کتاب Building LLM Powered Applications

کتاب Building LLM Powered Applications: Create intelligent apps and agents with large language models (ایجاد برنامه‌های کاربردی قدرت گرفته از LLM: ایجاد برنامه‌ها و عوامل هوشمند با مدل‌های زبان بزرگ) به مفاهیم اساسی، فناوری‌های پیشرفته و کاربردهای عملی که LLMs ارائه می‌دهند، می‌پردازد. در نهایت راه را برای ظهور مدل‌های بنیاد بزرگ (LFM) هموار می‌کند که مرزهای قابلیت‌های هوش مصنوعی را گسترش می‌دهد.

در ادامه مقدمه‌ای از کتاب Building LLM Apps را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Building LLM Powered Applications:

با این کتاب، ما به کاوش در مدل‌های زبان بزرگ (LLM) و پارادایم تحول‌آفرینی که در قلمرو هوش مصنوعی (AI) نشان می‌دهند، می‌پردازیم. این راهنمای جامع به شما کمک می‌کند تا در مفاهیم اساسی، از مبانی نظری محکم این فناوری‌های پیشرفته گرفته تا کاربرد‌های عملی که LLM ارائه می‌کنند، در نهایت با ملاحظات اخلاقی و مسئولانه در حین استفاده از راه‌حل‌های هوش مصنوعی مولد همگرا شوید.

هدف کتاب Building LLM Powered Applications این است که درک محکمی از اینکه چگونه LLM‌های نوظهور در بازار می‌توانند بر افراد، شرکت‌های بزرگ و جامعه تأثیر بگذارند، به شما ارائه دهد. این برنامه بر چگونگی ساخت برنامه‌های کاربردی قدرتمند با استفاده از LLM‌ها، بهره‌گیری از ارکستراتور‌های جدید هوش مصنوعی مانند LangChain و کشف روند‌های جدید در توسعه برنامه‌های کاربردی مدرن تمرکز دارد.

در پایان کتاب Building LLM Powered Applications، شما قادر خواهید بود اکوسیستم به سرعت در حال تکامل راه حل‌های هوش مصنوعی مولد را آسان‌تر هدایت کنید. به علاوه، شما ابزار‌هایی را خواهید داشت که هم در کار‌های روزانه و هم در کسب و کارتان از LLM بیشترین بهره را ببرید. بیا شروع کنیم!

کتاب Building LLM Powered Applications برای چه کسی است؟

این کتاب به گونه‌ای طراحی شده است که عمدتاً برای مخاطبان فنی با برخی از پایه‌های کد پایه پایتون جذاب باشد. با این حال، فصل‌های نظری و تمرین‌های عملی مبتنی بر پایه‌های هوش مصنوعی مولد و موارد استفاده مبتنی بر صنعت است که ممکن است برای مخاطبان غیر فنی نیز جالب باشد.

به طور کلی، کتاب Building LLM Powered Applications به افرادی که علاقه‌مند به دستیابی به درک جامعی از قدرت تغییردهنده LLM هستند و تعریف می‌کند، ارائه می‌دهد و آن‌ها را قادر می‌سازد تا با اطمینان و آینده نگری در چشم انداز هوش مصنوعی به سرعت در حال تحول حرکت کنند. از همه نوع خوانندگان استقبال می‌شود، اما خوانندگانی که می‌توانند بیشترین بهره را از این کتاب ببرند عبارتند از:

• توسعه‌دهندگان و مهندسان نرم‌افزار: این کتاب راهنمایی‌های عملی را برای توسعه‌دهندگانی که به دنبال ساخت برنامه‌های کاربردی با استفاده از LLM هستند ارائه می‌دهد. این ادغام LLM‌ها در پشتیبان‌های برنامه، API‌ها، معماری‌ها و غیره را پوشش می‌دهد.
• دانشمندان داده: برای دانشمندان داده که علاقه‌مند به استقرار LLM برای استفاده در دنیای واقعی هستند، این کتاب نشان می‌دهد که چگونه مدل‌ها را از تحقیق به تولید برسانند. این سرویس مدل، نظارت و بهینه‌سازی را پوشش می‌دهد.

مهندسین AI/ML: مهندسان متمرکز بر برنامه‌های کاربردی AI/ML می‌توانند از این کتاب برای درک نحوه معماری و استقرار LLM‌ها به عنوان بخشی از سیستم‌ها و عوامل هوشمند استفاده کنند.

