کتاب Generative AI with LangChain

کتاب Generative AI with LangChain: Build large language model (LLM) apps with Python, ChatGPT, and other LLMs (هوش مصنوعی مولد با LangChain: ساخت برنامه‌های مدل زبان بزرگ (LLM) با Python، ChatGPT و سایر LLM ها) هوش مصنوعی و ابزارهای آن را با استفاده از LangChain بیان می‌کند.

در ادامه مقدمه‌ای از کتاب Generative AI with LangChain را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Generative AI with LangChain:

در زمینه پویا و به سرعت در حال پیشرفت هوش مصنوعی، هوش مصنوعی مولد به عنوان یک نیروی مخرب که آماده تغییر نحوه تعامل ما با فناوری است، برجسته می‌شود. این کتاب سفری به دنیای پیچیده مدل‌های زبان بزرگ (LLM) است – موتور‌های قدرتمندی که این تحول را هدایت می‌کنند – که برای تجهیز توسعه‌دهندگان، محققان و علاقه‌مندان به هوش مصنوعی با دانش مورد نیاز برای مهار این ابزار‌ها طراحی شده است.

در اعماق یادگیری عمیق، جایی که داده‌های بدون ساختار زنده می‌شوند، سرمایه‌گذاری کنید و کشف کنید که چگونه LLM‌هایی مانند GPT-۴ و دیگران مسیری را برای تأثیر هوش مصنوعی بر مشاغل، جوامع و افراد ایجاد می‌کنند. از آنجایی که صنعت فناوری و رسانه‌ها از قابلیت‌ها و پتانسیل این مدل‌ها غوغا می‌کنند، این فرصت مناسبی است تا چگونگی عملکرد، پیشرفت و سوق دادن ما را به سمت افق‌های آینده بررسی کنیم.

کتاب Generative AI with LangChain به عنوان قطب نمای شما عمل می‌کند و شما را به سمت درک داربست‌های فنی که از LLM پشتیبانی می‌کنند، راهنمایی می‌کند. ما مقدمه‌ای برای کاربرد‌های گسترده آن‌ها، ظرأفت معماری زیربنایی آن‌ها و مفاهیم قدرتمند وجود آن‌ها ارائه می‌دهیم.

کتاب Generative AI with LangChain برای مخاطبان مختلف، از کسانی که اولین قدم‌های خود را در هوش مصنوعی برمی‌دارند تا توسعه‌دهندگان باتجربه، نوشته شده است، این متن مفاهیم نظری را با مثال‌های کاربردی و غنی از کد ادغام می‌کند و شما را آماده می‌کند تا نه تنها LLM‌ها را از نظر عقلانی درک کنید، بلکه آن‌ها را نیز به‌طور خلاقانه و مسئولانه به کار ببرید.

همانطور که با هم این سفر را آغاز می‌کنیم، بیایید خودمان را آماده کنیم تا روایت مولد هوش مصنوعی را که در همین لحظه در حال گسترش است شکل دهیم و شکل بگیریم – روایتی که در آن شما، مسلح به دانش و آینده نگری، در خط مقدم این تکامل فن‌آوری مهیج ایستاده‌اید.

بیشتر بخوانید: کتاب Hyperautomation with Generative AI

کتاب Generative AI with LangChain برای چه کسی است؟

این کتاب برای توسعه‌دهندگان، محققان و هر کسی که علاقه‌مند به یادگیری بیشتر در مورد LLM است در نظر گرفته شده است. این به سبک واضح و مختصر نوشته شده است، و شامل نمونه‌های کد زیادی است که به شما کمک می‌کند تا با انجام کار یاد بگیرید.

چه مبتدی یا یک توسعه‌دهنده با تجربه باشید، این کتاب منبع ارزشمندی برای هر کسی خواهد بود که می‌خواهد بیشترین بهره را از LLM داشته باشد و از منحنی‌های LLM و LangChain جلوتر بماند.

