ما در آیتی هلو از شهریور ۱۴۰۲ کارمون رو با عشق به کتاب و یادگیری شروع کردیم. تخصص ما چاپ کتابهای تخصصی به زبان اصلیه و با استفاده از تکنولوژیهای روز و مواد اولیه باکیفیت، مطمئن میشیم که هر کتاب از نظر ظاهر و محتوا در بهترین سطح قرار بگیره.
هدفمون اینه که دسترسی به منابع علمی و آموزشی معتبر رو برای همه سادهتر کنیم و در این مسیر، همراه و همکار خوبی برای شما باشیم.
Batch, Real-Time, and LLM Systems
کتاب ساخت سیستمهای یادگیری ماشین با مخزن ویژگی (Feature Store): راهنمای مهندسی هوش مصنوعی داینامیک
گذر از مدلهای ایستا به سیستمهای هوش مصنوعی پویا و ارزشآفرین
هوش مصنوعی امروزه به حوزهای بسیار وسیع و عمیق تبدیل شده است. اگر تا به حال مدلی را آموزش نداده باشید، ممکن است احساس کنید برای ورود به این عرصه به یک مدرک دکتری نیاز دارید. از سوی دیگر، اگر تجربه آموزش یک مدل را داشته باشید، احتمالاً میدانید که ساخت یک سیستم یادگیری ماشین کامل به گونهای به نظر میرسد که گویی ابتدا باید به یک مهندس داده خبره و متخصص زیرساختهای ابری تبدیل شوید. این کتاب دقیقاً برای پر کردن این شکاف نوشته شده است. برای خلق ارزش واقعی از هوش مصنوعی، باید از مجموعهدادههای راکد و دستورات متنی ثابت عبور کرده و به سمت مهندسی دادههای پویا و درک بافتار (Context) حرکت کنید. وقتی یک مدل را آموزش میدهید، نیازمند سیستمی هستید که بتواند پیشبینیهای متعددی را در دنیای واقعی انجام دهد، نه اینکه صرفاً روی دادههای آزمایشی و ایستا متوقف شود. در برنامههای مدرن و مبتنی بر هوش مصنوعی، شما نباید پاسخهای یکسانی را برای تمام کاربران به صورت کدنویسیشده و ثابت ارائه دهید. شما میتوانید با تزریق اطلاعات متنی تازه، مرتبط و لحظهای در زمان ثبت درخواست، هوش مصنوعی را برای هر کاربر بهینهسازی و شخصیسازی کنید.
اهمیت حیاتی پایپلاینهای داده در معماری سیستمهای هوشمند
سیستمهای یادگیری ماشین و هوش مصنوعی زمانی بیشترین ارزش را خلق میکنند که با دادههای در حال تغییر و پویا کار کنند. در این میان، پایپلاینها (خطوط لوله انتقال و پردازش داده) نقشی کلیدی و غیرقابل انکار ایفا میکنند. شما برای تبدیل دادههای پویا از منابع خام به فرمتی که برای آموزش مدل، انجام پیشبینیها یا ارائه اطلاعات زمینهای به مدلهای زبانی بزرگ کاربرد داشته باشد، به شدت به این خطوط پردازشی نیازمند هستید. در این کتاب، سیستمهای یادگیری ماشین به عنوان دنبالهای از پایپلاینها تعریف و بررسی میشوند. این خطوط پردازشی، دادهها را به صورت مرحلهبهمرحله از منابع اولیه تبدیل میکنند تا در نهایت به عنوان ورودی برای آموزش یا استنتاج (پیشبینی) مورد استفاده قرار گیرند. این سطح از انتزاع به ما کمک میکند تا معماری سیستمهای هوشمند را بسیار ماژولار و ساختاریافته طراحی کنیم. ما با مطالعه این اثر یاد میگیریم که چگونه یک پلتفرم مدیریت داده برای هوش مصنوعی، ترکیب این پایپلاینها را برای خلق سیستمهای کارآمد و بینقص امکانپذیر میسازد.
