کتاب Building Data-Driven Applications with LlamaIndex

کتاب Building Data-Driven Applications with LlamaIndex: A practical guide to retrieval-augmented generation (RAG) to enhance LLM applications (ساخت برنامه‌های مبتنی بر داده با LlamaIndex: راهنمای عملی برای تولید افزوده‌شده بازیابی (RAG) برای بهبود برنامه‌های LLM) شما از آماده‌سازی محیط به افزودن تدریجی ویژگی‌ها و استقرار پروژه نهایی خواهید رسید. شما به تدریج از مفاهیم اساسی LLM به کاوش در ویژگی‌های این چارچوب پیشرفت خواهید کرد. مثال‌های عملی شما را در مراحل ضروری برای شخصی‌سازی و راه‌اندازی پروژه‌های LlamaIndex راهنمایی می‌کنند.

علاوه بر این، بر محدودیت‌های LLM غلبه خواهید کرد، برنامه‌های کاربردی کاربر نهایی ایجاد می‌کنید، و مهارت‌هایی در جذب، نمایه‌سازی، پرس‌وجو، و اتصال پایگاه‌های دانش پویا، پوشش Generative AI و LLM، و همچنین استقرار LlamaIndex کسب خواهید کرد. همانطور که به نتیجه نزدیک می‌شوید، به شخصی‌سازی می‌پردازید و درک جامعی از قابلیت‌ها و برنامه‌های LlamaIndex به دست می‌آورید.

در ادامه مقدمه‌ای از کتاب Building Data-Driven Applications with LlamaIndex را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Building Data-Driven Applications with LlamaIndex:

فراتر از هیاهوی اولیه‌ای که پیشرفت سریع هوش مصنوعی و مدل‌های زبان بزرگ (LLM) ایجاد کرده است، ما توانسته‌ایم هم توانایی‌ها و هم کاستی‌های این فناوری را مشاهده کنیم. LLM‌ها ابزار‌های همه کاره و قدرتمندی هستند که نوآوری را در زمینه‌های مختلف هدایت می‌کنند و به عنوان پایه‌ای برای فناوری تولید زبان طبیعی عمل می‌کنند.

با وجود این، LLM‌ها علیرغم پتانسیلشان، محدودیت‌هایی مانند عدم دسترسی به داده‌های بلادرنگ، تلاش برای تشخیص حقیقت از نادرست، حفظ متن در اسناد طولانی، و نمایش شکست‌های غیرقابل پیش‌بینی در استدلال و حفظ واقعیت دارند. Retrieval-Augmented Generation (RAG) تلاش می‌کند تا بسیاری از این کاستی‌ها را برطرف کند و LlamaIndex شاید ساده‌ترین و کاربرپسندترین راه برای شروع سفر شما به این پارادایم توسعه جدید باشد.

بیشتر بخوانید: کتاب Machine Learning Q and AI

این چارچوب منبع باز که توسط یک جامعه شکوفا و در حال گسترش هدایت می‌شود، تعداد زیادی ابزار برای سناریو‌های مختلف RAG فراهم می‌کند. شاید به همین دلیل است که کتاب Building Data-Driven Applications with LlamaIndex مورد نیاز است. هنگامی که برای اولین بار با چارچوب LlamaIndex روبرو شدم، تحت تأثیر مستندات رسمی جامع آن قرار گرفتم.

با این حال، به زودی متوجه شدم که تعداد زیادی از گزینه‌ها می‌تواند برای کسی که تازه شروع به کار کرده است، طاقت‌فرسا باشد. بنابراین، هدف من ارائه یک راهنمای مبتدی بود که به شما کمک می‌کند قابلیت‌های فریم ورک را مرور کنید و از آن‌ها در پروژه‌های خود استفاده کنید.

هرچه بیشتر مکانیزم‌های درونی LlamaIndex را بررسی کنید، بیشتر از اثربخشی آن قدردانی خواهید کرد. این کتاب با تجزیه مفاهیم پیچیده و ارائه مثال‌های عملی، قصد دارد شکاف بین اسناد رسمی و درک شما را پر کند و اطمینان حاصل کند که می‌توانید با اطمینان برنامه‌های RAG را بسازید و در عین حال از مشکلات رایج اجتناب کنید.

