کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs

کتاب “ساخت عوامل هوش مصنوعی با LLMها، RAG و گراف‌های دانش” شما را با چشم‌انداز در حال تحول مدل‌های زبان بزرگ (LLM) و عوامل هوش مصنوعی آشنا می‌کند و هم بنیان نظری و هم راهنمایی‌های عملی را ارائه می‌دهد. این کتاب با توضیح چگونگی نمایش و پردازش داده‌های متنی با استفاده از یادگیری عمیق آغاز می‌شود، سپس به معماری‌های مدرن مانند مدل ترنسفورمر می‌پردازد.

در ادامه، کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs بررسی می‌کند که چگونه LLMها مقیاس‌بندی و تنظیم دقیق می‌شوند و چگونه قابلیت‌های آن‌ها را می‌توان با ابزارها، سیستم‌های حافظه خارجی و چارچوب‌های مبتنی بر عامل گسترش داد.

فناوری‌هایی مانند تولید افزوده بازیابی (RAG)، GraphRAG و سیستم‌های چند عاملی به تفصیل توضیح داده شده‌اند، با تمرکز بر کاربردهای واقعی و استقرار. در پایان کتاب، شما درک روشنی از نحوه ساخت عوامل هوش مصنوعی هوشمند و ابزارمحور و نقشی که این سیستم‌ها در شکل‌دهی آینده هوش مصنوعی ایفا می‌کنند، خواهید داشت.

کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs برای چه کسانی است؟

این کتاب برای مهندسان نرم‌افزار، دانشمندان داده و محققانی در نظر گرفته شده است که می‌خواهند برنامه‌های کاربردی را با استفاده از LLMها و عوامل هوش مصنوعی درک کرده و بسازند. برای بهره‌مندی کامل از مطالب، دانش پایه از برنامه‌نویسی پایتون و مفاهیم بنیادی یادگیری ماشین توصیه می‌شود. در حالی که تخصص عمیق در NLP (پردازش زبان طبیعی) لازم نیست، آشنایی با شبکه‌های عصبی، REST APIها و شیوه‌های کلی توسعه نرم‌افزار به شما کمک می‌کند تا مثال‌ها را دنبال کرده و سیستم‌های واقعی را پیاده‌سازی کنید.

چه به دنبال ساخت عوامل هوشمند باشید، چه به دنبال بررسی عملکرد داخلی LLMها، یا استقرار برنامه‌های کاربردی هوش مصنوعی در مقیاس بزرگ، کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs هم پس‌زمینه نظری و هم راهنمایی عملی برای شروع را فراهم می‌کند.

