Udemy – AI Engineering: Build Measure and Debug LLM Systems 2026-9

در تاریخ: 1405/07/05 6:49:27

توضیحات

AI Engineering: Build Measure and Debug LLM Systems دوره آموزشی ساخت اپلیکیشن‌های قابل‌اعتماد، قابل‌سنجش و آماده تولید مبتنی بر مدل‌های زبانی بزرگ (LLM) می باشد که توسط آکادمی آنلاین یودمی منتشر شده است. فراگیران فراتر از پرامپت‌نویسی پایه می‌روند و یاد می‌گیرند چگونه سیستم‌های LLM را طراحی کنند، عملکرد آن‌ها را ارزیابی کنند، ضعف‌ها را شناسایی کنند و گردش‌کارهای مبتنی بر هوش مصنوعی را به‌طور سیستماتیک رفع اشکال کنند. آن‌ها مفاهیم مهمی مانند مهندسی پرامپت، معماری اپلیکیشن LLM، ارزیابی و تست، مشاهده‌پذیری، تحلیل خطا، Retrieval-Augmented Generation، استفاده از ابزار و بهینه‌سازی عملکرد را بررسی می‌کنند. از طریق مثال‌های عملی و توسعه دست‌اول، یاد می‌گیرید چگونه کیفیت و قابلیت اطمینان سیستم‌های هوش مصنوعی را بسنجید، به‌جای تکیه صرف بر نتایج ذهنی. دوره روی مهارت‌های فنی مشخصی تمرکز دارد که اغلب در آموزش‌های سطحی پرامپت‌نویسی نادیده گرفته می‌شوند. فراگیران یاد می‌گیرند چگونه هر پاسخ مدل را به‌عنوان بلوک‌های محتوای تایپ‌شده تجزیه کنند و بر اساس stop_reason، نه صرفاً خود متن، شاخه‌بندی کنند، رویکردی که مدیریت خطا و منطق را قابل‌پیش‌بینی‌تر و کمتر شکننده می‌سازد.

بخش قابل‌توجهی از دوره روی خروجی ساختاریافته تمرکز دارد. فراگیران تمرین می‌کنند خروجی ساختاریافته را در برابر یک schema درخواست کنند و یک ابزار را با یک schema ورودی سخت‌گیرانه توصیف کنند، سپس محدودیت‌هایی که آن schema نمی‌تواند از آن‌ها عبور کند را نام ببرند. این درک مرزها هنگام کار با سیستم‌های تولید که باید به‌طور قابل‌پیش‌بینی در تمام موارد لبه‌ای رفتار کنند حیاتی است. فراگیران همچنین یاد می‌گیرند چگونه یک فراخوانی را به‌عنوان یک بودجه زمینه در سراسر چهار مورد خط برنامه‌ریزی کنند و موردی که اول شکست می‌خورد را نام ببرند، مهارتی که مدیریت زمینه را از یک محدودیت انتزاعی به یک عامل مهندسی مشخص و قابل‌برنامه‌ریزی تبدیل می‌کند. در سراسر دوره، این تکنیک‌های فنی درون یک چارچوب گسترده‌تر ارزیابی، مشاهده‌پذیری و تحلیل خطا در نظر گرفته می‌شوند، تا فراگیران بتوانند به‌طور سیستماتیک عملکرد سیستم LLM را اندازه‌گیری کنند و مشکلات را رفع اشکال کنند، به‌جای تکیه بر ارزیابی ذهنی «به‌نظر خوب می‌رسد». در پایان دوره، فراگیران آماده خواهند بود اپلیکیشن‌های LLM بسازند که هم قابل‌اندازه‌گیری و هم قابل‌اعتماد در محیط تولید هستند.

آنچه در دوره AI Engineering: Build Measure and Debug LLM Systems یاد خواهید گرفت:

تجزیه هر پاسخ مدل به‌عنوان بلوک‌های محتوای تایپ‌شده و شاخه‌بندی بر اساس stop_reason به‌جای متن
درخواست خروجی ساختاریافته در برابر یک schema و توصیف یک ابزار با یک schema ورودی سخت‌گیرانه، سپس نام بردن محدودیت‌هایی که آن schema نمی‌تواند از آن‌ها عبور کند
برنامه‌ریزی یک فراخوانی به‌عنوان یک بودجه زمینه در سراسر چهار مورد خط و نام بردن موردی که اول شکست می‌خورد
و …

مشخصات دوره

ناشر: یودمی
مدرس: Abay Assenov
زبان: انگلیسی
سطح آموزش: مقدماتی تا پیشرفته
تعداد دروس: 69
مدت زمان آموزش: 14 ساعت و 37 دقیقه

سرفصل های دوره

AI Engineering Build, Measure and Debug LLM Systems

پیش نیازهای دوره AI Engineering: Build Measure and Debug LLM Systems

Comfortable writing and reading Python: functions, dictionaries, JSON, and a virtual environment
Comfortable reading API documentation and making HTTP requests from code
An API key for a hosted language model provider and a small budget for calls, a few dollars is enough
A terminal, an editor, and the ability to install packages
A corpus of your own to retrieve from: documentation, tickets, contracts, notes, anything real, even a few dozen files
No machine learning background, no linear algebra, no GPU, no framework experience required