کتاب Building Agent-Powered Applications: Your guide to generative AI, RAG, fine-tuning, and orchestration for production use (ساخت اپلیکیشنهای مبتنی بر عامل: راهنمای شما برای هوش مصنوعی مولد، RAG، تنظیم دقیق و ارکستراسیون در محیط تولید) راهنمایی عملی برای توسعهدهندگان و متخصصان حوزه هوش مصنوعی است که میخواهند اپلیکیشنهایی مبتنی بر «عاملها» (Agent) بسازند.
محتوای کتاب Building Agent-Powered Applications بر چهار محور اصلی تمرکز دارد: مدلهای زبانی بزرگ مولد ( generative AI)، بازیابی اطلاعات با رویکرد Retrieval-Augmented Generation (RAG) برای افزایش دقت خروجی، تنظیم دقیق (fine-tuning) مدلها متناسب با نیازهای خاص، و ارکستراسیون (orchestration) هماهنگ اجزای مختلف در یک سیستم.
در ادامه مقدمهای از کتاب Building Agent-Powered Applications را از زبان نویسنده شرح خواهیم داد.
مقدمهای بر کتاب Building Agent-Powered Applications:
در طول تاریخ، هوش مصنوعی در موجهایی تکامل یافته که هر کدام با دستاوردهای بزرگی همراه بوده است. از مفاهیم اولیه نظری گرفته تا ظهور یادگیری عمیق، هر موج مرزهای توانایی ماشینها را جابجا کرده است. اما هیچکدام به اندازه عصر کنونی که توسط مدلهای زبانی بزرگ قدرتمند شده است، متحولکننده، سریعالحرکت و همگانی نبوده است.
هر موج جدید هوش مصنوعی سریعتر از موج قبلی و با تأثیری بیشتر فرا رسیده است. در گذشته، دهها سال طول کشید تا از مفاهیم نظری و پیادهسازیهای اولیه در دهههای ۱۹۵۰-۱۹۶۰ به ظهور یادگیری ماشین در دهه ۱۹۹۰ برسیم، و ۲۰ سال دیگر طول کشید تا یادگیری عمیق مورد توجه قرار گیرد.
اما جهش از یادگیری عمیق به مدلهای زبانی بزرگ تنها در چند سال اتفاق افتاد و تقریباً یک شبه صنایع را دگرگون کرد. با شتاب گرفتن پیشرفتها، فاصله بین نوآوری و پذیرش در دنیای واقعی همچنان در حال کاهش است و ما در حال حاضر سریعترین موج هوش مصنوعی را تجربه میکنیم.
شکل ۱: شجرهنامه هوش مصنوعی: از روزهای اولیه هوش مصنوعی تا ظهور مدلهای زبانی بزرگ
با انتشار مدلهایی مانند GPT-3 و موفقیت ویروسی ChatGPT، هوش مصنوعی جهشی چشمگیر از حل مسائل محدود و وظیفهمحور به ابزاری همهمنظوره capable of solving many different tasks across multiple domains. برای اولین بار، مهندسان نرمافزار و دانشمندان داده کاربردی میتوانند سیستمهای هوش مصنوعی قدرتمند و انسانمانند بسازند بدون اینکه به سالها تجربه تخصصی هوش مصنوعی نیاز داشته باشند.
همچنین شایان ذکر است که مدلهای زبانی بزرگ ماهیت اپلیکیشنهای هوش مصنوعی را که میتوانیم بسازیم، به طور بنیادین تغییر دادهاند. به جای آموزش و نگهداری مجموعهای از مدلهای جداگانه و تخصصی برای هر مسئله، اکنون میتوانیم سیستمهای هوشمندی بسازیم که بسیاری از وظایف را همزمان انجام میدهند، همه با قدرت یک مدل زبانی بزرگ واحد. آن یک مدل میتواند زبان را بفهمد، محتوا تولید کند، به سوالات پاسخ دهد، از تصمیمگیری پشتیبانی کند و حتی گردشکارهای چندمرحلهای را خودکار کند.
