Pluralsight – Designing Data Systems with LLMs 2026-7

در تاریخ: 1405/05/20 11:13:27

توضیحات

دوره Designing Data Systems with LLMs. این دوره آموزشی به بررسی نحوه طراحی و ساخت سیستم‌های داده مبتنی بر مدل‌های زبانی بزرگ (LLMs) و ادغام آن‌ها در خطوط لوله داده با حفظ پایداری و یکپارچگی اطلاعات می‌پردازد. مدل‌های زبانی بزرگ (LLMs) می‌توانند خطوط لوله داده (Data Pipelines) را غنی‌تر و ارزشمندتر کنند، اما تحقق این امر نیازمند مرزبندی‌های مشخص، ارکستراسیون و اعتبارسنجی دقیق است. این دوره آموزشی به شرکت‌کنندگان می‌آموزد که چگونه سیستم‌های داده مبتنی بر هوش مصنوعی مولد را به گونه‌ای طراحی کنند که از پایداری، یکپارچگی داده‌ها و کنترل عملیاتی به طور کامل محافظت شود. امروزه از تیم‌های داده خواسته می‌شود تا از مدل‌های زبانی بزرگ برای دسته‌بندی، غنی‌سازی داده‌ها، خلاصه‌سازی، اولویت‌بندی و اتوماسیون عملیاتی استفاده کنند؛ با این حال، سیستم‌های عملیاتی و واقعی به چیزی بیش از اتصال یک پرامپت ساده به یک خط لوله داده نیاز دارند. در این آموزش، فراگیران توانایی طراحی سیستم‌های داده مبتنی بر LLM را کسب می‌کنند که به صورت تمیز و یکپارچه در معماری‌های داده سرتاسری قرار می‌گیرند. در گام نخست، بررسی می‌شود که مدل‌های زبانی بزرگ در چه بخش‌هایی از خطوط لوله داده قرار می‌گیرند و چگونه باید اجزای قطعی و قطعی‌نگر (Deterministic) را از بخش‌های مبتنی بر هوش مصنوعی جدا ساخت. در ادامه، نحوه طراحی مهندسی پرامپت، جریان‌های کاری تولید افزوده با بازیابی (RAG) و جریان‌های کاری مبتنی بر عامل‌ها (Agentic Workflows) برای سناریوهای کاربردی در حوزه‌های مالی و تجارت الکترونیک آموزش داده می‌شود. در نهایت، نحوه ارکستراسیون، تحریک، پایش و اعتبارسنجی خطوط لوله متصل به LLM با استفاده از ابزارهای مدرنی مانند Apache Airflow، LangGraph، FastAPI، DuckDB، PostgreSQL و pgvector تدریس می‌شود. در پایان این دوره، دانش و مهارت‌های لازم برای ادغام هوش مصنوعی مولد در معماری داده عملیاتی کسب خواهد شد.

آنچه فرا خواهید گرفت

شناخت جایگاه LLM در خطوط لوله داده: تعیین محل دقیق قرارگیری مدل‌های زبانی بزرگ در خطوط لوله داده و تفکیک اجزای قطعی از اجزای مبتنی بر هوش مصنوعی.
طراحی جریان‌های کاری پیشرفته: طراحی معماری پرامپت‌ها، سیستم‌های RAG و جریان‌های کاری مبتنی بر عامل‌های هوشمند برای کاربردهای مالی و فروشگاهی.
ارکستراسیون و مدیریت خط لوله: مدیریت، اجرا و تحریک خطوط لوله داده با استفاده از ابزارهای قدرتمندی نظیر Apache Airflow و LangGraph.
توسعه سرویس‌ها و پایگاه‌های داده: بکارگیری FastAPI برای ایجاد سرویس‌ها و استفاده از DuckDB، PostgreSQL و pgvector جهت مدیریت داده‌های برداری.
پایش و اعتبارسنجی: نظارت مستمر بر عملکرد سیستم، ارزیابی خروجی‌ها و اعتبارسنجی داده‌ها برای جلوگیری از بروز خطا در محیط‌های واقعی.
حفظ پایداری و یکپارچگی: ادغام هوش مصنوعی مولد در پلتفرم‌های داده بدون از دست دادن کنترل عملیاتی و کیفیت داده‌ها.

این دوره مناسب افرادیست که

مهندسان داده (Data Engineers) که قصد دارند مدل‌های زبانی بزرگ را در خطوط لوله داده عملیاتی و پیچیده ادغام کنند.
معماران داده (Data Architects) که به دنبال طراحی سیستم‌های داده مدرن، پایدار و قابل اطمینان با استفاده از هوش مصنوعی هستند.
دانشمندان داده (Data Scientists) که می‌خواهند مدل‌های LLM، سیستم‌های RAG و عامل‌های هوشمند را در مقیاس واقعی پیاده‌سازی نمایند.
متخصصان هوش مصنوعی و DevSecOps که مسئولیت پایش، ارکستراسیون و اعتبارسنجی خطوط لوله داده مبتنی بر LLM را بر عهده دارند.
توسعه‌دهندگان نرم‌افزار که علاقه‌مند به یادگیری ابزارهایی مانند LangGraph، FastAPI و pgvector برای ساخت سیستم‌های داده هوشمند هستند.