کتاب Data Engineering for Multimodal AI
category
بر اساس سطح علمی
متوسط
category
نوع محتوای کتاب
مطالعه موردی
category
هدف یادگیری
حل مسئله عملی
category
نوع مسیر
پروژه محور
category
بر اساس تکنولوژی
علوم و پایگاه داده
category
مورد استفاده
هوش مصنوعی / یادگیری ماشین
info نکات مهم قبل از خرید:
- نسخه کتاب فعلی به زبان لاتین میباشد.
- کتاب به صورت محصول میباشد و پس از خرید بلافاصله در دسترس شما قرار میگیرد.
- قبل از خرید، قسمت توضیحات تکمیلی مربوط به هر کتاب را مطالعه کنید.
- در صورت هرگونه سؤال با ایمیل و یا شماره پشتیبانی سایت در تماس باشید.
- درگاه پرداخت رمزارز نیز برای هموطنان خارج از کشور فعال است.
درباره این کتاب
کتاب Data Engineering for Multimodal AI: Architecting Scalable Systems for Next-Generation AI Applications (مهندسی داده برای هوش مصنوعی چندوجهی: معماری سیستمهای مقیاسپذیر برای کاربردهای هوش مصنوعی نسل بعد) از انتشارات O’Reilly، یکی از نخستین راهنماهای عملی است که به مهندسان داده، مهندسان یادگیری ماشین و متخصصان MLOps کمک میکند تا زیرساختهای داده مقیاسپذیر و قدرتمندی برای سیستمهای هوش مصنوعی چندوجهی (چندوجهی به معنای پردازش همزمان متن، تصویر، صوت و ویدئو)…
۱۴۰,۰۰۰ تومان
Bundle
مجموعه کتاب
پیشنهاد شگفتانگیز (Bundle)
مجموعه کتاب آموزش مهندسی داده (Data Engineering)
مهندسی داده دیگر یک مهارت جانبی نیست — یک رشتهی تخصصی با مسیر یادگیری مشخص است. بازار کار امروز بین «کسی که با داده کار میکند» و «مهندس دادهای که pipeline طراحی میکند» فرق واضحی میگذارد. اولی داده را تحلیل میکند؛ دومی زیرساختی میسازد که داده بتواند جریان داشته باشد، پاکسازی شود، ذخیره شود و در مقیاس بزرگ پردازش شود. این باندل برای رسیدن به دومی طراحی شده. این باندل برای کیست؟ اگر یکی از این جملات شما را توصیف میکند، این باندل برای شماست: دانشجوی کارشناسی یا ارشد علوم کامپیوتر که میخواهد مسیر Data Engineering را جدی بگیرد توسعهدهندهای که میخواهد از backend به دنیای دادههای بزرگ وارد شود دادهکاوی که یاد گرفته مدل بسازد اما pipeline ندارد متخصصی که برای آزمونهای Databricks، Google Cloud Professional Data Engineer یا AWS Data Engineer آماده میشود این باندل برای کی نیست؟ اگر هنوز با Python و SQL راحت نیستید، پیشنهاد میکنیم ابتدا مبانی را تقویت کنید — این کتابها پیشفرض میگیرند که با زبان برنامهنویسی آشنایی دارید. کتابهای این باندل و ترتیب پیشنهادی مطالعه: مرحله ۱ — پایه: معماری سیستمهای داده بزرگ کتاب Hadoop: The Definitive Guide پایهایترین مرجع اکوسیستم Big Data است. MapReduce، YARN، HDFS و Spark در این کتاب از صفر توضیح داده میشوند. حتی اگر هرگز مستقیم با Hadoop کار نکنید، درک معماری آن برای فهمیدن بقیهی ابزارها ضروری است. مرحله ۲ — Pipeline: ساختن جریان داده کتاب Kafka: The Definitive Guide استاندارد صنعتی برای یادگیری Apache Kafka است — سیستم پیامرسانی توزیعشدهای که در قلب اکثر pipeline های real-time قرار دارد. نسخه دوم این کتاب شامل Exactly-Once Semantics و Stream Processing است که در کارهای عملی حیاتیاند. مرحله ۳ — پردازش: Spark و PySpark کتابهای Data Engineering with Apache Spark, Delta Lake and Lakehouse و Essential PySpark for Scalable Data Analytics با هم کاملترین پوشش Apache Spark را میدهند. اولی روی معماری Lakehouse و Azure تمرکز دارد؛ دومی رویکرد Python-محور دارد و برای کسانی که با pandas آشنایند طبیعیتر است. مرحله ۴ — ذخیرهسازی: Data Lake طراحی کن کتاب The Enterprise Big Data Lake و Architecting Modern Data Platforms هر دو به معماری سطح سازمانی میپردازند. تفاوت: اولی بیشتر روی governance و strategy است؛ دومی روی stack فنی (Hive، Impala، Spark، Kafka) عمیقتر است. مرحله ۵ — استقرار: داده روی Kubernetes کتاب Big Data on Kubernetes جدیدترین کتاب این باندل (۲۰۲۴) است و نشان میدهد چطور Spark، Airflow و Kafka را روی یک خوشهی Kubernetes راهاندازی کنید — مهارتی که در شرکتهای ابری سطح بالا الزامی شده. چرا این کتابها را به زبان اصلی بخوانید؟ اصطلاحاتی مثل data lineage، schema evolution، partitioning strategy، watermarking و late-arriving data در هیچ ترجمهی فارسی معادل دقیقی ندارند. وقتی در یک تیم بینالمللی کار میکنید یا مستندات Apache را میخوانید، همین واژهها هستند که باید بلد باشید — نه ترجمهشان.