این فقط یک ارتقاء فناورانه مانند جابجایی از برنامههای دسکتاپ به ابر و تلفنهای همراه نیست. این یک تغییر گامگونه است که امکانات کاملاً جدیدی را برای کسبوکارها میگشاید. این امکانات از ساخت رباتهای مکالمهای واقعاً انسانمانند تا استقرار عاملهای هوش مصنوعی کاملاً خودمختار را شامل میشود. درک این قابلیتها نه تنها برای تیمهای فنی، بلکه برای رهبران کسبوکار که به دنبال نوآوری و حفظ رقابتپذیری هستند، حیاتی است.
این عصر جدید چیزی را به وجود آورده است که اکنون هوش مصنوعی مولد مینامیم، دستهای از سیستمهای هوش مصنوعی که میتوانند متن، کد، تصاویر و حتی صدا و ویدئو تولید و درک کنند. برخلاف هوش مصنوعی سنتی که عمدتاً بر مسائل کلاسیک هوش مصنوعی مانند طبقهبندی و رگرسیون تمرکز دارد، هوش مصنوعی مولد برای تولید محتوا، انجام استدلال و تعامل به شیوههای انسانمانند طراحی شده است.
آنچه زمانی برای هر وظیفه به مدلهای تخصصی نیاز داشت، اکنون اغلب با یک مدل زبانی بزرگ با پرامپت مناسب قابل دستیابی است و توسعه سیستمهای هوشمند را به طور چشمگیری ساده میکند.
انقلاب مدلهای زبانی بزرگ همچنین شروع به تغییر شکل نقشهای مهندسان نرمافزار، دانشمندان داده کاربردی و متخصصان یادگیری ماشین کرده است. برای دههها، مهندسان نرمافزار و دانشمندان داده در مسیرهای جداگانهای کار میکردهاند، یکی بر ساخت اپلیکیشن متمرکز و دیگری بر توسعه مدلهای هوش مصنوعی و تحقیق. اما با ظهور مدلهای زبانی بزرگ قدرتمند و رابطهای زبان طبیعی، مرز بین این نقشها شروع به محو شدن کرد.
مدلهای زبانی بزرگ قدرتمند، همراه با APIهای کاربرپسند، اکوسیستم رو به رشد مدلهای زبانی منبعباز، چارچوبهای مدرن هوش مصنوعی و پلتفرمهای بدون کد/کم کد، به مهندسان نرمافزار قدرت داده است تا اپلیکیشنهای هوشمند هوش مصنوعی را بدون نیاز به پیشینه عمیق در یادگیری ماشین، هوش مصنوعی یا پردازش زبان طبیعی بسازند.
در نتیجه، این تغییر ورود توسعهدهندگان به حوزه هوش مصنوعی و مشارکت در نوآوری مدرن را به طرز چشمگیری آسانتر کرده است. در مصاحبهای در سپتامبر ۲۰۲۲، سم آلتمن، مدیرعامل OpenAI، گفت که بزرگترین فرصت برای اکثریت قریببهاتفاق مردم، تطبیق مدلهای زبانی بزرگ برای کاربردهای خاص خواهد بود.
حتی با وجود همه این هیجان، بسیاری از توسعهدهندگان خود را در این فکر میبینند که چگونه این ابزارها را عملاً به کار گیرند. مهندسان نرمافزار هنوز با شکاف دانشی در مورد استفاده مؤثر از مدلهای زبانی بزرگ مواجه هستند.
اغلب این شکاف دانشی تشخیص داده نمیشود زیرا، همانطور که گفته میشود، «نمیدانیم چه چیزهایی را نمیدانیم.» پر کردن این شکاف نیاز به یادگیری مهارتهای جدید دارد، از درک مفاهیم پایه پردازش زبان طبیعی و هوش مصنوعی گرفته تا درک نحوه کار مدلهای زبانی بزرگ، طراحی پرامپتهای مؤثر، ساختاربندی گردشکارهای هوش مصنوعی، تنظیم دقیق مدلها، ساخت عاملهای هوش مصنوعی و ارزیابی عملکرد آنها.
