کتاب Building AI-Intensive Python Applications

کتاب Building AI-Intensive Python Applications: Create intelligent apps with LLMs and vector databases (ساخت برنامه های کاربردی پایتون با هوش مصنوعی: ایجاد برنامه های هوشمند با LLM و پایگاه داده برداری) کتاب «ساخت برنامه‌های هوش مصنوعی با پایتون: یک راهنمای جامع برای توسعه‌دهندگان است که به دنبال ساخت برنامه‌های هوشمند با استفاده از تکنولوژی‌های پیشرفته مانند مدل‌های زبانی بزرگ (LLMs) و پایگاه‌های داده وکتور هستند.

این کتاب به بررسی مفاهیم کلیدی هوش مصنوعی مولد (GenAI)، طراحی برنامه‌های AI/ML، و تکنیک‌های ارزیابی و بهینه‌سازی می‌پردازد و شامل کدهای نمونه، مطالعات موردی واقعی و نکات تخصصی برای بهبود کارایی و دقت برنامه‌هاست.

در ادامه مقدمه‌ای از کتاب Building AI-Intensive Python Applications را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Building AI-Intensive Python Applications:

کتاب «ساخت برنامه‌های هوش مصنوعی با پایتون» یک راهنمای جامع به منظور توسعه برنامه‌های هوشمند با استفاده از پایتون است. این کتاب به بررسی هم‌افزایی بین مدل‌های زبانی بزرگ (LLMs) و پایگاه‌های داده وکتور می‌پردازد، دو تکنولوژی پیشرفته که راه‌حل‌های نوآورانه هوش مصنوعی را قدرت می‌بخشند. با تسلط بر این ابزارها، شما قادر خواهید بود برنامه‌های هوش مصنوعی پیچیده‌ای را طراحی، پیاده‌سازی و بهینه‌سازی کنید.

کتاب Building AI-Intensive Python Applications یک بررسی کامل از هوش مصنوعی مولد (GenAI) است و مفاهیم نظری و مؤلفه‌های اصلی برنامه‌های هوشمند را به تفصیل توضیح می‌دهد. با استفاده از قطعه‌های کد، موارد کاربرد واقعی و نکات تخصصی، این کتاب راهنمای عملی برای طراحی برنامه‌های AI/ML با استفاده از پایتون ارائه می‌دهد.

استراتژی‌های ارزیابی، اصلاح و بهینه‌سازی راه‌حل‌های AI که در این کتاب پوشش داده شده‌اند، می‌توانند به توسعه‌دهندگان کمک کنند تا برنامه‌های هوش مصنوعی قوی و دقیقی بسازند که به نیازهای دنیای واقعی پاسخ بدهند.

کتاب Building AI-Intensive Python Applications برای چه کسانی است؟

این کتاب برای مهندسان نرم‌افزار و توسعه‌دهندگانی است که به دنبال ساخت برنامه‌های هوشمند با استفاده از GenAI هستند. در حالی که این کتاب برای مبتدیان مناسب است، درک پایه‌ای از برنامه‌نویسی پایتون لازم است. آشنایی با MongoDB و مدل‌های زبانی OpenAI ترجیح داده می‌شود اما الزامی نیست. این کتاب یک رویکرد مرحله‌به‌مرحله برای ساخت برنامه‌های هوش مصنوعی ارائه می‌دهد و بنابراین برای نوآموزان و حرفه‌ای‌های با تجربه مناسب است.

کتاب Building AI-Intensive Python Applications چه موضوعاتی را پوشش می‌دهد؟

فصل ۱، شروع به کار با هوش مصنوعی مولد، اصطلاحات کلیدی مرتبط با GenAI را تعریف کرده و اجزای پشته AI/ML را معرفی می‌کند. همچنین به طور مختصر به تحول هوش مصنوعی و مزایا، خطرات و اخلاق راه‌حل‌های هوش مصنوعی می‌پردازد.

فصل ۲، اجزای اصلی برنامه‌های هوشمند، نمای کلی از اجزای منطقی و فنی برنامه‌های هوشمند را ارائه می‌دهد و ساختارهای اصلی که برنامه‌های هوشمند را تعریف می‌کنند و نحوه عملکرد این اجزا برای ایجاد تجربه‌های دینامیک و متناسب با زمینه را بررسی می‌کند.

فصل ۳، مدل‌های زبانی بزرگ، اجزای اصلی یک LLM مدرن مبتنی بر ترنسفورمر را پوشش می‌دهد و نمایی سریع از وضعیت کنونی LLMها ارائه می‌دهد و روش‌هایی را معرفی می‌کند که می‌تواند به شما در بهره‌برداری بهینه از LLM کمک کند.

