از Pista Academy حمایت کنید
خلاصه آموزشی
مرور سریع مفاهیم اصلی پیش از تماشای کامل یا برای جمع‌بندی بعد از آموزش.
در این جلسه آموزشی، مدرس مسیر کاملی برای تبدیل شدن به متخصص هوش مصنوعی ارائه می‌دهد. این مسیر شامل ۱۰ مرحله است که از پایه‌های برنامه‌نویسی با پایتون و کتابخانه‌های مرتبط شروع می‌شود و به مفاهیم پیشرفته مانند ماشین لرنینگ، دیپ لرنینگ، معماری ترنسفورمر، ال ام (Large Model)، فاین تیونینگ و هاگینگ فیس پیش می‌رود. همچنین، مفاهیمی مانند LoRA، رگ (Retrieval-Augmented Generation)، ایجنت (AI Agent) و اهمیت دانش عمومی و تخصص در یک حوزه خاص مورد تاکید قرار می‌گیرد. در پایان، تاکید بر تمرکز بر مهارت‌های اصلی و پیگیری پروژه‌ها برای پیشرفت در حوزه AI قرار داده شده است.
نکات کلیدی
برای شروع به یادگیری AI، پایه‌های برنامه‌نویسی با پایتون و کتابخانه‌های مرتبط ضروری است.
درک مفاهیم پیشرفته مانند ترنسفورمر، ال ام، فاین تیونینگ و هاگینگ فیس برای پیشرفت در حوزه AI ضروری است.
آشنایی با مفاهیمی مانند LoRA، رگ و ایجنت می‌تواند به پیشرفت در حوزه AI کمک کند.
نیاز به دانش عمومی و تخصص عمیق در یک حوزه خاص برای تبدیل شدن به متخصص AI ضروری است.
پروژه‌های واقعی و پیگیری آن‌ها به تجربه عملی در حوزه AI منجر می‌شود.
تمرکز بر مهارت‌های اصلی و پیگیری پروژه‌ها به بهبود مهارت‌های AI کمک می‌کند.
پرسش‌های رایج
پاسخ کوتاه و مستقیم به پرسش‌هایی که معمولاً هنگام یادگیری این موضوع مطرح می‌شوند.
برای شروع به یادگیری AI، کتابخانه‌هایی مانند پایتون، نامپای و پانداس ضروری هستند.
مفاهیمی مانند ماشین لرنینگ، دیپ لرنینگ، معماری ترنسفورمر، ال ام، فاین تیونینگ و هاگینگ فیس باید به ویژه مطالعه شوند.
مفاهیمی مانند LoRA، رگ (Retrieval-Augmented Generation) و ایجنت (AI Agent) می‌توانند به پیشرفت در حوزه AI کمک کنند.
آخرین به‌روزرسانی محتوای متنی:
چطور می‌توانیم به یک متخصص واقعی هوش مصنوعی تبدیل شویم؟ اگر بین Python، Machine Learning، Deep Learning، LLM، RAG، AI Agents، Hugging Face و MLOps سردرگم شده‌اید و نمی‌دانید دقیقاً از کجا باید شروع کنید، این اپیزود پادکست Pista Academy برای شماست. در این قسمت یک نقشه راه کامل و مرحله‌به‌مرحله برای تبدیل شدن به AI Engineer و متخصص هوش مصنوعی را بررسی می‌کنیم. هدف این مسیر فقط یاد گرفتن ChatGPT یا چند ابزار هوش مصنوعی نیست. هدف این است که بتوانید مفاهیم پایه، مدل‌ها، معماری‌ها و ابزارهای مهم AI را واقعاً درک کنید و در نهایت بتوانید سیستم‌های هوش مصنوعی واقعی طراحی، پیاده‌سازی و Deploy کنید. در این اپیزود درباره این مسیر صحبت می‌کنیم: Python و Data Machine Learning ریاضی مورد نیاز هوش مصنوعی Deep Learning و PyTorch Neural Networks و Backpropagation Attention و Transformer Large Language Models