این مهارتها فراتر از مهندسی نرمافزار سنتی است و آن چیزی است که در کتاب Building Agent-Powered Applications پوشش خواهیم داد.
نقش دانشمندان داده کاربردی و مهندسان یادگیری ماشین نیز به طور قابل توجهی تکامل یافته است. در حالی که تخصص عمیق یادگیری ماشین همچنان مهم است، به ویژه برای توسعه، تنظیم دقیق و پشتیبانی از مدلهای تخصصی، مدلهای زبانی بزرگ نحوه ساخت و ارائه راهکارهای هوش مصنوعی را تغییر دادهاند. بسیاری از کارهایی که زمانی نیاز به آموزش مدلها از صفر داشت، اکنون میتوان با استفاده از مدلهای زبانی از پیش آموزشدیده و دستورالعملهای زبان انسانی به نام پرامپت انجام داد.
متخصصان یادگیری ماشین دیگر محدود به کار صرفاً با توسعه مدلهای هوش مصنوعی سنتی نیستند. با مدلهای زبانی بزرگ، آنها اکنون میتوانند رابطهای پویاتر و انسانمانندتری بسازند که زمینه را درک میکنند، زبان تولید میکنند و در دادههای بدون ساختار استدلال میکنند، قابلیتهایی که قبلاً بدون سالها تخصص در پردازش زبان طبیعی و هوش مصنوعی دستیابی به آنها بسیار دشوار بود. این تغییر درِ دستههای کاملاً جدیدی از برنامههای هوش مصنوعی مانند عاملهای خودمختار و رباتهای انسانمانند را میگشاید.
در همین حال، دانش بنیادین علم داده و یادگیری ماشین بیش از هر زمان دیگری مهم است. درک رفتار مدل، کیفیت داده و تکنیکهای ارزیابی همچنان حیاتی است، به ویژه از آنجا که مدلهای زبانی بزرگ در سیستمهای دنیای واقعی جاسازی میشوند. مدلهای زبانی بزرگ به جای جایگزینی کار سنتی یادگیری ماشین، امکانات را گسترش میدهند و جعبه ابزار قدرتمندتری را در اختیار دانشمندان داده و مهندسان یادگیری ماشین قرار میدهند.
این تغییر در حال حاضر صنایع را در سراسر جهان دگرگون میکند. در سهماهه چهارم سال ۲۰۲۴، ۲۴۱ شرکت از شاخص S&P 500 به «هوش مصنوعی» در تماسهای درآمدی خود اشاره کردند که بالاترین تعداد در بیش از یک دهه و بیش از دو برابر میانگین پنج ساله است. این افزایش چشمگیر نشاندهنده یک تغییر قابل توجه است، زیرا کسبوکارها به طور فزایندهای پتانسیل هوش مصنوعی را برای هدایت نوآوری و حفظ مزیت رقابتی تشخیص میدهند.
این جنبش عظیم فناورانه همچنین در رشد انفجاری پروژههای منبعباز مرتبط با مدلهای زبانی بزرگ دیده شده است. سه چارچوب و پلتفرم مهندسی هوش مصنوعی، مانند AutoGPT، Stable Diffusion Web UI و LangChain، قبلاً از تعداد ستارههای GitHub مخزن بیتکوین پیشی گرفتهاند. آنها اکنون در مسیر رقابت و احتمالاً پیشی گرفتن از حتی محبوبترین چارچوبهای توسعه وب مانند React و Vue قرار دارند.
شکل ۲: رشد چارچوبهای منبعباز هوش مصنوعی در مقایسه با سایر پروژههای محبوب GitHub (منبع داده: star-history.com)
بنابراین، ما در یک نقطه عطف ایستادهایم. در حالی که هوش مصنوعی برای سالها محصولات و صنایع دنیای واقعی را شکل داده است، ظهور مدلهای زبانی بزرگ مرحله جدیدی را رقم میزند، مرحلهای که در آن زبان طبیعی به رابط تبدیل میشود و ساخت سیستمهای هوشمند دیگر منحصر به متخصصان بسیار ماهر نیست.