فصل ۴، مدل‌های تعبیه، کاوش عمیق‌تری در مدل‌های تعبیه‌ای دارد. این فصل از کتاب Building AI-Intensive Python Applications، انواع مختلف مدل‌های تعبیه و نحوه انتخاب بهترین گزینه مطابق با نیازهای شما را توضیح می‌دهد.

فصل ۵، پایگاه‌های داده وکتور، قدرت پایگاه‌های داده وکتور برای برنامه‌های AI را بررسی کرده و مفهوم جستجوی وکتور و مطالعات موردی و بهترین شیوه‌ها برای استفاده از پایگاه‌های داده وکتور جهت بهبود تجربه کاربری را توضیح می‌دهد.

فصل ۶، طراحی برنامه‌های AI/ML، جنبه‌های کلیدی طراحی برنامه‌های AI/ML را پوشش می‌دهد. شما یاد خواهید گرفت که چگونه به‌طور مؤثر، مدیریت ذخیره‌سازی داده‌ها، جریان، تازگی و نگهداری را به صورت امن و کارآمد انجام دهید.

فصل ۷، چارچوب‌ها، کتابخانه‌ها و APIهای مفید، اکوسیستم چارچوب‌ها، کتابخانه‌ها و APIهایی که برای ساخت برنامه‌های هوش مصنوعی ضروری هستند را معرفی کرده و به شما کمک می‌کند تا با برخی از این ابزارها برای موارد استفاده خود آزمایش کنید.

فصل ۸، پیاده‌سازی جستجوی وکتور در برنامه‌های AI، به قدرت تولید تقویت‌شده بازیابی (RAG) برای بهبود قابلیت‌های هوش مصنوعی می‌پردازد. این فصل از کتاب Building AI-Intensive Python Applications، با استفاده از مثال‌های عملی به شما کمک می‌کند تا از قوت‌های جستجوی وکتور استفاده کنید.

فصل ۹، ارزیابی خروجی LLM، به بررسی مفاهیم و روش‌های ارزیابی کیفیت خروجی LLM می‌پردازد. این فصل به تکنیک‌ها و متریک‌های مختلف ارزیابی می‌پردازد تا خروجی دقیق، منسجم و مرتبط را تضمین کند.

فصل ۱۰، بهبود مدل داده‌ای معنایی برای افزایش دقت، به بررسی استراتژی‌ها برای بهینه‌سازی مدل داده‌ای معنایی خود با هدف بهبود دقت بازیابی برای جستجوهای وکتور در برنامه‌های RAG می‌پردازد تا خروجی‌های بهتری حاصل شود.

فصل ۱۱، شکست‌های رایج هوش مصنوعی مولد، به بررسی مشکلات رایج سیستم‌های هوش مصنوعی می‌پردازد و استراتژی‌هایی برای غلبه بر آن‌ها ارائه می‌کند و به مسائلی مانند توهمات، نشت داده، بهینه‌سازی هزینه و گلوگاه‌های عملکرد توجه می‌کند.

فصل ۱۲، اصلاح و بهینه‌سازی برنامه هوش مصنوعی مولد شما، به بررسی چندین تکنیک برای بهبود عملکرد برنامه‌های GenAI می‌پردازد و هر تکنیک را با مثال‌های عملی توضیح می‌دهد.

سرفصل‌های کتاب Building AI-Intensive Python Applications:

• Preface
• Chapter 1: Getting Started with Generative AI
• Chapter 2: Building Blocks of Intelligent Applications
• Part 1: Foundations of AI: LLMs, Embedding Models, Vector Databases, and Application Design
  • Chapter 3: Large Language Models
  • Chapter 4: Embedding Models
  • Chapter 5: Vector Databases
  • Chapter 6: AI/ML Application Design
• Part 2: Building Your Python Application: Frameworks, Libraries, APIs, and Vector Search
  • Chapter 7: Useful Frameworks, Libraries, and APIs
  • Chapter 8: Implementing Vector Search in AI Applications
• Part 3: Optimizing AI Applications: Scaling, Fine-Tuning, Troubleshooting, Monitoring, and Analytics
  • Chapter 9: LLM Output Evaluation
  • Chapter 10: Refining the Semantic Data Model to Improve Accuracy
  • Chapter 11: Common Failures of Generative AI
  • Chapter 12: Correcting and Optimizing Your Generative AI Application
• Appendix: Further Reading: Index
• Other Books You May Enjoy

جهت دانلود کتاب Building AI-Intensive Python Applications می‌توانید پس از پرداخت، دریافت کنید.