۲۰۷,۹۰۰ تومان
مشاهده باندل
کتابهای پیشنهادی این تخصص:
کتابهای پیشنهادی این دستهبندی:
نظرات کاربران
تجربیات خود را از خواندن این کتاب با دیگران به اشتراک بگذارید.
—
امتیاز کل
star
star
star
star
star
از 0 نظر
ثبت نظر جدید
دیدگاهتان را بنویسید
هنوز دیدگاهی ثبت نشده است.
کتاب Data Engineering for Multimodal AI: Architecting Scalable Systems for Next-Generation AI Applications (مهندسی داده برای هوش مصنوعی چندوجهی: معماری سیستمهای مقیاسپذیر برای کاربردهای هوش مصنوعی نسل بعد) از انتشارات O’Reilly، یکی از نخستین راهنماهای عملی است که به مهندسان داده، مهندسان یادگیری ماشین و متخصصان MLOps کمک میکند تا زیرساختهای داده مقیاسپذیر و قدرتمندی برای سیستمهای هوش مصنوعی چندوجهی (چندوجهی به معنای پردازش همزمان متن، تصویر، صوت و ویدئو) بسازند.
در ادامه مقدمهای از کتاب Data Engineering for Multimodal AI را از زبان نویسنده شرح خواهیم داد.
مقدمهای بر کتاب Data Engineering for Multimodal AI:
من چندان به هوش مصنوعی چندوجهی (Multimodal) به چشم یک ویژگی تخصصی در یک محصول نگاه نمیکنم، بلکه آن را یک دستهبندی (Category) مجزا میدانم. این نحوه نگاه کردن اهمیت زیادی دارد، بنابراین اجازه دهید کمی روی آن وقت بگذارم.
تمامی تحولات بزرگ پلتفرمی در ۳۰ سال گذشته مسیر مشابهی را طی کردهاند. قابلیتی که زمانی یک ویژگی تخصصی محسوب میشد، به یک پیشفرض تبدیل شد و شرکتهایی که با آن به عنوان یک ویژگی برخورد کردند، از شرکتهایی که آن را به عنوان یک دسته دیدند عقب ماندند. وب در دهه ۱۹۹۰. موبایل در اواخر دهه ۲۰۰۰. ساختار بستر ابری (Cloud-native) در دهه ۲۰۱۰. در هر مورد، پیشگامانی که سیستمهای خود را حول دسته جدید بازسازی کردند، ارزش نامتناسبی را تصاحب کردند، و آنهایی که این قابلیت را روی سیستمهای موجود سوار کردند، در نهایت مجبور شدند بعداً با هزینه بیشتری سیستم خود را بازنویسی کنند.
