“مهندسی هوش مصنوعی: ساخت اپلیکیشنها با مدلهای پایهای” – کتابی برای آنها که میخواهند «مهندسی هوش مصنوعی» را فراتر از پیادهسازی مدل یاد گرفته و از قدرت مدلهای آماده استفاده کنند!!
اگر از شنیدن نام هوش مصنوعی هیجانزده میشوید، اما بخاطر پیچیدگیهای آن گیج شدهاید؟ نگران نباشید! کتاب AI Engineering “مهندسی هوش مصنوعی: ساخت اپلیکیشنها با مدلهای پایهای” نوشته چیپ هویان، راهنمای شما برای ورود به دنیای جذاب ساخت اپلیکیشنهای هوش مصنوعی است. این کتاب، با رویکردی نوین و کاربردی، هوش مصنوعی را از یک رشته تخصصی به ابزاری قدرتمند برای همگان تبدیل میکند.
چرا این کتاب را باید بخوانید؟
در عصری که هوش مصنوعی با سرعتی بیسابقه در حال پیشرفت است، تقاضا برای ساخت محصولات مبتنی بر این فناوری نیز روزبهروز بیشتر میشود.
کتاب AI Engineering به شما یاد میدهد چطور بدون نیاز به تجربه قبلی، با تکیه بر مدلهای پایهای(Foundation Models) آماده، اپلیکیشنهای هوشمند بسازید؛ دقیقاً همان رویکردی که امروز بسیاری از استارتاپها و شرکتهای بزرگ دنبال میکنند.
چه چیزهایی در این کتاب خواهید آموخت؟
- مهندسی هوش مصنوعی چیست و چه تفاوتی با مهندسی یادگیری ماشین سنتی دارد؟ این کتاب به شما درک عمیقی از این حوزه نوظهور میدهد.
- فرآیند توسعه یک اپلیکیشن هوش مصنوعی: از تکنیکهای ساده تا روشهای پیچیدهتر، با چالشهای هر مرحله و راهحلهای آنها آشنا میشوید.
- تکنیکهای تطبیق مدل: از جمله مهندسی پرامپت (Prompt Engineering)، RAG (Retrieval-Augmented Generation)، فناوریهای تنظیم دقیق (Fine-tuning)، عاملها (Agents)، و مهندسی مجموعه داده (Dataset Engineering).
- غلبه بر تنگناهای تأخیر و هزینه: یاد بگیرید که چگونه هنگام استفاده از مدلهای پایهای، عملکرد و کارایی را بهینه کنید.
- انتخاب مدل، مجموعه داده و معیارهای ارزیابی مناسب: راهنمایی جامع برای اتخاذ بهترین تصمیمات در پروژههای هوش مصنوعی خود.
درباره نویسنده کتاب AI Engineering: چیپ هویان، ذهن درخشان پشت کتاب
| اطلاعات نویسنده | جزئیات |
| نام | چیپ هویان (Chip Huyen) |
| تخصص | نویسنده و دانشمند کامپیوتر، فعال در حوزه هوش مصنوعی، |
| سوابق کاری | NVIDIA، Snorkel AI، Netflix، بنیانگذار یک استارتاپ زیرساخت هوش مصنوعی (اکنون خریداری شده است) |
| تدریس | تدریس “طراحی سیستمهای یادگیری ماشین” در دانشگاه استنفورد (CS 329S) |
| افتخارات | جزو “Top Voices در توسعه نرمافزار (۲۰۱۹)” و “Top Voices در علم داده و هوش مصنوعی (۲۰۲۰)” از سوی لینکدین |
| کتابهای دیگر | “طراحی سیستمهای یادگیری ماشین” (پرفروشترین کتاب آمازون در حوزه هوش مصنوعی و ترجمه شده به بیش از ۱۰ زبان)؛ ۴ کتاب داستانی پرفروش به زبان ویتنامی |
| فعالیتهای دیگر | اداره سرور Discord در زمینه MLOps با بیش از ۶۰۰۰ عضو |
جزئیات کتاب AI Engineering در یک نگاه:
| ویژگی | جزئیات |
| عنوان | AI Engineering: Building Applications with Foundation Models |
| نویسنده | Chip Huyen |
| تاریخ انتشار | ۷ ژانویه ۲۰۲۵ |
| ناشر | O’Reilly Media |
| زبان | انگلیسی |
| طول (تعداد صفحات) | ۵۲۸ صفحه |
| ISBN-10 | ۱۰۹۸۱۶۶۳۰۲ |
