کتاب LLMs for Modern Software Delivery and DevOps

کتاب LLMs for Modern Software Delivery and DevOps: Applying Large Language Models to Software Delivery and SRE (مدل‌های زبانی بزرگ (LLM) برای تحویل نرم‌افزار مدرن و دواپس (DevOps): کاربرد مدل‌های زبانی بزرگ در تحویل نرم‌افزار و مهندسی پایایی سایت (SRE)) یک راهنمای عملی برای متخصصان DevOps، SRE، مهندسی پلتفرم و تیم‌های نرم‌افزاری است تا از مدل‌های زبانی بزرگ فراتر از آزمایش‌های اولیه، در سیستم‌های واقعی و مقیاس‌پذیر استفاده کنند.

این کتاب که توسط متخصصان ارشد حوزه تحول دیجیتال نوشته شده، ابتدا با مفاهیم پایه‌ای مانند معماری Transformer، مدل‌های GPT و تکنیک‌های بهینه‌سازی (مانند LoRA و QLoRA) شروع کرده و سپس به سراغ الگوهای پیشرفته‌تر همچون تولید با بازیابی اطلاعات (RAG) و سیستم‌های مبتنی بر عامل (Agent) می‌رود.

در ادامه، با ارائه مثال‌های عینی از سناریوهای مختلف مانند تحلیل لاگ‌ها، مدیریت تیکت‌ها، تولید کد، تست خودکار، تحلیل علت ریشه‌ای و مدیریت امنیت، نشان می‌دهد که چگونه می‌توان از این مدل‌ها برای افزایش کارایی و کاهش هزینه‌ها در چرخهٔ حیات تحویل نرم‌افزار بهره برد. در نهایت، خواننده با درک کاملی از نحوهٔ ارزیابی ارزش‌آفرینی مدل‌های زبانی بزرگ، شناخت محدودیت‌ها و ملاحظات حاکمیتی، قادر خواهد بود تا جریان‌های کاری هوشمند و کارآمدی را در سازمان خود پیاده‌سازی کند. 

در ادامه مقدمه‌ای از کتاب LLMs for Modern Software Delivery and DevOps را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب LLMs for Modern Software Delivery and DevOps:

مدل‌های زبانی بزرگ (LLMها) پردازش زبان طبیعی را متحول کرده‌اند و رشد مدل‌های پایهٔ تخصصیِ حوزه‌محور را شتاب داده‌اند. بااین‌حال، درون سازمان‌های تحویل نرم‌افزار، واقعیت عملی پیچیده‌تر است. بسیاری از شرکت‌ها هنوز به دنبال راه‌هایی قانع‌کننده و تکرارپذیر هستند تا LLMها را در محیط تولید واقعاً مفید کنند، نه فقط در نسخه‌های نمایشی یا آزمایش‌های پراکنده و محدود.

در طول دههٔ گذشته، خودِ فرایند تحویل نرم‌افزار نیز به‌طور چشمگیری تکامل یافته است. DevOps شیوه‌های ساخت، استقرار و همکاری را بهبود داد. DevSecOps، DataOps، NoOps، MLOps و رویکردهای مرتبط، این زیست‌بوم تحویل را گسترش دادند. مهندسی قابلیت اطمینان سایت (SRE) بار دیگر توجه را به قابلیت اطمینان، پایداری، انضباط عملیاتی و تداوم کسب‌وکار معطوف کرد. سپس مهندسی پلتفرم به‌عنوان رویکردی سازمانی و گسترده‌تر ظهور کرد که هدف آن پیوند دادن ابزارها، گردش‌کارها و تیم‌ها از طریق یک پلتفرم داخلی یکپارچه‌تر و آگاه از نیازهای کسب‌وکار بود.