یا LLM Hugging Face Fine-tuning LoRA و QLoRA RAG Embeddings Vector Databases Hybrid Search و Reranking AI Agents Tool Calling Memory و State LangGraph Deployment FastAPI Docker Cloud MLflow و DVC Kubernetes MLOps AI System Design همچنین بررسی می‌کنیم که چرا فقط دوره دیدن برای متخصص شدن کافی نیست و برای ساخت یک Portfolio حرفه‌ای در حوزه AI چه پروژه‌هایی باید داشته باشید. پروژه‌هایی مثل: Deep Learning Project with PyTorch Transformer From Scratch Fine-tuning یک LLM با LoRA Advanced RAG System AI Agent with Tools & Memory Production AI System در بخش پایانی نیز درباره T-Shaped Skills صحبت می‌کنیم؛ یعنی ابتدا دانش عمومی مناسبی از حوزه‌های مختلف AI داشته باشیم و بعد در یک یا دو زمینه مثل LLM Engineering، Computer Vision، MLOps، AI Infrastructure یا Generative AI عمیق شویم. اگر قصد دارید در سال 2026 یادگیری هوش مصنوعی را به‌صورت جدی شروع کنید، این ویدیو می‌تواند نقشه راه شما باشد. نکته مهم: ابزارها و Frameworkها تغییر می‌کنند، اما مفاهیم ماندگارند. اگر Transformer، Retrieval، Machine Learning و Engineering را واقعاً بفهمید، تغییر ابزارها مانع پیشرفت شما نخواهد شد. 🎙️ Pista Academy آموزش برنامه‌نویسی، هوش مصنوعی، Machine Learning، Data Science و تکنولوژی اگر این محتوا برایتان مفید بود: ویدیو را Like کنید، کانال را Subscribe کنید و در کامنت‌ها بنویسید دوست دارید کدام بخش از این Roadmap را در اپیزود بعدی به‌صورت کامل بررسی کنیم. موضوعات پیشنهادی قسمتهای بعد: Deep Learning را از کجا شروع کنیم؟ Transformer چگونه کار می‌کند؟ چطور یک RAG حرفه‌ای بسازیم؟ AI Agent چیست و چگونه ساخته می‌شود؟ چطور در یک سال AI Engineer شویم؟ ━━━━━━━━━━━━━━━━━━ #هوش_مصنوعی #AI #ArtificialIntelligence #MachineLearning #DeepLearning #AIEngineer #LLM #RAG #AIAgents #GenerativeAI #Python #MLOps #پایتون #یادگیری_ماشین #PistaAcademy
مصنوعی.
چیزی که این روزا خیلی ترنده. خیلیا راجع
بهش سؤال دارن و خیلیاهم واقعاً نمی‌دونن
که چیو باید یاد بگیرن. چه مسیریو باید
پیش برن تا تبدیل بشن به یک متخصص توی
عرصه گوش مسولی
ما قراره توی ۱۰ مرحله
یک نقشه راهی رو طراحی بکنیم برای اینکه
شما از یک
جایی تبدیل بشید به در حقیقت یک متخصص مس
این جایی که میگم یعنی چی
پیشفرض این که شما یک آشنایی با حوزه تک دارید یه کوچولو برنامه‌نویسی بلدید
یه کوچولو مفاهیم ماشین لرنینگو بلدید
با مقدمات اوش مصریوعی هم آشنایید نه حالا
خیلی تخصصی
نکته اصلیم اون بحث ماشین لرنینگ است یعنی
اگه ماشین لرنینگو بلد نیستید یا اصلاً
نمی‌دونید چیه
یه مرحله قبل از این پادکست میشه شما یه
دوره ماشین لرنینگ بگذرونید نه به صورت
تخصصی ولی در یه حدی حداقل بدونید مفاهیمش
چیه و چهجوری کار میکنه.