کتاب Building Agent-Powered Applications دعوتی است از شما برای شرکت در این تغییر. با هم، چگونگی استفاده از قدرت مدلهای زبانی بزرگ، طراحی پرامپتهای مؤثر، تنظیم دقیق، ساخت سیستمهای هوشمند و ایجاد عاملهای هوش مصنوعی که اهمیت دارند را بررسی خواهیم کرد تا بتوانید در این عصر جدید هوش مصنوعی پیشرو باشید.
آنچه کتاب Building Agent-Powered Applications درباره آن است
برای توضیح اینکه این کتاب درباره چیست، اجازه دهید دو داستان واقعی را با شما به اشتراک بگذارم.
داستان اول درباره تیمی از مهندسان نرمافزار است که تصمیم گرفتند یک مسئله پیچیده را با استفاده از فناوری مبتنی بر مدل زبانی بزرگ حل کنند. تیم کار بسیار خوبی در تعریف محدوده مسئله، انتخاب ابزارها و تلاش برای ساخت یک راهحل انجام داد. اما پس از چند ماه کار، به بنبست خوردند.
علیرغم استعداد مهندسیشان، نتوانستند به سطح کیفی و دقت مورد نیاز دست یابند. با پیشینه کم یا بدون پیشینه در هوش مصنوعی، آنها به این چالش به عنوان توسعهدهندگان با تجربه نزدیک شدند، اما یک قطعه حیاتی را از دست دادند: درک عمیقتر از امکانات و محدودیتهای فناوری هوش مصنوعی که انتخاب کرده بودند.
داستان دوم از تیمی از دانشمندان داده با تجربه میآید، بسیاری از آنها با دکترا و تخصص عمیق هوش مصنوعی. آنها دهها مدل سفارشی مبتنی بر BERT، RoBERTa و معماریهای مشابه برای حل وظایفی مانند طبقهبندی، توصیهگر و خلاصهسازی ساخته و تنظیم دقیق کرده بودند.
این کار نیاز به مجموعه دادههای بزرگ، آموزش پرهزینه و تلاش نگهداری قابل توجه داشت. این پروژه قبل از GPT-3.5 شروع شد اما حتی پس از در دسترس قرار گرفتن GPT-4 و GPT-4 Turbo نیز ادامه یافت. علیرغم چالشهای فزاینده کیفیت و نگهداری، تیم نتوانست تغییر عظیم فناوری را تشخیص دهد. در نهایت، تیم دیگری بیشتر آن مدلهای سفارشی را با راهحلهای مبتنی بر مدل زبانی بزرگ جایگزین کرد و به توسعه سریعتر، هزینههای کمتر و برخی موارد دقت بهتر دست یافت.
این داستانها واقعیتی گستردهتر را منعکس میکنند: حتی مهندسان نرمافزار و دانشمندان داده بسیار ماهر نیز میتوانند بدون داشتن پایهای محکم در مورد نحوه کار مدلهای زبانی بزرگ مدرن، نحوه استفاده مؤثر از آنها و نحوه بازاندیشی در نحوه ساخت راهکارهای هوش مصنوعی، در پیمایش این عصر جدید هوش مصنوعی دچار مشکل شوند.
تلاش برای کنار هم قرار دادن این دانش از پستهای وبلاگ، مستندات، ویدیوهای یوتیوب، جستجوهای وب، پرس و جوهای یکباره مدل زبانی بزرگ و آزمون و خطا اغلب منجر به درک تکهتکه و ناقص میشود. این شکافها میتوانند تیمها را کند کنند، هزینهها را افزایش دهند و کیفیت راهکارها را کاهش دهند، در زمانی که هوش مصنوعی دیگر یک ویژگی نیست، بلکه یک لایه بنیادین در اکثر محصولات نرمافزاری مدرن است.
