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.
Engineering retrieval-augmented generation systems with Python, LangChain, and Llamalndex
تولید افزوده با بازیابی (Retrieval-Augmented Generation | RAG) به یکی از مهمترین و مؤثرترین معماریها برای توسعه سیستمهای هوش مصنوعی مولد، دستیارهای هوشمند، چتباتهای سازمانی و موتورهای جستجوی مبتنی بر مدلهای زبانی بزرگ (LLM) تبدیل شده است. با ترکیب مدلهای بزرگ زبانی (Large Language Models) و منابع دانش خارجی، سامانههای مبتنی بر RAG قادرند پاسخهایی دقیق، مستند، قابل اعتماد و مبتنی بر دادههای واقعی تولید کنند و محدودیتهای رایج مدلهای زبانی مانند قدیمی بودن اطلاعات یا توهم (Hallucination) را تا حد زیادی کاهش دهند.
این کتاب مرجعی جامع، عمیق و کاملاً عملی برای پیادهسازی سیستمهای RAG در محیطهای واقعی است و تمامی مراحل لوله پردازشی RAG را از مفاهیم پایه مانند بردارها (Embeddings)، پایگاههای داده برداری، نمایهسازی (Indexing)، بازیابی اطلاعات (Retrieval)، تولید پاسخ (Generation) و ارزیابی عملکرد، تا تکنیکهای پیشرفته بهینهسازی و معماریهای نوین بهصورت گامبهگام آموزش میدهد.
تمرکز اصلی این اثر تنها بر مفاهیم نظری نیست، بلکه بر طراحی، توسعه، بهینهسازی و استقرار سامانههای RAG در مقیاس سازمانی قرار دارد. در طول کتاب با چارچوبهای مطرحی مانند LangChain، LlamaIndex، پایگاههای داده برداری نظیر Milvus و تکنیکهای نوین مهندسی بازیابی و تولید پاسخ آشنا خواهید شد تا بتوانید سیستمهای هوش مصنوعی قابل اعتماد و آماده استفاده در محیطهای عملیاتی ایجاد کنید.
این کتاب برای متخصصان و علاقهمندان حوزه هوش مصنوعی، یادگیری ماشین، علوم داده و مهندسی نرمافزار تدوین شده است که قصد دارند فراتر از پیادهسازیهای ساده RAG رفته و معماریهای حرفهای و مقیاسپذیر طراحی کنند.
این کتاب برای افراد زیر مناسب است:
مهندسان هوش مصنوعی و یادگیری ماشین: افرادی که میخواهند جزئیات معماری سیستمهای RAG، فرآیند بازیابی اطلاعات و نحوه تعامل مدلهای زبانی با منابع دانش را بهصورت عمیق درک کنند.
توسعهدهندگان نرمافزار: برنامهنویسانی که در حال توسعه سامانههای مبتنی بر مدلهای زبانی، چتباتها، دستیارهای هوشمند یا موتورهای جستجوی هوشمند هستند و به دنبال افزایش دقت، کیفیت و سرعت پاسخها میباشند.
معماران نرمافزار و راهبران فنی: متخصصانی که مسئول طراحی زیرساختهای مقیاسپذیر، جستجوی ترکیبی، رتبهبندی مجدد، ارزیابی عملکرد و استقرار سامانههای هوش مصنوعی در سازمانها هستند.
پژوهشگران و دانشجویان علوم داده و هوش مصنوعی: افرادی که قصد دارند با مفاهیم روز دنیا در حوزه Retrieval-Augmented Generation و معماریهای نوین مدلهای زبانی آشنا شوند.
برای استفاده حداکثری از مطالب این کتاب، آشنایی با موارد زیر کافی خواهد بود:
کلمات کلیدی:برنامهنویسی با زبان پایتون (Python)
آشنایی اولیه با مدلهای بزرگ زبانی (LLM)
درک مقدماتی از یادگیری ماشین و پردازش زبان طبیعی (NLP)
آشنایی پایه با APIها و مفاهیم پایگاه داده مزیت محسوب میشود، اما الزامی نیست.
پیادهسازی یک نمونه اولیه از Retrieval-Augmented Generation معمولاً کار دشواری نیست، اما تبدیل آن به یک سامانه دقیق، پایدار، سریع، مقیاسپذیر و مناسب برای استفاده در محیطهای واقعی نیازمند شناخت عمیق معماری RAG، الگوریتمهای بازیابی اطلاعات، بهینهسازی نمایهها و ارزیابی مستمر کیفیت سیستم است.
این کتاب دقیقاً با همین هدف نوشته شده و تمامی چالشهای عملی طراحی و پیادهسازی سیستمهای RAG را با مثالهای واقعی، معماریهای استاندارد و تکنیکهای روز دنیا پوشش میدهد.
آشنایی عمیق با معماری RAG: شناخت کامل چرخه پردازش داده از ورود اسناد تا تولید پاسخ نهایی.
