کتاب Building Neo4j-Powered Applications with LLMs: Create LLM-driven search and recommendations applications with Haystack, LangChain4j, and Spring AI (ساخت برنامه‌های کاربردی مبتنی بر Neo4j با LLMها: ایجاد برنامه‌های جستجو و توصیه‌گر با محوریت LLM با استفاده از Haystack، LangChain4j و Spring AI) راهنمایی جامع برای توسعه‌دهندگانی است که قصد دارند قابلیت‌های مدل‌های زبان بزرگ (LLM) را با قدرت پایگاه داده گرافی Neo4j ترکیب کنند.
کتاب Building Neo4j-Powered Applications with LLMs به شما می‌آموزد چگونه با استفاده از فریم‌ورک‌های محبوبی مانند Haystack و LangChain4j و همچنین Spring AI برای برنامه‌های جاوا، اپلیکیشن‌های پیشرفته‌ای برای جستجو و توصیه ایجاد کنید.
در ادامه مقدمه‌ای از کتاب Building Neo4j-Powered Applications with LLMs را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Building Neo4j-Powered Applications with LLMs:
ما در حال زندگی در یک انقلاب هوش مصنوعی مولد (GenAI) هستیم؛ جایی که هوش مصنوعی دیگر تنها یک جزء بک‌اند نیست، بلکه به یک کمک‌خلبان، خالق محتوا و تصمیم‌گیرنده تبدیل شده است. با این حال، بسیاری از برنامه‌های GenAI همچنان با مشکلاتی مانند توهم‌زایی (hallucinations)، فقدان درک متنی و استدلال مبهم دست و پنجه نرم می‌کنند. اینجاست که این کتاب وارد میدان می‌شود.
کتاب Building Neo4j-Powered Applications with LLMs بر اساس یک باور اصلی شکل گرفته است: گراف‌های دانش (knowledge graphs) حلقه‌ی گمشده بین قدرت GenAI و هوش دنیای واقعی هستند. با ترکیب نقاط قوت مدل‌های زبان بزرگ (LLMها) با داده‌های ساختاریافته و مرتبط در Neo4j، و ارتقای آن‌ها با گردش کارهای تولید افزوده با بازیابی (RAG)، می‌توانیم سیستم‌هایی بسازیم که نه تنها هوشمند، بلکه دارای پایه و اساس، متنی و شفاف باشند.
ما کتاب Building Neo4j-Powered Applications with LLMs را نوشتیم زیرا سال‌ها را صرف ساخت و نمایش کاربردهای هوشمندی کرده‌ایم که فراتر از موارد استفاده اولیه چت‌بات‌ها هستند. از توسعه موتورهای توصیه‌گر مجهز به هوش مصنوعی گرفته تا یکپارچه‌سازی فریم‌ورک‌هایی مانند Haystack، LangChain4j و Spring AI با Neo4j، نیاز روزافزونی به یک راهنمای عملی و کاربردی را مشاهده کردیم که مفاهیم GenAI را با معماری‌های گراف دانش آماده برای تولید (Production-ready) مرتبط کند.
هدف کتاب Building Neo4j-Powered Applications with LLMs، تجهیز توسعه‌دهندگان، معماران و علاقه‌مندان به هوش مصنوعی با ابزارها، مفاهیم و مثال‌های دنیای واقعی مورد نیاز برای طراحی سیستم‌های جستجو و توصیه‌ای است که قابل توضیح (explainable)، دقیق و مقیاس‌پذیر باشند. شما فقط در مورد LLMها یا گراف‌ها به صورت مجزا یاد نخواهید گرفت، بلکه برنامه‌های کاربردی سرتاسری (end-to-end) خواهید ساخت که این فناوری‌ها را در پلتفرم‌های ابری، جستجوی برداری، استدلال گرافی و موارد دیگر گرد هم می‌آورند.
با پیشروی در فصل‌های کتاب Building Neo4j-Powered Applications with LLMs، از درک مفاهیم بنیادی به پیاده‌سازی تکنیک‌های پیشرفته‌ای مانند بازیابی مبتنی بر جاسازی (embedding-powered retrieval)، استدلال گرافی، و استقرار بومی ابری GenAI با استفاده از Google Cloud، AuraDB و ابزارهای متن‌باز خواهید رسید.