هوش مصنوعی چندوجهی همان تحولی است که هماکنون در حال رخ دادن است. سمتِ مدلِ این زیرساخت (Stack) قبلاً از این خط عبور کرده است. مدلهای پایه از شرکتهای انتروپیک (Anthropic)، OpenAI و گوگل اکنون میتوانند به صورت بومی روی متن، تصاویر، صوت و در برخی موارد ویدیو طی یک پردازش واحد (Forward pass) استدلال کنند. مدلهای چندوجهی متنباز (Open-weight) نیز به سرعت در حال کم کردن این فاصله هستند. شما دیگر برای استدلال روی یک فاکتور اسکنشده، یک رونوشت از تماس پشتیبانی و یک ضبط صفحه (Screen recording)، به ناوگانی از رمزگذارهای مخصوص هر وجه و یک لایه ترکیب شکننده نیاز ندارید. در عوض، به یک لایه زمینه (Context layer) نیاز دارید که همه آنها را برای مدلی آماده کند که از قبل میتواند آنها را با هم مدیریت کند.
سمتِ تقاضا نیز از این خط عبور کرده است. شبکههای مراقبتهای بهداشتی در حال ادغام تصویربرداری، یادداشتها، علائم حیاتی و ادعاها برای پشتیبانی از تریاژ سریعتر و صورتحسابنویسی قابل دفاعتر هستند. بانکها و شرکتهای فناوری مالی (Fintech) در حال ترکیب آپلود فایلهای متنی، بررسیهای بیومتریک، تأیید هویت صوتی و افشاهای ساختاریافته برای فرآیند ورود مشتری (Onboarding) هستند. مراکز تماس در حال ترکیب صدا، تصاویر صفحه، تیکتها و سلامت حساب کاربری در دستیابی به دستیارهای هوشمند لحظهای برای اپراتورها هستند.
شرکتهای مخابراتی در حال همبستگی دادن تلهمتری شبکه با تصاویر میدانی و یادداشتهای تکنسینها هستند. پلتفرمهای رسانهای در حال یکپارچهسازی ویدیو، رونوشتها و سیگنالهای تعامل برای سیستمهای توصیهگر هستند. اپراتورهای صنعتی در حال جفت کردن فیدهای دوربین با دادههای حسگر برای بازرسی و تشخیص ناهنجاری هستند. اینها برنامههای زندهای هستند که در حال اجرایند، نه پروژههای آزمایشی آینده، و مهندسی داده زیربنای هر یک از آنها جایی است که بیشترین ریسک در آن نهفته است.
تحقیقات نیز مؤید همین موضوع است. گارتنر (Gartner) پیشبینی میکند که هوش مصنوعی مولد چندوجهی از حدود ۱ درصد استقرارها در سال ۲۰۲۳ به حدود ۴۰ درصد تا سال ۲۰۲۷ رشد خواهد کرد. شرکت IDC سالهاست اعلام کرده که حدود ۸۰ درصد از دادههای سازمانی بدون ساختار هستند، و تخمینهای جدیدتر آن با توجه به رشد حجم دادههای ویدیویی، صوتی و حسگرها، این رقم را به حدود ۹۰ درصد نزدیکتر میداند. مککینزی (McKinsey) گزارش داده است که پذیرش هوش مصنوعی مولد در سازمانها از سال ۲۰۲۳ تا ۲۰۲۴ تقریباً دو برابر شده و همچنان در حال رشد است. این یک تغییر دستهبندیشونده در آنچه شرکتها در حال ساخت آن هستند محسوب میشود و از پیش در جریان است.
علاوه بر این، شاخصهای هوش مصنوعی MIT Sloan و استنفورد هر دو از شکاف در حال عمیقتر شدنی خبر میدهند که میان شرکتهایی که بازگشت سرمایه (ROI) ملموسی از هوش مصنوعی میبینند و آنهایی که نمیبینند وجود دارد، و ویژگی تعیینکننده رهبران این عرصه، سرمایهگذاری آنها روی داده و لایه زمینه است، نه خود مدل. برندگان کسانی هستند که دادههای بدون ساختار و چندوجهی خود را به عنوان یک مسئله مهندسی درجه یک در نظر میگیرند.
با جمع زدن همه این موارد، تصویر کاملاً روشن است: چندوجهی همان جایی است که شرکتها همیشه در آن بودهاند و هوش مصنوعی اکنون در حال رسیدن به آن است. مدلها آمادهاند، دادهها از پیش در درون هر سازمان بزرگی وجود دارند، و کاری که با کمبود مواجه است، ساختن و اجرای لایه زمینهای است که این دو را به یکدیگر متصل میکند. موضوع کتاب Data Engineering for Multimodal AI دقیقاً همین کار است.
