محور موضوعی
آموزش هوش مصنوعی مولد به زبان فارسی، قدم‌به‌قدم و کاربردی؛ از پرامپت‌نویسی و ساخت چت‌بات تا RAG، ایجنت‌ها، ارزیابی و امنیت. یک مسیر ۵۰ قسمتی که از مفاهیم پایه شروع می‌شود و تا ساخت ایجنت‌های واقعی پیش می‌رود.
بعضی پرسش‌ها با یک جستجو جواب نمی‌گیرند. در این آموزش می‌بینید Agentic RAG چطور مالک فرایند استدلال می‌شود، حلقه‌ی ارزیابی و اصلاح چه مراحلی دارد و مدیریت شکست در Agentic RAG با سقف تلاش، بررسی شواهد و ارجاع به انسان چطور پیاده می‌شود.
وقتی مدل نام یک تابع را تولید می‌کند، هنوز هیچ کار واقعی انجام نشده است. در این آموزش اجرای ابزار در ایجنت را از نگاه قابلیت اطمینان می‌بینید؛ شش جزء الگوی استفاده از ابزار، اعتبارسنجی آرگومان، قرارداد خطا، دسترسی فقط‌خواندنی و ثبت اجرا.
ایجنتی که ابزارهای زیادی دارد لزوماً مفیدتر نیست. در این آموزش اصول طراحی ایجنت را در سه بعد فضا، زمان و هسته می‌شناسید، سه قاعده‌ی شفافیت، کنترل و ثبات را یاد می‌گیرید و برای یک دستیار آموزشی قرارداد رفتاری با مرز اختیار روشن می‌نویسید.
فریم‌ورک ایجنت کار با ابزار، وضعیت و اجرای چندمرحله‌ای را ساده می‌کند، اما هر قابلیت آماده یک وابستگی هم می‌سازد. در این راهنما کیت توسعه و سرویس مدیریت‌شده را مقایسه می‌کنید و با یک ماتریس ساده فریم‌ورک مناسب پروژه را انتخاب می‌کنید.
دسترسی به وزن‌های یک مدل با آزادی کامل استفاده از آن یکی نیست. در این راهنمای انتخاب مدل وزن‌باز، تفاوت متن‌باز و وزن‌باز، مزایای این مدل‌ها، خانواده‌های Llama و Mistral، و چک‌لیست مجوز، توان اجرا و قابلیت‌ها را پیش از استقرار روی زیرساخت خودتان یاد می‌گیرید.
برای دسته‌بندی یک پیام یا استخراج چند فیلد، همیشه به بزرگ‌ترین مدل نیاز نداریم. در این آموزش مدل زبانی کوچک را می‌شناسید، تفاوتش را با مدل بزرگ می‌بینید، با خانواده‌ی Phi آشنا می‌شوید، روش‌های اجرای محلی با Ollama و Foundry Local را یاد می‌گیرید و یک آزمون دسته‌بندی واقعی طراحی می‌کنید.
فاین‌تیون همیشه اولین راه بهبود دستیار نیست. در این آموزش می‌بینید فاین‌تیون مدل زبانی دقیقاً چیست، پیش از آن چه پرسش‌هایی باید جواب دهید، روش‌های SFT، DPO و RFT چه تفاوتی دارند، داده‌ی آموزش را چطور آماده کنید و چطور بفهمید مدل واقعاً بهتر شده یا فقط مثال‌ها را حفظ کرده است.
عوض کردن پرامپت، مدل یا اسناد مرجع می‌تواند رفتار دستیار را تغییر دهد، حتی اگر یک خط کد عوض نشده باشد. در این آموزش چرخه عمر برنامه هوش مصنوعی، تفاوت MLOps و LLMOps، پنج معیار سنجش، سه مرحله‌ی ایده‌پردازی، ساخت و عملیاتی‌سازی و نسخه‌بندی با امکان بازگشت را یاد می‌گیرید.
وقتی دستیار نمی‌تواند پاسخ دهد، رابط کاربری تعیین می‌کند کاربر سردرگم شود یا راه بعدی را پیدا کند. در این آموزش تجربه کاربری هوش مصنوعی، چهار ویژگی تجربه‌ی خوب، طراحی برای اعتماد با وضوح و کنترل، و طراحی برای بازخورد و مدیریت خطا را با یک سناریوی واقعی یاد می‌گیرید.
بسیاری از کارهای یک مجموعه‌ی آموزشی به برنامه‌نویسی سنگین نیاز ندارند. در این آموزش هوش مصنوعی کم‌کد، با Copilot در Power Apps و Power Automate، جدول Dataverse، مدل‌های آماده‌ی AI Builder و Copilot Studio یک ردیاب تکلیف و یک جریان پردازش فاکتور می‌سازید.
پاسخ مؤدبانه نشان نمی‌دهد یک دستیار هوش مصنوعی قابل‌اعتماد است. در این راهنمای هوش مصنوعی مسئولانه، خطرهای پاسخ ساختگی، محتوای مضر و بی‌انصافی را می‌شناسید و با چهار گام سنجش، کاهش، ارزیابی و راه‌اندازی امن، دستیاری می‌سازید که کنترل را به کاربر بدهد.
انتخاب مدل زبانی با چند پاسخ نمایشی خوب انجام نمی‌شود. در این راهنما انواع مدل‌های زبانی، تفاوت مدل وزن‌باز و اختصاصی، سرویس و مدل، و سه راه بهبود نتیجه را می‌شناسید و یاد می‌گیرید مدل‌ها را با کار واقعی محصول خودتان مقایسه کنید.