محتوای کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs

• فصل 1، تجزیه و تحلیل داده‌های متنی با یادگیری عمیق: این فصل نحوه پردازش و نمایش زبان طبیعی را در قالبی مناسب برای مدل‌های یادگیری ماشین معرفی می‌کند. تکنیک‌های مختلف کدگذاری متن، از کدگذاری ساده یک‌طرفه (one-hot encoding) و کیسه کلمات (bag of words) تا نمایش‌های پیشرفته‌تر مانند TF-IDF و word2vec را پوشش می‌دهد. سپس این فصل از کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs، به بررسی معماری‌های کلیدی یادگیری عمیق برای داده‌های ترتیبی، مانند RNNها، LSTMها، GRUها و CNNها می‌پردازد و نحوه اعمال آن‌ها را در وظایف طبقه‌بندی متن نشان می‌دهد. در پایان این فصل، شما درک خواهید کرد که چگونه این بنیان‌ها مدل‌های زبانی مدرن مانند ChatGPT را فعال می‌کنند.
• فصل 2، ترنسفورمر: مدل پشت انقلاب مدرن هوش مصنوعی: این فصل مکانیسم‌های توجه (attention mechanisms) را معرفی می‌کند و توضیح می‌دهد که چگونه به معماری ترنسفورمر تکامل یافتند. این فصل محدودیت‌های مدل‌های قبلی مانند RNNها و LSTMها را برجسته می‌کند و نشان می‌دهد که چگونه ترنسفورمرها بر آن‌ها غلبه کردند تا بنیان NLP مدرن شوند. موضوعات کلیدی شامل خود-توجهی (self-attention)، مدل‌سازی زبان پوشیده (masked language modeling)، تکنیک‌های آموزش و بصری‌سازی داخلی مدل است. این فصل با نمایش کاربردهای واقعی و پایه‌گذاری برای درک LLMهای امروزی به پایان می‌رسد.
• فصل 3، کاوش LLMها به عنوان یک موتور قدرتمند هوش مصنوعی: این فصل بررسی می‌کند که چگونه آموزش گسترده مدل‌های ترنسفورمر منجر به پیدایش LLMهای امروزی شد. این فصل تکامل، قابلیت‌ها و محدودیت‌های آن‌ها، از جمله تکنیک‌هایی مانند تنظیم دستورالعمل (instruction tuning)، تنظیم دقیق (fine-tuning) و هم‌ترازی (alignment) را بررسی می‌کند. همچنین انواع LLMهای فشرده‌تر و کارآمدتر، مدل‌های چندوجهی که انواع مختلف داده را مدیریت می‌کنند، و چالش‌هایی مانند توهمات (hallucinations)، نگرانی‌های اخلاقی و مهندسی پرامپت را معرفی می‌کند.
• فصل 4، ساخت یک عامل وب‌کاوی با LLM: این فصل مفهوم عوامل هوش مصنوعی را به عنوان بسطی از LLMها، با هدف غلبه بر توانایی آن‌ها در انجام اقدامات، معرفی می‌کند. این فصل از کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs ویژگی‌های کلیدی عوامل و تمایز بین سیستم‌های تک‌عاملی و چندعاملی را بررسی می‌کند. همچنین کتابخانه‌های اصلی مورد استفاده برای ساخت عوامل را ارائه می‌دهد و شما را در فرآیند ایجاد یک عامل وب‌کاوی که قادر به بازیابی اطلاعات از اینترنت است، راهنمایی می‌کند.
• فصل 5، گسترش عامل خود با RAG برای جلوگیری از توهمات: این فصل بررسی می‌کند که چگونه RAG می‌تواند بر محدودیت‌های کلیدی LLMها، مانند دانش قدیمی و توهمات غلبه کند. این فصل از کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs، توضیح می‌دهد که چگونه RAG به LLM اجازه می‌دهد از طریق embedding و پایگاه‌های داده برداری (vector databases) به منابع اطلاعاتی خارجی دسترسی پیدا کند، در نتیجه دقت و سازگاری را بهبود می‌بخشد. همچنین RAG را با تنظیم دقیق مقایسه می‌کند و استفاده عملی آن را با ساخت یک عامل توصیه فیلم نشان می‌دهد.