خب
اولین سوالی که پیش میاد برای همه اینه که
من اصلاً ماشین دقت هوش مصنوعی رو از کجا
شروع بکنم؟
پایتون بخونم ماشین ارنینگ یاد بگیرم برم
سراغ چت جی بیتی دیپ لیرنینگ یاد بگیرم ال
ام یاد بگیرم رگ یاد بگیرم ایجنتا چین
لاین چنین چیه املوبس چیه این اصطلاحات
مختلفه که توی بحث هوش مصنوعی وجود داره
یه مسئله‌ای هم که توی هوش مصنوعی وجود
داره اینه که
سرعت
در حقیقت جلو رفتن هوش مصنوعی خیلی خیلی
زیاده پس تقریباً شما هر روز با یک ابزار
و تکنولوژی جدید روبهرو میشید
و این باعث بشه که خیلیا قبل از اینکه حتی
شروع بکنن گیج بشن.
دقیقاً ما قراره تو این پادکست این مسیر
برای شما روشن بکنیم
و و میخوایم ببینیم که اگر هدف ما این
باشه که نه فقط مصرف کننده ابزار شماستی
بلکه واقعاً یک متخصص شمای [موسیقی]
بخوایم بشیم چه چیزی رو باید یاد بگیریم و
از اون مهم‌تر
با چه ترتیبی جلو بریم
خب اول بریم سراغ یه سؤال مهم متخصص هوش
مصویی یعنی چی؟
قبل از اینکه درباره دوره و ابزار صحبت بکنیم اینکه شما چه دوره‌هایی رو بگذرونید
و چه ابزارهایی رو در حقیقت باید یاد
بگیرید حف اول باید بفهمیم که مقصدمون
کجاست قراره [موسیقی] به کجا برسیم
متخصص هوش مصولی بچه‌ها کسی نیست که فقط
بتونه با چت جی بیتی مثلاً کار کنه کسی
نیست که چند تا پرامپت خوب بلد باشه
حتی کسی که فقط بتونه با یه چت بات با
ایپیآی بسازه هم لزوماً متخصص ایآی نیست.
یه متخصص هوش مصنوعی باید بتونه زنجیره تقریباً کاملی رو درک بکنه. حالا این
زنجیره چیه؟ داده از کجا میاد؟ چطور آماده
میشه مدل چهجوری آموزش می‌بینه شبکه عصبی
چهجوری کار میکنه ترنسفورمر [موسیقی]
چیه؟
ال ام چگونه ساخته میشه مدلو چهجوری فاین
تیون می‌کنن
رگ چیه رگ چطور کار میکنه ایآی ایجنت چیه
و در نهایت چگونه همه اینا رو به یک محصول
واقعی و قابل استفاده تبدیل کنیم
اگه بخوایم تمام [موسیقی] این مسیرو تو یه خطه بکنیم میشه دیتا ماشینرینگ دیپلینگ
ترنسفورمر ال
رگ ایجنت املوپس و دیپت
حالا ما قراره این مسیررو قدم به قدم راجع
بهش صحبت بکنیم
مرحله اول شما باید پایه‌هاتونو قوی بکنید اگه هیچ سابقه‌ای توی برنامه‌ریسی ندارید
اولین قدم شما مشخصه باید یاد بگیرید باید
بتونید به راحتی کد بنویسید یا حداقل قرار
کد بخونید اگه قراره مثلاً از ایآی کمک
بگیرید ولی بهتره که کد نوشتنو واقعاً یاد
بگیرید با متغیرها توابع کلاس‌ها فایل‌ها
کتابخونه‌ها مخصوصاً آشنا باشید بتونید
باهاشون کار بکنید
بعدش تو استپ بعد
کتابخونه مثل نامپای پانداس و مد پلاتلیپ
که در حقیقت ابزارهای پایه تحلیل داده
هستند داشته باشید و بعدشم باید برید سراغ
اس
چون تقریباً هر پروژه هوش مصنوعی رو شما باهاش سر کار
داشته باشید با داده سر کار دارید و
طبیعتاً باید بتونید با داده کار بکنید
اما اگه مثل من مثلاً قبلاً سابقه کار تو
حوزه دیتا رو دارید طبیعتاً یه چند ماهی
جلوتره چون خود اینا احتمالاً دو سه ماه
طول می‌کشه حداقل