کتاب Building Agent-Powered Applications برای پر کردن آن شکاف دانشی طراحی شده است. این کتاب بررسی میکند که چگونه مدلهای زبانی بزرگ توسعه برنامههای هوش مصنوعی را از رابطهای زبان طبیعی و مهندسی پرامپت گرفته تا تکنیکهای پیشرفته مانند تولید افزایشیافته با بازیابی، تنظیم دقیق مدل زبانی بزرگ و عاملهای هوش مصنوعی، دگرگون میکنند.
شما صدها مثال کد، پرامپت و شِما را خواهید یافت که نشان میدهد چگونه مسائل مدرن هوش مصنوعی را حل کنید و عاملهای هوش مصنوعی بسازید. اما مهمتر از آن، کتاب Building Agent-Powered Applications درک عمیقتر و کلنگرانهای از پایههای پشت مدلهای زبانی بزرگ و چگونگی به کارگیری مؤثر آنها در سیستمهای دنیای واقعی به شما میدهد. ما معتقدیم این مهمترین هدف این کتاب و هر اثر بنیادین دیگری در حوزه هوش مصنوعی است.
در حالی که آموزشها و راهنماهای سریع بیشماری به صورت آنلاین برای انجام وظایف فردی وجود دارد، تعداد بسیار کمی چارچوب ساختاریافته و سرتاسری برای درک نحوه واقعی کار مدلهای زبانی بزرگ ارائه میدهند – چگونه پرامپتها را متفکرانه طراحی کنیم، مدلهای زبانی بزرگ را تنظیم دقیق کنیم، سیستمهای مقاوم بسازیم و آنها را به طور دقیق ارزیابی کنیم. این شکافی است که این کتاب درصدد پر کردن آن است.
در نهایت، کتاب Building Agent-Powered Applications بررسی میکند که خود فرآیند توسعه هوش مصنوعی چگونه تغییر کرده است. با ظهور مدلهای همهمنظوره، ساخت سیستمهای هوشمند دیگر نیازی به آموزش مدلها از صفر یا حفظ زیرساخت پیچیده یادگیری ماشین ندارد. در عوض، تمرکز به درک رفتار مدل، طراحی تعاملات مؤثر، تنظیم دقیق مدلهای موجود و ادغام هوش مصنوعی در فرآیندهای تجاری دنیای واقعی تغییر میکند.
در پایان کتاب Building Agent-Powered Applications، شما نه تنها نحوه فراخوانی یک API را خواهید دانست؛ در واقع، نحوه تفکر در مورد هوش مصنوعی مدرن، طراحی سیستمهایی که از آن بهره میبرند و ارائه راهکارهایی که اهمیت دارند را درک خواهید کرد.
آنچه کتاب Building Agent-Powered Applications پوشش نمیدهد
در حالی که این کتاب مهمترین پایهها برای ساخت برنامهها و عاملهای هوش مصنوعی مدرن را به همراه راهنماهای عملی، مثالهای کد، پرامپتها و گردشکارها پوشش میدهد، هدف آن جامع بودن در همه زمینهها نیست. هدف اصلی این است که درک قوی و کلنگرانهای از چگونگی تغییر توسعه برنامههای هوش مصنوعی در عصر مدلهای زبانی بزرگ به شما بدهد، نه اینکه به همه جزئیات فنی سطح پایین بپردازد.
کتاب Building Agent-Powered Applications به جزئیات درونی معماری مدل زبانی بزرگ یا جزئیات دقیق نحوه آموزش و بهینهسازی این مدلها نمیپردازد. در عوض، بر مدلهای ذهنی و دانش عملی تمرکز میکند که برای استفاده مؤثر از مدلهای زبانی بزرگ در برنامههای دنیای واقعی به آنها نیاز دارید.
در حالی که طیف گستردهای از استراتژیهای مهندسی پرامپت و تکنیکهای هوش مصنوعی را بررسی میکنیم، سعی در فهرست کردن هر رویکرد ممکن نداریم – الگوها و تحقیقات جدید تقریباً هر هفته ظهور میکنند. در عوض، الگوها و مثالهای اثبات شدهای را خواهید یافت که پایهای محکم ارائه میدهند و به شما اعتماد به نفس لازم برای آزمایش و ادامه یادگیری را میدهند.
