آموزش ساخت هوش مصنوعی مولد با Amazon Q Developer، Bedrock Inference و SageMaker Canvas

آموزش ساخت هوش مصنوعی مولد با Amazon Q Developer، Bedrock Inference و SageMaker Canvas با عنوان اصلی Building Generative AI with AWS Amazon Q Developer, Bedrock Inference, and SageMaker Canvas یکی دیگر از آموزش های گروه آموزشی پرووید می باشد که در این قسمت آن را به شما معرفی می کنیم. در این آموزش با مفاهیم اصلی Generative AI در AWS و نحوه استفاده از سرویس های مختلف Amazon برای توسعه راهکارهای مبتنی بر هوش مصنوعی آشنا می شوید. همچنین یاد می گیرید چگونه از Amazon Q Developer برای کمک به فرآیند توسعه نرم افزار، از Amazon Bedrock برای کار با مدل های هوش مصنوعی و از SageMaker Canvas برای مدیریت داده ها استفاده کنید.

هوش مصنوعی مولد در AWS چیست؟

هوش مصنوعی مولد یا Generative AI به دسته ای از فناوری های هوش مصنوعی گفته می شود که می توانند بر اساس ورودی کاربران، محتوای جدیدی مانند متن، کد و پاسخ های هوشمند تولید کنند. AWS مجموعه ای از سرویس ها و ابزارها را برای توسعه و استفاده از این فناوری در اختیار برنامه نویسان قرار می دهد. برای استفاده مؤثر از این امکانات، آشنایی با Foundation Models و مفاهیم پایه ای مانند Tokenization اهمیت زیادی دارد.

در این آموزش با نحوه استفاده از Generative AI در AWS و ساختار مدل های مختلف هوش مصنوعی آشنا می شوید. همچنین مفهوم Tokenization و معماری های مختلف مدل ها را بررسی می کنید. این مفاهیم به شما کمک می کنند درک بهتری از نحوه پردازش ورودی ها توسط مدل های زبانی و چگونگی استفاده از آن ها در توسعه برنامه های مبتنی بر هوش مصنوعی داشته باشید.

مفهوم RAG و پیاده سازی آن با Amazon Bedrock

RAG یا Retrieval-Augmented Generation روشی برای ترکیب قابلیت تولید پاسخ توسط مدل های زبانی با بازیابی اطلاعات از منابع خارجی است. در این روش، به جای اینکه مدل تنها بر اساس دانش آموزش دیده خود پاسخ دهد، ابتدا اطلاعات مرتبط از یک منبع مشخص بازیابی می شود و سپس برای تولید پاسخ در اختیار مدل قرار می گیرد. این معماری می تواند در ساخت دستیارهایی که به اطلاعات اختصاصی یا مستندات سازمانی نیاز دارند، کاربرد داشته باشد.

در این دوره با مفهوم RAG و نحوه پیاده سازی آن در محیط AWS آشنا می شوید. همچنین کار با Bedrock Knowledge Agent و ساختار سیستم های RAG مبتنی بر Bedrock را بررسی می کنید. بخش دیگری از آموزش به بررسی عملی سیستم RAG در AWS و معرفی معماری آن اختصاص دارد. به این ترتیب با اجزای اصلی این راهکار و نحوه ارتباط آن ها با یکدیگر آشنا خواهید شد.

Amazon Q Developer چیست و چه کاربردی در برنامه نویسی دارد؟

Amazon Q Developer دستیار هوشمند توسعه نرم افزار از سوی AWS است که با استفاده از قابلیت های هوش مصنوعی به برنامه نویسان در انجام فعالیت های مختلف توسعه کمک می کند. این ابزار می تواند در محیط های برنامه نویسی مورد استفاده قرار بگیرد و در زمینه هایی مانند تولید کد، بررسی کد و دسترسی به مستندات به توسعه دهندگان کمک کند. آشنایی با امکانات آن می تواند فرآیند توسعه نرم افزار را ساده تر کند.