چرا کتاب Data Engineering for Multimodal AI را نوشتم
من بیشتر دوران حرفهای خود را در نزدیکی دادههای سازمانی سپری کردهام و تحولات دیجیتال پیچیدهای را برای شرکتهای دادهمحور در لیستهای Fortune 50 و Fortune 500 رهبری کردهام. در طول این سالها، چیزی که متوجه شدم این است که شکل دادهها در هر صنعت تغییر میکند، اما یک چیز ثابت میماند.
مهمترین دادهها در ردیفها و ستونهای مرتب قرار ندارند و حتی در آن یک فایل اکسل که هر روند کاری را میتوان به آن ردیابی کرد نیز یافت نمیشوند. این آرایش به عنوان یک میم (شعار شبکههای اجتماعی) خوب به نظر میرسد، اما واقعیت این است که تمام هوش تجاری مهم معمولاً در فایلهای ضبطشده تماسها، اسناد مهندسی، تصاویر میدانی، جریانهای حسگر، ویدیوهای محصولات، یادداشتهای تراکنش، فرمهای ادعا، تیکتهای پشتیبانی و کاغذبازیهای اسکنشدهای نهفته است که شخصی در سال ۲۰۱۷ آپلود کرده و دیگر هرگز به آنها نگاه نکرده است.
جادو همیشه در یادداشتهای دستنویسی که به صورت آزاد در فیلدهای سیستم مدیریت ارتباط با مشتری (CRM) ثبت شدهاند، گفتگوهای فنی عمیق با ذینفعان در جلسات صبح دوشنبه، و درسهای آموختهشده توسط بهترین نمایندگان فروش و خدمات مشتری پنهان است که تنها از طریق مکالمات و زمینه رمزگشایی میشوند.
جادو همیشه بدون ساختار و آشفته است و کاملاً چندوجهی است. هر اقدام سازمانی ردپایی چندوجهی دارد. و در کار من، تمام راهها مرا به سمت یک مهندس داده با تجربه هدایت میکرد که فرمول جادویی برای درست کردن کارها را در اختیار داشت.
این چیزی است که مدام میدیدم. تیمها با عجله یک برنامه هوش مصنوعی را روی دادهها پیادهسازی میکردند بدون اینکه درک روشنی از لایه داده زیرین آن داشته باشند. یک سیستم تولید افزوده با بازیابی (RAG) قطعه اشتباهی را بازیابی میکرد زیرا پایپلاین ورود داده (Ingestion pipeline)، ساختار سند را حذف کرده بود. یک ایجنت (Agent) به دلیل عدم انجام تطبیق موجودیتها (Entity resolution) در سیستمها، در وجههای مختلف حرف خودش را نقض میکرد.
یک مدل تریاژ بالینی در ارزیابی دقیق به نظر میرسید اما در محیط عملیاتی (Production) شکست میخورد زیرا جریان علائم حیاتی و فید تصویربرداری روی ساعتهای متفاوتی همگامسازی شده بودند. هیچکدام از اینها مشکل مدل هوش مصنوعی نبودند. همگی مشکلات زیرساخت داده بودند که لباس مدل هوش مصنوعی را به تن کرده بودند. برنامههای کاربردی هوش مصنوعی انعطافپذیر روی یک لایه داده انعطافپذیر ساخته میشوند. پیشفرض کتاب Data Engineering for Multimodal AI همین است.
بدون درک بنیادی و قوی از نحوه ورود، نمایش، همگامسازی، مدیریت و ارائه دادههای چندوجهی، هر برنامه هوش مصنوعی که منتشر میکنید تنها به اندازه یک رانش طرحواره (Schema drift) یا یک تغییر بالادستی با شکستی بسیار دشوار در عیبیابی فاصله دارد. با یک معماری دادهی مستحکم، همان برنامه به چیزی تبدیل میشود که ممکن است لازم باشد سالها آن را تکامل دهید.
میخواهم در این فرصت دیدگاه دیگری را مطرح کنم. ما به این کار مهندسی داده میگوییم زیرا این واژگان امروزِ صنعت است. در عمل، آنچه کتاب Data Engineering for Multimodal AI آموزش میدهد به مهندسی زمینه (Context engineering) برای هوش مصنوعی چندوجهی نزدیکتر است. به عنوان یک مهندس داده مدرن، شما بیش از هر کس دیگری به زمینهای که یک مدل یا یک ایجنت روی آن استدلال میکند نزدیک هستید. لایه معنایی. گراف موجودیت. رویداد همگامسازیشده. امبینگ (Embedding) مدیریتشده. مسیر بازیابی که شواهد درست را در زمان مناسب ظاهر میکند. مدلها و ایجنتها مصرفکنندگان آن زمینه هستند، بنابراین هر کاری که آنها در محیط عملیاتی انجام میدهند به نحوه شکلدهی شما به آن زمینه محدود میشود.
