دوره آموزشی ارزیابی ایجنت‌های هوش مصنوعی با Google ADK

عامل‌های هوش مصنوعی در حال تغییر شیوه خودکارسازی فرآیندهای پیچیده در سازمان‌ها هستند؛ اما ساخت عامل‌هایی که بتوانند در محیط‌های واقعی و مقیاس بزرگ به‌صورت قابل اعتماد عمل کنند، نیازمند روش‌های ارزیابی دقیق‌تر از تست‌های سنتی نرم‌افزار است. این دوره به شما آموزش می‌دهد چگونه با استفاده از Google Agent Development Kit (ADK) عامل‌های هوش مصنوعی آماده تولید بسازید و عملکرد، منطق تصمیم‌گیری و ایمنی آن‌ها را به شکل حرفه‌ای ارزیابی کنید.

در این آموزش با معماری عامل‌های هوشمند قابل ارزیابی (Eval-Ready Architecture) آشنا می‌شوید و یاد می‌گیرید چگونه با استفاده از رابط‌های ابزار ساختاریافته (Structured Tool Interfaces) و Pydantic Schemas، عامل‌هایی طراحی کنید که تست‌پذیر، قابل بررسی و قابل توسعه باشند. همچنین یاد می‌گیرید چگونه فرآیند استدلال عامل‌ها را با استفاده از تحلیل Trace، تطبیق مسیر اجرا (Trajectory Matching) و مبناهای Golden Trace بررسی و اشکال‌زدایی کنید.

این دوره روش‌های پیشرفته ارزیابی عملکرد عامل‌ها در مقیاس بالا را پوشش می‌دهد؛ از جمله اجرای ارزیابی‌های دسته‌ای بدون رابط کاربری (Headless Batch Evaluations)، تست‌های قابلیت اطمینان Pass@k و سیستم‌های امتیازدهی مبتنی بر LLM-as-a-Judge. همچنین با الگوهای ایمنی در محیط تولید مانند بررسی میزان انطباق پاسخ‌ها با منابع (Groundedness Checks)، محافظ‌های منطقی (Negative Logic Guardrails) و کنترل‌های رگرسیون در CI/CD آشنا خواهید شد.

در پایان این دوره، تجربه عملی لازم برای طراحی، بررسی، اشکال‌زدایی و ارزیابی عامل‌های هوش مصنوعی قابل اعتماد را به دست می‌آورید و می‌توانید سیستم‌هایی ایجاد کنید که برای استفاده واقعی در سازمان‌ها و محیط‌های تولیدی آماده باشند.

این دوره برای توسعه‌دهندگان هوش مصنوعی، مهندسان نرم‌افزار، متخصصان یادگیری ماشین، معماران سیستم و افرادی مناسب است که می‌خواهند عامل‌های هوش مصنوعی حرفه‌ای و مقیاس‌پذیر ایجاد و مدیریت کنند.

🎯 اهداف یادگیری
• طراحی معماری عامل‌های هوش مصنوعی آماده ارزیابی با استفاده از رابط‌های ابزار ساختاریافته، Pydantic Schemas و قالب‌های پروژه ADK
• ساخت و توسعه عامل‌های هوش مصنوعی Production-Grade با استفاده از Google Agent Development Kit
• استفاده از محیط‌های عملی مانند GitHub Codespaces برای توسعه و آزمایش عامل‌های هوشمند
• بررسی و اشکال‌زدایی فرآیند استدلال عامل‌ها با استفاده از ADK Trace Viewer و تحلیل مسیرهای اجرا
• استفاده از Trajectory Matching و Golden Traces برای مقایسه، ارزیابی و بهبود رفتار عامل‌ها
• اجرای ارزیابی‌های مقیاس‌پذیر با استفاده از Headless Batch Evaluations و ابزارهای خط فرمان
• سنجش قابلیت اطمینان عامل‌ها با استفاده از تست‌های Pass@k و معیارهای آماری عملکرد
• پیاده‌سازی سیستم‌های امتیازدهی مبتنی بر LLM-as-a-Judge برای ارزیابی کیفیت خروجی عامل‌ها
• ایجاد الگوهای ایمنی تولید شامل بررسی Groundedness، محافظ‌های منطقی و کنترل‌های امنیتی
• طراحی فرآیندهای CI/CD Regression Gate برای اطمینان از عملکرد پایدار و قابل اعتماد عامل‌ها در مقیاس بزرگ