بااین‌حال، هم‌زمان با رشد سازمان‌ها، زنجیرهٔ تحویل نرم‌افزار نیز پیچیده‌تر شده است. مهندسان تحویل، تیم‌های عملیات، آزمون‌گران، توسعه‌دهندگان، مهندسان امنیت و مدیران پروژه اغلب ناچارند با طیفی رو‌به‌گسترش از ابزارها، چارچوب‌ها، فرایندها و گردش‌کارهای تخصصی کار کنند. این وضعیت بار شناختی فزاینده‌ای ایجاد می‌کند. مسئله دیگر فقط کمبود ابزار یا قابلیت نیست؛ بلکه فشار ناشی از یادگیری، متصل‌کردن و راهبری تعداد زیادی سامانهٔ پراکنده است، در حالی که همچنان از افراد انتظار می‌رود نرم‌افزاری قابل‌اعتماد و ارزش تجاری تحویل دهند.

LLMها به‌صورت خودکار این مسئله را حل نمی‌کنند. افزودن یک چت‌بات دیگر یا یک رابط مستقل برای مدل، به‌خودی‌خود پراکندگی ابزارها را کاهش نمی‌دهد و کار تحویل را ساده نمی‌کند. آنچه لازم است، یک رویکرد پلتفرمیِ یکپارچه‌ساز است: رویکردی که داده‌های تحویل را متمرکز کند، پیکره‌های متنی و داده‌های تله‌متریِ ویژهٔ تحویل نرم‌افزار را گردآوری و سامان‌دهی کند، مدل‌ها را از طریق بازیابی اطلاعات و سازوکارهای کنترلی به زمینه متصل کند، و کمک‌یار هوش مصنوعی را در خودِ پلتفرم تحویل تعبیه کند. در این نگاه، پشتیبانی هوش مصنوعی باید بخشی از کار واقعی تحویل شود؛ از جمله کدنویسی، آزمون، انتشار، بهره‌برداری، ایمن‌سازی و هماهنگی پروژه‌ها، آن هم با نتایج قابل‌اندازه‌گیری، حاکمیت مشخص و امکان بازگشت امن.

این کتاب تلاشی است برای پر کردن شکاف میان توانمندی مدل‌ها و واقعیت تحویل نرم‌افزار. کتاب از سازوکار مدل‌ها آغاز می‌کند، سپس به آمادگی سازمانی می‌پردازد و در ادامه به سناریوهای عملی تحویل نرم‌افزار می‌رسد که می‌توان آن‌ها را ارزیابی و با شرایط مختلف سازگار کرد.

هدف کتاب این است که به شما کمک کند نه‌تنها بفهمید LLMها چگونه کار می‌کنند، بلکه درک کنید آن‌ها دقیقاً در کجای سازمان‌های تحویل نرم‌افزار می‌توانند ارزش قابل‌اندازه‌گیری ایجاد کنند و چگونه می‌توان آن‌ها را بدون افزایش پیچیدگی یا ریسک وارد سازمان کرد.

کتاب LLMs for Modern Software Delivery and DevOps برای چه کسانی است؟

این کتاب برای مهندسان، رهبران فنی و متخصصانی نوشته شده است که در DevOps، SRE و مهندسی پلتفرم یا پیرامون آن فعالیت می‌کنند و می‌خواهند بدانند LLMها در تحویل مدرن نرم‌افزار چه جایگاهی دارند، بدون اینکه گردش‌کارهای موجود را سنگین‌تر یا مدیریت آن‌ها را دشوارتر کنند.

همچنین این کتاب برای هر کسی در زنجیرهٔ تحویل نرم‌افزار مفید است؛ از جمله توسعه‌دهندگان، آزمون‌گران، مهندسان امنیت، مدیران پروژه، نقش‌های مرتبط با نیازمندی‌ها و محصول، مهندسان SRE و عملیات، و هماهنگ‌کنندگان تحویل. اگر کار شما با خط لوله‌ها، مخازن کد، بازبینی‌ها، رخدادها، تیکت‌ها، نیازمندی‌ها، انتشارها، آزمون، امنیت یا گردش‌کارهای عملیاتی سروکار دارد، این کتاب طراحی شده است تا به شما کمک کند میان شیوه‌های پایدار و واقعاً مفید مبتنی بر LLM و هیاهوی تبلیغاتی تمایز قائل شوید.