بیشتر بخوانید: کتاب Transformer, BERT, and GPT

آنچه کتاب Generative AI with LangChain پوشش می‌دهد:

فصل ۱، هوش مصنوعی مولد چیست؟، توضیح می‌دهد که چگونه هوش مصنوعی مولد انقلابی در پردازش متن، تصاویر و ویدیو ایجاد کرده است که در هسته آن یادگیری عمیق قرار دارد. این فصل مدل‌های مولد مانند LLM را معرفی می‌کند و زیربنای فنی و پتانسیل تحول‌آفرین آن‌ها را در بخش‌های مختلف شرح می‌دهد.

این فصل از کتاب Generative AI with LangChain، تئوری پشت این مدل‌ها را پوشش می‌دهد، شبکه‌های عصبی و رویکرد‌های آموزشی را برجسته می‌کند، و ایجاد محتوای انسان‌مانند. این فصل تکامل هوش مصنوعی، معماری ترانسفورماتور، مدل‌های تبدیل متن به تصویر مانند Stable Diffusion و برنامه‌های صوتی و تصویری را تشریح می‌کند.

فصل ۲، LangChain برای برنامه‌های LLM، نیاز به گسترش فراتر از طوطی‌های تصادفی LLM را آشکار می‌کند – مدل‌هایی که زبان را بدون درک واقعی تقلید می‌کنند – با استفاده از چارچوب LangChain. پرداختن به محدودیت‌هایی مانند دانش منسوخ، محدودیت‌های عمل و خطرات توهم، این فصل از کتاب Generative AI with LangChain، نشان می‌دهد که چگونه LangChain داده‌های خارجی و مداخلات را برای برنامه‌های منسجم‌تر هوش مصنوعی ادغام می‌کند.

این فصل به طور انتقادی با مفهوم طوطی‌های تصادفی درگیر می‌شود، نقص‌های مدل‌هایی را که زبان روان اما بی‌معنی تولید می‌کنند، آشکار می‌کند، و توضیح می‌دهد که چگونه استدلال، زنجیره‌ای از فکر و بازیابی، LLM‌ها را برای پرداختن به موضوعات زمینه‌ای، سوگیری و عدم شفافیت تقویت می‌کنند..

فصل ۳، شروع به کار با LangChain، دانش اساسی را در اختیار شما قرار می‌دهد تا محیط خود را برای اجرای تمام نمونه‌های کتاب تنظیم کنید. این با راهنمای نصب برای Docker، Conda، Pip و Poetry آغاز می‌شود.

سپس این فصل مدل‌های یکپارچه‌سازی از ارائه‌دهندگان مختلف مانند ChatGPT و Hugging Face، از جمله دریافت کلید‌های API ضروری را توضیح می‌دهد. همچنین با اجرای مدل‌های منبع باز به صورت محلی سروکار دارد. این فصل از کتاب Generative AI with LangChain، در ساخت یک برنامه LLM برای کمک به عوامل خدمات مشتری به اوج خود می‌رسد، که نشان می‌دهد چگونه LangChain می‌تواند عملیات را ساده کرده و دقت پاسخ‌ها را افزایش دهد.

فصل ۴، ساخت دستیاران توانمند، با تبدیل LLM‌ها به دستیاران قابل اعتماد با بررسی واقعیت برای کاهش اطلاعات نادرست، به کارگیری استراتژی‌های پیچیده ترغیب‌کننده برای خلاصه‌سازی، و ادغام ابزار‌های خارجی برای افزایش دانش، مقابله می‌کند.

این مقاله زنجیره تراکم را برای استخراج اطلاعات مورد بررسی قرار می‌دهد و تزئینات LangChain و زبان بیان را برای سفارشی کردن رفتار مورد بحث قرار می‌دهد. این فصل از کتاب Generative AI with LangChain، کاهش نقشه در LangChain را برای مدیریت اسناد طولانی را معرفی می‌کند و نظارت توکن را برای مدیریت هزینه‌های استفاده از API مورد بحث قرار می‌دهد.

