×
ribbon

دوره مهندسی هوش مصنوعی: استقرار LLM و AI Agent در محیط واقعی (Production)

مدرس:Udemy

آکادمی گرولیEd DonnerLignecy Academy

اپلیکیشن‌های LLM و ایجنت‌ها را از نمونه اولیه به محصولی مقیاس‌پذیر، امن و قابل پایش در فضای ابری تبدیل کنید.

محبوب کاربران
زیرنویس
4.9 (12)
8 دیدگاه
271دانشجو
19ساعت
سرفصل‌ها
مقدماتی سطح دوره
بروزرسانیمرداد ۱۴۰۵
محتوای دوره
سرفصل‌ها
پیش‌نیاز‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

استقرار و انتشار اپلیکیشن‌های مبتنی بر مدل‌های زبانی بزرگ (LLM) در محیط عملیاتی (Production) روی Vercel، AWS، Azure و Google Cloud Platform با استفاده از Clerk

یکپارچه‌سازی با Amazon Bedrock و SageMaker و توسعه راهکارهای هوش مصنوعی با GPT-5، Claude 4، مدل‌های متن‌باز (Open Source)، AWS Nova و Hugging Face

طراحی و ارائه راهکارهای هوش مصنوعی در سطح سازمانی (Enterprise) که مقیاس‌پذیر، امن، قابل پایش، قابل توضیح، قابل مشاهده و مجهز به مکانیزم‌های کنترلی (Guardrails) باشند

طراحی معماری‌های ابری با استفاده از AWS Lambda، Amazon S3، CloudFront، SQS، Route 53، App Runner و API Gateway

این دوره شامل:

19 ساعت ویدئو

1 جلسه متنی

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

پیش‌نیاز‌ها

اگرچه آشنایی با برنامه‌نویسی پایتون و تجربه کار با مدل‌های زبانی بزرگ (LLM) می‌تواند مفید باشد، اما این دوره برای طیف گسترده‌ای از مخاطبان، صرف‌نظر از پیش‌زمینه تحصیلی یا شغلی، طراحی شده است. برای همین مجموعه‌ای از آزمایشگاه‌های آموزشی و خودآموز را در اختیار شما قرار داده‌ام که مهارت‌های پایه فنی و برنامه‌نویسی موردنیاز را پوشش می‌دهند. اگر تازه وارد دنیای برنامه‌نویسی شده‌اید، تنها چیزی که نیاز دارید صبر و پشتکار کافی است!

 

برای بهره‌برداری کامل از دوره، بهتر است بودجه‌ای اندک (در حد چند دلار) برای استفاده از APIها و سرویس‌های ابری در نظر بگیرید. البته در طول دوره هزینه‌ها به‌صورت مستمر کنترل و مدیریت می‌شوند و استفاده از این سرویس‌ها کاملاً به انتخاب خود شما بستگی دارد.

توضیحات دوره

استقرار هوش مصنوعی روی AWS، GCP، Azure و Vercel با MLOps، Bedrock، SageMaker، RAG، ایجنت‌ها و MCP؛ مقیاس‌پذیر، امن و قابل پایش.

 

این دوره‌ای است که دانشجویان من بیش از هر دوره دیگری درخواست تولید آن را داشته‌اند.

یکی از دانشجویانم درباره آن گفت:

«این همان حلقه گمشده آموزش هوش مصنوعی است.»

 


این دوره برای کارآفرینان، مهندسان سازمانی (Enterprise Engineers) و هر کسی که می‌خواهد راهکارهای هوش مصنوعی را در دنیای واقعی و در مقیاس عملیاتی پیاده‌سازی کند طراحی شده است.

این دوره فقط درباره RAG نیست؛ هرچند به‌صورت عملی با RAG کار خواهیم کرد.

فقط درباره Agentها نیست؛ اما Agentهای متعددی خواهیم ساخت.

فقط درباره MCP نیست؛ اما با MCP نیز به‌صورت گسترده کار خواهیم کرد.

موضوع اصلی این دوره چیز دیگری است:

استقرار و راه‌اندازی RAG، Agent، MCP و سایر فناوری‌های مدرن هوش مصنوعی در محیط عملیاتی (Production).

به‌صورت زنده.

در سطح سازمانی.

با معماری مقیاس‌پذیر، پایدار، امن، قابل پایش و قابل توضیح.

در این دوره یاد می‌گیرید چگونه اپلیکیشن‌ها و سیستم‌های هوش مصنوعی مبتنی بر مدل‌های زبانی بزرگ (LLM) و Agentها را روی Vercel، AWS، Google Cloud و Azure مستقر کنید؛ با تمرکز ویژه بر AWS.

هفته اول: راه‌اندازی یک محصول SaaS واقعی

در هفته اول یک محصول SaaS مبتنی بر Next.js را روی Vercel و AWS منتشر می‌کنید.