عادتهایی که مهندسی داده خوب را تعریف میکنند (مانند قراردادها، خطمشیها، نظم طرحواره، همتواندی (Idempotency)، قابلیت مشاهده، و احترام عمیق به آنچه هنگام اشتراکگذاری یک شناسه توسط دو سیستم رخ میدهد) همان عادتهایی هستند که سیستمهای هوش مصنوعی چندوجهی را در کنار هم نگه میدارند. این یک توسعه طبیعی از حرفهای است که بسیاری از ما از قبل آن را تمرین میکنیم. با این حال، مهندسی زمینه فقط یک شغل در حوزه مهندسی داده نیست. مهندسین یادگیری ماشین، مهندسین پلتفرم، دانشمندان کاربردی و مهندسین نرمافزاری که بر اساس تفکر سیستمی کار میکنند، همگی میتوانند این کار را انجام دهند و بهترین تیمهایی که دیدهام، همه آنها را در یک اتاق دور هم جمع میکنند. اگر کتاب Data Engineering for Multimodal AI را میخوانید و از یکی از این پسزمینهها آمدهاید، اینجا خوش آمدید و الگوهای موجود در این فصلها متعلق به شماست تا از آنها استفاده کنید.
من کتاب Data Engineering for Multimodal AI را نوشتم تا بخش سخت کار از قبل انجام شده باشد. من با غواصی عمیق در حوزههای مراقبتهای بهداشتی، تجارت، رباتیک، کشاورزی و عملیات سازمانی، تجربه خود را گسترش دادم و در حین نوشتن، سیستمهایی را که کار میکردند و آنهایی را که به سادگی کار نمیکردند مورد مطالعه قرار دادم. سپس آنچه را که آموخته بودم در قالب الگوها، نمودارها و راهنماهای قابل اجرا فشرده کردم. اکنون نسخه ویرایششده، مهمترین و بنیادیترین نسخه از آنچه نیاز دارید در اختیار شماست. این همان چیزی است که یک راهنمای میدانی خوب برای آن ساخته شده است.
کتاب Data Engineering for Multimodal AI چگونه ساخته شد
پیشینه من در حوزه دادههای سازمانی است. من سالها در رسانهها، فناوریهای پیشرفته، مخابرات و خدمات حرفهای کار کردهام و روی انوع سیستمهایی کار کردهام که در آنها اشتباه در لایه داده سه هفته بعد به صورت یک مسئله نظارتی، تشدید نارضایتی مشتری یا از دست رفتن درآمد ظاهر میشود. آن صنایع به من آموختند که چگونه قبل از فکر کردن به هر چیز دیگری، برای قابلیت اطمینان و حاکمیت (Governance) طراحی کنم.
هنگام نوشتن کتاب Data Engineering for Multimodal AI، آن تجربه را به حوزههایی که مستقیماً در آنها کار نکرده بودم گسترش دادم. برای اینکه حس درستی از گستردگی این صنعت پیدا کنید، تصمیم گرفتم خودم (و شما) را به یک سفر میدانی ببرم. من سیستمهای پشتیبانی تصمیم بالینی در مراقبتهای بهداشتی، معماریهای توصیهگر و تحقق سفارش در تجارت اجتماعی، کشاورزی دقیق در مزارع فعال، پایپلاینهای داده خودروهای خودران و رباتیک، و ستونهای فقرات مراقبتهای بهداشتی در سراسر کشور که میلیونها سند را با رعایت مقرراتی مانند قانون انتقال و مسئولیت بیمه سلامت (HIPAA) و قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) مدیریت میکنند، مطالعه کردم.
من از مجموعه دادههای عمومی، پیادهسازیهای متنباز و مقالات پژوهشی استفاده کردم و الگوهایی را که میدیدم با الگوهایی که از کار در سازمانها میشناختم مقایسه کردم. آنچه مدام ظاهر میشد همان مجموعه کوچک و ثابتی از ایدههای معماری بود که با واژگان صنایع مختلف پوشانده شده بودند.
