کتاب Building Neo4j-Powered Applications with LLMs

ما در حال زندگی در یک انقلاب هوش مصنوعی مولد (GenAI) هستیم؛ جایی که هوش مصنوعی دیگر تنها یک جزء بک‌اند نیست، بلکه به یک کمک‌خلبان، خالق محتوا و تصمیم‌گیرنده تبدیل شده است. با این حال، بسیاری از برنامه‌های GenAI همچنان با مشکلاتی مانند توهم‌زایی (hallucinations)، فقدان درک متنی و استدلال مبهم دست و پنجه نرم می‌کنند. اینجاست که این کتاب وارد میدان می‌شود.

کتاب Building Neo4j-Powered Applications with LLMs بر اساس یک باور اصلی شکل گرفته است: گراف‌های دانش (knowledge graphs) حلقه‌ی گمشده بین قدرت GenAI و هوش دنیای واقعی هستند. با ترکیب نقاط قوت مدل‌های زبان بزرگ (LLMها) با داده‌های ساختاریافته و مرتبط در Neo4j، و ارتقای آن‌ها با گردش کارهای تولید افزوده با بازیابی (RAG)، می‌توانیم سیستم‌هایی بسازیم که نه تنها هوشمند، بلکه دارای پایه و اساس، متنی و شفاف باشند.

ما کتاب Building Neo4j-Powered Applications with LLMs را نوشتیم زیرا سال‌ها را صرف ساخت و نمایش کاربردهای هوشمندی کرده‌ایم که فراتر از موارد استفاده اولیه چت‌بات‌ها هستند. از توسعه موتورهای توصیه‌گر مجهز به هوش مصنوعی گرفته تا یکپارچه‌سازی فریم‌ورک‌هایی مانند Haystack، LangChain4j و Spring AI با Neo4j، نیاز روزافزونی به یک راهنمای عملی و کاربردی را مشاهده کردیم که مفاهیم GenAI را با معماری‌های گراف دانش آماده برای تولید (Production-ready) مرتبط کند.

هدف کتاب Building Neo4j-Powered Applications with LLMs، تجهیز توسعه‌دهندگان، معماران و علاقه‌مندان به هوش مصنوعی با ابزارها، مفاهیم و مثال‌های دنیای واقعی مورد نیاز برای طراحی سیستم‌های جستجو و توصیه‌ای است که قابل توضیح (explainable)، دقیق و مقیاس‌پذیر باشند. شما فقط در مورد LLMها یا گراف‌ها به صورت مجزا یاد نخواهید گرفت، بلکه برنامه‌های کاربردی سرتاسری (end-to-end) خواهید ساخت که این فناوری‌ها را در پلتفرم‌های ابری، جستجوی برداری، استدلال گرافی و موارد دیگر گرد هم می‌آورند.

با پیشروی در فصل‌های کتاب Building Neo4j-Powered Applications with LLMs، از درک مفاهیم بنیادی به پیاده‌سازی تکنیک‌های پیشرفته‌ای مانند بازیابی مبتنی بر جاسازی (embedding-powered retrieval)، استدلال گرافی، و استقرار بومی ابری GenAI با استفاده از Google Cloud، AuraDB و ابزارهای متن‌باز خواهید رسید.

چه مهندس داده، توسعه‌دهنده هوش مصنوعی باشید و چه صرفاً فردی کنجکاو درباره آینده سیستم‌های هوشمند، کتاب Building Neo4j-Powered Applications with LLMs به شما کمک می‌کند تا برنامه‌هایی بسازید که نه تنها هوشمندترند، بلکه پاسخ‌های بهتری نیز تولید می‌کنند.

مخاطبان کتاب Building Neo4j-Powered Applications with LLMs

این کتاب برای توسعه‌دهندگان پایگاه داده و دانشمندان داده‌ای است که می‌خواهند با استفاده از گراف‌های دانش، Neo4j و قابلیت‌های جستجوی برداری آن، سیستم‌های هوشمند جستجو و توصیه بسازند. برای شروع، داشتن دانش کاری از پایتون و جاوا ضروری است. آشنایی با Neo4j، زبان پرس و جوی Cypher و مفاهیم بنیادی پایگاه داده‌ها نیز مفید خواهد بود.