در نهایت، کتاب Building Agent-Powered Applications یک مرجع کامل برای هر چارچوب، پلتفرم و ابزار در اکوسیستم مدل زبانی بزرگ نیست. بسیاری از آنها پوشش داده شدهاند، اما هدف ارائه درک گستردهای از نحوه کنار هم قرار گرفتن آنهاست، نه جایگزینی مستندات رسمی یا آموزشهای کامل پلتفرم.
به این کتاب به عنوان راهنمایی فکر کنید که شما را برای پیمایش در چشمانداز مدل زبانی بزرگ مجهز میکند، زبان توسعه هوش مصنوعی مدرن را صحبت میکند و با اطمینان موضوعات و ابزارهای عمیقتر را در صورت نیاز بررسی میکند.
کتاب Building Agent-Powered Applications برای چه کسانی است
این کتاب برای مهندسان نرمافزار، دانشمندان داده، فعالان حوزه هوش مصنوعی کاربردی، رهبران فنی و مدیران محصول با دیدگاه مهندسی است که میخواهند برنامههای آماده تولید با مدلهای زبانی بزرگ و عاملهای هوش مصنوعی بسازند. کتاب Building Agent-Powered Applications برای خوانندگانی مناسب است که از توسعه نرمافزار سنتی یا یادگیری ماشین کلاسیک به سیستمهای هوش مصنوعی مولد نقل مکان میکنند.
شما باید با برنامهنویسی در پایتون یا زبانی مشابه راحت باشید و مفاهیم اصلی مهندسی نرمافزار مانند APIها، ساختارهای داده و یکپارچهسازی را درک کنید. تجربه قبلی در یادگیری عمیق یا آموزش مدل زبانی بزرگ الزامی نیست.
آنچه کتاب Building Agent-Powered Applications پوشش میدهد
فصل ۱: مبانی هوش مصنوعی و پردازش زبان طبیعی، مفاهیم بنیادین هوش مصنوعی و پردازش زبان طبیعی را معرفی میکند و مروری عملی بر اصول اولیه مانند شبکههای عصبی، مسائل اصلی یادگیری ماشین و پردازش زبان طبیعی، توکنسازی، جاسازیها، معیارهای شباهت و چگونگی رمزگذاری اطلاعات در مدلهای هوش مصنوعی مدرن ارائه میدهد.
همچنین به اصول اولیه آموزش و تنظیم دقیق مدل میپردازد تا خوانندگان را در چشمانداز گستردهتر هوش مصنوعی grounded کند. این فصل از کتاب Building Agent-Powered Applications به ویژه برای مهندسان نرمافزاری که در این مفاهیم تازهکار هستند مفید است، در حالی که دانشمندان داده میتوانند از آن به عنوان مرور سریع استفاده کنند یا اگر از قبل آشنا هستند، از آن عبور کنند.
فصل ۲ کتاب Building Agent-Powered Applications: درک مدلهای زبانی بزرگ، مفاهیم اصلی پشت مدلهای زبانی بزرگ را بررسی میکند. این فصل معماریهای مدل قبلی، Seq2Seq، شبکههای عصبی بازگشتی و مدلهای رمزگذار-رمزگشا را قبل از معرفی معماری ترنسفورمر مرور میکند.
این فصل کتاب Building Agent-Powered Applications نحوه طراحی، آموزش و پیکربندی مدلهای زبانی بزرگ را توضیح میدهد و به مهندسان و دانشمندان داده پایهای محکم برای درک نحوه کار مدلهای زبانی بزرگ در زیر هود و نحوه استفاده مؤثر از آنها میدهد.