| ISBN-13 | ۹۷۸-۱۰۹۸۱۶۶۳۰۴ |
| ابعاد | ۱۷.۷۸ * ۲.۷۴ * ۲۳.۳۴ سانتیمتر |
| رتبه پرفروشترینها | ۲,۹۹۶ در کتابها (کلی)، ۳ در سختافزار (کتاب)، ۶ در علوم کامپیوتر (کتاب)، ۷ در برنامهنویسی و طراحی وب |
| امتیاز مشتریان | ۴.۶ از ۵ ستاره (۲۲۰ امتیاز) |
📚 فهرست کامل کتاب AI Engineering
مهندسی هوش مصنوعی: ساخت اپلیکیشن با مدلهای پایهای
AI Engineering: Building Applications with Foundation Models
فصل ۱: مقدمهای بر ساخت اپلیکیشنهای AI با مدلهای پایهای
- ظهور مهندسی هوش مصنوعی
- از مدلهای زبانی تا مدلهای زبانی بزرگ
- از مدلهای زبانی بزرگ تا مدلهای پایهای
- از مدلهای پایهای تا مهندسی AI
- کاربردهای مدلهای پایهای
- کدنویسی
- تولید تصویر و ویدئو
- نویسندگی
- آموزش
- باتهای مکالمهای
- تجمیع اطلاعات
- سازماندهی داده
- خودکارسازی گردشکار
- برنامهریزی اپلیکیشنهای AI
- ارزیابی کاربرد
- تعیین انتظارات
- برنامهریزی گامبهگام
- نگهداری و پشتیبانی
- پشتهی مهندسی هوش مصنوعی
- سه لایهی پشته AI
- مقایسه مهندسی AI با مهندسی ML
- مقایسه مهندسی AI با مهندسی فولاستک
- خلاصه
فصل ۲: درک مدلهای پایهای
- دادههای آموزشی
- مدلهای چندزبانه
- مدلهای تخصصی (دامنهمحور)
- مدلسازی
- معماری مدل
- اندازه مدل
- پسآموزش (Post-Training)
- فاینتیونینگ نظارتشده
- فاینتیونینگ ترجیحی
- نمونهسازی
- اصول نمونهسازی
- استراتژیهای نمونهسازی
- محاسبات زمان تست
- خروجیهای ساختاریافته
- طبیعت احتمالاتی هوش مصنوعی
- خلاصه
فصل ۳: روششناسی ارزیابی
- چالشهای ارزیابی مدلهای پایهای
- آشنایی با معیارهای مدلهای زبانی
- آنتروپی
- آنتروپی متقاطع
- بیتبرکاراکتر و بیتبردیتا
- پرپلکسیته
- تفسیر و کاربرد پرپلکسیته
- ارزیابی دقیق
- درستی عملکرد
- اندازهگیری شباهت با داده مرجع
- مقدمهای بر امبدینگ (Embedding)
- هوش مصنوعی بهعنوان قاضی
- چرا AI بهعنوان قاضی؟
- چطور از AI بهعنوان قاضی استفاده کنیم؟
- محدودیتهای AI در قضاوت
- چه مدلهایی میتوانند قضاوت کنند؟
- رتبهبندی مدلها با ارزیابی مقایسهای
- چالشهای ارزیابی مقایسهای
- آیندهی ارزیابی مقایسهای
- خلاصه
فصل ۴: ارزیابی سیستمهای هوش مصنوعی
- معیارهای ارزیابی
- قابلیت تخصصی دامنه
- توانایی تولید
- توانایی پیروی از دستور
- هزینه و تأخیر
- انتخاب مدل
- جریان کاری انتخاب مدل
- ساخت مدل یا خرید آن
- استفاده از بنچمارکهای عمومی
- طراحی پایپلاین ارزیابی
- گام ۱: ارزیابی تمام اجزای سیستم
- گام ۲: ایجاد راهنمای ارزیابی
- گام ۳: تعریف روشها و دادههای ارزیابی
- خلاصه
فصل ۵: مهندسی پرامپت
- مقدمهای بر پرامپتنویسی
- یادگیری در متن: Zero-shot و Few-shot
- پرامپت سیستم و پرامپت کاربر
- طول و بازدهی متن (Context)
- بهترین روشها در مهندسی پرامپت
- دستورالعملهای واضح و صریح
- ارائه زمینه کافی
- شکستن وظایف پیچیده
- دادن زمان برای تفکر به مدل
- تکرار و آزمون روی پرامپتها
- ارزیابی ابزارهای مهندسی پرامپت
- سازماندهی و نسخهبندی پرامپتها
- پرامپتنویسی دفاعی
- پرامپتهای اختصاصی و مهندسی معکوس پرامپت
- جیلبریکینگ و تزریق پرامپت
- استخراج اطلاعات
- دفاع در برابر حملات پرامپت
- خلاصه
