آموزش مبانی هوش مصنوعی Microsoft Azure

آموزش مبانی هوش مصنوعی Microsoft Azure با عنوان اصلی Microsoft Azure AI Fundamentals (AI-901) Cert Prep by Microsoft Press 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 پایه هوش مصنوعی در Microsoft Azure، انواع کاربردهای AI و نحوه استفاده از قابلیت های Microsoft Foundry آشنا می شوید. همچنین یاد می گیرید مدل های Generative AI چگونه کار می کنند، چطور مدل مناسب را انتخاب و پیکربندی کنید و چگونه اصول Responsible AI را در توسعه راهکارهای هوش مصنوعی در نظر بگیرید.

هوش مصنوعی Microsoft Azure چیست و چه کاربردهایی دارد؟

هوش مصنوعی در Microsoft Azure مجموعه ای از قابلیت ها و سرویس ها را در اختیار توسعه دهندگان قرار می دهد تا بتوانند راهکارهای هوشمند متناسب با نیازهای مختلف کسب وکار طراحی و پیاده سازی کنند. این راهکارها می توانند شامل پردازش زبان طبیعی، تحلیل داده، تولید محتوا و ساخت سیستم های هوشمند باشند. آشنایی با کاربردهای رایج هوش مصنوعی و سناریوهای استفاده از آن، اولین قدم برای انتخاب فناوری مناسب و طراحی یک راهکار کاربردی است.

در این آموزش با انواع AI Workloads و سناریوهای متداول هوش مصنوعی آشنا می شوید و تفاوت میان Machine Learning، Generative AI و AI Agents را بررسی می کنید. همچنین یاد می گیرید Microsoft Foundry چگونه از توسعه و مدیریت راهکارهای هوش مصنوعی در Azure پشتیبانی می کند. با ساختار منابع و پروژه ها در Foundry و نحوه شناسایی کاربردهای مختلف AI در محیط Foundry Portal نیز آشنا خواهید شد.

Microsoft Foundry چیست و چگونه از توسعه راهکارهای AI پشتیبانی می کند؟

Microsoft Foundry محیطی برای کار با مدل ها و ابزارهای هوش مصنوعی است که به توسعه دهندگان کمک می کند پروژه های AI خود را سازمان دهی و مدیریت کنند. درک معماری منابع و پروژه ها در این محیط اهمیت زیادی دارد، زیرا انتخاب و پیکربندی صحیح منابع می تواند بر نحوه توسعه و استقرار راهکارهای هوش مصنوعی تأثیر بگذارد. آشنایی با امکانات Foundry به شما کمک می کند مسیر پیاده سازی پروژه های مبتنی بر AI را بهتر درک کنید.

در این بخش با معماری Resource و Project در Microsoft Foundry آشنا می شوید و نحوه کار با Foundry Portal را بررسی می کنید. همچنین یاد می گیرید چگونه کاربردهای مختلف هوش مصنوعی را در این محیط شناسایی کنید و بر اساس نیاز پروژه، میان قابلیت های مختلف AI تمایز قائل شوید. این مفاهیم برای توسعه دهندگانی که قصد دارند از سرویس های هوش مصنوعی Azure در پروژه های واقعی استفاده کنند، پایه ای ضروری محسوب می شوند.

مدل های Generative AI چگونه کار می کنند؟

مدل های Generative AI با یادگیری الگوهای موجود در داده ها می توانند محتوای جدیدی مانند متن تولید کنند یا به درخواست های کاربران پاسخ دهند. یکی از مفاهیم مهم در نحوه عملکرد این مدل ها، Tokenization است؛ فرایندی که طی آن ورودی متنی به واحدهای کوچک تری به نام Token تقسیم می شود. شناخت این سازوکار به شما کمک می کند بهتر متوجه شوید مدل های زبانی بزرگ یا LLM چگونه ورودی ها را پردازش و خروجی تولید می کنند.

