کتاب The Practical Guide to Large Language Models

کتاب The Practical Guide to Large Language Models: Hands-On AI Applications with Hugging Face Transformers (راهنمای عملی مدل‌های زبانی بزرگ: کاربردهای عملی هوش مصنوعی با ترنسفورمرهای Hugging Face) راهنمای کاربردی و پروژه‌محور برای آشنایی عمیق با مدل‌های زبانی بزرگ (LLMs) است که تمرکز اصلی آن بر استفاده عملی از کتابخانه‌ی Transformers شرکت Hugging Face قرار دارد. نویسندگان با زبانی ساده اما فنی، مفاهیم کلیدی مانند پردازش زبان طبیعی، معماری ترنسفورمرها، آموزش و تنظیم دقیق مدل‌ها (fine-tuning) و به‌کارگیری آن‌ها در مسائل واقعی را توضیح می‌دهند.

در ادامه مقدمه‌ای از کتاب The Practical Guide to Large Language Models را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب The Practical Guide to Large Language Models:

هوش مصنوعی (AI) با سرعتی بیشتر از تقریباً هر اختراع دیگری در تاریخ بشر در حال دگرگون‌کردن دنیای مدرن است. زمانی که شرکت OpenAI در نوامبر ۲۰۲۲ چت‌جی‌پی‌تی (ChatGPT) را منتشر کرد، نقطه‌ی عطفی رقم خورد که پتانسیل مدل‌های زبانی بزرگ (LLMs) را برای طیف گسترده‌ای از کاربردهای دنیای واقعی آشکار ساخت.

از آن زمان تاکنون، علاقه‌ی عمومی به LLMها و توانمندی‌های آن‌ها به‌طور مداوم افزایش یافته و پژوهش‌ها و اکتشافات جدیدی را در سراسر این حوزه به حرکت درآورده است.

چشم‌انداز «بازبودن» زمانی شکل گرفت که معایب سیستم‌های تجاری بسته، مانند ChatGPT، دیگر قابل چشم‌پوشی نبود. مهندسان، دانشمندان و توسعه‌دهندگان مستقل در سراسر جهان با این باور مشترک که دانش باید در دسترس و شفاف باشد، همکاری با یکدیگر را آغاز کردند. آن‌ها با به‌اشتراک‌گذاری بینش‌ها، جامعه‌ای متن‌باز ایجاد کردند که به‌جای رقابت، بر خلاقیت تکیه داشت.

مدل‌های جدیدی مانند DeepSeek به‌زودی نشان دادند که همکاری باز می‌تواند به نتایجی هم‌سطح و گاه حتی فراتر از سیستم‌های مالکیتی بسته دست یابد. با گسترش این فلسفه، «بازبودن» خود به یکی از نیروهای تعیین‌کننده در شکل‌دهی به عصر بعدی هوش مصنوعی تبدیل شد.

بیشتر کتاب‌های مربوط به LLMها با مطالب نظری پیچیده آغاز می‌شوند و تنها در مراحل بعدی به کار عملی می‌پردازند. کتاب The Practical Guide to Large Language Models رویکردی متفاوت دارد. ما از همان ابتدا با مثال‌های عینی و تجربه‌های عملی با LLMهای متن‌باز شروع می‌کنیم و به‌تدریج ایده‌ها و سازوکارهای زیربنایی آن‌ها را آشکار می‌سازیم.

هدف این است که موضوع شفاف شود و نشان داده شود که مدل‌های زبانی بزرگ جعبه‌های سیاه مرموز نیستند، بلکه ابزارهایی قابل فهم‌اند که هر کسی می‌تواند استفاده از آن‌ها را بیاموزد.

در فصل اول کتاب The Practical Guide to Large Language Models کتابخانه‌ی Transformers شرکت Hugging Face را معرفی می‌کند؛ یکی از محبوب‌ترین ابزارها برای کار با مدل‌های زبانی بزرگ متن‌باز. در این فصل، نحوه‌ی راه‌اندازی محیط لازم برای توسعه‌ی مبتنی بر LLMها را بررسی می‌کنیم و با مثال‌های عملی، رایج‌ترین وظایف پردازش زبان طبیعی (NLP) را پوشش می‌دهیم. در پایان فصل، یک برنامه‌ی ساده‌ی چت‌بات مبتنی بر LLM می‌سازیم که قادر است به پرسش‌های کاربران پاسخ دهد.

در فصل دوم کتاب The Practical Guide to Large Language Models، عمیق‌تر به سازوکارهای درونی LLMها می‌پردازیم. ظرایف اجرای LLMها روی سرور را بررسی کرده و می‌آموزیم چگونه مدل‌های محبوب را از نظر کارایی و نیازهای محاسباتی با یکدیگر مقایسه کنیم. این فصل با یک پروژه‌ی عملی به پایان می‌رسد که بر انتخاب بهترین مدل برای یک وظیفه‌ی واقعی مشخص تمرکز دارد.

