Educosys – Agentic AI System Design 2026-7

در تاریخ: 1405/05/27 5:56:12

توضیحات

دوره Agentic AI System Design. این دوره آموزشی به بررسی نحوه طراحی و پیاده‌سازی سیستم‌های هوش مصنوعی عاملی، معماری RAG پیشرفته، مدیریت حافظه، ارزیابی خودکار و مباحث LLMOps برای محیط‌های واقعی و عملیاتی می‌پردازد. این دوره آموزشی جامع به منظور تدوین و پیاده‌سازی سیستم‌های هوش مصنوعی عاملی در سطح عملیاتی طراحی شده است. مخاطبان در این آموزش با مفاهیم و زیرساخت‌های کلیدی از جمله تولید افزوده با بازیابی (RAG)، عوامل هوشمند (Agents)، ساختارهای حافظه، روش‌های ارزیابی دقیق و عملیات مدل‌های زبانی بزرگ (LLOps) آشنا می‌شوند. سرفصل‌های این دوره به گونه‌ای برنامه‌ریزی شده‌اند که مسیر یادگیری از اصول اولیه و پایه‌ای تا مباحث بسیار پیشرفته را به صورت کاملاً گام‌به‌گام پوشش دهند. این آموزش تمرکز ویژه‌ای بر چالش‌های دنیای واقعی، مدیریت هزینه‌ها، امنیت و بهبود کارایی سیستم‌های هوش مصنوعی دارد. در طول دوره، فراگیران یاد می‌گیرند که چگونه پایگاه‌های داده برداری را مدیریت کنند، جستجوهای ترکیبی و معنایی انجام دهند و معماری‌های پیچیده RAG را برای محیط‌های چندکاربره پیاده‌سازی نمایند. علاوه بر این، مباحث مرتبط با مهندسی بافت، بهینه‌سازی توکن‌ها، خلاصه‌سازی داده‌ها و مدیریت حافظه‌های کوتاه مدت و بلندمدت تدریس می‌شود. در بخش سیستم‌های عاملی، نحوه کار با ابزارها، فراخوانی توابع، تعامل پذیری ابزارها با استفاده از پروتکل بافت مدل (MCP) و مدیریت فرآیندهای طولانی‌مدت به طور کامل آموزش داده می‌شود. در نهایت، موضوعات مرتبط با قابلیت مشاهده‌‌پذیری، ردگیری، تست‌های خودکار، کش‌سازی معنایی، مسیریابی مدل‌ها و گاردریل‌های امنیتی به همراه پروژه‌های پایانی عملی مورد بررسی قرار می‌گیرند تا شرکت‌کنندگان برای طراحی سیستم‌های مدرن آماده شوند.

آنچه فرا خواهید گرفت

پایه و سیستم‌های دانش:
اصول بازیابی اطلاعات شامل Embeddings، تکه‌تکه‌سازی (Chunking) و جستجوی برداری.
روش‌های بازیابی لغوی، معنایی و ترکیبی (Hybrid Retrieval).
پایگاه‌های داده برداری، ANN، FAISS و HNSW.
معماری تولید افزوده با بازیابی (RAG) در سطح عملیاتی.
الگوهای پیشرفته RAG، فیلتر کردن متادیتا و کنترل دسترسی.
تازه‌سازی داده‌ها، نمایه سازی افزایشی و بازیابی در سیستم‌های چند مستاجری (Multi-tenant).
عیب‌یابی و بهینه‌سازی سیستم‌های RAG.
مهندسی بافت:
معماری بافت و مونتاژ بافت (Context Assembly).
حافظه کوتاه‌مدت و بلندمدت، حافظه معنایی و ترجیحات کاربر.
مدیریت بودجه توکن و بهینه‌سازی بافت.
فشرده‌سازی بافت و خلاصه‌سازی.
بارگذاری انتخابی بافت و مدیریت داده‌های کهنه یا متناقض.
سیستم‌های عاملی و مهندسی محیط اجرا:
معماری عوامل هوشمند و الگوهای اجرا.
مهندسی محیط اجرا (Harness Engineering)، مهارت‌ها و محیط‌های اجرا.
فراخوانی ابزارها و هماهنگ‌سازی توابع.
پروتکل بافت مدل (MCP) و تعامل‌پذیری ابزارها.
قابلیت اطمینان ابزارها و مدیریت حالت‌های پشتیبان (Fallback).
معماری‌های چند عاملی (Multi-agent) و جریان‌های کاری طولانی‌مدت.
تأییدیه‌های انسانی و پایداری وضعیت سیستم.
مهندسی هوش مصنوعی عملیاتی و LLMOps:
قابلیت مشاهده‌پذیری، ردگیری (Tracing) و عیب‌یابی.
چارچوب‌های ارزیابی و تست سیستم‌ها.
خطوط لوله ارزیابی خودکار.
جریان‌های کاری انتشار و LLMOps.
بهینه‌سازی هزینه‌ها و اقتصاد توکن‌ها.
کش‌سازی پرامپت (Prompt Caching) و کش‌سازی معنایی.
مسیریابی مدل‌ها و ترکیب مدل‌های مختلف (Model Ensembles).
قابلیت اطمینان، امنیت و گاردریل‌های امنیتی (Guardrails).
پروژه‌های پایانی طراحی سیستم:
طراحی عامل هوشمند کدنویسی با هوش مصنوعی.
پیاده‌سازی عامل هوشمند کدنویسی.
بررسی معماری‌های عملیاتی در اپلیکیشن‌های هوش مصنوعی در دنیای واقعی.

این دوره مناسب افرادیست که

مهندسان هوش مصنوعی: متخصصانی که قصد دارند سیستم‌های هوش مصنوعی عاملی و قابل اعتماد را در سطح عملیاتی طراحی کنند.
توسعه‌دهندگان نرم‌افزار: برنامه‌نویسانی که می‌خواهند پلتفرم‌های خود را به قابلیت‌های پیشرفته RAG و سیستم‌های چند عاملی مجهز کنند.
معماران سیستم و نرم‌افزار: افرادی که مسئولیت طراحی زیرساخت‌های پیچیده فناوری اطلاعات و ادغام هوش مصنوعی را بر عهده دارند.
متخصصان LLMOps: مهندسانی که به دنبال مدیریت، ارزیابی، پایش و بهینه‌سازی هزینه‌های مدل‌های زبانی بزرگ در پروژه‌های واقعی هستند.
پژوهشگران و مهندسان داده: کسانی که می‌خواهند از پایگاه‌های داده برداری، جستجوهای ترکیبی و مدیریت حافظه در برنامه‌های خود استفاده نمایند.