به دنبال اجرای یک برنامه Streamlit برای ایجاد برنامه‌های تعاملی LLM و استفاده از فراخوانی تابع و استفاده از ابزار برای فراتر از تولید متن اصلی است. دو پارادایم عامل مجزا، برنامه‌ریزی و حل و شات صفر، برای نشان دادن استراتژی‌های تصمیم‌گیری اجرا می‌شوند.

فصل ۵، ساخت یک ربات چت مانند ChatGPT، به افزایش قابلیت‌های چت بات با تولید افزوده‌شده بازیابی (RAG) می‌پردازد، روشی که دسترسی LLM را به دانش خارجی فراهم می‌کند و دقت و مهارت آن‌ها را بهبود می‌بخشد.

این فصل از کتاب Generative AI with LangChain، به بردارسازی اسناد، نمایه‌سازی کارآمد و استفاده از پایگاه‌های داده‌برداری مانند Milvus و Pinecone برای جستجوی معنایی می‌پردازد. ما یک ربات چت را پیاده‌سازی می‌کنیم که زنجیره‌های تعدیل را برای اطمینان از ارتباط مسئولانه ترکیب می‌کند. چت بات موجود در GitHub به عنوان پایه‌ای برای کاوش در موضوعات پیشرفته مانند حافظه گفتگو و مدیریت زمینه عمل می‌کند.

فصل ۶، توسعه نرم‌افزار با هوش مصنوعی مولد، نقش رو به رشد LLM‌ها را در توسعه نرم‌افزار بررسی می‌کند و پتانسیل هوش مصنوعی را برای خودکارسازی وظایف کدنویسی و خدمت به عنوان دستیار کدنویسی پویا برجسته می‌کند.

وضعیت فعلی توسعه نرم‌افزار مبتنی بر هوش مصنوعی را بررسی می‌کند، مدل‌هایی را برای تولید قطعه‌های کد آزمایش می‌کند، و طرحی را برای یک عامل توسعه نرم‌افزار خودکار با استفاده از LangChain معرفی می‌کند. بازتاب‌های انتقادی در مورد عملکرد عامل بر اهمیت نظارت انسانی برای کاهش خطا و طراحی سطح بالا تأکید می‌کند و زمینه را برای آینده‌ای فراهم می‌کند که در آن توسعه‌دهندگان هوش مصنوعی و انسانی به صورت همزیستی کار می‌کنند.

فصل ۷، LLMs برای علم داده، تلاقی هوش مصنوعی و علم داده را بررسی می‌کند و پتانسیل LLM را برای تقویت بهره‌وری و هدایت اکتشافات علمی برجسته می‌کند. این فصل از کتاب Generative AI with LangChain، به تشریح دامنه فعلی اتوماسیون در علم داده از طریق AutoML می‌پردازد و این مفهوم را با ادغام LLM‌ها برای کار‌های پیشرفته مانند افزایش مجموعه داده‌ها و تولید کد اجرایی گسترش می‌دهد.

روش‌های عملی برای LLM‌ها برای انجام تجزیه و تحلیل داده‌های اکتشافی، اجرای پرسش‌های SQL و تجسم داده‌های آماری را پوشش می‌دهد. در نهایت، استفاده از عوامل و ابزار نشان می‌دهد که چگونه LLM‌ها می‌توانند به سؤالات پیچیده داده محور رسیدگی کنند.

فصل ۸، سفارشی کردن LLM‌ها و خروجی آن‌ها، به تکنیک‌های شرطی‌سازی مانند تنظیم دقیق و تحریک می‌پردازد، که برای تطبیق عملکرد LLM با استدلال پیچیده و وظایف تخصصی ضروری است. ما تنظیمات دقیق را باز می‌کنیم، جایی که یک LLM بیشتر در مورد داده‌های خاص کار آموزش می‌بیند، و مهندسی سریع، که به طور استراتژیک LLM را برای تولید خروجی‌های دلخواه هدایت می‌کند.