در فصل سوم کتاب The Practical Guide to Large Language Models نگاهی دقیق‌تر به نحوه‌ی تولید متن توسط LLMها دارد. تفاوت بین مدل‌های پایه و مدل‌های تنظیم‌شده (instruction یا fine-tuned) را بررسی می‌کنیم و می‌آموزیم چگونه مکالمات معناداری با LLMها برقرار کنیم. همچنین با راهبردهای مختلف تولید متن آشنا می‌شوید و یاد می‌گیرید چگونه خروجی ساخت‌یافته از مدل‌ها دریافت کنید. در پایان این فصل، یک برنامه‌ی تعاملی داده‌کاوی با استفاده از Gradio و یک LLM توسعه می‌دهیم.

در فصل چهارم کتاب The Practical Guide to Large Language Models، مفهوم «تولید تقویت‌شده با بازیابی» (Retrieval-Augmented Generation یا RAG) را بررسی می‌کنیم؛ رویکردی که به LLMها اجازه می‌دهد به اطلاعات به‌روز از منابع خارجی دسترسی داشته باشند. مفهوم زمینه (Context) و نحوه‌ی بازیابی صحیح اطلاعات از پایگاه‌های دانشی برای هدایت استدلال مدل‌ها مورد بحث قرار می‌گیرد. در پایان این فصل، یک دستیار هوشمند Hugging Face می‌سازیم که قادر است با استفاده از داده‌های مستندات به‌صورت بلادرنگ به پرسش‌ها پاسخ دهد.

در فصل پنجم کتاب The Practical Guide to Large Language Models تمرکز خود را به استفاده از LLMها برای خودکارسازی و کنترل برنامه‌محور معطوف می‌کند. در این فصل کتابخانه‌ی Smolagents را بررسی می‌کنیم که مفهوم عامل‌های مبتنی بر LLM را پیاده‌سازی می‌کند. این رویکرد مبتنی بر عامل، امکان ساخت دستیاران هوشمندی را فراهم می‌سازد که از طریق تعامل با کاربران و سیستم‌های خارجی می‌توانند وظایف پیچیده را انجام دهند. فصل با توسعه‌ی یک عامل متمرکز بر منابع انسانی (HR) برای کمک به فرآیند جذب نیرو به پایان می‌رسد.

در فصل ششم کتاب The Practical Guide to Large Language Models، فرآیند تنظیم دقیق (Fine-tuning) LLMها روی داده‌های دامنه‌محور را بررسی می‌کنیم. تنظیم دقیق به مدل‌ها اجازه می‌دهد با وظایف تخصصی سازگار شوند و عملکرد آن‌ها را به‌طور چشمگیری بهبود می‌بخشد. با استفاده از این رویکرد، خوانندگان می‌آموزند چگونه مدل‌های سفارشی خود را متناسب با نیازهای خاص ایجاد کنند. در پایان، یک LLM از پیش‌آموزش‌دیده را تنظیم می‌کنیم تا یک دستیار هوش مصنوعی درباره‌ی روم باستان بسازیم که با داده‌های تاریخی آموزش دیده است.

در نهایت، فصل هفتم کتاب The Practical Guide to Large Language Models ما را به عمق معماری LLMها می‌برد و نشان می‌دهد ترنسفورمرها واقعاً چگونه کار می‌کنند. سازوکار توجه (Attention) ــ اصل بنیادی‌ای که به LLMهای مدرن امکان پردازش و درک مؤثر زبان طبیعی را می‌دهد ــ به‌طور کامل تحلیل می‌شود. این فصل با پروژه‌ای به پایان می‌رسد که در آن یک ترنسفورمر را از صفر می‌سازیم تا منطق درونی آن را به‌خوبی درک کنیم.

کتاب The Practical Guide to Large Language Models یک راهنمای عملی برای کار با مدل‌های زبانی بزرگ متن‌باز با استفاده از کتابخانه‌ی Hugging Face Transformers ارائه می‌دهد. ترکیب پروژه‌های عملی با مبانی نظری ضروری، به خوانندگان کمک می‌کند تا به‌سرعت اعتمادبه‌نفس پیدا کنند و درک روشنی از نحوه‌ی کار یک LLM مدرن به دست آورند.

کتاب The Practical Guide to Large Language Models برای توسعه‌دهندگان، پژوهشگران و دانشمندان داده طراحی شده است که نه‌تنها می‌خواهند LLMها را در مسائل دنیای واقعی به کار بگیرند، بلکه علاقه‌مندند اصولی را که این مدل‌ها را ممکن می‌سازد نیز درک کنند. کتاب The Practical Guide to Large Language Models فرض می‌کند خواننده دارای مهارت متوسط در پایتون و آشنایی پایه‌ای با مفاهیم یادگیری ماشین (ML) است.

سرفصل‌های کتاب The Practical Guide to Large Language Models:

• Introduction
• Part I: LLM Basics
  • Chapter 1: Discovering Transformers
  • Chapter 2: LLM Internals and Evaluation
  • Chapter 3: Improving Chat Model Responses
• Part II: Empowering LLM Applications with RAG and Agents
  • Chapter 4: Enriching the Model’s Knowledge with Retrieval-Augmented Generation
  • Chapter 5: Building Agent Systems
• Part III: LLM Advances
  • Chapter 6: Mastering Model Training
  • Chapter 7: Unpacking the Transformer Architecture
• Index

جهت دانلود کتاب The Practical Guide to Large Language Models می‌توانید پس از پرداخت، دریافت کنید.