کتاب Future-Ready Data Foundation with MongoDB

یاد بگیرید MongoDB چگونه به سازمان‌ها کمک می‌کند بنیادهای داده‌ای مقیاس‌پذیر، امن و آماده برای هوش مصنوعی ایجاد کنند؛ بنیادهایی که RAG، ایجنت‌های هوش مصنوعی و اپلیکیشن‌های هوشمند را پشتیبانی می‌کنند و در عین حال مدیریت عملکرد، حاکمیت داده و توسعه را ساده‌تر می‌سازند.

ویژگی‌های کلیدی

• شناسایی نیازمندی‌های داده‌ای لازم برای موفقیت اپلیکیشن‌های هوش مصنوعی در محیط‌های عملیاتی
• ارزیابی راهکارهای بازیابی اطلاعات برای ایجاد تجربه‌های هوش مصنوعی دقیق و قابل اعتماد
• به‌کارگیری اصول معماری برای طراحی پلتفرم‌های داده‌ای مقیاس‌پذیر و آماده برای هوش مصنوعی
• خرید نسخه چاپی یا Kindle کتاب شامل یک نسخه رایگان PDF نیز می‌شود

درباره کتاب

موفقیت در هوش مصنوعی تنها به مدل‌ها وابسته نیست؛ بلکه به یک بنیاد داده‌ای مقیاس‌پذیر، هوشمند و قابل اعتماد نیاز دارد. در کتاب Future-Ready Data Foundation with MongoDB با اصول ساخت معماری‌های داده‌ای آماده برای هوش مصنوعی آشنا می‌شوید؛معماری‌هایی که از اپلیکیشن‌های مدرن، تولید تقویت‌شده با بازیابی (RAG) و ایجنت‌های هوش مصنوعی پشتیبانی می‌کنند.

این راهنمای مختصر، نقش حیاتی داده‌ها در نوسازی هوش مصنوعی را بررسی می‌کند و نشان می‌دهد MongoDB چگونه به سازمان‌ها کمک می‌کند یک بنیاد یکپارچه برای نوآوری ایجاد کنند.

با استفاده از بینش‌های عملی در حوزه معماری، یاد می‌گیرید که استراتژی‌های بازیابی اطلاعات چگونه بر کیفیت و قابلیت اطمینان خروجی‌های هوش مصنوعی تأثیر می‌گذارند و مدل داده‌ای مبتنی بر اسناد MongoDB و قابلیت‌های جست‌وجوی برداری (Vector Search) چگونه دسترسی هوشمندانه به داده‌ها را امکان‌پذیر می‌کنند.

همچنین با الگوهای موردنیاز برای مقیاس‌پذیری، عملکرد و عملیات آشنا می‌شوید تا سیستم‌های هوش مصنوعی به شکل کارآمد به فعالیت خود ادامه دهند؛ از جمله Replication، Sharding، جداسازی بارهای کاری (Workload Isolation) و بهینه‌سازی جست‌وجو.

در نهایت، موضوعاتی مانند حاکمیت داده، مشاهده‌پذیری (Observability)، امنیت و انطباق را بررسی خواهید کرد؛ عواملی که به سازمان‌ها کمک می‌کنند سیستم‌های هوش مصنوعی را به شکلی مسئولانه و در مقیاس گسترده مستقر کنند.

در پایان این کتاب، دانش لازم برای ارزیابی، طراحی و بهینه‌سازی بنیادهای داده‌ای را به دست خواهید آورد؛ بنیادهایی که نسل بعدی اپلیکیشن‌های مبتنی بر هوش مصنوعی را پشتیبانی می‌کنند.

در این کتاب چه خواهید آموخت؟

• شناسایی بنیادهای داده‌ای موردنیاز برای موفقیت پروژه‌های هوش مصنوعی
• مقایسه استراتژی‌های بازیابی واژگانی (Lexical)، برداری (Vector) و ترکیبی (Hybrid)
• درک تأثیر RAG و ایجنت‌های هوش مصنوعی بر معماری‌های مدرن هوش مصنوعی
• استفاده از مدل داده‌ای مبتنی بر اسناد MongoDB برای ذخیره و مدیریت داده‌های اپلیکیشن‌های هوش مصنوعی
• آشنایی با جست‌وجوی برداری بومی برای بازیابی معنایی و تجربه‌های جست‌وجوی مبتنی بر هوش مصنوعی
• ارزیابی الگوهای مقیاس‌پذیری با استفاده از Replication، Sharding و Search Nodes اختصاصی
• به‌کارگیری روش‌های حاکمیت داده، امنیت و انطباق برای سیستم‌های هوش مصنوعی

این کتاب برای چه کسانی مناسب است؟

این کتاب برای رهبران فناوری، معماران داده، مهندسان داده، مهندسان پلتفرم و متخصصان هوش مصنوعی نوشته شده است؛ افرادی که می‌خواهند زیرساختی قدرتمند برای پروژه‌های مدرن هوش مصنوعی ایجاد کنند.

همچنین این کتاب برای تصمیم‌گیرندگانی مفید است که می‌خواهند بررسی کنند معماری داده چگونه بر مقیاس‌پذیری، عملکرد، امنیت و حاکمیت سیستم‌های هوش مصنوعی تأثیر می‌گذارد.

با مطالعه این کتاب، دانش معماری لازم برای ارزیابی، طراحی و پشتیبانی از پلتفرم‌های داده‌ای آماده برای هوش مصنوعی را به دست می‌آورید؛ پلتفرم‌هایی که از اپلیکیشن‌های RAG، ایجنت‌های هوش مصنوعی و سایر راهکارهای هوشمند پشتیبانی می‌کنند.

فهرست مطالب

1. ساخت یک بنیاد داده‌ای یکپارچه برای نوسازی پایدار هوش مصنوعی
2. انتخاب استراتژی مناسب بازیابی اطلاعات برای بارهای کاری هوش مصنوعی
3. معماری MongoDB چگونه از هوش مصنوعی مدرن پشتیبانی می‌کند؟
4. Replication، Sharding و جداسازی بارهای کاری چگونه سیستم‌های هوش مصنوعی را فعال نگه می‌دارند؟
5. حذف هزینه‌های پنهان زیرساخت هوش مصنوعی با MongoDB
6. حاکمیت داده و انطباق برای سازمان‌های آماده هوش مصنوعی