در این آموزش با نحوه عملکرد مدل های Generative AI و مفاهیم مرتبط با LLM آشنا می شوید. همچنین فرایند Tokenization را بررسی می کنید و با نحوه استقرار مدل در پروژه های Microsoft Foundry آشنا خواهید شد. این دانش به شما کمک می کند هنگام طراحی برنامه های مبتنی بر هوش مصنوعی، محدودیت ها و قابلیت های مدل های مولد را بهتر بشناسید و تصمیم های فنی آگاهانه تری بگیرید.

چگونه مدل مناسب هوش مصنوعی را انتخاب و مستقر کنیم؟

مدل های هوش مصنوعی از نظر قابلیت ها، نوع ورودی و خروجی و کاربردهای قابل پشتیبانی با یکدیگر تفاوت دارند. به همین دلیل انتخاب مدل مناسب باید بر اساس نیازهای پروژه انجام شود. برای مثال، مدلی که برای تولید متن مناسب است، لزوماً بهترین گزینه برای تمام سناریوهای هوش مصنوعی نخواهد بود. علاوه بر انتخاب مدل، گزینه های مربوط به Deployment و Configuration نیز اهمیت دارند و باید متناسب با شرایط و اهداف پروژه تنظیم شوند.

در این بخش یاد می گیرید چگونه قابلیت های مدل های مختلف را ارزیابی کنید و بر اساس نیاز خود مدل مناسبی را انتخاب کنید. همچنین با Model Catalog در Microsoft Foundry آشنا می شوید و گزینه های موجود برای استقرار و پیکربندی مدل ها را بررسی می کنید. در بخش های عملی نیز نحوه استقرار مدل در پروژه Foundry و مفاهیم مرتبط با Tokenization را مشاهده خواهید کرد تا درک بهتری از فرایند استفاده از مدل ها در برنامه های واقعی داشته باشید.

Hallucination در هوش مصنوعی چیست و چگونه می توان آن را کاهش داد؟

یکی از چالش های مدل های Generative AI تولید پاسخ هایی است که ممکن است از نظر ظاهری معتبر باشند، اما با اطلاعات واقعی مطابقت نداشته باشند. به این پدیده Hallucination گفته می شود. این مسئله به ویژه در برنامه هایی اهمیت دارد که پاسخ های تولیدشده باید بر اساس اطلاعات مشخص و قابل استناد باشند. بنابراین توسعه دهندگان باید با روش هایی آشنا شوند که ارتباط پاسخ مدل با منابع اطلاعاتی معتبر را تقویت می کنند.

یکی از رویکردهای کاهش Hallucination استفاده از Grounding است. در این روش، مدل برای تولید پاسخ به اطلاعات و منابع مرتبط متصل می شود تا خروجی آن بر پایه زمینه و داده های مشخص تری شکل بگیرد. در این آموزش با مفهوم Grounding و نحوه استفاده از آن برای کاهش پاسخ های نادرست آشنا می شوید. این موضوع در طراحی دستیارهای هوشمند و برنامه های مبتنی بر LLM اهمیت زیادی دارد.

Responsible AI چیست و چرا در توسعه هوش مصنوعی اهمیت دارد؟

Responsible AI به مجموعه اصول و ملاحظاتی اشاره دارد که باید هنگام طراحی، توسعه و استفاده از سیستم های هوش مصنوعی رعایت شوند. یک راهکار هوشمند تنها زمانی قابل اعتماد است که علاوه بر عملکرد مناسب، از نظر عدالت، قابلیت اطمینان، ایمنی و حفاظت از اطلاعات نیز مورد توجه قرار گرفته باشد. نادیده گرفتن این اصول می تواند باعث ایجاد نتایج ناعادلانه، خروجی های ناامن یا مشکلات مرتبط با حریم خصوصی کاربران شود.

در این آموزش با جنبه های مهم Responsible AI آشنا می شوید و موضوعاتی مانند Fairness، Reliability and Safety و Privacy and Security را بررسی می کنید. این مفاهیم به شما کمک می کنند هنگام طراحی راهکارهای مبتنی بر هوش مصنوعی، تأثیر تصمیم های فنی خود را بر کاربران و داده های آن ها در نظر بگیرید. شناخت این اصول برای توسعه دهندگانی که با سرویس های AI در Microsoft Azure کار می کنند، بخش مهمی از دانش پایه هوش مصنوعی محسوب می شود.