بنابراین، در سفری به اکوسیستم LlamaIndex به من بپیوندید. از درک مفاهیم اساسی RAG تا تسلط بر تکنیک‌های پیشرفته، یاد می‌گیرید که چگونه داده‌ها را از منابع مختلف مصرف کنید، فهرست‌بندی کنید، و پرس و جو کنید، فهرست‌های بهینه‌سازی شده متناسب با موارد استفاده خود ایجاد کنید، و چت‌بات‌ها و برنامه‌های کاربردی وب تعاملی بسازید که پتانسیل واقعی Generative را به نمایش بگذارند.

هوش مصنوعی کتاب Building Data-Driven Applications with LlamaIndex شامل بسیاری از نمونه‌های کد عملی، چندین روش برتر در مهندسی سریع و تکنیک‌های عیب‌یابی است که به شما کمک می‌کند تا چالش‌های ساخت برنامه‌های مبتنی بر LLM را با داده‌های خود تقویت کنید.

در پایان کتاب Building Data-Driven Applications with LlamaIndex، شما مهارت و تخصص لازم برای ایجاد برنامه‌های قدرتمند، تعاملی و مبتنی بر هوش مصنوعی را با استفاده از LlamaIndex و Python خواهید داشت. علاوه بر این، می‌توانید هزینه‌ها را پیش‌بینی کنید، با مسائل بالقوه حریم خصوصی مقابله کنید، و برنامه‌های کاربردی خود را به کار بگیرید، و به شما کمک می‌کند در زمینه به‌سرعت در حال رشد هوش مصنوعی Generative به یک حرفه‌ای مورد توجه تبدیل شوید.

کتاب Building Data-Driven Applications with LlamaIndex برای چه کسی است؟

این کتاب به طور خاص برای توسعه‌دهندگان در مراحل مختلف حرفه خود طراحی شده است که مشتاق درک و بهره‌برداری از قابلیت‌های هوش مصنوعی Generative، به ویژه از طریق استفاده از RAG هستند. هدف آن این است که به عنوان یک راهنمای اساسی برای کسانی که درک اولیه از توسعه پایتون و آشنایی کلی با مفاهیم هوش مصنوعی مولد دارند، خدمت کند.

در اینجا مخاطبان اصلی هستند که کتاب Building Data-Driven Applications with LlamaIndex را ارزشمند خواهند یافت:

• توسعه‌دهندگان سطح ورودی: افرادی که درک اساسی از پایتون دارند و سفر خود را به دنیای هوش مصنوعی مولد آغاز می‌کنند، کتاب Building Data-Driven Applications with LlamaIndex را یک نقطه شروع عالی خواهند یافت. این شما را در مراحل اولیه استفاده از چارچوب LlamaIndex برای ایجاد برنامه‌های کاربردی قوی و نوآورانه راهنمایی می‌کند. شما اجزای اصلی، جریان‌های کاری اساسی و بهترین روش‌ها را برای شروع سفر توسعه برنامه RAG خود خواهید آموخت.

• توسعه‌دهندگان باتجربه: برای کسانی که از قبل با چشم انداز هوش مصنوعی مولد آشنا هستند و به دنبال تعمیق تخصص خود هستند، کتاب Building Data-Driven Applications with LlamaIndex بینشی در مورد موضوعات پیشرفته در چارچوب LlamaIndex ارائه می‌دهد. خواهید فهمید که چگونه از مهارت‌های موجود خود برای توسعه و استقرار برنامه‌های پیچیده‌تر RAG استفاده کنید، قابلیت‌های پروژه‌های خود را افزایش دهید و مرز‌های آنچه را که با هوش مصنوعی ممکن است پیش ببرید.

• حرفه‌ای‌هایی که به دنبال استفاده از قدرت کامل LLM هستند: اگر به دنبال بهبود بهره وری خود با ایجاد راه حل‌های سریع برای مشکلات مبتنی بر داده هستید، کتاب Building Data-Driven Applications with LlamaIndex مفاهیم اولیه را به شما آموزش می‌دهد و توانایی‌های قدرتمندی را در اختیار شما قرار می‌دهد. اگر شما یک یادگیرنده طبیعی هستید و می‌خواهید با این فناوری فوق‌العاده آزمایش کنید، این کتاب ابزار‌هایی را برای حل مسائل پیچیده با کارایی و خلاقیت بیشتر در اختیار شما قرار می‌دهد.