• فصل 6، تکنیک‌های پیشرفته RAG برای بازیابی و تقویت اطلاعات: این فصل با معرفی بهبودها در هر مرحله از خط لوله – جذب داده (data ingestion)، فهرست‌بندی (indexing)، بازیابی (retrieval) و تولید (generation) – معماری پایه RAG را گسترش می‌دهد. این فصل از کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs به بررسی RAG ماژولار، تکنیک‌های مقیاس‌بندی سیستم‌ها با مجموعه‌های داده بزرگ و پایگاه‌های کاربری، و نگرانی‌های کلیدی مانند قدرت (robustness) و حریم خصوصی می‌پردازد. همچنین چالش‌های کنونی و پرسش‌های باز پیرامون توسعه آینده سیستم‌های مبتنی بر RAG را برجسته می‌کند.
• فصل 7، ایجاد و اتصال یک گراف دانش به یک عامل هوش مصنوعی: این فصل بررسی می‌کند که چگونه دانش متنی را می‌توان در گراف‌های دانش (KGs) ساختاربندی کرد تا بازیابی اطلاعات و استدلال در عوامل هوش مصنوعی را افزایش دهد. این فصل از کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs، مفهوم GraphRAG را معرفی می‌کند، جایی که KGها برای تقویت LLMها با داده‌های متنی ساختاریافته استفاده می‌شوند. این فصل نحوه استفاده از LLMها برای ساخت KGها از طریق استخراج موجودیت‌ها و روابط، نحوه استفاده از گراف‌ها برای پرس‌وجو و استدلال، و مزایا، محدودیت‌ها و مسیرهای آینده ترکیب رویکردهای مختلف را پوشش می‌دهد.
• فصل 8، یادگیری تقویتی و عوامل هوش مصنوعی: این فصل بررسی می‌کند که چگونه عوامل می‌توانند با تعامل با محیط‌های پویا یاد بگیرند و رفتار خود را بر اساس تجربه تنظیم کنند. این فصل از کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs، اصول یادگیری تقویتی (reinforcement learning) را معرفی می‌کند، توضیح می‌دهد که چگونه عوامل تصمیم می‌گیرند و با گذشت زمان بهبود می‌یابند، و نشان می‌دهد که چگونه می‌توان از شبکه‌های عصبی برای هدایت رفتار استفاده کرد. این فصل با بحث در مورد چگونگی ترکیب LLMها با یادگیری تقویتی برای ساخت سیستم‌های هوش مصنوعی توانمندتر به پایان می‌رسد.
• فصل 9، ایجاد سیستم‌های تک‌عاملی و چندعاملی: این فصل بررسی می‌کند که چگونه LLMها را می‌توان با ابزارها و مدل‌های دیگر برای تشکیل عوامل خودمختار (autonomous agents) گسترش داد. این فصل مفهوم سیستم‌های تک‌عاملی و چندعاملی را معرفی می‌کند، نشان می‌دهد که چگونه LLMها می‌توانند با APIها یا مدل‌های خارجی تعامل داشته باشند، و مثال‌های کلیدی مانند HuggingGPT را ارائه می‌دهد. این فصل همچنین استراتژی‌های هماهنگی عامل، کاربردهای واقعی در دامنه‌های پیچیده، و الگوهای تجاری نوظهور مانند SaaS، MaaS، DaaS و RaaS را پوشش می‌دهد.
• فصل 10، ساخت یک برنامه عامل هوش مصنوعی: این فصل به چالش‌های مقیاس‌بندی و استقرار عوامل هوش مصنوعی در برنامه‌های کاربردی واقعی می‌پردازد. این فصل Streamlit را به عنوان یک چارچوب نمونه‌سازی سریع برای ایجاد هر دو جزء فرانت‌اند و بک‌اند یک سیستم مبتنی بر عامل معرفی می‌کند. این فصل از کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs، همچنین جنبه‌های عملیاتی کلیدی مانند برنامه‌نویسی ناهمگام (asynchronous programming)، کانتینرسازی با داکر (Docker)، و بهترین شیوه‌ها برای ساخت راه‌حل‌های هوش مصنوعی مقیاس‌پذیر و آماده تولید را پوشش می‌دهد.

• فصل 11، آینده پیش رو: این فصل از کتاب Building AI Agents with LLMs, RAG, and Knowledge Graphs، پتانسیل تحول‌آفرین عوامل هوش مصنوعی را در صنایع مختلف مانند مراقبت‌های بهداشتی و فراتر از آن بررسی می‌کند. با تکیه بر پیشرفت‌های مورد بحث در فصول قبلی، این فصل به چالش‌های فنی و اخلاقی باقی‌مانده که LLMها و سیستم‌های عامل با آن‌ها روبرو هستند، می‌پردازد. این فصل با بررسی پرسش‌های باز و مسیرهای آینده در توسعه و استقرار عوامل هوش مصنوعی هوشمند به پایان می‌رسد.