فصل ۳ کتاب Building Agent-Powered Applications: مهندسی پرامپت، تکنیکهای پایه و پیشرفته برای طراحی پرامپتهای مؤثر را معرفی میکند. این فصل ساختار پرامپت از جمله دستورالعملها، نکات، مثالها و زمینه را پوشش میدهد و چگونگی تأثیر هر کدام بر رفتار مدل را توضیح میدهد.
سپس یادگیری چندنمونهای، زنجیره تفکر، درخت تفکر، خودسازگاری، پرامپت مبتنی بر شخصیت و استراتژیهای پیشرفته چند پرامپتی مانند زنجیره تفکر چند مرحلهای و حلقههای اصلاح را بررسی میکند.
فصل ۴ کتاب Building Agent-Powered Applications: درک وظایف زبانی، قابلیتهای اصلی پردازش زبان طبیعی مدلهای زبانی بزرگ برای درک و تبدیل متن را بررسی میکند. این فصل تکنیکهای خلاصهسازی، طبقهبندی متن و وظایف استخراج اطلاعات مانند تشخیص نهاد نامگذاری شده و استخراج رابطه را پوشش میدهد.
این فصل کتاب Building Agent-Powered Applications همچنین قابلیتهای چندزبانه از جمله ترجمه را معرفی میکند و نشان میدهد که چگونه مدلهای زبانی بزرگ میتوانند در زبانها و زمینههای مختلف عمل کنند.
فصل ۵ کتاب Building Agent-Powered Applications: تولید، پاسخ به سوال و استدلال، بر قابلیتهای مولد و حل مسئله مدلهای زبانی بزرگ تمرکز دارد. این فصل تولید متن و ایجاد محتوا و به دنبال آن پاسخ به سوال از جمله زبان طبیعی به SQL برای پرس و جوی دادههای ساختاریافته را پوشش میدهد.
این فصل از کتاب Building Agent-Powered Applications با وظایف استدلال به پایان میرسد، جایی که مدلهای زبانی بزرگ تفکر چند مرحلهای و استنتاج منطقی را انجام میدهند و زمینه را برای ساخت سیستمها و عاملهای پیشرفتهتر هوش مصنوعی فراهم میکنند.
فصل ۶ کتاب Building Agent-Powered Applications: تولید افزایشیافته با بازیابی، یکی از قدرتمندترین تکنیکها برای تقویت مدلهای زبانی بزرگ با دانش خارجی را معرفی میکند. این فصل بازیابی لغوی (BoW، TF-IDF، BM25) و سپس بازیابی معنایی با استفاده از جاسازیها، معیارهای شباهت و الگوریتمهای جستجوی نزدیکترین همسایه تقریبی را پوشش میدهد. شما همچنین کتابخانهها، چارچوبها و پایگاههای داده برداری محبوب برای ساخت خطوط لوله تولید افزایشیافته با بازیابی در دنیای واقعی را بررسی خواهید کرد.
فصل ۷ کتاب Building Agent-Powered Applications: تنظیم دقیق مدل زبانی بزرگ، کوتاهترین فصل است که به عنوان مقدمهای بر تنظیم دقیق عمل میکند. این فصل توضیح میدهد که تنظیم دقیق چیست، چه زمانی مناسب است و چگونه با مهندسی پرامپت و تولید افزایشیافته با بازیابی مقایسه میشود. توصیههای واضحی برای زمانی که تنظیم دقیق انتخاب درستی است ارائه میشود.
فصل ۸: بررسی معماری عاملهای هوش مصنوعی، ایدههای اصلی کتاب Building Agent-Powered Applications را از طریق مفاهیم بنیادین و معماری عاملهای هوش مصنوعی مدرن گرد هم میآورد. این فصل با تعریف اینکه عاملهای هوش مصنوعی چیستند، انواع آنها و اجزای ضروری آغاز میشود.
سپس فصل به عناصر ساختاری اصلی مانند حافظه، استفاده از ابزار، مکانیسمهای برنامهریزی، حلقههای استدلال، الگوهای هماهنگسازی و همکاری چندعاملی عمیقتر میپردازد. در پایان فصل، نحوه طراحی مفهومی و معماری عاملها و چگونگی تکامل مدلهای زبانی بزرگ از تولیدکنندگان ساده متن به سیستمهای هدفمحور را درک خواهید کرد.