در این مسیر با AWS App Runner و Clerk برای مدیریت کاربران، احراز هویت و اشتراک‌ها کار خواهید کرد.

پروژه عملی: اپلیکیشن سلامت (Healthcare SaaS)

 هفته دوم: مهندسی پلتفرم هوش مصنوعی روی AWS

در نقش یک AI Platform Engineer ظاهر خواهید شد و زیرساخت‌های Serverless را با استفاده از سرویس‌های زیر پیاده‌سازی می‌کنید:

- AWS Lambda
- Amazon Bedrock
- API Gateway
- Amazon S3
- CloudFront
- Route 53

همچنین یاد می‌گیرید:

- زیرساخت را با Terraform به‌صورت Infrastructure as Code تعریف کنید.
- پایپ‌لاین‌های CI/CD را با GitHub Actions راه‌اندازی کنید.
- استقرار خودکار و انتشار نسخه‌ها را بدون دخالت دستی انجام دهید.
- پروژه عملی: Digital Twin Mk II

 هفته سوم: هوش مصنوعی مولد در محیط عملیاتی

در این هفته مهارت‌های موردنیاز بازار برای استقرار GenAI را یاد می‌گیرید:

- استقرار Agent تحلیلگر امنیت سایبری با MCP روی Azure و GCP
- راه‌اندازی SageMaker Inference
- ساخت Pipeline ورود داده و ذخیره‌سازی بردارها در S3
- توسعه Agent پژوهشگر با مدل‌های متن‌باز OpenAI OSS روی Bedrock و MCP
- پروژه عملی: Cybersecurity Analyst

 هفته چهارم: سیستم‌های چندعاملی در محیط عملیاتی

در هفته پایانی وارد دنیای Agentic AI می‌شوید و یک سیستم چندعاملی واقعی طراحی و مستقر می‌کنید.

فناوری‌های مورد استفاده:

- Aurora Serverless
- AWS Lambda
- Amazon SQS
- CloudFront با احراز هویت JWT
- LangFuse برای Observability
- AWS Bedrock AgentCore
- پروژه نهایی (Capstone): SaaS Financial Planner

 در پایان این دوره قادر خواهید بود:

- معماری مناسب برای هر پروژه هوش مصنوعی را انتخاب کنید.
- امنیت سیستم را به‌درستی پیاده‌سازی کنید.
- هزینه‌های زیرساخت و مدل‌های هوش مصنوعی را مدیریت و پایش کنید.
- فرآیند استقرار و انتشار مداوم را راه‌اندازی کنید.
- راهکارهای هوش مصنوعی مقیاس‌پذیر و قابل اعتماد را در محیط عملیاتی اجرا کنید.
 
این دوره مناسب چه کسانی است؟

- اگر می‌خواهید اپلیکیشن‌های هوش مصنوعی مولد (GenAI)، مدل‌های زبانی بزرگ (LLM) و Agentهای هوشمند را از مرحله نمونه اولیه به یک محصول واقعی و قابل استفاده در محیط عملیاتی برسانید، این دوره برای شما طراحی شده است.

دیدگاه کاربران

4.9

بر اساس امتیاز 12 دانشجو

1
2
3
4
5

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه

ضمانت بازگشت وجه

کیفیت این آموزش توسط مکتب‌خونه تضمین شده است. در صورت عدم رضایت، با شرایط زیر می‌توانید درخواست بازگشت وجه کنید.

مهلت درخواستتا ۱۵ روز پس از خرید دوره
میزان مشاهدهکمتر از ۲۰ درصد یا ۵ جلسه از دوره
آکادمی گرولیآموزش مهارت‌های شغلی
118دوره
70,315دانشجو
7,079نظر و امتیاز

• آکادمی گرولی با هدف توانمندسازی و توسعه‌ی حرفه‌ای افراد فعالیت می‌کند.

• دوره‌های این آکادمی در حوزه‌های شغلی متنوعی مانند هوش مصنوعی، برنامه‌نویسی، نرم‌افزارهای کاربردی، مدیریت محصول، بازاریابی دیجیتال، مهارت‌های نرم و توسعه کسب‌وکار دسته‌بندی می‌شوند.

• این دوره‌ها اکثرا از پرفروش‌ترین آموزش‌های برترین پلتفرم‌های یادگیری دنیا مانند یودمی، لینکدین‌لرنینگ، کورسرا و ریفورج هستند که همگی با زیرنویس فارسی منتشر شده‌اند. همچنین چندی از دوره‌های این آکادمی نیز، به صورت اختصاصی توسط مدرسان معتبر ایرانی تهیه گردیده‌اند.