کتاب LLMs for Modern Software Delivery and DevOps همچنین برای متخصصان LLM نیز مناسب است؛ افرادی که مدل‌ها را می‌شناسند اما باید بتوانند آن‌ها را در چارچوب محدودیت‌های مدیریت تغییر، تحویل، قابلیت اطمینان و حاکمیت سازمانی به‌کار گیرند. افزون بر این، می‌تواند برای برنامه‌های دانشگاهی و دوره‌های آموزشی با تمرکز بر مهندسی نرم‌افزار مبتنی بر هوش مصنوعی، تحویل نرم‌افزار مبتنی بر هوش مصنوعی، یا سازمان‌های پلتفرمی مدرن نیز سودمند باشد.

کتاب LLMs for Modern Software Delivery and DevOps چه موضوعاتی را پوشش می‌دهد

فصل ۱، درک مبانی مدل‌های زبانی بزرگ، روند توسعهٔ مدل‌های زبانی را از رویکردهای نظری و آماری اولیه تا مدل‌های دنباله‌ای عصبی و LLMها دنبال می‌کند. در این فصل کتاب LLMs for Modern Software Delivery and DevOps خواهید آموخت که چگونه مدل‌های N-gram، مدل‌های مارکوف پنهان (HMM)، شبکه‌های عصبی بازگشتی (RNN)، حافظهٔ بلند-کوتاه‌مدت (LSTM) و سازوکار توجه، مسیر رسیدن به مدل‌های زبانی بزرگ مدرن را شکل داده‌اند.

فصل ۲، درک معماری ترنسفورمر در پسِ مدل‌های زبانی بزرگ، توضیح می‌دهد که چرا ترنسفورمر به پایهٔ اصلی LLMهای مدرن تبدیل شد. در این فصل کتاب LLMs for Modern Software Delivery and DevOps خواهید آموخت که چگونه embeddingها، کدگذاری مکانی، self-attention، توجه چندسری، لایه‌های پیش‌خور، اتصال‌های باقیمانده و نرمال‌سازی لایه با یکدیگر در معماری ترنسفورمر کار می‌کنند.

فصل ۳، دنبال کردن مسیر از مدل‌های Bigram تا GPT و ChatGPT، معماری ترنسفورمر را به تولید زبان به سبک GPT پیوند می‌دهد. در این فصل کتاب LLMs for Modern Software Delivery and DevOps خواهید آموخت که چگونه یک مدل سادهٔ bigram مفهوم پیش‌بینی توکن بعدی را نشان می‌دهد، مدل‌های GPT چگونه متن تولید می‌کنند، و چگونه می‌توان تکنیک‌های آموزش و تولید را بهبود داد.

فصل ۴، به‌کارگیری روش‌های کارآمد ریزتنظیم برای LLMها، مهم‌ترین روش‌های تطبیق LLMهای ازپیش‌آموزش‌دیده با وظایف و حوزه‌های خاص را معرفی می‌کند. در این فصل کتاب LLMs for Modern Software Delivery and DevOps با ریزتنظیم کامل پارامترها، ریزتنظیم کارآمد از نظر پارامتر، PEFT، LoRA، QLoRA و گردش‌کارهای عملی ریزتنظیم آشنا خواهید شد.

فصل ۵، ساخت برنامه‌های هوش مصنوعی سازمانی با RAG و سامانه‌های چندعاملی، نشان می‌دهد که چگونه می‌توان LLMها را به دانش سازمانی متصل و با گردش‌کارهای کسب‌وکار یکپارچه کرد. در این فصل خواهید آموخت که RAG چگونه کار می‌کند، چگونه به محدودیت‌های سازمانی مانند دقت و دانش حوزه پاسخ می‌دهد، و سامانه‌های چندعاملی چگونه می‌توانند وظایف پیچیده‌تر را هماهنگ کنند.

فصل ۶، ساخت یک بنیان مدرن برای تحویل نرم‌افزار، محیط تحویلی را توضیح می‌دهد که قابلیت‌های LLM سازمانی باید در آن عمل کنند. در این فصل کتاب LLMs for Modern Software Delivery and DevOps خواهید آموخت که چگونه DevOps، مهندسی پلتفرم و SRE از همکاری، خودکارسازی، قابلیت اطمینان، مشاهده‌پذیری و تحویل ارزش در سراسر سازمان‌های نرم‌افزاری مدرن پشتیبانی می‌کنند.

