Oreilly – Building Reliable AI Systems, Video Edition 2026-8

در تاریخ: 1405/07/28 7:06:31

توضیحات

دوره Building Reliable AI Systems, Video Edition. این دوره آموزشی یک راهنمای عملی و ساختاریافته برای مهندسان نرم‌افزار و دانشمندان داده است که نحوه تبدیل نمونه‌های اولیه AI به سیستم‌ها و ایجنت‌های قابل اعتماد، امن و آماده برای استفاده در محیط واقعی را آموزش می‌دهد. این دوره نشان می‌دهد که چگونه یک prototype اولیه را به یک محصول قابل ارائه، قابل نگهداری و scalable در محیط production تبدیل کنید. این دوره در ۱۱ فصل دقیق، فراگیران را با یک فرایند منحصر‌به‌فرد قابل اعتماد بودن آشنا می‌سازد که توسط راش شاهانی (Rush Shahani) هنگام ساخت یک پلتفرم هوشمند فروش برای ۱۵,۰۰۰ تیم توسعه داده شده است. این مجموعه کاملاً کاربردی، گام‌های مشخصی را برای حذف hallucination‌های پرهزینه، بهینه‌سازی منابع پردازشی و deploy امن و مطبق با قوانین ارائه می‌دهد. این آموزش مفاهیم AI reliability را در شش بعد کلیدی شامل accuracy and grounding، safe agency، graceful failure، consistency، fairness و operational efficiency تعریف می‌کند و یک framework سه لایه برای دستیابی به این اهداف ارائه می‌دهد. لایه اول بر output تمرکز دارد و نحوه دریافت پاسخ‌های دقیق را با استفاده از prompt engineering، RAG و model customization آموزش می‌دهد. لایه دوم در مورد agentic systems بوده و پارامترهایی را برای memory، tool usage و orchestration تعیین می‌کند. لایه سوم نیز شامل Reliable Operations است که موضوعاتی مانند deployment، monitoring و responsible AI را پوشش می‌دهد. در این دوره بر رابطه مستقیم بین evaluation و reliability تأکید می‌شود؛ زیرا امکان بهبود چیزی که اندازه گرفته نشود وجود ندارد. فراگیران نحوه ارزیابی برنامه خود را با معيار‌های LLM-native مانند Grounding Defect Rate، Hallucination Severity Score و FActScore برای بررسی کامل خروجی‌های RAG تا مسیر تصمیم‌گیری autonomous agents می‌آموزند. همچنین پروژه‌های واقعی مانند ساخت یک multi-agent travel planner و یک medical assistant با استفاده از ابزارهای استاندارد صنعت مانند LangGraph و MCP پیاده‌سازی می‌شوند تا اطمینان حاصل شود که برنامه‌ها مقرون‌به‌صرفه، سریع و مطابق با استانداردهایی مانند HIPAA و GDPR باقی می‌مانند.

آنچه فرا خواهید گرفت

اتصال دقیق outputها به داده‌های واقعی کسب‌وکار (Ground outputs in real business data)
مدیریت و هدایت جریان‌های کاری چندمرحله‌ای امن و پایدار در ایجنت‌ها (Orchestrate safe, consistent multi-step agent workflows)
پیاده‌سازی سیستم‌های نظارت قدرتمند، ذخیره‌سازی معنایی و راهکارهای جایگزین چند مدله (Implement robust monitoring, semantic caching, and multi-model fallbacks)
ارزیابی دقیق مدل‌های زبان بزرگ با معیارها و ابزارهای پیشرفته برای جلوگیری از پاسخ‌های نادرست
ساخت پروژه‌های کاربردی هوش مصنوعی با استفاده از فریم‌ورک‌های مدرن صنعت مانند LangGraph و MCP

این دوره مناسب افرادیست که

مهندسان نرم‌افزار و تسلط‌داران به زبان برنامه‌نویسی Python که قصد دارند برنامه‌های AI قابل اعتماد بسازند
دانشمندان داده (Data Scientists) که می‌خواهند مدل‌های خود را از مرحله prototype به محیط واقعی production منتقل کنند
متخصصان و توسعه‌دهندگان AI که به دنبال یادگیری متدولوژی‌های LLMOps، ارزیابی مدل‌ها و استقرار سیستم‌های هوشمند هستند
معماران نرم‌افزار که می‌خواهند ایجنت‌ها و سیستم‌های خودکار امن، دقیق و مطابق با استانداردهای سازمانی طراحی کنند

