دوره آموزشی هوش مصنوعی مولد و مدل‌های زبانی بزرگ برای توسعه‌دهندگان: سازوکار واقعی آن‌ها چگونه است؟

هوش مصنوعی مولد (Generative AI) با ابزارهایی مانند ChatGPT و Stable Diffusion به یکی از مهم‌ترین فناوری‌های عصر جدید تبدیل شده است؛ اما عملکرد این ابزارها برخلاف ظاهر جادویی‌شان، بر مجموعه‌ای از مفاهیم مشخص و قابل‌درک در یادگیری ماشین و مدل‌های هوش مصنوعی استوار است. درک این مفاهیم به شما کمک می‌کند نه‌تنها بهتر از ابزارهای مولد استفاده کنید، بلکه رفتار، توانایی‌ها و محدودیت‌های آن‌ها را نیز آگاهانه‌تر تحلیل کنید.

در این دوره، Laurence Moroney بدون ورود به ریاضیات سنگین یا مباحث دانشگاهی پیچیده، سازوکار درونی سیستم‌های مدرن Generative AI را به زبانی کاربردی بررسی می‌کند. ابتدا با اجزای بنیادی این سیستم‌ها مانند Tokenها، Embeddingها، Attention و Transformerها آشنا می‌شوید و سپس نحوه ارتباط این اجزا در تولید خروجی را بررسی می‌کنید.

در بخش مربوط به مدل‌های متنی، یاد می‌گیرید چگونه متن به Token و سپس به نمایش‌های عددی یا Embedding تبدیل می‌شود و مدل چگونه با استفاده از پیش‌بینی توکن بعدی (Next-Token Prediction) و نمونه‌برداری احتمالاتی، پاسخ‌ها و محتوای جدید تولید می‌کند.

سپس ساختار Attention و معماری Transformer بررسی می‌شود تا درک کنید مدل‌های زبانی چگونه روابط میان بخش‌های مختلف داده را تشخیص داده و مفهوم زمینه (Context) را در فرآیند تولید خروجی مدیریت می‌کنند.

دوره همچنین به مدل‌های تولید تصویر و Diffusion Models می‌پردازد و نشان می‌دهد چگونه این مدل‌ها برخلاف مدل‌های متنی، از فرآیند تبدیل نویز به محتوای بصری استفاده می‌کنند. مقایسه Transformerها و مدل‌های Diffusion به شما کمک می‌کند تفاوت رویکردهای اصلی تولید متن و تصویر را بهتر درک کنید.

در پایان، به یک مدل ذهنی کاربردی (Practical Mental Model) برای تحلیل سیستم‌های هوش مصنوعی مولد دست پیدا می‌کنید؛ مدلی که به شما کمک می‌کند بفهمید این سیستم‌ها چگونه رفتار می‌کنند، چرا گاهی دچار خطا می‌شوند و چگونه می‌توان به شکل مؤثرتری با آن‌ها کار کرد.

🎯 اهداف یادگیری
توضیح نحوه تولید خروجی توسط مدل‌های هوش مصنوعی مولد با استفاده از پیش‌بینی توکن بعدی و نمونه‌برداری احتمالاتی
تشریح فرآیند تبدیل متن به Token، Embedding و نمایش‌های عددی برای پردازش توسط مدل
توضیح نقش Attention در درک زمینه و ارتباط میان بخش‌های مختلف داده
تشریح معماری Transformer و نقش آن در توسعه مدل‌های مدرن هوش مصنوعی
مقایسه روش تولید محتوا در مدل‌های متنی مبتنی بر Transformer و مدل‌های تصویری مبتنی بر Diffusion
توضیح نحوه تولید متن از طریق پیش‌بینی و انتخاب توکن‌های متوالی
توضیح فرآیند تبدیل نویز به محتوای تصویری در مدل‌های Diffusion
تحلیل رفتار و عملکرد سیستم‌های مدرن Generative AI با استفاده از یک مدل ذهنی کاربردی
شناسایی دلایل احتمالی خطاها و رفتارهای غیرمنتظره در مدل‌های هوش مصنوعی مولد
به‌کارگیری درک عملی از معماری مدل‌ها برای استفاده مؤثرتر از ابزارهای Generative AI