چه مهندس داده، توسعه‌دهنده هوش مصنوعی باشید و چه صرفاً فردی کنجکاو درباره آینده سیستم‌های هوشمند، کتاب Building Neo4j-Powered Applications with LLMs به شما کمک می‌کند تا برنامه‌هایی بسازید که نه تنها هوشمندترند، بلکه پاسخ‌های بهتری نیز تولید می‌کنند.
مخاطبان کتاب Building Neo4j-Powered Applications with LLMs
این کتاب برای توسعه‌دهندگان پایگاه داده و دانشمندان داده‌ای است که می‌خواهند با استفاده از گراف‌های دانش، Neo4j و قابلیت‌های جستجوی برداری آن، سیستم‌های هوشمند جستجو و توصیه بسازند. برای شروع، داشتن دانش کاری از پایتون و جاوا ضروری است. آشنایی با Neo4j، زبان پرس و جوی Cypher و مفاهیم بنیادی پایگاه داده‌ها نیز مفید خواهد بود.
پوشش مطالب کتاب Building Neo4j-Powered Applications with LLMs
- فصل ۱: آشنایی با LLMها، RAGها و گراف‌های دانش Neo4jمفاهیم اصلی LLMها، RAG و چگونگی ارتقاء عملکرد LLMها توسط گراف‌های دانش Neo4j از طریق افزودن ساختار و محتوا را معرفی می‌کند.
- فصل ۲: زدودن ابهام از RAGمعماری RAG را تشریح می‌کند و توضیح می‌دهد که چگونه LLMها را با دانش خارجی تقویت می‌کند. اجزای کلیدی مانند بازیابی‌کننده‌ها (retrievers)، شاخص‌ها (indexes) و تولیدکننده‌ها (generators) را با مثال‌های واقعی پوشش می‌دهد.
- فصل ۳: ساخت درک بنیادی از گراف دانش برای برنامه‌های کاربردی هوشمنداصول گراف‌های دانش و نحوه مدل‌سازی روابط دنیای واقعی توسط آن‌ها را توضیح می‌دهد. مدل گراف ویژگی Neo4j و نقش آن در قدرت بخشیدن به برنامه‌های هوشمند و آگاه به محتوا را برجسته می‌کند.
- فصل ۴: ساخت گراف Neo4j با مجموعه داده فیلم‌هانحوه ساخت یک گراف دانش Neo4j با استفاده از مجموعه داده واقعی فیلم‌ها را گام به گام آموزش می‌دهد. مدل‌سازی داده‌ها، پرس‌وجوهای Cypher، و وارد کردن داده‌های ساختاریافته برای جستجو و استدلال مبتنی بر گراف را پوشش می‌دهد.
- فصل ۵: پیاده‌سازی قابلیت‌های جستجوی قدرتمند با Neo4j و Haystackنحوه یکپارچه‌سازی Neo4j با Haystack برای فعال کردن جستجوی معنایی و مبتنی بر کلمات کلیدی را نشان می‌دهد. تولید جاسازی‌ها (embeddings)، شاخص‌گذاری و بازیابی نتایج مرتبط با استفاده از جستجوی برداری را پوشش می‌دهد.
- فصل ۶: کاوش در قابلیت‌های پیشرفته گراف دانشبه استدلال چند گامی (multi-hop reasoning)، جستجوی آگاه به محتوا، و بهره‌برداری از ساختار گراف برای بینش‌های عمیق‌تر می‌پردازد. نشان می‌دهد که چگونه Neo4j بازیابی هوشمند را فراتر از جستجوی ساده کلمات کلیدی یا برداری ارتقا می‌دهد.
- فصل ۷: معرفی فریم‌ورک‌های Neo4j Spring AI و LangChain4j برای ساخت سیستم‌های توصیه‌گرفریم‌ورک‌های Spring AI و LangChain4j را برای ساخت برنامه‌های LLM با Neo4j معرفی می‌کند.