بنیانگذاران فنی/مدیران فنی: بنیانگذاران استارتاپ و مدیران ارشد فناوری می‌توانند از این کتاب برای ارزیابی اینکه آیا و چگونه LLM‌ها می‌توانند در برنامه‌ها و محصولات خود استفاده شوند استفاده کنند. این یک نمای کلی فنی در کنار ملاحظات تجاری ارائه می‌دهد.

دانش‌آموزان: دانشجویان فارغ‌التحصیل و فارغ‌التحصیلان کارشناسی ارشد که در حال مطالعه هوش مصنوعی، ML، پردازش زبان طبیعی (NLP)، یا علوم کامپیوتر هستند، می‌توانند از این کتاب یاد بگیرند که چگونه LLM در عمل به کار گرفته می‌شود.

محققان LLM: محققانی که روی معماری‌های جدید LLM، تکنیک‌های آموزشی و غیره کار می‌کنند، بینشی در مورد استفاده از مدل در دنیای واقعی و چالش‌های مرتبط به دست خواهند آورد.

آنچه کتاب Building LLM Powered Applications پوشش می‌دهد:

فصل ۱، مقدمه‌ای بر مدل‌های زبانی بزرگ، مقدمه‌ای بر LLM‌ها، مجموعه‌ای قدرتمند از شبکه‌های عصبی یادگیری عمیق در حوزه هوش مصنوعی مولد، ارائه می‌کند. مفهوم LLM‌ها، تمایز آن‌ها از مدل‌های کلاسیک یادگیری ماشینی و اصطلاحات مربوطه را معرفی می‌کند.

همچنین معماری محبوب‌ترین LLM‌ها را مورد بحث قرار می‌دهد و به بررسی نحوه آموزش و مصرف LLM‌ها می‌پردازد و LLM‌های پایه را با LLM‌های تنظیم شده مقایسه می‌کند. در پایان این فصل، پایه‌های LLM و موقعیت آن‌ها در چشم‌انداز هوش مصنوعی را خواهید داشت و پایه‌ای را برای فصل‌های بعدی کتاب Building LLM Powered Applications ایجاد می‌کند.

فصل ۲، LLMs برای برنامه‌های کاربردی مبتنی بر هوش مصنوعی، به بررسی این موضوع می‌پردازد که چگونه LLM‌ها در حال متحول کردن دنیای توسعه نرم‌افزار هستند که منجر به عصر جدیدی از برنامه‌های کاربردی مبتنی بر هوش مصنوعی می‌شود.

در پایان این فصل از کتاب Building LLM Powered Applications، تصویر واضح‌تری از نحوه تعبیه LLM‌ها در سناریو‌های کاربردی مختلف، با کمک چارچوب‌های ارکستراتور هوش مصنوعی جدید که در حال حاضر در بازار توسعه هوش مصنوعی در دسترس هستند، خواهید داشت.

فصل ۳، انتخاب یک LLM برای برنامه شما، نشان می‌دهد که چگونه LLM‌های مختلف ممکن است معماری، اندازه، داده‌های آموزشی، قابلیت‌ها و محدودیت‌های متفاوتی داشته باشند. انتخاب LLM مناسب برای برنامه شما یک تصمیم بی‌اهمیت نیست زیرا می‌تواند به طور قابل توجهی بر عملکرد، کیفیت و هزینه راه حل شما تأثیر بگذارد.

در این فصل از کتاب Building LLM Powered Applications، فرآیند انتخاب LLM مناسب برای برنامه شما را بررسی خواهیم کرد. ما‌امیدوارکننده‌ترین LLM‌های موجود در بازار، معیار‌ها و ابزار‌های اصلی برای استفاده در هنگام مقایسه LLM‌ها، و مبادلات مختلف بین اندازه و عملکرد را مورد بحث قرار خواهیم داد. در پایان این فصل، شما باید درک روشنی از نحوه انتخاب LLM مناسب برای برنامه خود و نحوه استفاده مؤثر و مسئولانه از آن داشته باشید.

فصل ۴، مهندسی سریع، توضیح می‌دهد که چگونه مهندسی سریع یک فعالیت حیاتی در حین طراحی برنامه‌های کاربردی مبتنی بر LLM است، زیرا اعلان‌ها تأثیر زیادی بر عملکرد LLM دارند.