فصل ۹: ساخت عاملهای هوش مصنوعی، نقطه اوج عملی کتاب Building Agent-Powered Applications است. این فصل هر آنچه را که آموختهایم – مدلهای زبانی بزرگ، پرامپتنویسی، بازیابی، استدلال، ابزارها، ارزیابی و معماری – گرفته و آنها را به سیستمهای کاری تبدیل میکند.
این فصل کتاب Building Agent-Powered Applications گام به گام در طراحی و پیادهسازی عاملهای هوش مصنوعی واقعی راهنمایی میکند. شما خواهید آموخت که چگونه اهداف عامل را تعریف کنید، ابزارها را انتخاب و یکپارچه کنید، استراتژیهای حافظه را پیادهسازی کنید، جریانهای کنترل را ساختار دهید و حلقههای اجرا را مدیریت کنید.
فصل ۱۰: ارزیابی برنامهها و عاملهای مدل زبانی بزرگ، آخرین و در عین حال بنیادینترین فصل کتاب Building Agent-Powered Applications است که بر اندازهگیری و اعتبارسنجی عملکرد عامل هوش مصنوعی تمرکز دارد.
این فصل از کتاب Building Agent-Powered Applications معیارهایی برای وظایف بسته و باز را معرفی میکند، روششناسیهایی را برای ارزیابی برنامهها و عاملهای پیچیده مدل زبانی بزرگ (استدلال، حافظه، هماهنگسازی ابزار) پوشش میدهد و به ایمنی، انصاف و هماهنگی میپردازد. شما استراتژیهایی برای کاهش توهمات، کاهش سوگیری و ایجاد اعتماد در سیستمهای تولیدی خواهید آموخت.
چگونه فصلها در کنار هم قرار میگیرند
اگرچه کتاب Building Agent-Powered Applications طوری طراحی شده که به ترتیب خوانده شود، برای بهرهبردن از آن لازم نیست خطی پیش بروید. هر فصل بر اساس مفاهیمی ساخته شده که پیشتر معرفی شدهاند، اما فصلها به گونهای نوشته شدهاند که به تنهایی نیز قابل استفاده باشند و به شما امکان میدهند مستقیماً به سراغ موضوعاتی بروید که بیشترین ارتباط را با شما دارند.
نمودار زیر نشان میدهد که فصلها چگونه با یکدیگر مرتبط هستند:
شکل ۳: نقشه راه فصلها و ارتباطات بین آنها
هنگام مطالعه کتاب Building Agent-Powered Applications، از نقشه بالا به عنوان راهنما استفاده کنید، چه در حال غور کردن در یک موضوع خاص باشید و چه در حال بررسی این مسئله که قطعات چگونه در کنار هم قرار میگیرند تا برنامههای سرتاسر هوش مصنوعی ساخته شوند.
سرفصلهای کتاب Building Agent-Powered Applications:
- Preface
- Part 1: Foundations of AI, NLP, and LLMs
- Chapter 1: Artificial Intelligence and Natural Language Processing Fundamentals
- Chapter 2: Understanding Large Language Models
- Chapter 3: Prompt Engineering
- Part 2: Building LLM Applications in Practice
- Chapter 4: Understanding Language Tasks
- Chapter 5: Generation, Question Answering, and Reasoning
- Chapter 6: Retrieval-Augmented Generation
- Chapter 7: LLM Fine-Tuning
- Part 3: Designing, Building, and Evaluating AI Agents
- Chapter 8: Exploring the Architecture of AI Agents
- Chapter 9: Building AI Agents
- Chapter 10: Evaluating LLM Applications and Agents
- Chapter 11: Unlock Your Exclusive Benefits
- Appendix 1: Expert Insights
- Appendix 2: Bibliography
- Index
جهت دانلود کتاب Building Agent-Powered Applications میتوانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.