
Build, deploy, and scale production-ready GenAl systems with LLMOps best practices
ظهور هوش مصنوعی مولد دنیای فناوری و نحوه فعالیت سازمانها را به طور بنیادین دگرگون کرده است. فارغ از بحث درباره دامنه این تغییرات، انکارناپذیر است که این تحول شگرف هماکنون در جریان است. کتاب حاضر با نگاهی دقیق و تحلیلی، این تغییرات و پیامدهای مستقیم آنها را بر فرآیندهای توسعه نرمافزار بررسی میکند. این اثر به جای تمرکز بر برنامهنویسی بر اساس حس شهودی، بر اصول بنیادی مهندسی نرمافزار تاکید میورزد؛ اصولی که به آرامی تکامل مییابند و همواره بهعنوان پایهای استوار باقی میمانند. درک این اصول، کلید اصلی طراحی و ساخت محصولات موفق برای کاربران است.
امروزه با وجود ابزارهای پیشرفتهای مانند دستیارهای هوشمند کدنویسی، ساخت سریع نمونههای اولیه تسهیل شده است. اما چرا همچنان به کتابی درباره معماری نرمافزار و روشهای بهینه نیاز داریم؟ پاسخ در این واقعیت نهفته است که استفاده درست از هوش مصنوعی نیازمند دانش عمیق برای طرح پرسشهای دقیق و توانایی ارزیابی نقادانه خروجیها است. دستیارهای هوشمند تنها به اندازه دستوراتی که دریافت میکنند کارآمد هستند. امروزه نقش توسعهدهندگان از متخصصان تکبعدی به هماهنگکنندگان مهارتهای گوناگون و هدایتکنندگان ابزارهای هوشمند تغییر یافته است.
این اثر در قالب ۱۰ فصل کاربردی، تمام گامهای لازم برای تبدیل یک نمونه اولیه به یک پلتفرم پایدار و مقیاسپذیر را آموزش میدهد.
این بخش با تعریف درست مسئله اصلی و نحوه توسعه نمونه اولیه آغاز میشود. در این فصل راهنماییهای عملی برای بکارگیری هوش مصنوعی مولد در سازمانهای مختلف ارائه شده و باورهای غلط درباره دادهها و آمادگی برای محیط عملیاتی اصلاح میشوند.
ارزیابی خروجیهای باز هوش مصنوعی چالشهای خاص خود را دارد. این فصل به طراحی معیارهای ارزیابی آفلاین، استفاده از مدلها برای داوری خروجیها و ورود ارزیابی انسانی در جریانهای کاری پیچیده میپردازد.
در این فصل اصول طراحی سیستمهای آماده برای محیط عملیاتی بررسی میشود. موضوعاتی مانند مدیریت قالبهای دستور، پایگاههای داده برداری، جستجوی ترکیبی و طراحی سیستمهای عاملمحور تکعاملی و چندعاملی به تفصیل شرح داده شدهاند.
تمرکز این بخش بر بهترین روشهای مهندسی نرمافزار برای تبدیل پروژههای آزمایشی به سیستمهای باکیفیت و مطمئن است. همچنین استراتژیهای آزمون نرمافزار و آموزش داده میشوند.
کلمات کلیدی:این فصل روند تحول از مدیریت عملیات نرمافزار (DevOps) به مدیریت عملیات مدلهای هوشمند (LLMOps) را بررسی میکند. کاهش هزینههای پردازشی و حذف چالشهای پیوستگی کد و داده از مباحث اصلی این فصل است.
آموزش طراحی برنامههای بدون وضعیت، مدیریت زیرساخت مبتنی بر کد، ارکستراسیون کانتینرها و افزایش سرعت پاسخدهی با ذخیرهسازی موقت دادهها در این فصل قرار گرفته است.
بررسی مسئولیتهای اخلاقی در توسعه هوش مصنوعی مسئولانه، حفظ انصاف و شفافیت و شناسایی و خنثیسازی خطرات امنیتی در این بخش انجام میشود.
معرفی اصول مهندسی پایداری سیستم، تعیین سطح مطلوب اطمینان و استفاده از ثبت رویدادها و سنجهها برای پایش عملکرد در این فصل پوشش داده شده است.
این فصل نحوه گذر از یک برنامه کاربردی به یک پلتفرم جامع را نشان میدهد. نقش تیمهای توسعه پلتفرم، درگاههای مدیریت مدل و محیطهای ایمن اجرای کد بررسی میشوند.
مفاهیم ارزیابیهای آماری، طراحی آزمایشهای آنلاین و شناسایی خطاهای رایج در تحلیل رفتار کاربران در فصل پایانی تشریح شدهاند.
این اثر برای گروه گستردهای از فعالان دنیای فناوری طراحی شده است که میخواهند دانش خود را به سطحی بالاتر ارتقا دهند:
دانشمندان داده و متخصصان یادگیری ماشین: افرادی که میخواهند نمونههای اولیه خود را با رعایت کامل اصول امنیتی و پایداری به محیط عملیاتی وارد کنند.
مهندسان نرمافزار و توسعهدهندگان: کسانی که قصد دارند برنامههای هوشمند مبتنی بر هوش مصنوعی را با ساختاری مهندسیشده خلق کنند.
مدیران فنی، رهبران محصول و صاحبان کسبوکار: افرادی که میخواهند تاثیرات راهبردی هوش مصنوعی بر تیمها و محصولات را درک کنند.
این کتاب بر اصول بنیادین و ماندگار مهندسی تمرکز دارد که با تغییر فناوریها کهنه نمیشوند. با اینکه مثالهای کاربردی به زبان پایتون ارائه شدهاند، اما تمامی مفاهیم به گونهای بیان شدهاند که برای هر زبان برنامهنویسی قابل تعمیم باشند. مطالعه این اثر به شما کمک میکند تا از نقش یک برنامهنویس ساده به یک معمار و هماهنگکننده ارشد سیستمهای هوشمند ارتقا یابید و محصولات خود را بر پایهای استوار بنا کنید.
نمونه چاپ کتاب موجود نیست.
نظرات کاربران (0)