بررسی تخصصی پایگاههای داده برداری: آموزش معماری، نمایهسازی و جستجوی شباهت در پایگاههای دادهای مانند Milvus.
بهینهسازی فرآیند Chunking و Retrieval: استفاده از تکنیکهای پیشرفته تکهتکهسازی، Parent-Child Retrieval، Sentence Window Retrieval و نمایهسازی سلسلهمراتبی.
آموزش چارچوبهای مطرح هوش مصنوعی: پیادهسازی پروژههای عملی با LangChain و LlamaIndex.
کاهش خطا و توهم مدلهای زبانی: استفاده از روشهای نوین برای افزایش دقت پاسخها و بهبود قابلیت استناد.
ارزیابی جامع سیستم: آموزش معیارهای استاندارد ارزیابی بخش بازیابی و تولید پاسخ برای سنجش کیفیت سامانه.
آمادگی برای پروژههای سازمانی: طراحی سامانههای RAG مقیاسپذیر، قابل نگهداری و مناسب برای کاربردهای صنعتی.
در این بخش تکنیکهای بارگذاری، استخراج و پارس انواع دادهها از منابع مختلف شامل فایلهای متنی، اسناد PDF، تصاویر، صفحات وب، فایلهای جدولی و دادههای چندرسانهای آموزش داده میشود. همچنین روشهای تبدیل PDF به Markdown، پردازش اسناد چندوجهی و آمادهسازی دادهها برای مراحل بعدی بررسی خواهد شد.
یکی از مهمترین مراحل طراحی سیستمهای RAG، تقسیم صحیح اسناد است. در این فصل استراتژیهای مختلف Chunking، حفظ انسجام معنایی، جلوگیری از رقیق شدن موضوعات، انتخاب اندازه مناسب قطعات و مدیریت محدودیت پنجره بافت (Context Window) مدلهای زبانی آموزش داده میشود تا دقت بازیابی اطلاعات افزایش یابد.
در این فصل سیر تحول مدلهای Embedding، بردارهای متراکم و پراکنده، مدلهای چندزبانه، مدلهای چندوجهی، روشهای انتخاب مدل مناسب، تنظیم دقیق (Fine-tuning) و معیارهای ارزیابی کیفیت بردارسازی بررسی میشود.
در ادامه، نحوه ذخیرهسازی بردارها، ساخت نمایههای برداری، الگوریتمهای جستجوی تقریبی نزدیکترین همسایه (ANN)، عملیات جستجوی شباهت و پیادهسازی آنها در پایگاههای داده برداری بهویژه Milvus آموزش داده میشود.
این فصل به تکنیکهای بهبود کیفیت پرسوجو اختصاص دارد؛ از جمله بازنویسی خودکار پرسش، ترجمه پرسش، تبدیل متن به SQL (Text-to-SQL)، استفاده از متاداده، فیلترسازی هوشمند، Query Routing و هدایت درخواستها به مناسبترین مسیر بازیابی.
در این بخش روشهای پیشرفته نمایهسازی مانند Sentence Window Retrieval، Parent-Child Retrieval، نمایهسازی سلسلهمراتبی و تصمیمات مهندسی برای ایجاد تعادل میان دقت، سرعت و هزینه پردازش بررسی میشود.
برای افزایش کیفیت نتایج، تکنیکهایی مانند Hybrid Search، Reranking، Query Transformation، بازیابی مبتنی بر گراف دانش (Knowledge Graph Retrieval) و ترکیب روشهای مختلف بازیابی آموزش داده میشود.
در این فصل نحوه طراحی اعلانهای مؤثر (Prompt Engineering)، قالببندی ساختاریافته خروجی، کنترل کیفیت پاسخ، کاهش توهم مدل، استناددهی به منابع، خودبازبینی (Self-Reflection) و روشهای خوداصلاحی هنگام تولید پاسخ بررسی خواهد شد.
این بخش به ارزیابی مستقل مراحل بازیابی و تولید پاسخ اختصاص دارد. معیارهایی مانند Precision، Recall، Hit Rate، MRR، NDCG، Faithfulness، Relevancy و سایر سنجههای استاندارد برای اندازهگیری عملکرد سامانههای RAG معرفی و تحلیل میشوند.
در فصل پایانی با جدیدترین معماریهای این حوزه شامل Graph RAG، Agentic RAG، سیستمهای چندوجهی (Multimodal RAG)، گردشکارهای خودکار، معماریهای عاملمحور و روشهای توسعه سامانههای هوشمند در مقیاس سازمانی آشنا خواهید شد. همچنین نحوه انتخاب معماری مناسب برای سناریوهای مختلف، بهینهسازی هزینه و افزایش قابلیت اطمینان سیستمهای مبتنی بر مدلهای زبانی مورد بررسی قرار میگیرد.
نمونه چاپ کتاب موجود نیست.
نظرات کاربران (0)