
Patterns and principles for production-grade AI architecture
طراحی و توسعه سیستمهای نرمافزاری مبتنی بر مدلهای زبانی بزرگ (LLM) یکی از مهمترین و در عین حال چالشبرانگیزترین حوزههای مهندسی نرمافزار مدرن است. بسیاری از سازمانها و شرکتهای فناوری پس از اجرای موفقیتآمیز آزمونهای اولیه، هنگام تبدیل این نمونههای آزمایشی به محصولات تجاری و مقیاسپذیر با چالشهای بزرگی روبهرو میشوند.
مشکلاتی نظیر عدم قطعیت در خروجیها، هزینههای بسیار بالای فراخوانی مدلها، تاخیر در پاسخدهی و پیچیدگیهای مدیریت زمینه (Context)، مانع اصلی در بهینهسازی فرآیندهای کاری و ارائه محصولات پایدار هستند. این اثر ارزشمند به عنوان یک مرجع جامع، تمام الگوهای معماری، مفاهیم زیرساختی و اصول مهندسی لازم برای ساخت سیستمهای هوشمند تجاری را در اختیار شما قرار میدهد.
این مرجع کاربردی تمرکزی بر آموزش مبانی نظری، ریاضیات عمیق یادگیری ماشین یا آموزش نحوه ساخت و آموزش اولیه مدلها ندارد؛ بلکه با فرض داشتن دانش پایهای در زمینه سیستمهای توزیعشده، مستقیماً به سراغ اصل مطلب یعنی نحوه یکپارچهسازی، عملیاتیسازی و مدیریت کارآمد مدلهای زبانی بزرگ (LLM) در زیرساختهای نرمافزاری میرود.
طراحی سیستمهای مبتنی بر هوش مصنوعی نیازمند اتخاذ تدابیر ویژهای در لایههای مختلف نرمافزار است. در این کتاب، تمام مسیر طراحی از مشتریان سمت کاربر تا سرویسهای ارکستراسیون پشتی و لایههای ذخیرهسازی داده به طور کامل شکافته میشود.
شما یاد میگیرید که چگونه تکنیکهای پیشرفته مهندسی نرمافزار نظیر کلید قطعهساز (Circuit Breaker) و محدودکننده نرخ درخواست (Rate Limiting) را برای مدیریت رفتارهای غیرقابلپیشبینی مدلهای هوش مصنوعی به کار بگیرید.
علاوه بر این، تکنیکهای پیشرفته بازیابی اطلاعات مبتنی بر RAG، انتخاب و مدیریت پایگاههای داده برداری، رابطهای و گراف، و روشهای کاهش هزینههای عملیاتی به همراه حفظ حریم خصوصی کاربران به صورت عمیق بررسی میشوند.
یکی از برجستهترین نقاط قوت این کتاب، بررسی سناریوهای واقعی و بنچمارکهای کاربردی در قالب مطالعات موردی است. مطالب کتاب از طریق تحلیل معماری چهار سیستم مدرن و پیچیده آموزش داده میشوند:
حل مشکل محدودیت پنجره زمینه با نمایهسازی کدها و حفظ حریم خصوصی کدهای کاربران.
جداسازی مسیرهای پردازش آفلاین محتوا از سرویسدهی آنلاین و الگوهای پردازش ناهمگام.
گذر از جستجوی ساده کلمات کلیدی به سمت معماریهای جستجوی ترکیبی، رتبهبندی مجدد و استراتژیهای کشگذاری هوشمند.
ساخت دادههای مرجع برای ارزیابی خروجیها و بهروزرسانی زنده پایگاههای دانش.
کلمات کلیدی:بررسی مفاهیم پایهای مانند توکنها، بردارهای معنایی، سیستمهای بازیابی اطلاعات، عاملهای هوشمند و روشهای ارزیابی و مدیریت خطا.
بررسی الگوهای طراحی برای دستیابی به پایداری بالا، کاهش تاخیر، بهینهسازی هزینهها و ارتقای امنیت در سیستمهای توزیعشده.
بررسی تخصصی نمایهسازی کدها، تعادل میان تاخیر و دقت، و حفظ امنیت و حریم خصوصی کدهای کاربران.
تحلیل معماری خط لوله پردازش دادهها، مقایسه پایگاههای داده برداری، رابطهای و گراف، و مدیریت پردازشهای ناهمگام.
پیادهسازی جستجوی ترکیبی، الگوریتمهای رتبهبندی خروجی مدلها و مکانیسمهای کشگذاری پیشرفته برای کاهش هزینهها.
ایجاد مجموعه دادههای ارزیابی، مدیریت پایگاه دانش زنده و بهینهسازی پاسخدهی خودکار به مشتریان.
اصطلاحات کلیدی، مفاهیم زیرساختی و تعاریف فنی مطرحشده در طول کتاب.
اگر به عنوان معمار سیستم، مهندس ارشد یا سرپرست تیم فنی قصد دارید سیستمهای هوش مصنوعی پایدار، مقیاسپذیر و مقرونبهصرفه بسازید، این کتاب دقیقاً همان نقشهراهی است که به آن نیاز دارید.
با مطالعه این اثر میتوانید نمونههای آزمایشی هوش مصنوعی را به محصولات واقعی با قابلیت پشتیبانی از حجم بالای کاربران تبدیل کنید و چالشهای پیچیدهای مانند تاخیر، هزینه و امنیت دادهها را به بهترین شکل ممکن مدیریت نمایید.
ارائه مطالب در قالب یک جلد کتاب فیزیکی با کیفیت چاپ بالا و صحافی مقاوم، مطالعه و مرور نمودارهای معماری را هنگام طراحی سیستم بسیار آسان میکند. دسترسی سریع به الگوهای طراحی، امکان یادداشتبرداری در حواشی صفحات و بررسی دقیق دیاگرامهای زیرساختی از ویژگیهای برجسته داشتن نسخه چاپی این اثر در کتابخانه تخصصی شماست.
نمونه چاپ کتاب موجود نیست.
نظرات کاربران (0)