- فصل ۸: ساخت یک گراف توصیه‌گر با مجموعه داده شخصی‌سازی H&Mبا استفاده از رویکردهای مدل‌سازی داده که در فصول قبلی بحث شد، مجموعه داده شخصی‌سازی H&M را در یک گراف بارگذاری می‌کند تا یک سیستم توصیه‌گر بهتر بسازد.
- فصل ۹: یکپارچه‌سازی LangChain4j و Spring AI با Neo4jراهنمای گام به گام برای ساخت برنامه‌های Spring AI و LangChain4j جهت تقویت گراف با بهره‌گیری از APIهای چت LLM و رویکرد GraphRAG را ارائه می‌دهد. همچنین تولید جاسازی‌ها و افزودن آن‌ها به یک گراف برای اهداف یادگیری ماشین را پوشش می‌دهد.
- فصل ۱۰: ایجاد یک سیستم توصیه‌گر هوشمندتوضیح می‌دهد که چگونه می‌توانیم از الگوریتم‌های علوم داده گرافی (Graph Data Science) برای ارتقاء بیشتر گراف دانش و ارائه توصیه‌های بهتر استفاده کنیم. همچنین جستجوی برداری و چرایی عدم کفایت آن برای ارائه توصیه‌های خوب، و اینکه چگونه بهره‌گیری از شباهت KNN و تشخیص اجتماع (community detection) نتایج بهتری به ما می‌دهد، مورد بحث قرار می‌گیرد.
- فصل ۱۱: انتخاب پلتفرم ابری مناسب برای برنامه GenAIپلتفرم‌های ابری اصلی برای استقرار برنامه‌های GenAI را مقایسه می‌کند، با تمرکز بر مقیاس‌پذیری، هزینه و قابلیت‌های AI/ML. شما را در انتخاب بهترین محیط برای مورد استفاده‌تان راهنمایی می‌کند.
- فصل ۱۲: استقرار برنامه در Google Cloudراهنمای گام به گام برای استقرار برنامه GenAI شما در Google Cloud را ارائه می‌دهد. سرویس‌هایی مانند Vertex AI، Cloud Functions و Firebase را برای استقرار مقیاس‌پذیر و کارآمد پوشش می‌دهد.
-
فصل ۱۳: پس‌گفتار (Epilogue)
مروری بر سفر ساخت برنامه‌های هوشمند با GenAI و Neo4j. خلاصه‌ای از نکات کلیدی و برجسته کردن فرصت‌های آینده در اکوسیستم در حال تکامل هوش مصنوعی.
سرفصل‌های کتاب Building Neo4j-Powered Applications with LLMs:
- Cover
- Title Page
- Copyright Page
- Table of Contents
- Preface
- Part 1: Introducing RAG and Knowledge Graphs for LLM Grounding
- Chapter 1: Introducing LLMs, RAGs, and Neo4j Knowledge Graphs
- Chapter 2: Demystifying RAG
- Chapter 3: Building a Foundational Understanding of Knowledge Graph for Intelligent Applications
- Part 2: Integrating Haystack with Neo4j: A Practical Guide to Building AI-Powered Search
- Chapter 4: Building Your Neo4j Graph with Movies Dataset
- Chapter 5: Implementing Powerful Search Functionalities with Neo4j and Haystack
- Chapter 6: Exploring Advanced Knowledge Graph Capabilities with Neo4j
- Part 3: Building an Intelligent Recommendation System with Neo4j, Spring AI, and LangChain4j
- Chapter 7: Introducing the Neo4j Spring Al and LangChain4j Frameworks for Building Recommendation Systems
- Chapter 8: Constructing a Recommendation Graph with H&M Personalization Dataset
- Chapter 9: Integrating LangChain4j and Spring AI with Neo4j
- Chapter 10: Creating an Intelligent Recommendation System
- Part 4: Deploying Your GenAI Application in the Cloud
- Chapter 11: Choosing the Right Cloud Platform for GenAI Applications
- Chapter 12: Deploying Your Application on the Google Cloud
- Chapter 13: Epilogue
- Other Books You May Enjoy
- Index
جهت دانلود کتاب Building Neo4j-Powered Applications with LLMs می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.