کتاب Data Engineering for Multimodal AI حول همین بینش سازماندهی شده است. هر فصل یک چالش معماری واحد را در بر میگیرد و آن را در قالب یک مطالعه موردی برگرفته از یک صنعت متفاوت ریشهیابی میکند. ما از این مطالعه موردی برای باز کردن الگوهای مستقل از حوزه استفاده میکنیم. تا زمانی که مطالعه را به پایان برسانید، ایدههای اصلی مانند قراردادها، همگامسازی معنایی، بازیابی مرحلهای، قراردادهای وجهی (Modal contracts) و استدلال ایجنتی محدودشده را خواهید دید که از طریق ۱۱ لنز مختلف صنعتی مشاهده و اصلاح شدهاند. این دیدگاه بینصنعتی مفیدترین چیزی است که کتابی مانند این میتواند به شما ارائه دهد و این همان چیزی است که من بیش از همه در دوران حرفهای خودم به آن نیاز داشتم و هرگز آن را در یک جا پیدا نکرده بودم.
چه کسانی باید کتاب Data Engineering for Multimodal AI را بخوانند
این کتاب برای متخصصانی است که سیستمهای هوش مصنوعی را میسازند که روی بیش از یک نوع داده استدلال میکنند. اگر مهندس داده، مهندس یادگیری ماشین، مهندس پلتفرم، سرپرست فنی یا معمار هستید، خود را در صفحات این کتاب خواهید یافت. اگر دانشمند کاربردی یا مهندس نرمافزاری هستید که به سمت زیرساخت هوش مصنوعی حرکت میکنید، فصلهای مربوط به ویژگیها، بازیابی و ارکستراسیون (Orchestration) مدلهای ذهنی را به شما میدهند که همتیمیهایتان از قبل فرض کردهاند شما از آنها برخوردارید.
اگر با مفاهیم بستر ابری (Cloud-native) راحت هستید، حداقل با یک پلتفرم استریم یا چارچوب دستهای (Batch framework) کار کردهاید و درک تقریبی از اینکه امبینگ (Embedding) چیست و چرا ایندکس برداری وجود دارد دارید، بیشترین بهره را از کتاب Data Engineering for Multimodal AI خواهید برد.
نیازی نیست ترنسفورمرها را از درون بشناسید. نیازی به پیشینه پژوهشی در یادگیری ماشین ندارید. آنچه نیاز دارید تمایل به تفکر سیستمی، اهمیت دادن به روابط میان وجهها، و در نظر گرفتن کیفیت دادهها به عنوان یک مسئله طراحی به جای یک چکلیست است.
اگر در ابتدای مسیر حرفهای خود هستید، کتاب Data Engineering for Multimodal AI شما را به چالش خواهد کشید و این جزو اهداف طراحی آن است. این راهنماها ساختارهای چندوجهی کاربردی را به شما میدهند که بسیار معدودی از مهندسین در سطح شما تاکنون آنها را پیادهسازی کردهاند.
اگر مهندس ارشد یا سرپرست فنی هستید، الگوهای معماری و چارچوب بینصنعتی به گونهای طراحی شدهاند که ماهها زمان کشف و تحقیق را در ابتکار عمل بعدی چندوجهی برای شما صرفهجویی کنند. اگر مدیر یا معمار هستید و جهتگیری پروژهها را تعیین میکنید، کتاب Data Engineering for Multimodal AI واژگان مشترکی را به شما میدهد که میتوانید آن را به تیم خود ارائه دهید.
از کتاب Data Engineering for Multimodal AI چه چیزی به دست خواهید آورد
من قصد دارم شما با سه دستاورد از این کتاب خارج شوید:
اول، مجموعهای پایدار از مدلهای ذهنی معماری. لایه معنایی. قراردادهای داده. چرخه عمر دادههای چندوجهی. مثلث استنتاج. قراردادهای وجهی. استدلال ایجنتی محدودشده. استنتاج طبقهبندیشده. اینها ایدههایی هستند که در طول نسلهای مختلف ابزارها و تغییرات در چشمانداز مدلهای پایه پابرجا میمانند. صنعت هر سمتی که طی دو یا پنج سال آینده برود، اینها همچنان چارچوبهایی خواهند بود که از طریق آنها آن را ارزیابی خواهید کرد.