فصل ۶: RAG و Agentها
- RAG
- معماری RAG
- الگوریتمهای بازیابی
- بهینهسازی بازیابی
- RAG فراتر از متن
- Agentها
- نمای کلی Agent
- ابزارها
- برنامهریزی
- حالتهای شکست و ارزیابی Agent
- حافظه
- خلاصه
فصل ۷: فاینتیونینگ
- نمای کلی فاینتیونینگ
- چه زمانی باید فاینتیون کنیم؟
- دلایل انجام فاینتیونینگ
- دلایل اجتناب از فاینتیونینگ
- رابطه فاینتیونینگ و RAG
- گلوگاههای حافظه
- پسانتشار و پارامترهای قابل آموزش
- ریاضیات حافظه
- نمایشهای عددی
- کوانتسازی
- تکنیکهای فاینتیونینگ
- فاینتیونینگ کارآمد از نظر پارامتر
- ادغام مدلها و فاینتیونینگ چندوظیفهای
- تاکتیکهای فاینتیونینگ
- خلاصه
فصل ۸: مهندسی داده
- گردآوری داده
- کیفیت داده
- پوشش داده
- مقدار داده
- بهدستآوردن و برچسبگذاری داده
- افزایش و تولید داده
- چرا تولید داده؟
- روشهای سنتی تولید داده
- تولید داده با استفاده از AI
- تقطیر مدل
- پردازش داده
- بازرسی داده
- حذف دادههای تکراری
- پاکسازی و فیلتر
- قالببندی داده
- خلاصه
فصل ۹: بهینهسازی استنتاج
- درک بهینهسازی استنتاج
- نمای کلی استنتاج
- معیارهای عملکرد استنتاج
- شتابدهندههای AI
- بهینهسازی استنتاج
- بهینهسازی مدل
- بهینهسازی سرویس استنتاج
- خلاصه
فصل ۱۰: معماری مهندسی AI و بازخورد کاربر
- معماری مهندسی هوش مصنوعی
- گام ۱: تقویت زمینه (Context)
- گام ۲: اضافه کردن گاردریل
- گام ۳: افزودن روتر و دروازه مدل
- گام ۴: کاهش تأخیر با کش
- گام ۵: افزودن الگوهای Agent
- پایش و مشاهدهپذیری
- هماهنگسازی پایپلاینهای AI
- بازخورد کاربران
- استخراج بازخورد مکالمهای
- طراحی بازخورد
- محدودیتهای بازخورد
- خلاصه
پایاننامه (Epilogue)
نمایه (Index)
درباره نویسنده کتاب AI Engineering
نظر خوانندگان درباره کتاب AI Engineering:
این کتاب با امتیاز ۴.۶ از ۵ ستاره از ۲۲۰ بازخورد، نشاندهنده محبوبیت و کیفیت بالای آن است. در ادامه، نگاهی به نظرات برخی از خوانندگان داریم:
- مارتین اف. (آلمان): “برای هر کسی که تازه وارد مهندسی هوش مصنوعی میشود، عالی است. نویسنده مطالب پیچیده را به روشی قابل فهم ارائه میدهد. نکته مثبت این است که تقریباً بعد از هر توضیح تئوری، یک مثال مناسب میآید.”
- داگ (آلمان): “این کتاب بهترین مقدمه در این زمینه است که خواندهام. انتخاب موضوعات بسیار مرتبط است. توضیحات جامع و برای مهندسان و مدیران از نظر فنی آگاه به یک اندازه قابل فهم است.”
- جولین زیگل (کانادا): “ایده اصلی کتاب این است که مدلهای پایهای آنقدر قدرتمند و گرانقیمت شدهاند که بسیاری از سازمانها ممکن است به جای آموزش مدلها، بهتر باشد که برنامههایی را بر روی آنها ایجاد کنند. این کتاب ارزیابی، محافظت، امنیت، تنظیم دقیق، ساختاردهی زمینه، بهینهسازی استنتاج، بازخورد کاربر و معماری را پوشش میدهد.”
“مهندسی هوش مصنوعی: ساخت اپلیکیشنها با مدلهای پایهای” نه تنها یک راهنمای جامع است، بلکه الهامبخش شما برای نوآوری در دنیای هوش مصنوعی خواهد بود. این کتاب به طور کامل مکمل کتاب قبلی چیپ هویان، “طراحی سیستمهای یادگیری ماشین”، است و خواندن آن به همه علاقهمندان به هوش مصنوعی و توسعهدهندگان توصیه میشود.