مشخصات دوره Building Reliable AI Systems, Video Edition

ناشر: Oreilly
مدرس: Rusheel Shahani
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 10 ساعت و 15 دقیقه

سرفصل های دوره

Chapter 1. AI reliability: Building LLMs for the real world
Chapter 1. The tangible impact of LLMs in the real world
Chapter 1. Understanding hallucinations and reliable AI
Chapter 1. The AI reliability framework
Chapter 1. The reliability toolbox
Chapter 1. Why reliable AI systems matter now
Chapter 1. Requirements for following along
Chapter 1. Summary
Part 1. Reliable outputs
Chapter 2. Generating trustworthy responses with prompt engineering
Chapter 2. Tailoring LLM settings for maximum reliability
Chapter 2. Limiting output and turns to reduce hallucination risk
Chapter 2. Applying frequency and presence penalties for balanced content
Chapter 2. Minimizing intrinsic randomness for stable performance
Chapter 2. Foundations of prompt engineering for reliable LLMs
Chapter 2. Prompt engineering techniques for preventing hallucinations
Chapter 2. Project: Creating a reliable weather assistant with OpenAI’s function calls
Chapter 2. Summary
Chapter 3. Grounding outputs with RAG
Chapter 3. RAG system architecture
Chapter 3. Reducing hallucinations with RAG
Chapter 3. Data preparation and reliable indexing for RAG systems
Chapter 3. Building an effective RAG system
Chapter 3. Evaluating and optimizing RAG systems
Chapter 3. Advanced techniques for improving RAG
Chapter 3. Building an RAG system for an e-commerce chatbot
Chapter 3. Summary
Chapter 4. Embeddings and vector search
Chapter 4. Embedding models in production
Chapter 4. Beyond simple vectors: Hybrid and multistage retrieval
Chapter 4. Essential retrieval optimizations with embeddings and RAG
Chapter 4. Exploring vector storage and databases
Chapter 4. Practical challenges: Drift and compression
Chapter 4. Summary
Chapter 5. Fine-tuning LLMs for improved performance
Chapter 5. Case studies: Fine-tuning in the real world
Chapter 5. Understanding the fine-tuning process
Chapter 5. Knowledge distillation for LLMs
Chapter 5. Summary
Part 2. Reliable agents
Chapter 6. Creating effective AI agents
Chapter 6. Core components of reliable agents
Chapter 6. Agentic RAG for reliable agents
Chapter 6. Advanced techniques
Chapter 6. Summary
Chapter 7. Tool integration and MCP
Chapter 7. The hidden complexity: The NxM problem
Chapter 7. The solution: MCP
Chapter 7. Building your first real MCP tool with a CSV-powered product catalog
Chapter 7. Running and testing your server
Chapter 7. Teaching your AI to use MCP tools
Chapter 7. Adding a second tool: Inventory status
Chapter 7. Handling failures gracefully
Chapter 7. Beyond tools: Production agent harnesses and OpenClaw
Chapter 7. Summary
Chapter 8. Multi-agent systems
Chapter 8. Testing multi-agent workflows
Chapter 8. Alternative framework: CrewAI
Chapter 8. Summary
Part 3. Reliable operations
Chapter 9. Evaluation and performance for LLMs and agents
Chapter 9. Essential architectural patterns for performance
Chapter 9. Evaluating agent performance
Chapter 9. Summary
Chapter 10. Deploying and monitoring
Chapter 10. Serving LLMs: Hosted APIs vs. open source models
Chapter 10. Building LLM-native monitoring systems
Chapter 10. User experience and feedback monitoring
Chapter 10. Ensuring high-quality outputs in production
Chapter 10. Observability in practice: Introducing Langfuse
Chapter 10. Summary
Chapter 11. Bias, privacy, and responsible AI
Chapter 11. Data layer: Where bias begins
Chapter 11. Model layer: Where bias evolves
Chapter 11. Safety layer: Your last line of defense
Chapter 11. Why LLM privacy failures are uniquely dangerous
Chapter 11. Real-world project: SafeMedAssist
Chapter 11. Summary