در واقع، تکنیک‌های متعددی وجود دارد که می‌توان نه تنها برای اصلاح پاسخ‌های LLM، بلکه خطرات مرتبط با توهم و سوگیری‌ها را نیز به کار برد. در این فصل، تکنیک‌های نوظهور در زمینه مهندسی سریع، از رویکرد‌های پایه تا چارچوب‌های پیشرفته را پوشش خواهیم داد. در پایان این فصل، شما پایه‌هایی برای ایجاد اعلان‌های کاربردی و محکم برای برنامه‌های کاربردی مبتنی بر LLM خواهید داشت، که در فصل‌های آینده کتاب Building LLM Powered Applications نیز مرتبط خواهند بود.

فصل ۵، تعبیه LLM در برنامه‌های شما، مجموعه جدیدی از مؤلفه‌ها را مورد بحث قرار می‌دهد که با ظهور برنامه‌های کاربردی با LLM در چشم انداز توسعه نرم‌افزار معرفی شدند. برای سهولت هماهنگ کردن LLM‌ها و اجزای مرتبط با آن‌ها در یک جریان برنامه، چندین چارچوب هوش مصنوعی پدید آمده است که LangChain یکی از پرکاربردترین آنهاست.

در این فصل، ما به بررسی LangChain و نحوه استفاده از آن خواهیم پرداخت و نحوه فراخوانی API‌های منبع باز LLM را از طریق Hugging Face Hub به کد و مدیریت مهندسی سریع یاد خواهیم گرفت. در پایان این فصل از کتاب Building LLM Powered Applications، شما پایه‌های فنی برای شروع توسعه برنامه‌های کاربردی مبتنی بر LLM خود را با استفاده از مدل‌های LangChain و منبع باز Hugging Face خواهید داشت.

فصل ۶، ساختن برنامه‌های مکالمه‌ای، به ما اجازه می‌دهد تا با اولین اجرای واقعی برنامه‌های کاربردی مبتنی بر LLM، بخش عملی این کتاب را آغاز کنیم. در طول این فصل، پیاده‌سازی گام به گام یک برنامه مکالمه را با استفاده از LangChain و اجزای آن پوشش خواهیم داد. ما طرح یک چت بات ساده را پیکربندی می‌کنیم و یک مؤلفه حافظه، دانش ناپارامتریک و ابزار‌هایی را اضافه می‌کنیم تا چت بات را \”عامل\” کنیم. در پایان این فصل از کتاب Building LLM Powered Applications، شما قادر خواهید بود پروژه برنامه مکالمه خود را تنها با چند خط کد راه‌اندازی کنید.

فصل ۷، موتور‌های جستجو و توصیه با LLM، به بررسی این موضوع می‌پردازد که چگونه LLM‌ها می‌توانند سیستم‌های توصیه را با استفاده از مدل‌های تعبیه‌شده و مولد تقویت کنند. ما در مورد تعریف و تکامل سیستم‌های توصیه بحث خواهیم کرد، یاد خواهیم گرفت که چگونه هوش مصنوعی مولد بر این زمینه تحقیقاتی تأثیر می‌گذارد، و نحوه ساخت سیستم‌های توصیه با LangChain را درک خواهیم کرد.

در پایان این فصل از کتاب Building LLM Powered Applications، شما قادر خواهید بود اپلیکیشن توصیه خود را ایجاد کنید و از پیشرفته‌ترین LLM‌ها با استفاده از LangChain به عنوان چارچوب استفاده کنید.

فصل ۸، استفاده از LLM با داده‌های ساختاریافته، قابلیت بزرگ LLM‌ها را پوشش می‌دهد: توانایی مدیریت داده‌های ساختار یافته و جدولی. خواهیم دید که چگونه با پلاگین‌ها و رویکرد عاملی، می‌توانیم از LLM به عنوان یک رابط زبان طبیعی بین خود و داده‌های ساختاریافته خود استفاده کنیم و شکاف بین کاربر تجاری و اطلاعات ساخت یافته را کاهش دهیم. برای نشان دادن این موضوع، ما یک کوپایلوت پایگاه داده با LangChain خواهیم ساخت.

در پایان این فصل از کتاب Building LLM Powered Applications، می‌توانید رابط زبان طبیعی خود را برای داده‌های خود بسازید، و آن را با منابع ساختاریافته ترکیب کنید.

