کتاب Building Generative AI Services with Fastapi: A Practical Approach to Developing Context-Rich Generative AI Applications (ساخت خدمات هوش مصنوعی مولد با FastAPI: رویکردی عملی به توسعه برنامه‌های کاربردی هوش مصنوعی مولد غنی از زمینه) یک راهنمای کاربردی برای توسعه‌دهندگانی است که می‌خواهند از چارچوب وب FastAPI برای ساخت خدمات هوش مصنوعی مولد استفاده کنند.
کتاب Building Generative AI Services with Fastapi با تمرکز بر ایجاد برنامه‌های کاربردی هوش مصنوعی مولد که از داده‌های زمینه‌ای مختلف بهره می‌برند، به آموزش یکپارچه‌سازی مدل‌های مولد (مانند LLMها) با FastAPI، مدیریت داده‌ها، برقراری ارتباط با سیستم‌های خارجی، و در نهایت، ایمن‌سازی، بهینه‌سازی و استقرار این خدمات می‌پردازد. با ارائه مثال‌های عملی و رویکرد گام به گام، این کتاب به توسعه‌دهندگان کمک می‌کند تا خدمات هوش مصنوعی مولد قدرتمند و مقیاس‌پذیر ایجاد کنند.
در ادامه مقدمه‌ای از کتاب Building Generative AI Services with Fastapi را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Building Generative AI Services with Fastapi:
هوش مصنوعی مولد (GenAI) از زمان عرضه فناوری‌هایی مانند ChatGPT، جهان را در بر گرفته است. این نوع جدید هوش مصنوعی می‌تواند با یادگیری تقلید الگوها از داده‌های آموزشی خود، محتوا را در حالت‌های مختلف (مانند متن، صدا، ویدئو و غیره) ایجاد کند. با افزایش پیشرفت در قابلیت‌های GenAI، بسیاری از کسب‌وکارها در ابزارهای هوش مصنوعی آماده یا سفارشی سرمایه‌گذاری می‌کنند. این ابزارها به خدمات پشتیبان قابل نگهداری و مقیاس‌پذیر نیاز دارند که بتوانند با تقاضای بالا سازگار شوند.
قابلیت‌های هوش مصنوعی هیجان‌انگیز هستند زیرا دری را به سوی امکانات بی‌پایان باز می‌کنند که پتانسیل ابزارهای جدید را آزاد می‌کنند. قبل از هوش مصنوعی مولد، توسعه‌دهندگان مجبور بودند برای ساخت اتوماسیون و خطوط لوله داده برای پردازش داده‌های بدون ساختار مانند مجموعه‌های متنی، اسکریپت بنویسند و مدل‌های بهینه‌سازی را آموزش دهند. این فرآیند می‌تواند خسته‌کننده، مستعد خطا و فقط برای موارد استفاده محدود قابل اجرا باشد. با این حال، با ظهور مدل‌های GenAI مانند مدل‌های زبانی بزرگ (LLM)، اکنون می‌توانیم مجموعه‌های داده و اسناد بدون ساختار را هضم، مقایسه و خلاصه کنیم؛ ایده‌های پیچیده را بازنویسی کنیم؛ و تجسم‌ها و تصاویر تولید کنیم.
در حالی که بیشتر مدل‌های مولد مانند ChatGPT به تنهایی در کاری که انجام می‌دهند عالی هستند، آیا می‌توانید تصور کنید وقتی آنها را به اینترنت، پایگاه‌های داده خود و سایر خدمات متصل می‌کنیم چه امکاناتی وجود دارد؟ اگر بتوانیم به سادگی با خدمات خود به زبان طبیعی “صحبت” کنیم یا به آنها تصویر، ویدئو یا صدا بدهیم و از آنها بخواهیم کارهایی را برای ما انجام دهند، فرصت‌های بسیار زیادی برای ایجاد برنامه‌های کاربردی تازه در دسترس و خودکار باز می‌شود.
چت‌بات‌ها تنها برنامه‌هایی نیستند که می‌توانیم با چنین مدل‌های مولدی ایجاد کنیم. کارهای بسیار بیشتری می‌توانیم انجام دهیم. می‌توانیم عوامل خدمات پشتیبان ایجاد کنیم که می‌توانند وظایف پیچیده مختلفی را انجام دهند که نیاز به درک، استدلال منطقی و تجزیه و تحلیل متون دارند.
