ساختن سیستم های پیشنهادی مبتنی بر LLM

مدرس Rishabh Misra

انتشار 2026/02/05

مدت زمان 2h 18m

سطح مناسب همه

فایل تمرینی ندارد

آموزش Building LLM-Powered Recommendation Systems

توضیح این دوره در مورد چیست؟ یک نمای کلی فنی از نحوه شروع ساخت نسل بعدی سیستم های توصیه گر هوشمند دریافت کنید. فراتر از الگوریتم‌های سنتی، این دوره به شما نشان می‌دهد که چگونه سیستم‌های موجود را با استفاده از تکنیک‌های مبتنی بر هوش مصنوعی برای جاسازی تولید، رتبه‌بندی مجدد معنایی و کاهش شروع سرد تقویت کنید. مدرس Rishabh Misra نحوه طراحی معماری های پیچیده بومی GenAI را توضیح می دهد که تجربیات پویا مانند جستجوی مکالمه و توصیه های چندوجهی را امکان پذیر می کند. این دوره بر ارزیابی قوی، از جمله چگونگی اندازه گیری کیفیت، انصاف، و دقت واقعی با استفاده از رویکردهایی مانند تولید افزوده بازیابی (RAG) تاکید می کند. در پایان، شما آماده طراحی، ارزیابی و عملیاتی کردن سیستم‌های توصیه‌کننده مؤثر و مسئولانه GenAI در یک محیط تولید خواهید بود. این دوره با GitHub Codespaces یکپارچه شده است، یک محیط توسعه مبتنی بر ابر که عملکرد کامل IDE را بدون نیاز به تنظیم محلی ارائه می‌کند و تمرین عملی را از هر ماشینی امکان‌پذیر می‌کند. مدرس چه کسی این دوره را تدریس می کند؟ Rishabh Misra یک مهندس اصلی ML در Atlassian است، جایی که او ابتکارات پس از آموزش LLM و شخصی سازی GenAI را رهبری می کند. اهداف تا پایان این دوره چه کاری می توانم انجام دهم؟ تفاوت‌های بین سیستم‌های توصیه‌گر سنتی و رویکردهای مدرن مبتنی بر GenAI، از جمله تغییر به درک معنایی را بیان کنید. تکنیک‌های کاربردی GenAI مانند تولید جاسازی، رتبه‌بندی مجدد زنجیره‌ای از افکار، و تولید تقویت‌شده با بازیابی (RAG) را برای بهبود عملکرد و قابلیت اطمینان به کار ببرید. معماری‌های سطح بالا را برای سیستم‌های توصیه‌گر بومی GenAI، انتخاب مدل‌ها و زیرساخت‌های مناسب مانند پایگاه‌های داده برداری طراحی کنید. راهبردهای ارزیابی را با استفاده از معیارهای کیفیت، انصاف و دقت واقعی ایجاد کنید. برنامه های عملیاتی برای استقرار، از جمله مدیریت تأخیر، نظارت بر مدل، و یکپارچه سازی خط لوله CI/CD ایجاد کنید. مخاطب این دوره برای چه کسانی است؟ مهندسین نرم افزار دانشمندان داده مهندسین AI و ML مدیران محصول فنی پیش نیازها چه چیزی باید قبل از شرکت در این دوره بدانم؟ درک اولیه مفاهیم یادگیری ماشین آشنایی با چارچوب ها و ابزارهای هوش مصنوعی و ML تجربه در مهندسی نرم افزار یا تجزیه و تحلیل داده ها مفید است

Artificial Intelligence (AI) مدل‌های زبان بزرگ (LLM) Recommender Systems

Introduction

Discover the power of generative AI for recommendation systems ()

1. High-Impact GenAI Enhancements for Recommenders

Choosing your GenAI tool: LLMs, GANs, and diffusion ()

Creating quality embeddings with sentence transformers ()

Foundational follow-up: The core shift—From item IDs to semantic embeddings ()

Summarizing user history for better personalization ()

Solving item cold-start with cross-modal embeddings ()

Few-shot prompting for personalized explanations ()

Data augmentation: Creating "hard negatives" with LLMs ()

Foundational follow-up: Augment vs. replace—The LLMERS production pattern ()

2. Architecting GenAI-Native Recommender Systems

Foundational follow-up: How LLMs understand—A primer on the transformer ()

The generative retrieval architecture ()

The key component: Semantic item tokenization ()

Building conversational recommenders with tool use and RAG ()

Multimodal fusion: How cross-attention works ()

Architectural challenge: Managing long-term user memory ()

3. Evaluating GenAI Recommenders: Quality, Fairness, and Trust

Evaluating recommendation lists: Diversity and novelty ()

Evaluating generated text: ROUGE, BLEU, and BERTScore ()

The RAG architecture: A deep dive into factual grounding ()

Red teaming: Proactively finding failure modes ()

4. Operationalizing GenAI Recommender Systems at Scale

Production infrastructure: Vector databases and model serving ()

Foundational follow-up: The two-tower model ()

Monitoring for embedding drift and quality degradation ()

Scaling for inference: Quantization and knowledge distillation ()

5. Conclusion

Course summary ()

The future is agentic: Designing recommenders as autonomous agents ()

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.