کتاب Building Neo4j-Powered Applications with LLMs

ساخت برنامه‌های هوش مصنوعی با Neo4j: راهنمای جامع برای توسعه برنامه‌های مبتنی بر گراف و هوش مصنوعی مولد

آشنایی با کتاب

کتاب ساخت برنامه‌های هوش مصنوعی با Neo4j، نوشته راویندراناتا آنتاپو (مشاور ارشد در Neo4j) و سیدهانت آگراوال (کارشناس توسعه‌دهنده گوگل در هوش مصنوعی مولد)، راهنمایی جامع برای توسعه‌دهندگانی است که می‌خواهند برنامه‌های هوشمند مبتنی بر مدل‌های زبان بزرگ (LLM) را با استفاده از گراف‌های دانش Neo4j و قابلیت‌های جست‌وجوی برداری بسازند. این کتاب با تمرکز بر معماری تولید افزوده‌شده با بازیابی (RAG) و گراف‌های دانش، به شما کمک می‌کند تا با استفاده از فریم‌ورک‌هایی مانند Haystack، Spring AI و LangChain4j، برنامه‌هایی دقیق و بدون خطای توهم (hallucination) طراحی کنید. خرید نسخه چاپی یا کیندل شامل نسخه رایگان eBook در فرمت PDF است.

چرا این کتاب را بخوانید؟

مدل‌های زبان بزرگ (LLM) نحوه تعامل کسب‌وکارها با مشتریان را متحول کرده‌اند، اما چالش‌هایی مانند توهم و عدم دقت پاسخ‌ها همچنان باقی است. این کتاب با آموزش چگونگی استفاده از گراف‌های دانش Neo4j برای ارائه زمینه (Context) دقیق به LLMها، شما را در ساخت برنامه‌های هوشمندی مانند سیستم‌های جست‌وجو و توصیه‌گرهای شخصی‌سازی‌شده توانمند می‌کند. با مثال‌های کد‌محور موجود در مخزن GitHub همراه کتاب، تجربه عملی در کار با Neo4j GenAI و استقرار برنامه‌ها در Google Cloud به دست خواهید آورد.

ویژگی‌های کلیدی کتاب

بخش اول: مفاهیم پایه و RAG

• معرفی LLMها، RAG و گراف‌های دانش Neo4j: مروری بر فناوری‌های کلیدی و نقش آن‌ها.

• راززدایی از RAG: توضیح تولید افزوده‌شده با بازیابی و کاربردهای آن.

• ایجاد درک پایه از گراف‌های دانش برای برنامه‌های هوشمند: اصول مدل‌سازی داده‌های گرافی.

بخش دوم: ساخت و جست‌وجو در گراف‌های دانش

• ساخت گراف Neo4j با مجموعه داده فیلم‌ها: آموزش عملی مدل‌سازی گراف.

• پیاده‌سازی قابلیت‌های جست‌وجوی قدرتمند با Neo4j و Haystack: تقویت جست‌وجوی معنایی.

• کاوش قابلیت‌های پیشرفته گراف‌های دانش: تکنیک‌های پیچیده برای بهبود دقت.

بخش سوم: سیستم‌های توصیه‌گر و ادغام

• معرفی فریم‌ورک‌های Neo4j Spring AI و LangChain4j برای سیستم‌های توصیه‌گر: ابزارهای مدرن برای توصیه‌های شخصی.

• ساخت گراف توصیه با مجموعه داده شخصی‌سازی H&M: مثال واقعی از توصیه‌گرها.

• ادغام LangChain4j و Spring AI با Neo4j: ترکیب فریم‌ورک‌ها برای عملکرد بهتر.

بخش چهارم: استقرار و بهینه‌سازی

• ایجاد سیستم توصیه هوشمند: طراحی سیستم‌های توصیه‌گر مقیاس‌پذیر.

• انتخاب پلتفرم ابری مناسب برای برنامه‌های GenAI: مقایسه گزینه‌ها.

• استقرار برنامه در ابر: راهنمای عملی برای استقرار در Google Cloud.

• پایان‌بندی: جمع‌بندی و نکات نهایی برای توسعه‌دهندگان.

کاربردهای عملی

این کتاب با مثال‌های کد‌محور و پروژه‌های واقعی مانند جست‌وجوی مبتنی بر بردار و سیستم‌های توصیه‌گر شخصی‌سازی‌شده، شما را در استفاده از Neo4j برای بهبود دقت و کارایی LLMها توانمند می‌کند. با آموزش طراحی گراف‌های دانش با زبان Cypher، ادغام با فریم‌ورک‌های Haystack و Spring AI، و استقرار برنامه‌ها در Google Cloud، این کتاب ابزارهای لازم برای ساخت برنامه‌های هوش مصنوعی پیشرفته را ارائه می‌دهد. مخزن GitHub همراه کتاب، یادگیری عملی را تقویت می‌کند.

درباره فناوری

این کتاب بر فناوری‌های Neo4j (گراف‌های دانش و جست‌وجوی برداری)، RAG و فریم‌ورک‌هایی مانند Haystack، Spring AI و LangChain4j تمرکز دارد. این فناوری‌ها با مدل‌های مدرن LLM مانند OpenAI، Google Vertex AI و Hugging Face سازگار هستند و امکان ساخت برنامه‌های مقیاس‌پذیر و مبتنی بر زمینه را فراهم می‌کنند.

مخاطبان کتاب

این کتاب برای توسعه‌دهندگان پایگاه داده و دانشمندان داده‌ای طراحی شده است که می‌خواهند از گراف‌های دانش Neo4j و قابلیت‌های جست‌وجوی برداری برای ساخت سیستم‌های جست‌وجو و توصیه‌گر هوشمند استفاده کنند. دانش کاری در پایتون و جاوا ضروری است، و آشنایی با Neo4j، زبان Cypher و مفاهیم پایه پایگاه داده مفید خواهد بود.

درباره نویسندگان

راویندراناتا آنتاپو، مشاور ارشد در Neo4j با بیش از ۲۵ سال تجربه در فناوری‌های پیشرفته، و سیدهانت آگراوال، کارشناس توسعه‌دهنده گوگل در GenAI، با تجربه در برنامه‌های توسعه‌دهندگان جهانی، دانش خود را با مثال‌های عملی و زبانی قابل‌فهم ارائه کرده‌اند.