با اتصال مدل‌های مولد خود به خدمات موجود و اینترنت، داده‌های بیشتری را در اختیار خدمات هوش مصنوعی خود قرار می‌دهیم تا درک آنها از مسئله مورد نظر را غنی‌تر کنیم. برای مثال، یک شرکت می‌تواند از یک LLM متن‌باز، داخلی و دقیق تنظیم شده برای تجزیه سفارش‌های خرید، تولید فاکتورها و اعتبارسنجی داده‌ها در برابر پایگاه داده مشتری خود قبل از ثبت سفارش در یک سیستم پرداخت استفاده کند. اینجاست که مدل‌های مولد می‌درخشند. موارد استفاده دیگر می‌تواند شامل سیستم‌های مدیریت محتوا باشد که می‌تواند به کاربران در تولید محتوا کمک کند و سازندگان وب‌سایتی که می‌توانند تصاویر، آیکون‌ها و اجزای رابط کاربری (UI) را برای تسریع طراحی سایت پیشنهاد دهند.
یک مشکل وجود دارد. LLMها و سایر مدل‌های مولد برای عملکرد به قدرت پردازش و حافظه زیادی نیاز دارند، و مشخص نیست که توسعه‌دهندگان باید از چه الگوهای استقرار و لایه‌های یکپارچه‌سازی برای استفاده از این مدل‌ها استفاده کنند. ساخت خدمات هوش مصنوعی مولد چالش‌برانگیز است زیرا شما باید بین مقیاس‌پذیری، امنیت، عملکرد و حریم خصوصی داده‌ها تعادل برقرار کنید. همچنین می‌خواهید قابلیت تعدیل، آموزش مجدد و بهینه‌سازی این خدمات را برای استنتاج در زمان واقعی داشته باشید. این چالش‌ها برای هر سازمان متفاوت خواهد بود، و نحوه ساخت خدمات هوش مصنوعی مولد شما به سیستم‌ها و خدمات نرم‌افزاری موجود شما بستگی خواهد داشت.
منابع و مستندات موجود اطلاعات لازم برای شروع آموزش مدل‌های سفارشی و تنظیم دقیق مدل‌های زبانی بزرگ را فراهم می‌کنند. با این حال، بیشتر توسعه‌دهندگان ممکن است همچنان در بسته‌بندی و استقرار این مدل‌های مولد جدید به عنوان بخشی از سیستم‌ها و خدمات نرم‌افزاری موجود با چالش‌هایی روبرو شوند.
هدف من از کتاب Building Generative AI Services with Fastapi این است که به شما نشان دهم چگونه با درک فرآیند سرتاسر ساخت و استقرار خدمات هوش مصنوعی خود با ابزارهایی مانند چارچوب وب FastAPI، GenAI را به مرحله تولید برسانید.
هدف و رویکرد
هدف کتاب Building Generative AI Services with Fastapi کمک به شما در بررسی چالش‌های توسعه، ایمن‌سازی، آزمایش و استقرار هوش مصنوعی مولد به عنوان خدماتی یکپارچه با سیستم‌ها و برنامه‌های خارجی خودتان است.
تمرکز کتاب Building Generative AI Services with Fastapi بر ساخت خدمات هوش مصنوعی مولد مدولار و دارای امنیت نوع در FastAPI با پشتیبانی یکپارچه از مدیریت طرحواره پایگاه داده و یکپارچه‌سازی مدل برای تقویت بک‌اند‌هایی است که می‌توانند داده‌های جدید تولید کنند.
اهمیت این موضوعات ناشی از تقاضای روزافزون برای ساخت خدمات انعطاف‌پذیری است که می‌توانند با الزامات در حال تغییر سازگار شوند، عملکرد بالایی را حفظ کنند و با استفاده از الگوی میکروسرویس به طور کارآمد مقیاس‌پذیر شوند.
همچنین فرآیند غنی‌سازی خدمات خود با داده‌های زمینه‌ای از منابع مختلف مانند پایگاه‌های داده، وب، سیستم‌های خارجی و فایل‌های بارگذاری شده توسط کاربران را خواهید آموخت.
برخی از مدل‌های مولد برای عملکرد به قدرت پردازش و حافظه زیادی نیاز دارند. شما بررسی خواهید کرد که چگونه این مدل‌ها را در محیط تولید مدیریت کنید و چگونه خدمات خود را برای مدیریت بار مقیاس‌پذیر کنید. همچنین بررسی خواهید کرد که چگونه وظایف طولانی‌مدت مانند استنتاج مدل را مدیریت کنید.