فصل ۷، به‌کارگیری LLMها در عملیات و نگهداشت هوشمند، بررسی می‌کند که LLMها چگونه می‌توانند از کارهای عملیات و نگهداشت پشتیبانی کنند. در این فصل کتاب LLMs for Modern Software Delivery and DevOps خواهید آموخت که LLMها چگونه می‌توانند تحلیل لاگ، پایگاه‌های دانش هوشمند برای عملیات و نگهداشت، رسیدگی به تیکت‌ها، ارزیابی قابلیت‌ها و تحلیل ریشه‌ای علت با استفاده از سامانه‌های چندعاملی را بهبود دهند.

فصل ۸، به‌کارگیری LLMها در آزمون نرم‌افزار، نقش LLMها را در آزمون ایستا و پویای نرم‌افزار بررسی می‌کند. در این فصل کتاب LLMs for Modern Software Delivery and DevOps خواهید آموخت که LLMها چگونه می‌توانند از تولید تست، تحلیل ایستا، ترمیم آسیب‌پذیری‌ها، چالش‌های استقرار و ارزیابی گردش‌کارهای آزمونِ مبتنی بر هوش مصنوعی پشتیبانی کنند.

فصل ۹، به‌کارگیری Code LLMها در توسعهٔ نرم‌افزار، بر LLMهای متمرکز بر کد و کاربرد آن‌ها در گردش‌کارهای توسعه تمرکز دارد. در این فصل کتاب LLMs for Modern Software Delivery and DevOps با مدل‌های بزرگ کدنویسی، نمونه‌های شاخص Code LLMها، وظایف پایین‌دستیِ کدنویسی، تولید و تکمیل کد، و رویکردهای عامل‌محور برای تولید کد در سطح پروژه آشنا خواهید شد.

فصل ۱۰، به‌کارگیری LLMها در مدیریت پروژه، نشان می‌دهد که LLMها چگونه می‌توانند از تحویل و هماهنگی پروژه پشتیبانی کنند. در این فصل کتاب LLMs for Modern Software Delivery and DevOps خواهید آموخت که LLMها چگونه می‌توانند در تحلیل نیازمندی‌ها، برنامه‌ریزی وظایف، ارتباطات، همکاری، مدیریت ریسک، پشتیبانی تصمیم‌گیری، گردش‌کارهای هوشمند و مطالعات موردی مدیریت پروژه کمک کنند.

فصل ۱۱، به‌کارگیری LLMها در امنیت سایبری، بررسی می‌کند که LLMها چگونه می‌توانند در گردش‌کارهای امنیتی به‌کار گرفته شوند، در حالی که خود نیز ریسک‌های جدیدی ایجاد می‌کنند. در این فصل خواهید آموخت که LLMها چگونه می‌توانند از شناسایی تهدید، عملیات امنیت، اولویت‌بندی و رسیدگی به هشدارها، ترمیم آسیب‌پذیری‌ها و مدیریت ریسک‌های ناشی از به‌کارگیری LLMها پشتیبانی کنند.

سرفصل‌های کتاب LLMs for Modern Software Delivery and DevOps:

• Preface
• Part 1: Foundations of Large Language Models
  • Understanding the Foundations of Large Language Models
  • Understanding the Transformer Architecture Behind Large Language Models
  • Tracing the Path from Bigram Models to GPT and ChatGPT
  • Applying Efficient Fine-Tuning Techniques to LLMs
• Part 2: Enterprise Readiness and Software Delivery Foundations
  • Building Enterprise Al Applications with RAG and Multi-Agent Systems
  • Building a Modern Software Delivery Foundation
• Part 3: LLM Practices Across the Software Delivery Lifecycle
  • Applying LLMs in Intelligent Operations and Maintenance
  • Applying LLMs in Software Testing
  • Applying Code LLMs in Software Development
  • Applying LLMs in Project Management
  • Applying LLMs in Cybersecurity
• Other Books You May Enjoy

جهت دانلود کتاب LLMs for Modern Software Delivery and DevOps می‌توانید پس از پرداخت، دریافت کنید.