
توسعه بک‌اند با FastAPI: ساخت بخش پشتی با نقاط پایانی سازگار با OpenAI، استریم SSE و قابلیت تست با Postman.
استقرار ابری عامل‌ها: مستقر کردن عامل‌های RAG بر روی پلتفرم‌های Render، Railway، AWS ECS Fargate، GCP Cloud Run و Azure.
امن‌سازی برنامه‌ها: محافظت از APIهای تولیدی با کلیدهای دسترسی و ایمن‌سازی اطلاعات اعتبارسنجی با استفاده از Docker.

این دوره مناسب افرادیست که

توسعه‌دهندگان پایتون: برنامه‌نویسانی که می‌خواهند فراتر از آموزش‌های پایه‌ای، سیستم‌های تولیدی RAG را پیاده‌سازی کنند.
مهندسان یادگیری ماشین: متخصصانی که به دنبال استقرار عامل‌های LangChain و LangGraph بر روی بسترهای ابری AWS، GCP یا Azure هستند.
توسعه‌دهندگان بک‌اند: برنامه‌نویسانی که قصد دارند نقاط پایانی سازگار با OpenAI را برای برنامه‌های هوش مصنوعی بسازند.
مهندسان هوش مصنوعی: افرادی که به دنبال کسب تجربه عملی با فریم‌ورک‌های CrewAI، AutoGen و سیستم‌های چندعاملی هستند.
طراحان سیستم‌های سازمانی: هر فردی که در زمینه ساخت جستجوی اسناد، دستیاران هوش مصنوعی سازمانی یا برنامه‌های عامل RAG فعالیت دارد.