پس این مپهای پایه رو از قلم نندازید خیلی
مهم بدون اینا وارد نشی تو حوزه هوش
مصنوعی چون اونجوری بچه‌ها تبدیل میشی به
یه اپراتور
یعنی یه آدمی که صرفاً مثلاً یه سری
ابزارها رو می‌شناسه و باهاشون کار میکنه
ولی عمقشو متوجه نمیشه و نمی‌فهمی اینا
چهجوری دارن کار می‌کنن
اما مرحله دوم یه کوچولو باید ریاضیتون خوب باشه نه خیلی
حالا های لول و البته ماشین لرنینگ که
ابتدای پادکستم بهتون گفتم
لازم نیست بچه‌ها ریاضی بشید یا نه یه سری مفاهیم پایه رو باید بلد باشید مثلاً جبر
خطی این کوچولو باید بلد باشید احتمال و
آمار مثلاً مفهومی مثل مشتق گدینت
اپتیمایزیشن
اینا رو در حد آشنایی باید بلد باشید
بچه‌ها
و بعد از اون باید مفاهیم ماشین لرنینگ رو بلد باشید بدونید چیه مثل مثلاً رگرشن
کلاسیفیکیشن اورفیت تینگ یعنی چی؟
اصلاً ما چرا داده رو به مثلاً قسمت ترین
و ولید و تست تقسیم می‌کنیم؟
پریسیشن و ریکال یعنی چی؟ ابزارها اینا
متدهای در حقیقت ارزیابی هستن فیچر
انجینیرینگ یعنی چی؟
این مفاهیمو باید کامل بلد باشید
و اگر بلد نشه یه دو ماهی هم شاید مثلاً
حدوداً طول ب که شما فقط ماشین لینینگو
یاد بگیرید.
خب پایه سوم چیه؟ توی مرحله سوم دیپ
لرنینگه بعد ازش انتقد ماشین لرنینگ شما
دور دیپ لرنینگ میشید یه جورایی کمکم
دارید وارد
مفاهیم هوش مصنوعی میشید از اینجا بعد و
میشه گفت حتی وارد قلب هوش مصنوعی شدید
[موسیقی] با دیپ لرنینگ
دقیق تو این مرحله شما باید بفهمید که یک
شبکه عصبی چهجوری کار میکنه نورون چیه
لایه چیه
اکتیویشن فانکشن‌ها چه کاری انجام میدن
لاست فانکشن چیه گدینت دیسنت چیه و مهم‌تر
از همه بک پروپگیشن یعنی چی به چهجوری کار
میکنه اینا مفاهمی هستن که توی دیپ
لرنینگ قراره که یاد بگیرید
و تو این مرحله بچه‌ها نرید سراغ کتابخونه‌ها
مثلاً خودتون سعی کنید یه شبکه عصبی ساده
رو از صفر با نامپای بسازید واقعاً کار
سختی نیست بعدش به سراغ کتابخونه اونای
مثل پایتورچ مثلاً
پای ترورچ یکی از اون ابزارهای مهمس هوش
مصنوعیه که باید بلد باشه
و می‌تونید مثلاً باهاش یه پروژه‌هایی مثل
مثلاً ایمج کلاسیفیکیشن [موسیقی]
سی ان انو انجام بدید
بچه‌ها شما لزوماً
پروژه انجام نمیدید که تمرین کنید هدف
اینه که وقتی یه مدلی درست کار نمیکنه
بتونید تحلیل بکنید که چرا درست کار
نمیکنه کن
یه نکته هم داخل پرانتز اینجا بگم هر ۱۰
تا مرحله‌ای که الان من دارم راجع بهش تو
این پادکست صحبت می‌کنم براش ما یا الان
دوره ضبط شده تو کانالمون داریم یا قراره
به زودی ضبط کنیم این نکته رم بگم
خب مرحله چهارم
بحث ترنسفورمنا و اتنشنه که یکی از
مهم‌ترین نقاط این مسیره
تقریباً بچه‌ها تمام ال ام های مدرن بر
اساس معماری ترنسفورمر ساخته شدن
پس اگه ما قراره ال ام رو بفهمیم باید
ترنسفورم رو بفهمیم
اینجا با چه مفاهیم بچه‌ها ما روبهرو میشیم مفاهیم مثل توکنایزیشن امبدینگ
پوزیشنال انکودینگ سلف اتنشن کوی کلید
ولیو