طراحی سیستمهای یادگیری ماشین از پایه تا استقرار کامل
یکی از مهمترین ویژگیهای این اثر، رویکرد ساختاریافته آن برای طراحی سیستمهای مختلف هوش مصنوعی از نقطه صفر است. یک سیستم یادگیری ماشین در دنیای واقعی به ندرت با یک مجموعهداده آماده و بینقص کار میکند. در عوض، توسعهدهندگان معمولاً با یک فرآیند پیچیده برای شناسایی مسئله پیشبینی صحیح، مدیریت جریانهای داده بیوقفه و افزایشی، تنظیم دقیق مدلها و ساخت رابطهای کاربری مواجه هستند. سیستم یادگیری ماشین شما نباید مانند یک خانه پوشالی سست باشد؛ بلکه باید با اصول مهندسی نرمافزار، به صورت کاملاً مستحکم بنا شود. این سیستمها پیش از ورود به محیط عملیاتی نیازمند آزمایشهای دقیق هستند و پس از آن نیز باید به طور مداوم نظارت شوند. این کتاب مهارتهای لازم برای ساخت سه کلاس بسیار مهم از سیستمهای یادگیری ماشین را به شما آموزش میدهد: سیستمهای پردازش دستهای که پیشبینیها را بر اساس زمانبندی انجام میدهند، سیستمهای در لحظه که 24/724/724/7 فعال هستند و پیشبینیهای شخصیسازیشده ارائه میدهند، و سیستمهای هوش مصنوعی عاملمحور که به صورت خودمختار برای حل اهداف پیچیده با استفاده از مدلهای زبانی بزرگ فعالیت میکنند.
کلمات کلیدی:پیشینه آکادمیک و تجربیات واقعی در پسزمینه کتاب
محتوای این کتاب ریشه در یک دوره آموزشی پیشگامانه در موسسه سلطنتی فناوری کیتیاچ دارد. این موسسه زادگاه بنیانگذاران شرکتهای مهمی در حوزه هوش مصنوعی است. نویسنده کتاب با تکیه بر سالها تجربه در حوزههای هوش مصنوعی، سیستمها، زبانهای برنامهنویسی و پایگاههای داده، رویکردی چندجانبه را برای ساخت سیستمهای یادگیری ماشین ارائه کرده است. دانشجویان این دوره توانستهاند سیستمهای خلاقانهای مانند پیشبینی سطح آب، پیشبینی تقاضای برق و زمان رسیدن حملونقل عمومی را با استفاده از دادههای واقعی طراحی کنند. این تجربیات عملی اکنون در قالب یک راهنمای جامع و منسجم گردآوری شده است تا الهامبخش شما در ساخت پروژههای نوین باشد.
مخاطبین اصلی این راهنمای جامع معماری داده
این کتاب برای طیف وسیعی از متخصصان فناوری اطلاعات شامل دانشمندان داده، مهندسان داده، مهندسان نرمافزار و معماران نرمافزار که علاقه زیادی به ساخت سیستمهای مقیاسپذیر دارند، نگاشته شده است. اگر یک دانشمند داده هستید که از فرآیند خستهکننده عملیاتی کردن مدلها به ستوه آمدهاید اما هنوز متخصص زیرساخت نیستید، این کتاب رویکرد متفاوتی را به شما نشان خواهد داد. اگر مهندس داده هستید و میخواهید بدانید چگونه مدلسازی داده برای هوش مصنوعی انجام میشود، این اثر به تمام سوالات شما پاسخ خواهد داد. مهندسان یادگیری ماشین نیز از تمرینات کاربردی برای بهبود طراحی سیستم و مهارتهای تست آفلاین و آنلاین بهرهمند خواهند شد. برای درک بهتر مفاهیم، آشنایی پایه با زبان پایتون و دستورات استاندارد پایگاه داده برای خوانندگان بسیار مفید خواهد بود.
چه چیزی در این کتاب وجود ندارد؟
توجه به این نکته ضروری است که این اثر یک کتاب سنتی در زمینه عملیات یادگیری ماشین (MLOps) نیست. در اینجا از آموزشهای تکراری مربوط به نحوه بستهبندی نرمافزارها و زیرساخت به عنوان کد خبری نیست. تمرکز اصلی این کتاب بر روی معماری سیستمهای یادگیری ماشین و مخازن ویژگی است، نه صرفاً ابزارهای استقرار. این کتاب فرض را بر این میگذارد که فرآیندهای کانتینرسازی به صورت خودکار پشتیبانی میشوند و به جای پرداختن به تنظیمات پیچیده ابزارهای جانبی، بر روی هسته اصلی معماری داده و مهندسی ویژگیها تمرکز میکند.