فصل ۹، کار با کد، یکی دیگر از قابلیت‌های عالی LLM را پوشش می‌دهد: کار با زبان‌های برنامه‌نویسی. در فصل قبل، زمانی که از LLM خود خواستیم که پرس‌وجو‌های SQL را در مقابل پایگاه داده SQL ایجاد کند، نگاهی اجمالی به این قابلیت دیدیم.

در این فصل از کتاب Building LLM Powered Applications، ما می‌خواهیم بررسی کنیم که در چه راه‌هایی می‌توان از LLM‌ها با کد استفاده کرد، از درک و تولید کد «ساده» گرفته تا ساخت برنامه‌هایی که گویی یک الگوریتم رفتار می‌کنند.

در پایان این فصل از کتاب Building LLM Powered Applications، شما قادر خواهید بود برنامه‌های کاربردی مبتنی بر LLM را برای پروژه‌های کدنویسی خود بسازید و همچنین برنامه‌های مبتنی بر LLM را با رابط‌های زبان طبیعی برای کار با کد بسازید.

فصل ۱۰، ساخت برنامه‌های چندوجهی با LLM، فراتر از LLM است و مفهوم چند وجهی را در حین ساخت عوامل معرفی می‌کند. ما منطق پشت ترکیب مدل‌های پایه در حوزه‌های هوش مصنوعی مختلف – زبان، تصاویر، صدا – را در یک عامل واحد خواهیم دید که می‌تواند با وظایف مختلف سازگار شود. شما یاد خواهید گرفت که چگونه با استفاده از LangChain یک عامل چند وجهی با LLM‌های تک مدال بسازید.

در پایان این فصل از کتاب Building LLM Powered Applications، شما قادر خواهید بود عامل چندوجهی خود را بسازید و ابزار‌ها و LLM‌های مورد نیاز برای انجام وظایف مختلف هوش مصنوعی را در اختیار آن قرار دهید.

فصل ۱۱، تنظیم دقیق مدل‌های زبان بزرگ، جزئیات فنی تنظیم دقیق LLM‌ها، از تئوری پشت آن تا اجرای عملی با پایتون و صورت در آغوش را پوشش می‌دهد. ما به این خواهیم پرداخت که چگونه می‌توانید داده‌های خود را برای تنظیم دقیق مدل پایه بر روی داده‌های خود آماده کنید، و همچنین درباره استراتژی‌های میزبانی برای مدل تنظیم‌شده خود بحث خواهیم کرد. در پایان این فصل، می‌توانید یک LLM را بر روی داده‌های خود تنظیم کنید تا بتوانید برنامه‌های کاربردی دامنه خاص را با آن LLM بسازید.

فصل ۱۲، هوش مصنوعی مسئول، مبانی نظم و انضباط پشت کاهش مضرات بالقوه LLM‌ها – و مدل‌های هوش مصنوعی به طور کلی – را معرفی می‌کند، یعنی هوش مصنوعی مسئول. این مهم است زیرا LLM‌ها در‌ها را به روی مجموعه جدیدی از خطرات و سوگیری‌ها باز می‌کنند که باید هنگام توسعه برنامه‌های کاربردی مبتنی بر LLM در نظر گرفته شوند.

سپس به خطرات مرتبط با LLM‌ها و نحوه پیشگیری یا حداقل کاهش آن‌ها با استفاده از تکنیک‌های مناسب خواهیم پرداخت. در پایان این فصل، شما درک عمیق‌تری از نحوه جلوگیری از مضرات بالقوه LLM خواهید داشت.

فصل ۱۳، روند‌ها و نوآوری‌های نوظهور، آخرین پیشرفت‌ها و روند‌های آینده در زمینه هوش مصنوعی مولد را بررسی می‌کند.

سرفصل‌های کتاب Building LLM Powered Applications:

• Preface
• Introduction to Large Language Models
• LLMs for Al-Powered Applications
• Choosing an LLM for Your Application
• Prompt Engineering
• Embedding LLMs within Your Applications
• Building Conversational Applications
• Search and Recommendation Engines with LLMs
• Using LLMs with Structured Data
• Working with Code
• Building Multimodal Applications with LLMs
• Fine-Tuning Large Language Models
• Responsible AI
• Emerging Trends and Innovations
• Other Books You May Enjoy
• Index

جهت دانلود کتاب Building LLM Powered Applications می‌توانید پس از پرداخت، دریافت کنید.