Ed Donnerهم‌بنیان‌گذار استارتاپ‌های هوش مصنوعی و رهبر حوزه فناوری | مدرس GenAI و مدل‌های زبانی بزرگ (LLM)
7دوره
5,052دانشجو
175نظر و امتیاز

اد دانر یک رهبر فناوری و کارآفرین سریالی در حوزه استارتاپ‌های هوش مصنوعی است. او هم‌بنیان‌گذار و مدیر ارشد فناوری شرکت Nebula است؛ پلتفرمی که با استفاده از هوش مصنوعی مولد و سایر روش‌های یادگیری ماشین، به شناسایی، تحلیل، تعامل و مدیریت استعدادها می‌پردازد. هدف بلندمدت Nebula کمک به افراد برای کشف ظرفیت‌های خود و یافتن مسیر و معنای زندگی‌شان است.

 

پیش از آن، اد بنیان‌گذار و مدیرعامل استارتاپ untapt بود؛ شرکتی فعال در حوزه هوش مصنوعی که به‌عنوان یکی از شرکت‌های منتخب آزمایشگاه نوآوری فین‌تک Accenture معرفی شد و در سال 2021 مورد تملک قرار گرفت. او همچنین سابقه فعالیت به‌عنوان مدیر ارشد در JPMorgan Chase را دارد، جایی که تیمی متشکل از 300 مهندس نرم‌افزار در حوزه فناوری ریسک را در سه قاره رهبری می‌کرد.

 

اد دانر دارای یک پتنت برای موتور تطبیق مبتنی بر یادگیری عمیق است که در سال 2023 ثبت شده و مدرک کارشناسی ارشد فیزیک را از دانشگاه آکسفورد دریافت کرده است.

1دوره
271دانشجو
12نظر و امتیاز

با امتیاز مربی ۴.۶، حدود ۱ میلیون دیدگاه و ۱۲۱ دوره آموزشی به ۱۲ زبان مختلف، ما به مهندسان، رهبران و تیم‌ها کمک می‌کنیم تا بر مهارت‌هایی که انقلاب هوش مصنوعی امروزی را پیش می‌برند مسلط شوند و سپس نتایج واقعی را عرضه کنند.

ما از همان جایی شروع می‌کنیم که دنیای واقعی شروع می‌شود: با مدل‌های زبانی بزرگ (LLM) و محصولاتی که قدرت خود را از آن‌ها می‌گیرند. شما ابتدا پایه‌های هوش مصنوعی و هوش مصنوعی مولد (Gen AI) را یاد می‌گیرید و سپس سیستم‌هایی در سطح تولید (Production-grade) شامل چت‌بات‌ها، کوپایلت‌ها، اتوماسیون‌ها و عامل‌های هوش مصنوعی (AI Agents) را پیاده‌سازی می‌کنید. ما به عمق مهندسی LLM نفوذ می‌کنیم: بازیابی اطلاعات (RAG)، ارزیابی، مشاهده‌پذیری (Observability)، ایمنی و الگوهایی که تیم‌ها برای اجرای سیستم‌های عاملی (Agentic) در مقیاس بالا استفاده می‌کنند.

پشته تکنولوژی (Stack) ما کاربردی و به‌روز است. شما با Python، LangChain و LangGraph به سرعت پروتوتایپ می‌سازید؛ مدل‌های OpenAI، Gemini و Claude (از جمله Claude Code) را بررسی می‌کنید؛ با Hugging Face و Ollama مدل‌ها را تنظیم (Fine-tune) و سرویس‌دهی می‌کنید؛ و در نهایت پروژه را روی AWS (از Bedrock گرفته تا سرویس‌های رویداد-محور) به مرحله تولید می‌برید. به اتوماسیون نیاز دارید؟ ما همه چیز را با n8n، رابط‌های کاربری تمیز و CI/CD به هم متصل می‌کنیم. در طول این مسیر، بر مهندسی پرامپت (Prompt Engineering) که در زیر بار ترافیکی بالا دوام بیاورد، مسلط خواهید شد.

این مسیر به کجا ختم می‌شود؟
نقش‌های شغلی که محصول خلق می‌کنند:

AI Engineer و LLM Engineer: برای کسانی که عاشق ساختن هستند.

Platform و MLOps: برای کسانی که به دنبال پایداری و قابلیت اطمینان در مقیاس بالا هستند.

مسیرهای محصول و رهبری: برای افرادی که هوش مصنوعی عاملی (Agentic AI) را از اسلایدهای نمایشی به نتایج کسب‌وکار تبدیل می‌کنند.

خط فکری ما یکی است: سریع یاد بگیرید، سریع‌تر بسازید، همه چیز را اندازه‌گیری کنید و تکرار کنید.

poster

دوره مهندسی هوش مصنوعی: استقرار LLM و AI Agent در محیط واقعی (Production)

271دانشجو
4.9(12)

دیگر دوره‌های آکادمی گرولی

دیگر دوره‌های Ed Donner