بررسی عمیق ساختار و فصلهای ششگانه کتاب
بخش اول: معماری پایپلاینهای ویژگی، آموزش و استنتاج
در این بخش، کالبدشناسی یک سیستم یادگیری ماشین تشریح میشود. تاریخچهای کوتاه از معماریهای مختلف ارائه شده و سپس یک معماری یکپارچه معرفی میگردد. شما با سه دسته اصلی پایپلاینها آشنا میشوید و یاد میگیرید که چگونه فرآیند توسعه سیستمهای هوش مصنوعی را مدیریت کنید. در پایان این بخش، شما اولین سیستم پیشبینی کیفیت هوا را با استفاده از دادههای واقعی طراحی خواهید کرد.
بخش دوم: مخازن ویژگی و مدیریت پروژههای در لحظه
این بخش به معرفی ویژگیهای اصلی مخازن داده برای یادگیری ماشین میپردازد. شما یاد خواهید گرفت که چگونه از انحراف دادهها بین محیط آموزش و محیط عملیاتی جلوگیری کنید. همچنین، مباحث مربوط به مدلسازی دادهها، امنیت پروژههای چندمستاجری و رابطهای برنامهنویسی برای خواندن و نوشتن دادهها در این بخش به طور جامع پوشش داده شده است.
بخش سوم: دگرگونی و پردازش پیشرفته دادهها
این بخش به چارچوبهای پردازش داده اختصاص دارد. نحوه اعتبارسنجی دادهها، اعمال تغییرات روی ویژگیها برای آموزش مدل و پردازش در لحظه با جزئیات کامل بررسی میشود. شما با طراحی پایپلاینهای پردازش دستهای و همچنین خطوط لوله جریانی که دادهها را به صورت پیوسته و بدون وقفه تحلیل میکنند، آشنا خواهید شد.
بخش چهارم: آموزش مدلها با دادههای ساختاریافته و بدون ساختار
در اینجا فرآیند ساخت مجموعهدادههای آموزشی از مخزن ویژگی آموزش داده میشود. از آموزش یک درخت تصمیم ساده تا تنظیم دقیق مدلهای زبانی بزرگ و چالشهای مقیاسپذیری در آموزش توزیعشده، همگی در این بخش مورد تحلیل قرار میگیرند.
بخش پنجم: سیستمهای پیشبینی و هوش مصنوعی عاملمحور
این قسمت از کتاب به نحوه انجام استنتاج در حالتهای دستهای و در لحظه میپردازد. معماری سرویسدهی به مدلها، استفاده از پردازندههای گرافیکی و مدیریت سیستمهای خودمختار که با استفاده از مدلهای زبانی اهداف را پیش میبرند، از جذابترین مباحث این بخش است.
بخش ششم: عملیات یادگیری ماشین و نظارت بر سیستم
در بخش پایانی، نحوه انجام تستهای آفلاین، اعتبارسنجی مداوم و نظارت بر سلامت سیستم در محیط عملیاتی آموزش داده میشود. شما یاد میگیرید که چگونه متریکهای عملکردی را ردیابی کنید و با استفاده از گزارشها، از صحت عملکرد مدلها و عاملهای هوشمند در طول زمان اطمینان حاصل نمایید.
ارزش بینظیر تهیه نسخه چاپی کتاب برای متخصصان
تهیه نسخه چاپی این راهنمای تخصصی، یک سرمایهگذاری قطعی برای مسیر شغلی شما محسوب میشود. در فرآیند پیچیده مهندسی داده و طراحی معماریهای کلان، در اختیار داشتن یک مرجع فیزیکی بر روی میز کار که بتوانید به سرعت ساختار پایپلاینها را در آن مرور کنید، سرعت توسعه شما را به شدت افزایش میدهد. نسخه چاپی به شما امکان تمرکز عمیقتر، یادداشتبرداری در حاشیه الگوهای معماری و دسترسی بیوقفه به راهکارهای مهندسی را میدهد. این کتاب نه تنها یک آموزش گامبهگام است، بلکه به عنوان یک هندبوک دائمی در تمام مراحل طراحی سیستمهای هوش مصنوعی شرکتی در کنار شما خواهد بود.
نمونه چاپ کتاب موجود نیست.
نظرات کاربران (0)