در نهایت، مفاهیم احراز هویت، ملاحظات امنیتی، بهینه‌سازی عملکرد، آزمایش و استقرار خدمات هوش مصنوعی مولد آماده برای تولید را مورد بحث قرار خواهیم داد.
پیش‌نیازها
کتاب Building Generative AI Services with Fastapi هیچ دانش قبلی از هوش مصنوعی مولد را فرض نمی‌کند و نیازی نیست که شما به طور کامل نحوه کار مدل‌های مولد را درک کنید. من شهود نحوه تولید داده توسط چنین مدل‌هایی را پوشش خواهم داد اما به ریاضیات زیربنایی آنها نخواهم پرداخت. با این حال، اگر می‌خواهید جزئیات بیشتری در مورد ساخت مدل‌های هوش مصنوعی مولد خود بیاموزید، کتاب “یادگیری عمیق مولد” نوشته دیوید فاستر (O’Reilly، 2024) را توصیه می‌کنم.
از آنجایی که کتاب Building Generative AI Services with Fastapi یک کتاب FastAPI برای برنامه‌های کاربردی هوش مصنوعی مولد است، من آشنایی اولیه با این چارچوب وب را فرض می‌کنم. اگر نیاز به یادآوری دارید یا می‌خواهید درک خود از ویژگی‌های FastAPI را گسترش دهید، خواندن کتاب “FastAPI” نوشته بیل لوبانوویچ (O’Reilly، 2023) را توصیه می‌کنم. با این حال، این یک الزام برای دنبال کردن این کتاب نیست.
علاوه بر این، این کتاب تجربه قبلی با پایتون، با Docker برای استقرار، با نحوه کار وب و با ارتباط از طریق پروتکل HTTP را فرض می‌کند.
برای تقویت مهارت‌های پایتون خود، من اکیداً توصیه می‌کنم از realpython.org برای آموزش‌های عالی در مورد مفاهیم پیشرفته‌تر دیدن کنید. وب‌سایت رسمی Docker نیز یک آموزش عملی عالی در مورد کانتینری‌سازی و نوشتن Dockerfile ارائه می‌دهد.
من در کتاب Building Generative AI Services with Fastapi به مبانی وب نخواهم پرداخت، اما اکیداً مستندات MDN را به عنوان نقطه شروع توصیه می‌کنم.
در نهایت، این کتاب نیازی به دانش چارچوب‌های یادگیری عمیق مانند Tensorflow و Keras نخواهد داشت. در صورت لزوم، با این چارچوب‌ها آشنا خواهید شد. در عوض، ما بیشتر با مدل‌های از پیش آموزش‌دیده که در مخزن مدل Hugging Face میزبانی می‌شوند، کار خواهیم کرد.
ساختار کتاب Building Generative AI Services with Fastapi
این کتاب به سه بخش تقسیم شده است:
بخش اول، “توسعه خدمات هوش مصنوعی”
این بخش از کتاب Building Generative AI Services with Fastapi، تمام مراحل لازم برای راه‌اندازی یک پروژه FastAPI که سرویس GenAI شما را تامین می‌کند، پوشش می‌دهد. شما یاد خواهید گرفت که چگونه مدل‌های مولد مختلف را در یک برنامه FastAPI با امنیت نوع ادغام کرده و نقاط پایانی را برای تعامل با آنها در معرض نمایش قرار دهید.
- فصل 1، “مقدمه”: این فصل به اهمیت GenAI در آینده می‌پردازد و پروژه‌های عملی را که در طول کتاب Building Generative AI Services with Fastapi خواهید ساخت معرفی می‌کند.
- فصل 2، “شروع کار با FastAPI”: این فصل FastAPI، یک چارچوب مدرن برای ساخت خدمات هوش مصنوعی را معرفی می‌کند. شما ویژگی‌ها، محدودیت‌ها و نحوه مقایسه آن با سایر چارچوب‌های وب را درک خواهید کرد. در پایان این فصل، شما قادر خواهید بود برنامه‌های FastAPI را شروع به ایجاد کنید، پروژه‌ها را به تدریج سازماندهی کنید و از چارچوب‌هایی مانند Flask یا Django مهاجرت کنید.