در این آموزش نحوه استفاده از Amazon Q Developer در IntelliJ و VS Code را یاد می گیرید و با قابلیت های آن در محیط توسعه آشنا می شوید. همچنین روش استفاده از این ابزار برای توسعه نرم افزار، ساخت Documentation Assistant و بررسی کد با قابلیت Code Scanning را بررسی می کنید. این موضوع به شما نشان می دهد چگونه می توانید از یک دستیار هوشمند در بخش های مختلف چرخه توسعه نرم افزار استفاده کنید.

کار با Amazon Bedrock و مدل های هوش مصنوعی

Amazon Bedrock یکی از سرویس های AWS برای دسترسی و استفاده از Foundation Models است. این سرویس به توسعه دهندگان امکان می دهد بدون نیاز به مدیریت مستقیم زیرساخت مدل ها، از قابلیت های مدل های مختلف برای ساخت برنامه های مبتنی بر هوش مصنوعی استفاده کنند. یکی از موضوعات مهم هنگام کار با این سرویس، نحوه تأمین ظرفیت مورد نیاز برای اجرای مدل ها و مدیریت درخواست های ورودی است.

در این بخش از آموزش با Bedrock Provisioned Throughput و نحوه راه اندازی آن آشنا می شوید. این قابلیت برای اختصاص ظرفیت مشخص به اجرای مدل ها در Amazon Bedrock مورد استفاده قرار می گیرد. همچنین روش ارزیابی Prompt ها در Bedrock را یاد می گیرید. ارزیابی Prompt به شما کمک می کند کیفیت ورودی های ارسال شده به مدل را بررسی کرده و تأثیر آن ها بر پاسخ های تولیدشده را بهتر درک کنید.

SageMaker Canvas چیست و چگونه با داده ها کار می کند؟

Amazon SageMaker Canvas ابزاری از AWS برای کار با داده ها و توسعه راهکارهای یادگیری ماشین از طریق یک محیط گرافیکی است. این سرویس به کاربران اجازه می دهد بدون نیاز به نوشتن تمام کدهای مورد نیاز برای ساخت مدل های یادگیری ماشین، با داده ها کار کنند و از قابلیت های ارائه شده در محیط Canvas استفاده کنند. آشنایی با محیط کاربری آن می تواند نقطه شروع مناسبی برای شناخت فرآیندهای مرتبط با داده و Machine Learning باشد.

در این آموزش ابتدا با SageMaker Canvas و محیط کاربری آن آشنا می شوید و سپس بخش های مختلف رابط کاربری Canvas را بررسی می کنید. همچنین نحوه کار با Dataset ها و مدیریت مجموعه داده ها را یاد می گیرید. این مباحث به شما کمک می کنند با امکانات SageMaker Canvas برای آماده سازی و کار با داده ها آشنا شوید و جایگاه آن را در فرآیندهای مرتبط با Machine Learning بهتر درک کنید.

این آموزش برای چه کسانی مناسب است؟

این آموزش برای برنامه نویسان، توسعه دهندگان نرم افزار و افرادی مناسب است که می خواهند با سرویس های هوش مصنوعی AWS آشنا شوند و از آن ها در پروژه های نرم افزاری استفاده کنند. اگر قصد دارید مفاهیم Generative AI، Foundation Models و RAG را یاد بگیرید و با ابزارهایی مانند Amazon Bedrock و Amazon Q Developer کار کنید، موضوعات این دوره می توانند دید مناسبی از امکانات این اکوسیستم در اختیار شما قرار دهند.

همچنین توسعه دهندگانی که به دنبال آشنایی با ابزارهای کمکی برنامه نویسی مبتنی بر هوش مصنوعی یا سرویس های مرتبط با Machine Learning هستند، می توانند از مباحث این دوره استفاده کنند. در طول آموزش با Amazon Q Developer، Bedrock Provisioned Throughput، Prompt Evaluation و SageMaker Canvas آشنا می شوید. این دوره شامل ۲۲ ویدئو با مدت زمان یک ساعت و ۲۳ دقیقه و ۴۹ ثانیه است و به زبان انگلیسی همراه با زیرنویس انگلیسی ارائه می شود.