استراتژی‌های پیش‌رونده‌ای مانند یادگیری چندباره و زنجیره‌ای از فکر پیاده‌سازی می‌شوند و قابلیت‌های استدلالی LLM را افزایش می‌دهند. این فصل از کتاب Generative AI with LangChain، نه تنها نمونه‌های عینی تنظیم دقیق و تحریک را ارائه می‌دهد، بلکه در مورد آینده پیشرفت‌های LLM و کاربرد‌های آن‌ها در این زمینه نیز بحث می‌کند.

فصل ۹، هوش مصنوعی مولد در تولید، به پیچیدگی‌های استقرار LLM در برنامه‌های کاربردی دنیای واقعی می‌پردازد، بهترین شیوه‌ها را برای اطمینان از عملکرد، برآورده کردن الزامات نظارتی، استحکام در مقیاس، و نظارت مؤثر پوشش می‌دهد. این امر بر اهمیت ارزیابی، مشاهده‌پذیری و عملیات سیستماتیک برای سودمند ساختن هوش مصنوعی مولد در تعامل و تصمیم‌گیری مشتری با پیامد‌های مالی تأکید می‌کند.

همچنین استراتژی‌های عملی برای استقرار و نظارت مداوم برنامه‌های LLM با استفاده از ابزار‌هایی مانند Fast API، Ray و تازه‌واردانی مانند LangServe و LangSmith را تشریح می‌کند. این ابزار‌ها می‌توانند ارزیابی و معیار‌های خودکاری را ارائه دهند که از پذیرش مسئولانه هوش مصنوعی مولد در سراسر بخش‌ها پشتیبانی می‌کند.

فصل ۱۰ کتاب Generative AI with LangChain، آینده مدل‌های مولد، به پیشرفت‌های بالقوه و چالش‌های فنی-اجتماعی هوش مصنوعی مولد می‌پردازد. تأثیرات اقتصادی و اجتماعی این فناوری‌ها را بررسی می‌کند، بحث جابجایی شغل، اطلاعات غلط و نگرانی‌های اخلاقی مانند همسویی ارزش‌های انسانی را بررسی می‌کند.

از آنجایی که بخش‌های مختلف برای تغییرات مخرب ناشی از هوش مصنوعی آماده می‌شوند، مسئولیت شرکت‌ها، قانون‌گذاران و فن‌آوران برای ایجاد چارچوب‌های حکومتی مؤثر را منعکس می‌کند.

فصل پایانی کتاب Generative AI with LangChain، بر اهمیت هدایت توسعه هوش مصنوعی به سمت افزایش پتانسیل انسانی و در عین حال پرداختن به خطراتی مانند جعل عمیق، سوگیری و سلاح‌سازی هوش مصنوعی تأکید می‌کند. این امر ضرورت شفافیت، استقرار اخلاقی و دسترسی عادلانه را برای هدایت مثبت انقلاب مولد هوش مصنوعی برجسته می‌کند.

سرفصل‌های کتاب Generative AI with LangChain:

• Cover
• Copyright
• Contributors
• Table of Contents
• Preface
• Chapter 1: What Is Generative Al?
• Chapter 2: LangChain for LLM Apps
• Chapter 3: Getting Started with LangChain
• Chapter 4: Building Capable Assistants
• Chapter 5: Building a Chatbot like ChatGPT
• Chapter 6: Developing Software with Generative Al
• Chapter 7: LLMs for Data Science
• Chapter 8: Customizing LLMs and Their Output
• Chapter 9: Generative Al in Production
• Chapter 10: The Future of Generative Models
• Other Books You May Enjoy
• Index

جهت دانلود کتاب Generative AI with LangChain می‌توانید پس از پرداخت، دریافت کنید.