دوم، کتابخانهای بینصنعتی از نمونههای کاربردی. هر فصل در یک شرکت خیالی الهامگرفته از صنعت لنگر انداخته است (اگر الهام واقعی آن را تشخیص دهید امتیاز میگیرید):
-
Granite: یک پلتفرم مراقبتهای بهداشتی سازمانی
-
StreamBuy: یک سیستم تجارت اجتماعی (Social commerce)
-
Revault: مدیر سرمایهگذاری دیجیتالمحور و پذیرش تنظیمشده مقرراتی
-
ByteEats: یک آشپزخانه ابری
-
BayGo: یک شرکت خودروی خودران
-
TelMo: یک شبکه مخابراتی
-
FieldSense: عملیات پهپادی کشاورزی دقیق
-
ForgeSense: سازنده مدلهای رفتاری بزرگ برای رباتیک
-
Atlas Health AI: ستون فقرات مراقبتهای بهداشتی در سراسر کشور
-
Eighteen Labs: ارائهدهنده رباتهای سازمانی در انبارها، مراکز داده و بیمارستانها
-
StreamKit: چارچوب هوش مرکز تماس
یک رشته. یازده صنعت. کتابخانهای از الگوها که میتوانید آنها را روی هر چیزی که در حال ساختنش هستید نگاشت کنید.
سوم، سبدی از راهنماهای عملی (Playbooks). هر فصل با یک ساختار قابل اجرا به پایان میرسد. تا پایان کتاب، شما یک پایپلاین لایه معنایی مینیمال، یک انبار ویژگی چندوجهی (Multimodal feature store)، یک سیستم زمینه بدون سرور (Serverless context system)، یک پایپلاین ورود ترکیبی داده، یک پایپلاین مهندسی ویژگی روی مجموعه داده باز Waymo، یک موتور بازیابی گراف-افزوده با کشسازی آگاه از لبه (Edge-aware caching)، یک روتر استنتاج چندوجهی لحظهای، یک پایپلاین MLOps با بازآموزی مبتنی بر رانش، یک پایپلاین مقیاسپذیری بنچمارکشده چندچارچوبی، یک سرویس استنتاج مدیریتشده با استقرار قناری (Canary rollout)، یک پایپلاین حاکمیت چندوجهی با ممیزیهای خطمشی و منصفانه بودن، و یک پایپلاین تحلیل ریشه مشکل چندوجهی روی مجموعه داده LEMMA-RCA را راهاندازی کردهاید. دوازده ساخت. یک سبد. متعلق به شما برای فورک کردن و توسعه دادن.
نحوه هدایت در کتاب Data Engineering for Multimodal AI
این کتاب در چهار بخش سازماندهی شده است.
-
فصلهای ۱ تا ۳ کتاب Data Engineering for Multimodal AI شالوده را بنا میکنند:
-
فصل ۱ کتاب Data Engineering for Multimodal AI: لایه معنایی، قراردادهای داده و چرخه عمر دادههای چندوجهی را از طریق مثال Granite معرفی میکند.
-
فصل ۲ کتاب Data Engineering for Multimodal AI: پشتیبان ذخیرهسازی و بازیابی را با انبارهای برداری بومی، دریاچهدادههای قابل ترکیب (Composable lakehouses)، ایندکسگذاری تقریبی نزدیکترین همسایه (ANN)، و ارکستراسیون کوبرنتیز میسازد. مطالعه موردی اینجا StreamBuy است.
-
فصل ۳ کتاب Data Engineering for Multimodal AI: از مثال Revault برای مقایسه سه آرکتایپ پلتفرمی استفاده میکند که هر تیمی از میان آنها انتخاب میکند، یعنی پلتفرمهای هوش مصنوعی مدیریتشده، معماریهای قابل ترکیب و زیرساخت استریم لحظهای.
-
-
فصلهای ۴ تا ۷ کتاب Data Engineering for Multimodal AI چرخه عمر داده در حال حرکت را پوشش میدهند:
-
فصل ۴: ByteEats را معرفی میکند و ورود دادهها را به عنوان مجموعهای از دادوستدها (Trade-offs) بازطراحی کرده و الگوهای ورود سنتی، هوش مصنوعی ترکیبی و هوش مصنوعی ایجنتی را مقایسه میکند.
-
-
-
فصل ۵ کتاب Data Engineering for Multimodal AI: مهندسی ویژگی را در وجههای مختلف آموزش میدهد، از جمله تنسورها به عنوان یک نمایش جهانی، معماریهای ترکیبی و انبار ویژگی چندوجهی، که همه از دریچه BayGo دیده میشوند.