مولتی هد اتنشن انکودر و دیکودر
خب خب [موسیقی]
زیادم بچه‌ها فریک نکنید نترسیدها که
مثلاً اینا چین شما یه معماری ترنسفورمر
قدم به قدم پیاده‌سازی بکنید می‌فهمید که
واقعاً اون قدم چیز مثلاً جادویی نیست
واقعاً عجیب غریب نیست [موسیقی] بچه‌ها و
وقت بذارید همه اینا قابل فهمان
و اگه مثلاً بگم شما یه ترنسفورمر رو ترنسفورمر خیلی کوچولو رو خودتون داخل پای
ترچ بسازید تمام این مفاهیمو یاد می‌گیرید
و بعد از اینکه ترنسف رو بسازید تازه می‌فهمید که ابزار مثل چند جی بیتی کلا
جمنا اینا چهجوری کار می‌کنن
اما مرحله پنجم می‌رسیم به خود ال‌ها حالا که ترنسفورمر رو فهمیدیم می‌تونیم
بریم سراغ لارج مدل یا ال
تو تو این مرحله باید بفهمیم که ال ان ما
چهجوری آموزش می‌بینن
نکست توکن پریکشن یعنی چی کانتکست ویندو
یعنی چی تمپرچر یعنی چی تاپ کی یا تاپ پی
چیکار میکنه
پریترینگ یعنی چی فاین تیونینگ یعنی چی
اینستراکشن تیونینگ یعنی چی
چرا مدل یه وقیی مثلاً توهم می‌زنه دیدید
فکر کنم اینو مدلا یه وقتی توهم می‌زنن یه
چیز عجیب غریبی جواب میدم بهتون
تو این مرحله بچه‌ها یه نکته خیلی مهم وجود داره. تبدیل نشید به یک مصرف کننده
ایپیآی.
خب یعنی نشید اینجوری که مثلاً به مدل اپن
ایآی شما یه ریکوست بزنید و جواب بگیرید.
این نه اینجوری نباید بشید. خب
باید بتونید با مدل‌های اپن سورس کار
بکنید. اینجاست که میریم سراغ مرحله
بعدمون. یعنی چی؟ تو مرحله ششم مفاهیم
هاگینگ فیس و فاین تیونیک
هاگینگ فیس که ما قطعاً براش یک دوره توی کانالمون به زودی زود خواهیم داشت یکی از
مهم‌ترین اکوسیستما هوش مصنوعی اپن سورسه
تو این مرحله بچه‌ها شما بتونید یک مدلی
رو دانلود کنید
توکنایزر اونو بتونید استفاده [موسیقی]
کنید اینفرنسشو انجام بدید دیتا ست آماده
کنید
بعد مدلو فایتیون بکنید
تو این مرحله شما با مفاهیمی مثل لورا و
کیولورا آشنا بشید که خیلی مفاهیم مهمی
هستن
بچه‌ها شما قرار نیست یک مدل مثلاً چند میلیارد پارامتریرو از صفر آموزش بدید
بلکه شما یه مدلی دارید تو این درق
اکوسیستم این مدل از قبل یه آموزشی دیده
بذارید یه تیکه رو یه ذره بازش کنم براتون. داخل هاگینگ فیس بچه‌ها یه سری
مدل‌های آماده هست. اپن سورسه اینا از قبل
یه ترین جنرالی شده فقط شما قراره که اینا
رو بیارید دانلود بکنید برای اون حوزه
تخصصی خودتون دوباره آموزششون بدید
خب
مثلاً فرض کنید شما یک مرکز پشتیبانی
دارید برای محصولی می‌تونید به یکی از این
مدل اپن سورسو دانلود کنید دیتای اون مرکز
تماستون و محصول خودتونو بدید به این مدله
و بر اساس اون ترین بشه بعد جواب مثلاً
کاربراتونو
خب
مثلاً می‌تونه یه پروژه خیلی خوب برای
پورتفولیو شما باشه
و بریم مرحله هفتم رگ که شاید هه تا حرف داشته باشه ولی فوق‌العاده مهم و کاربردیه
تو دنیای ال
رگ مخفف چیه ریترایول آرگومنت جنریشن
آرگومنت جنریشن ببخشید
بذارید یه مثال بزنم. فرض کنید یه شرکتی
۱۰۰ هزار صفحه سند داره.