پوشش مطالب کتاب Building Neo4j-Powered Applications with LLMs

• فصل ۱: آشنایی با LLMها، RAGها و گراف‌های دانش Neo4jمفاهیم اصلی LLMها، RAG و چگونگی ارتقاء عملکرد LLMها توسط گراف‌های دانش Neo4j از طریق افزودن ساختار و محتوا را معرفی می‌کند.
• فصل ۲: زدودن ابهام از RAGمعماری RAG را تشریح می‌کند و توضیح می‌دهد که چگونه LLMها را با دانش خارجی تقویت می‌کند. اجزای کلیدی مانند بازیابی‌کننده‌ها (retrievers)، شاخص‌ها (indexes) و تولیدکننده‌ها (generators) را با مثال‌های واقعی پوشش می‌دهد.
• فصل ۳: ساخت درک بنیادی از گراف دانش برای برنامه‌های کاربردی هوشمنداصول گراف‌های دانش و نحوه مدل‌سازی روابط دنیای واقعی توسط آن‌ها را توضیح می‌دهد. مدل گراف ویژگی Neo4j و نقش آن در قدرت بخشیدن به برنامه‌های هوشمند و آگاه به محتوا را برجسته می‌کند.
• فصل ۴: ساخت گراف Neo4j با مجموعه داده فیلم‌هانحوه ساخت یک گراف دانش Neo4j با استفاده از مجموعه داده واقعی فیلم‌ها را گام به گام آموزش می‌دهد. مدل‌سازی داده‌ها، پرس‌وجوهای Cypher، و وارد کردن داده‌های ساختاریافته برای جستجو و استدلال مبتنی بر گراف را پوشش می‌دهد.
• فصل ۵: پیاده‌سازی قابلیت‌های جستجوی قدرتمند با Neo4j و Haystackنحوه یکپارچه‌سازی Neo4j با Haystack برای فعال کردن جستجوی معنایی و مبتنی بر کلمات کلیدی را نشان می‌دهد. تولید جاسازی‌ها (embeddings)، شاخص‌گذاری و بازیابی نتایج مرتبط با استفاده از جستجوی برداری را پوشش می‌دهد.
• فصل ۶: کاوش در قابلیت‌های پیشرفته گراف دانشبه استدلال چند گامی (multi-hop reasoning)، جستجوی آگاه به محتوا، و بهره‌برداری از ساختار گراف برای بینش‌های عمیق‌تر می‌پردازد. نشان می‌دهد که چگونه Neo4j بازیابی هوشمند را فراتر از جستجوی ساده کلمات کلیدی یا برداری ارتقا می‌دهد.
• فصل ۷: معرفی فریم‌ورک‌های Neo4j Spring AI و LangChain4j برای ساخت سیستم‌های توصیه‌گرفریم‌ورک‌های Spring AI و LangChain4j را برای ساخت برنامه‌های LLM با Neo4j معرفی می‌کند.
• فصل ۸: ساخت یک گراف توصیه‌گر با مجموعه داده شخصی‌سازی H&Mبا استفاده از رویکردهای مدل‌سازی داده که در فصول قبلی بحث شد، مجموعه داده شخصی‌سازی H&M را در یک گراف بارگذاری می‌کند تا یک سیستم توصیه‌گر بهتر بسازد.
• فصل ۹: یکپارچه‌سازی LangChain4j و Spring AI با Neo4jراهنمای گام به گام برای ساخت برنامه‌های Spring AI و LangChain4j جهت تقویت گراف با بهره‌گیری از APIهای چت LLM و رویکرد GraphRAG را ارائه می‌دهد. همچنین تولید جاسازی‌ها و افزودن آن‌ها به یک گراف برای اهداف یادگیری ماشین را پوشش می‌دهد.
• فصل ۱۰: ایجاد یک سیستم توصیه‌گر هوشمندتوضیح می‌دهد که چگونه می‌توانیم از الگوریتم‌های علوم داده گرافی (Graph Data Science) برای ارتقاء بیشتر گراف دانش و ارائه توصیه‌های بهتر استفاده کنیم. همچنین جستجوی برداری و چرایی عدم کفایت آن برای ارائه توصیه‌های خوب، و اینکه چگونه بهره‌گیری از شباهت KNN و تشخیص اجتماع (community detection) نتایج بهتری به ما می‌دهد، مورد بحث قرار می‌گیرد.
• فصل ۱۱: انتخاب پلتفرم ابری مناسب برای برنامه GenAIپلتفرم‌های ابری اصلی برای استقرار برنامه‌های GenAI را مقایسه می‌کند، با تمرکز بر مقیاس‌پذیری، هزینه و قابلیت‌های AI/ML. شما را در انتخاب بهترین محیط برای مورد استفاده‌تان راهنمایی می‌کند.
• فصل ۱۲: استقرار برنامه در Google Cloudراهنمای گام به گام برای استقرار برنامه GenAI شما در Google Cloud را ارائه می‌دهد. سرویس‌هایی مانند Vertex AI، Cloud Functions و Firebase را برای استقرار مقیاس‌پذیر و کارآمد پوشش می‌دهد.

• فصل ۱۳: پس‌گفتار (Epilogue)

  مروری بر سفر ساخت برنامه‌های هوشمند با GenAI و Neo4j. خلاصه‌ای از نکات کلیدی و برجسته کردن فرصت‌های آینده در اکوسیستم در حال تکامل هوش مصنوعی.