آنچه کتاب Building Data-Driven Applications with LlamaIndex پوشش می‌دهد:

فصل ۱، درک مدل‌های زبان بزرگ، به عنوان مقدمه‌ای برای هوش مصنوعی و LLM‌های مولد عمل می‌کند. این توضیح می‌دهد که LLM چیست، نقش آن‌ها در فناوری مدرن، و نقاط قوت و ضعف آن‌ها. هدف این فصل ارائه یک درک اساسی از قابلیت‌های LLM است که LlamaIndex بر اساس آن‌ها ساخته شده است.

فصل ۲، LlamaIndex: The Hidden Jewel – مقدمه‌ای بر اکوسیستم LlamaIndex، اکوسیستم LlamaIndex را معرفی می‌کند و چگونه می‌تواند LLM‌ها را تقویت کند. این ساختار کلی کتاب Building Data-Driven Applications with LlamaIndex را توضیح می‌دهد – با مفاهیم اولیه شروع می‌شود و به تدریج عناصر پیچیده‌تر چارچوب LlamaIndex را معرفی می‌کند. این فصل همچنین پروژه PITS – Personalized Intelligent Tutoring System را معرفی می‌کند که برای اعمال مفاهیم مورد مطالعه در کتاب استفاده می‌شود و آماده‌سازی محیط توسعه را پوشش می‌دهد.

فصل ۳، شروع سفر با LlamaIndex، اصول اولیه شروع اولین پروژه LlamaIndex را پوشش می‌دهد. اجزای ضروری یک برنامه RAG در LlamaIndex مانند اسناد، گره‌ها، فهرست‌ها و موتور‌های پرس و جو را توضیح می‌دهد. این فصل از کتاب Building Data-Driven Applications with LlamaIndex یک مدل گردش کار معمولی و یک مثال عملی ساده را ارائه می‌کند، جایی که خوانندگان شروع به ساخت پروژه PITS خواهند کرد.

فصل ۴، وارد کردن داده‌ها در گردش کار RAG ما، بر وارد کردن داده‌های اختصاصی ما به LlamaIndex تمرکز دارد و بر استفاده از اتصال دهنده‌های LlamaHub تأکید دارد. ما یاد می‌گیریم که چگونه اسناد را با تجزیه آن‌ها به تکه‌های اطلاعاتی منسجم و قابل نمایه‌سازی تجزیه و سازماندهی کنیم. این فصل همچنین خطوط لوله انتقال، ملاحظات مهم حفظ حریم خصوصی داده‌ها، استخراج ابرداده و روش‌های ساده برآورد هزینه را پوشش می‌دهد.

فصل ۵، نمایه‌سازی با LlamaIndex، موضوع نمایه‌سازی داده‌ها را بررسی می‌کند. این یک نمای کلی از نحوه عملکرد نمایه‌سازی، مقایسه تکنیک‌های مختلف نمایه‌سازی برای کمک به خوانندگان برای انتخاب مناسب‌ترین روش برای موارد استفاده ارائه می‌دهد.

این فصل از کتاب Building Data-Driven Applications with LlamaIndex همچنین مفهوم نمایه‌سازی لایه‌ای را توضیح می‌دهد و ذخیره و بازیابی مداوم فهرست، تخمین هزینه، جاسازی‌ها، ذخیره‌های‌برداری، جستجوی شباهت و زمینه‌های ذخیره‌سازی را پوشش می‌دهد.

فصل ۶، پرس و جو از داده‌های ما، بخش ۱ – بازیابی زمینه، مکانیزم پرس و جو داده‌ها و استراتژی‌ها و معماری‌های مختلف پرس و جو در LlamaIndex را با تمرکز عمیق بر بازیابی‌ها توضیح می‌دهد.

این برنامه مفاهیم پیشرفته‌ای مانند بازیابی ناهمزمان، فیلتر‌های ابرداده، ابزار‌ها، انتخابگر‌ها، روتر‌های رتریور و تبدیل پرس و جو را پوشش می‌دهد. این فصل همچنین پارادایم‌های اساسی مانند بازیابی متراکم و بازیابی پراکنده را به همراه نقاط قوت و ضعف آن‌ها مورد بحث قرار می‌دهد.