خب میخواد یه سیستم هوش مصیری درست کنه
کارمندا بتونن ازش سؤالاتشونو بپرسن.
ما نمی‌تونیم تمام این اسنادو در قالب یک پرامپت بدیم به یه مدل. خب اینجاست که رگ
میاد کمک میکنه.
اسنادو پردازش میکنه. اونا رو به قسمتهای
کوچک‌تر تقسیم میکنه.
امبدینگ میکنه بعد داخل وکتور دیتابیسا
ذخیره میکنه بعد که سؤال کاربر می‌گیره
میره مرتبط‌ترین بخش با سؤال کاربر تو اون
وکتور دیتابیس پیدا میکنه.
اون اطلاعاتو به ال ان میده و بعد جواب رو
تولید میکنه.
و حتی بچه‌ها اینو بگم بهتون. رگ کارای خیلی گنده‌تر از این از این انجام میده.
این خیلی ساده بهتون گفتم.
مفاهیم مثل چانکینگ، امبدینگ مدل‌ها
و حالا یه سری مفاهیم دیگه که جلوتر توی
دوره خودش اگه دوست داشتید می‌تونید
ببینید و آشنا بشید.
حتی یکی از دیگه از کارایی که انجام میدین که حتی می‌تونه مدل شما رو ارزیابی بکنه
که آیا داره درست جواب میده یا نه.
اینم یکی از اون مباحث مهم رگه.
اما بریم سراغ مرحله هشتم.
یه چیزی که احتمالاً زیاد شنیدید راجع بهش
توی جاهای مختلف ایآی ایجنت یا ایجنتهای
هوش مصنوعی.
بعد از اینکه رگو یاد گرفتید بچه‌ها
می‌تونید وارد دنیای ایجنتها بشید.
ایآی ایجنت دیگه مدلی نیست که فقط جواب
بده.
می‌تونه تصمیم بگیره برای رسیدن به یه
نتیجه از چه ابزاری استفاده بکنه. مثلاً
یه مثال
می‌تونه مثلاً بره فروش ماه گذشته شرکتو
بررسی کنه دلایل افت فروشو پیدا بکنه بعد
اینجا مثلاً امکان داره ایجنتی تصمیم
بگیره مثلاً بره اول به دیتابیس وصل بشه
داده‌ها رو تحلیل کنه یه گزارش بسازه
و بعد در مثلاً نتیجه رو به کاربر بده
یعنی در حقیقت بچه‌ها اینجا ال ام از یه
چتبدیل
میشه به یه بخشی از یک ورک فلو لو
یه سری فریمورکم بچه‌ها تو این مرحله مثل مثلاً لنگ گرف دیگه اهمیت پیدا می‌کنن تو
این مرحله
فقط بچه‌ها یک نکته بسیار مهم قبل از اینکه ال ام یا رگ رو لفهمیدید
وارد ایجنتا نشید این خیلی [صدای خرناس]
نکته مهمه
اگه از همون ابتدا بچه‌ها بیاید سراغ فریمورک یاد بگیرید و ممکنه مثلاً کار با
ابزارو بلد بشید ولی معماری پشتشو
نمی‌فهمید یه واقعیتی
اما مرحله نهم پروداکشن و املوپس
یه چیز شبیه دوابس مثلاً
خب تا این مرحله شاید شما تونسته باشید یک
مدل خوب بسازید اما یه سؤال چهجوری مدلو
در اختیار تعداد زیادی کاربر میخواید
قرار بدید که ازش استفاده کنه؟
اینجاست که تفاوت یک پروژه آموزشی‌ای با
یک سیستم واقعی خودشون نشون میده.
