محتوای دوره:

این دوره به‌عنوان ادامه‌ای بر دوره یادگیری و پیاده‌سازی مدل‌های یادگیری ماشین روی زیرساخت‌های ابری AWS و GCP طراحی شده است و تمرکز آن بر جزییات فرآیند استقرار، پیاده‌سازی و عملیاتی‌سازی مدل‌های مولد هوشمند می‌باشد. در این دوره، به طور جامع به مفاهیم و ابزارهای پیشرفته در حوزه هوش مصنوعی مولد پرداخته می‌شود که شامل مدل‌های زبانی بزرگ (LLMs)، مدل‌های چندوجهی (Multi-modal Models)، و روش‌های بازیابی تقویتی (RAG) است.

سرفصل‌های دوره:

1. آشنایی با هوش مصنوعی مولد
   • معرفی GANها، VAEها، مدل‌های زبانی بزرگ (LLMs) و چندوجهی (VLMs).
   • آشنایی با مدل‌هایی مثل Transformers، BERT، GPT، و T5.
   • بررسی کاربردهای صنعتی هوش مصنوعی مولد مانند تولید متن، خلاصه‌سازی و تولید تصاویر.
   • پروژه عملی: پیاده‌سازی یک GAN برای تولید تصاویر از نویز تصادفی با استفاده از TensorFlow یا PyTorch.
2. ساخت و استفاده از Embedding‌ها
   • مفاهیم Embedding‌های کلمات، جملات و مدل‌های چندوجهی.
   • ابزارها: SentenceTransformers، Hugging Face، OpenAI Embedding API.
   • کاربردها: جستجوی معنایی، خوشه‌بندی و اندازه‌گیری شباهت.
   • پروژه عملی: ایجاد یک موتور جستجوی متنی مبتنی بر شباهت.
3. بهینه‌سازی مدل‌های زبانی بزرگ (LLMs)
   • تکنیک‌های Fine-tuning برای انجام وظایف خاص (طبقه‌بندی، تولید).
   • استفاده از ابزارهایی مثل Hugging Face و LoRA.
   • پروژه عملی: بهینه‌سازی GPT یا T5 برای دیتاست‌های خاص (مانند چت‌بات‌های خدمات مشتری).
4. جستجوی عصبی و بازیابی تقویتی (RAG)
   • تکنیک‌های بازیابی متراکم با دیتابیس‌های وکتوری مانند Pinecone و Weaviate.
   • استفاده از LangChain برای ساخت پایپ‌لاین‌های RAG.
   • پروژه عملی: پیاده‌سازی یک سیستم بازیابی-تقویتی برای ترکیب جستجوی عصبی با مدل‌های GPT جهت ارائه پاسخ‌های دقیق.
5. مدل‌سازی موضوعی و خلاصه‌سازی
   • مدل‌سازی موضوعی با روش‌هایی مثل LDA و استفاده از Transformers پیشرفته.
   • خلاصه‌سازی متون: روش‌های استخراجی و مولد.
   • پروژه عملی: طراحی ابزار خلاصه‌سازی متون طولانی با استفاده از مدل‌های پیشرفته.
6. مدل‌های چندوجهی (Multi-modal Models)
   • معرفی مدل‌های چندوجهی مانند CLIP و BLIP.
   • Fine-tuning مدل‌های چندوجهی برای وظایفی مثل پاسخگویی به سوالات تصویری (VQA).
   • پروژه عملی: Fine-tuning CLIP یا BLIP برای وظایف متقابل (مانند تولید توضیحات برای تصاویر).
7. عوامل هوش مصنوعی (AI Agents)
   • آشنایی با عوامل هوش مصنوعی برای انجام وظایف خودمختار چندمرحله‌ای.
   • استفاده از LangChain، Auto-GPT، و BabyAGI.
   • پروژه عملی: ایجاد یک عامل هوشمند برای اتوماسیون یک جریان کاری (مانند استخراج داده، خلاصه‌سازی اسناد، و تولید گزارش).
8. استقرار برنامه‌های هوش مصنوعی مولد
   • تکنیک‌های استقرار: FastAPI، Docker، و پلتفرم‌های ابری.
   • ارائه مدل‌ها از طریق API و ادغام آن‌ها در برنامه‌ها.
   • پروژه عملی: استقرار یک LLM بهینه‌شده با استفاده از FastAPI و Docker و میزبانی آن در AWS یا GCP.
9. هوش مصنوعی اخلاقی و کاهش سوگیری‌ها
   • بررسی چالش‌های سوگیری در مدل‌های هوش مصنوعی مولد.
   • ابزارها و تکنیک‌های ارزیابی سوگیری (مانند AI Fairness 360).
   • پروژه عملی: ارزیابی سوگیری‌های یک مدل از پیش آموزش‌دیده و اجرای تکنیک‌های کاهش سوگیری.

این دوره با هدف ایجاد مهارت‌های عملی و کاربردی در زمینه طراحی و پیاده‌سازی سیستم‌های هوش مصنوعی مولد طراحی شده و می‌تواند دانشجویان را برای ورود به بازار کار و استفاده حرفه‌ای از ابزارهای پیشرفته آماده کند.