- فصل 3، “یکپارچه‌سازی هوش مصنوعی و ارائه مدل”: این فصل کل فرآیند یکپارچه‌سازی و ارائه مدل‌های GenAI مختلف (شامل مدل‌های زبانی، صوتی، بصری و سه بعدی) را به عنوان یک سرویس FastAPI با استفاده از طول عمر برنامه پوشش می‌دهد. ما استراتژی‌های مختلف برای ارائه مدل مانند پیش بارگذاری، برون‌سپاری و نظارت بر مدل‌ها با میان‌افزار را بررسی خواهیم کرد.
- فصل 4، “پیاده‌سازی خدمات هوش مصنوعی با امنیت نوع”: این فصل مفهوم امنیت نوع و چگونگی کمک حاشیه‌نویسی‌های نوع پایتون و ابزارهای اعتبارسنجی داده مانند Pydantic به اعتبارسنجی و سریال‌سازی داده‌های عبوری از خدمات هوش مصنوعی شما را معرفی می‌کند.
بخش دوم، “ارتباط با سیستم‌های خارجی”
در این بخش از کتاب Building Generative AI Services with Fastapi، خدمات هوش مصنوعی خود را با سیستم‌های خارجی مانند پایگاه‌های داده ادغام خواهیم کرد و یاد خواهیم گرفت که چگونه به کاربران همزمان خدمات ارائه دهیم. همچنین جریان‌سازی خروجی‌های مدل در زمان واقعی را پیاده‌سازی خواهیم کرد.
- فصل 5، “دستیابی به همزمانی در بارهای کاری هوش مصنوعی”: این فصل از کتاب Building Generative AI Services with Fastapi، مفاهیم همزمانی و موازی‌سازی را در کنار مقایسه استراتژی‌های مختلف برای حل مشکلات همزمانی معرفی می‌کند. ما هدف برنامه‌نویسی ناهمزمان در مدیریت وظایف طولانی‌مدت و مسدودکننده و محدودیت‌های قفل مفسر سراسری پایتون (GIL) در مدیریت این فرآیندهای ناهمزمان را بررسی خواهیم کرد. برای تمرین، یک چت‌بات کاربردی “صحبت با وب و اسناد شما” را با استفاده از تکنیکی به نام تولید افزوده بازیابی (RAG) پیاده‌سازی خواهیم کرد. در نهایت، ویژگی وظایف پس‌زمینه FastAPI را برای مقابله با عملیات طولانی‌مدت پوشش خواهیم داد.
- فصل 6، “ارتباط در زمان واقعی با مدل‌های مولد”: در این فصل از کتاب Building Generative AI Services with Fastapi، بر فعال‌سازی ارتباط مشتری-سرور در زمان واقعی با مدل‌های مولد تمرکز خواهیم کرد. به عنوان بخشی از این، مکانیسم‌های مختلفی مانند وب سوکت‌ها و رویدادهای جریان‌سازی سرور را هنگام جریان‌سازی داده‌ها به/از مدل‌های مولد با مثال‌های عملی مقایسه خواهیم کرد.
- فصل 7، “ادغام پایگاه‌های داده در خدمات هوش مصنوعی”: این فصل از کتاب Building Generative AI Services with Fastapi، یک نمای کلی از فناوری‌های پایگاه داده مناسب برای خدمات GenAI ارائه می‌دهد. ما بهترین شیوه‌ها هنگام کار با پایگاه‌های داده با استفاده از ابزارهای проверенными مانند SQLAIchemy ORM و AIembic برای تسهیل مهاجرت‌ها را پوشش خواهیم داد. در نهایت، Prisma، یک ابزار در حال توسعه برای تولید یک کلاینت پایگاه داده کاملاً تایپ شده و مدیریت خودکار مهاجرت‌ها را معرفی خواهیم کرد.
بخش سوم، “ایمن‌سازی، بهینه‌سازی، آزمایش و استقرار خدمات هوش مصنوعی”
در این بخش از کتاب Building Generative AI Services with Fastapi، بر پیاده‌سازی لایه احراز هویت برای مدیریت کاربر، همراه با بهبودهای امنیتی و بهینه‌سازی تمرکز خواهیم کرد. سپس تمرکز خود را به آزمایش و در نهایت استقرار سرویس هوش مصنوعی خود از طریق کانتینری‌سازی تغییر خواهیم داد.