فصل ۷، پرس و جو از داده‌های ما، بخش ۲ – پس پردازش و سنتز پاسخ، مبحث مکانیک پرس و جو را ادامه می‌دهد و نقش سینت سایزر‌های پس پردازش گره و پاسخ را در گردش کار RAG توضیح می‌دهد. این ساختار کلی موتور پرس و جو و استفاده از آن و همچنین تجزیه خروجی را ارائه می‌دهد. بخش عملی این فصل از کتاب Building Data-Driven Applications with LlamaIndex، بر استفاده از LlamaIndex برای تولید محتوای شخصی شده در برنامه PITS متمرکز است.

فصل ۸، ساخت ربات‌های چت و نمایندگان با LlamaIndex، ملزومات چت‌بات‌ها، عوامل و ردیابی مکالمه با LlamaIndex را معرفی می‌کند و این دانش را در پروژه عملی به کار می‌گیرد. شما یاد خواهید گرفت که چگونه LlamaIndex تعامل روان را تسهیل می‌کند، زمینه را حفظ می‌کند و استراتژی‌های بازیابی/پاسخ سفارشی را مدیریت می‌کند، که جنبه‌های ضروری برای ایجاد رابط‌های مکالمه مؤثر هستند.

فصل ۹، سفارشی‌سازی و استقرار پروژه LlamaIndex ما، راهنمای جامعی برای شخصی‌سازی و راه‌اندازی پروژه‌های LlamaIndex ارائه می‌کند. این شامل تنظیم اجزای مختلف خط لوله RAG، یک آموزش مبتدی در مورد استقرار با Streamlit، روش‌های ردیابی پیشرفته برای اشکال‌زدایی، و تکنیک‌هایی برای ارزیابی و تنظیم دقیق برنامه LlamaIndex است.

فصل ۱۰، دستورالعمل‌های مهندسی سریع و بهترین روش‌ها، نقش اساسی مهندسی سریع را در افزایش اثربخشی خط لوله RAG توضیح می‌دهد و نحوه استفاده از دستورات را در چارچوب LlamaIndex نشان می‌دهد. این خوانندگان را در مورد تفاوت‌های ظریف سفارشی‌سازی و بهینه‌سازی درخواست‌ها راهنمایی می‌کند تا از تمام قدرت LlamaIndex استفاده کنند و از خروجی‌های هوش مصنوعی قابل اعتمادتر و متناسب‌تر اطمینان حاصل کنند.

فصل ۱۱، نتیجه‌گیری و منابع اضافی، به عنوان یک نتیجه‌گیری جامع عمل می‌کند، پروژه‌ها و مسیر‌های دیگر را برای یادگیری گسترده و خلاصه بینش‌های اصلی کتاب Building Data-Driven Applications with LlamaIndex برجسته می‌کند. این یک نمای کلی از ویژگی‌های اصلی چارچوب ارائه می‌کند، فهرستی از منابع اضافی را برای کاوش بیشتر ارائه می‌دهد و شامل یک فهرست برای مرجع سریع اصطلاحات است.

سرفصل‌های کتاب Building Data-Driven Applications with LlamaIndex:

• Cover
• Title Page
• Copyright and Credits
• Dedicated
• Contributors
• Table of Contents
• Preface
• Part 1: Introduction to Generative Al and Llamalndex
  • Chapter 1: Understanding Large Language Models
  • Chapter 2: Llamalndex: The Hidden Jewel – An Introduction to the Llamalndex Ecosystem
• Part 2: Starting Your First Llamalndex Project
  • Chapter 3: Kickstarting your Journey with Llamalndex
  • Chapter 4: Ingesting Data into Our RAG Workflow
  • Chapter 5: Indexing with Llamalndex
• Part 3: Retrieving and Working with Indexed Data
  • Chapter 6: Querying Our Data, Part 1- Context Retrieval
  • Chapter 7: Querying Our Data, Part 2- Postprocessing and Response Synthesis
  • Chapter 8: Building Chatbots and Agents with Llamalndex
• Part 4: Customization, Prompt Engineering, and Final Words
  • Chapter 9: Customizing and Deploying Our Llamalndex Project
  • Chapter 10: Prompt Engineering Guidelines and Best Practices
  • Chapter 11: Conclusion and Additional Resources
• Index
• Other Books You May Enjoy

جهت دانلود کتاب Building Data-Driven Applications with LlamaIndex می‌توانید پس از پرداخت، دریافت کنید.