-
فصل ۶ کتاب Data Engineering for Multimodal AI: ذخیرهسازی را به عنوان داربست شناختی در نظر میگیرد و بازیابی گراف-افزوده، لایههای کشسازی و حافظه آگاه از لبه را از طریق مطالعه موردی TelMo پوشش میدهد.
-
فصل ۷ کتاب Data Engineering for Multimodal AI: ادغام وجههای ناهمگام را تحت محدودیتهای زمانی رویداد (که حل کردن آن سختترین مسئله استریم است) از طریق مثال FieldSense بررسی میکند.
-
-
فصلهای ۸ تا ۱۰ کتاب Data Engineering for Multimodal AI مدل عملیاتی را میسازند:
-
فصل ۸: MLOps را به مورد چندوجهی با ادغام مداوم و تحویل مداوم (CI/CD) در کد و داده، سهتاییهای آزمایش قابل بازتولید، و تشخیص رانش در فضای نهفته (Latent space) گسترش میدهد. مطالعه موردی اینجا ForgeSense است.
-
-
-
فصل ۹ کتاب Data Engineering for Multimodal AI: موتورهای پردازش استریم، چارچوبهای دستهای و زماناجراهای توزیعشده هوش مصنوعی را روی بار کاری مراقبتهای بهداشتی مشابه با استفاده از Atlas Health AI بنچمارک میکند.
-
فصل ۱۰ کتاب Data Engineering for Multimodal AI: استنتاج را به عنوان مهندسی از طریق مثلث استنتاج، قراردادهای وجهی، استقرار قناری و قابلیت مشاهده بازتعریف میکند. این موضوعات از دریچه Eighteen Labs بررسی میشوند.
-
-
فصلهای ۱۱ و ۱۲ کتاب Data Engineering for Multimodal AI چرخه را کامل میکنند:
-
فصل ۱۱: مثال Eighteen Labs را برای بحث درباره تبدیل حاکمیت، امنیت و هوش مصنوعی مسئولانه به ویژگیهای ذاتی معماری ادامه میدهد.
-
فصل ۱۲ کتاب Data Engineering for Multimodal AI: نقطه اوجی است که همه چیز را در یک پایپلاین در سطح تولیدی (Production-grade) با استفاده از StreamKit به عنوان مثال به هم میدوزد، و با مرور سه حقیقتی که موضوعات جاری در سراسر کتاب Data Engineering for Multimodal AI هستند به پایان میرسد.
-
اگر سیستمهای چندوجهی برای شما جدید هستند، فصلها را به ترتیب بخوانید. از طرف دیگر، اگر میخواهید ستون فقرات معماری را از کوتاهترین مسیر درک کنید، به فصلهای ۱، ۷، ۱۰ و ۱۲ مراجعه کنید. هر فصل همچنین میتواند به عنوان یک منبع مستقل زمانی که مسئله خاصی روی میز کار خود دارید عمل کند. بخش ضمائم، مجموعه دادههای عمومی ارجاعدادهشده در سراسر کتاب را جمعآوری میکند: وجههایی که پوشش میدهند، کاربرد آنها و محل یافتنشان. از آن به عنوان نقطه شروعی برای راهنماها و ساخت پایپلاینهای چندوجهی خود استفاده کنید.
سرفصلهای کتاب Data Engineering for Multimodal AI:
- Preface
- 1. The Multimodal AI Data Engineering Landscape
- 2. Data Architectures for Multimodal AI Systems
- 3. Platforms and Patterns for Multimodal AI Data Engineering
- 4. Ingestion and Transformation for Multimodal AI Systems
- 5. Feature Engineering and Management for Multimodal Data
- 6. Data Storage and Retrieval for Multimodal AI
- 7. Streaming and Adaptive Pipelines for Multimodal AI
- 8. Applying MLOps for Multimodal AI Applications
- 9. Scaling Cloud-Native Multimodal AI Data Pipelines
- 10. Model Deployment and Serving for Multimodal AI
- 11. Governance, Security, and Responsible Practices for Multimodal AI
- 12. Putting It All Together: Building End-to-End Multimodal AI Pipelines
- Appendix. References and Datasets
- Index
- About the Author
جهت دانلود کتاب Data Engineering for Multimodal AI میتوانید پس از پرداخت، دریافت کنید.