- فصل 8، “احراز هویت و مجوز”: در این فصل از کتاب Building Generative AI Services with Fastapi، پیاده‌سازی لایه‌های احراز هویت برای مدیریت کاربر را برای ایمن‌سازی، محافظت و محدود کردن دسترسی به خدمات هوش مصنوعی پوشش خواهیم داد. استراتژی‌های مختلف احراز هویت از جمله احراز هویت پایه، مبتنی بر توکن و OAuth را بررسی و پیاده‌سازی خواهیم کرد. سپس مدل‌های مجوز از جمله کنترل دسترسی مبتنی بر نقش (RBAC) را معرفی کرده و نقش نمودار وابستگی FastAPI را در این فرآیند توضیح خواهیم داد. این شامل افزودن مجوزهای محدودکننده برای کاربران بر اساس نقش‌ها خواهد بود که در آن تعاملات سرویس هوش مصنوعی می‌تواند به طور خودکار تعدیل شود.
- فصل 9، “ایمن‌سازی خدمات هوش مصنوعی”: این فصل از کتاب Building Generative AI Services with Fastapi، یک نمای کلی از بردارهای حمله رایج برای راه حل‌های مولد ارائه می‌دهد. در اینجا، تمرکز خود را بر پیاده‌سازی اقدامات امنیتی مختلف در سراسر سرویس هوش مصنوعی خود، مانند محدود کردن نرخ و محافظ‌ها، برای محافظت در برابر خروجی‌های سمی مدل، حملات رایج، سوء استفاده و استفاده نادرست تغییر خواهیم داد.
- فصل 10، “بهینه‌سازی خدمات هوش مصنوعی”: این فصل از کتاب Building Generative AI Services with Fastapi، تکنیک‌های مختلف بهینه‌سازی عملکرد مانند پردازش دسته‌ای، ذخیره‌سازی معنایی و مهندسی پرامپت را برای بهبود کیفیت و سرعت خدمات هوش مصنوعی پوشش می‌دهد.
- فصل 11، “آزمایش خدمات هوش مصنوعی”: این فصل از کتاب Building Generative AI Services with Fastapi، چالش‌ها و بهترین شیوه‌ها در آزمایش خدمات هوش مصنوعی را پوشش می‌دهد. ما مفاهیم مختلف آزمایش از جمله مراحل آزمایش، مرزها و ماک‌ها را بررسی کرده و سپس ماک‌های خدمات خارجی را پیاده‌سازی می‌کنیم و محیط‌های آزمایش را جدا نگه می‌داریم. در نهایت، یک رویکرد جدید برای آزمایش مدل‌های هوش مصنوعی مولد حتی زمانی که خروجی‌های متفاوتی در طول اجرای آزمایش تولید می‌کنند، معرفی خواهیم کرد.
- فصل 12، “استقرار خدمات هوش مصنوعی”: این فصل از کتاب Building Generative AI Services with Fastapi، رویکردهای مختلف استقرار از جمله استفاده از ماشین‌های مجازی، توابع ابری، خدمات برنامه مدیریت شده و فناوری‌های کانتینری‌سازی مانند Docker را پوشش می‌دهد. سپس بر مفاهیم کانتینری‌سازی، مانند ذخیره‌سازی و شبکه‌سازی، برای استقرار سرویس هوش مصنوعی خود با استفاده از Docker تمرکز خواهیم کرد.
سرفصل‌های کتاب Building Generative AI Services with Fastapi:
- Foreword
- Preface
- Objective and Approach
- Prerequisites
- Book Structure
- How to Read This Book
- Hardware and Software Requirements
- Conventions Used in This Book
- Using Code Examples
- O’Reilly Online Learning
- How to Contact Us
- Acknowledgments
- I. Developing AI Services
- 1. Introduction
- 2. Getting Started with FastAPI
- 3. AI Integration and Model Serving
- 4. Implementing Type-Safe AI Services
- II. Communicating with External Systems
- 5. Achieving Concurrency in AI Workloads
- 6. Real-Time Communication with Generative Models
- 7. Integrating Databases into AI Services
- III. Securing, Optimizing, Testing, and Deploying AI Services
- 8. Authentication and Authorization
- 9. Securing AI Services
- 10. Optimizing AI Services
- 11. Testing AI Services
- 12. Deployment of AI Services
- Afterword
- Index
- About the Author
جهت دانلود کتاب Building Generative AI Services with Fastapi می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.