دوره آموزشی مقدمه ای بر ارکستراسیون هوش مصنوعی با LangChain و LlamaIndex
1 ساعت 28 دقیقهمتوسط2024-02-16
مدرسین

M. Joel Dubinko
جزئیات دوره
آیا آماده هستید به دنیای برنامه های کاربردی هوش مصنوعی شیرجه بزنید؟ این دوره برای شما طراحی شده است. چارچوبهای هماهنگسازی هوش مصنوعی به شما این امکان را میدهند که از جزئیات ابزارهای هوش مصنوعی و APIها عقبنشینی کنید و در عوض روی ساختن سیستمهای کلیتر و مؤثرتر تمرکز کنید که مشکلات دنیای واقعی را حل میکنند. به مربی M.Joel Dubinko بپیوندید تا مزایای تجاری ارکستراسیون هوش مصنوعی را بررسی کند - توسعه سریعتر، رابط های هوشمندتر، هزینه های کمتر و موارد دیگر. این دوره مروری بر اصول و قابلیتهای کلیدی هوش مصنوعی، مانند دسترسی به ابزارها و پایگاههای اطلاعاتی خارجی، با تمرکز ویژه بر کاوش مدلهای محلی در حال اجرا بر روی سختافزار خود، در کنار یا به جای سرویسهای ابری مانند سرویسهای OpenAI، ارائه میکند. در هر مرحله از راه، جوئل نمایش های عملی از دو چارچوب پیشرو در صنعت ارائه می دهد: LangChain و LlamaIndex. در پایان این دوره، شما آماده خواهید بود تا ساخت رباتهای چت، عوامل هوشمند و سایر ابزارهای مفید را شروع کنید، در حالی که در حین انجام کار، خطاها و عیبیابی را بررسی میکنید.
مهارت ها
LlamaIndexLangChainNatural Language Processing (NLP)Generative AIArtificial Intelligence FoundationsSoftware Development ToolsArtificial Intelligence (AI)Open SourceSoftware DevelopmentOne-Off
سرفصل ها
0. مقدمه
- 01 - ساخت برنامههای هوش مصنوعی محلی با LangChain و LlamaIndex
- 02 - آنچه باید بدانید
- 03 - تنظیم محیط خود برای ساخت برنامههای هوش مصنوعی
1. از AI Orchestration برای ساخت اولین برنامه خود استفاده کنید
- 04 - مفاهیم ارکستراسیون هوش مصنوعی
- 05 - ساخت برنامه با OpenAI API
- 06 - اجرای LLMهای محلی
- 07 - اولین برنامه LangChain شما
- 08 - اولین برنامه LlamaIndex شما
- 09 - اشکال زدایی برنامههای هوش مصنوعی
2. LLMها و شاخصها را برای درخواست اسناد محلی ترکیب کنید
- 10 - هوش مصنوعی بر روی اسناد محلی - تولید افزوده شده بازیابی
- 11 - انتخاب جاسازی
- 12 - RAG با LlamaIndex
- 13 - RAG با LangChain
- 14 - چالش - خلاصه سند
- 15 - راه حل - خلاصه سند
3. گردشهای کاری هوش مصنوعی چند مرحلهای را با زنجیرهسازی جمع کنید
- 16 - مفاهیم برنامه برای زنجیره کاری و گردش کار پیچیده تر
- 17 - خارج کردن JSON از LLM
- 18 - فراخوانی تابع LLM
- 19 - چالش - بارگذاری وظیفه LLM محلی
- 20 - راه حل - تخلیه وظایف LLM محلی
4. اجازه دهید هوش مصنوعی تصمیم بگیرد که در مرحله بعد چه کاری انجامدهد - عوامل ساختمان
- 21 - مقدمه ای بر چارچوب عامل ReAct
- 22 - پیادهسازی یک ReAct agent
- 23 - چالش - نقاط قوت و ضعف LangChain و LlamaIndex
- 24 - راه حل - نقاط قوت و ضعف LangChain و LlamaIndex
نتیجه
- 25 - مراحل بعدی برای مهندسان برنامه هوش مصنوعی