باید بتونیم بچه‌ها ایپیآی بسازیم مثلاً
با فست ایپیآی یکی از کتابخونه‌های پایتون
سیستمو مثلاً داکرایز بکنیم روی کلاد اجرا
کنیم
لاگین داشته باشه مانیتورینگ [موسیقی]
داشته باشه مدل ورژنینگ انجام بدیم
و و چیزای دیگه اینجاست که ابزارهایی مثل
امر فلو و دی وی سی وارد میشه و بعدم
کوبرنتس
و حالا یه سری ابزار دیگه
اگر قراره شما تبدیل بشید به یک مهندس
ایآی یا ایآی انجینرینگ حرفه‌ای باید اینا
رو یاد بگیرید.
چون بچه‌ها شما تو خیلی از شرکتها که برید
فقط دنبال این نیستن که شما بتونید مدل
بسازید.
به کسی نیاز دارن که مدلو بتونه تبدیل کنه
به محصول
و اما مرحله آخر مرحله دهم طراحی سیستم‌های مبتنی بر هوش مصنوعی یا
ایآی سیستم دیزاین
اینجا دیگه بچه‌ها سؤال این نیست که چهجوری یه دونه رگ بسازیم سوال اینه که
چهجوری یه دونه رگو برای یک میلیون سند و
۱۰ هزار کاربر همزمان طراحی کنیم. سؤال
اصلی اینه اینجا
کجا کش داشته باشیم؟ کجا کیو رو قرار بدیم
یا صفو قرار بدیم از ایپیآی خارجی استفاده
کن یه مدلای لوکال چه مقدار جی پی یو نیاز
داریم چهجوری هزینه رو بیاریم پایین چطور
سیستمو اسکیل کنیم
اگر یکی از سری فر شد چیکار چه اتفاقی
میفته چیکار باید بکنیم لیتنسی چقدر چطور
امنیت اطلاعاتو حفظ کنیم اینا سؤلاییه که
بچه‌ها یک متخصص طراحی سیستم هوش مصنوعی
باید بتونه پاسخ بده
اگه اگه بتونید این مسائلو حل کنید دیگه
فقط یه برنامه‌نویس ایآی نیستید
دارید به سطح یک
مهندسی هوش مصنوعی یا ایآی آرشیتکت نزدیک
میشید
خب ۱۰ مرحله رو بهتون گفتم حالا یه سری نکات باید جمعی
بچه‌ها دوره دیدن کا خ تنها کافی [موسیقی]
نیست خب
یعنی شما بشین پشت هم مثلاً مثلاً کلاس
ثبتنام کنید و دوره آنلاین ببینید اینا
فایده نداره
خب
چرا چون شما در حین دوره دیدنه خ یکی از
مشکلات وجود داره که کلی تکنولوژی جدید
امکان داره بیاد
برای هر مرحله بچه‌ها باید یه پروژه داشته باشید بعد از دیپ لرنینگ یه مدل واقعی
بسازید بعد از ترنسفورمر یک ترنسفورمر
کوچیک پیاده‌سازی بکنید [موسیقی] خودتون
بعد از فاین تیونینگ یک مدل رو داده
اختصاصی ستون فانتون کنید بعد از رگ یه
سیستم رگ کامل بسازید [موسیقی] بعد از
ایجنت یه ایجنتو با چند تا طول واقعی
طراحی کنید ابزار واقعی و در نهایت بچه‌ها
همه اینا رو باید دیپلوی کنید یعنی بلد
باشید که دیپلوی کنید
بعد از مثلاً یک سال فرض کنید مثلاً شما میخواید گیتهاب خودتونو آپدیت کنید برای
مثلاً دنبال کار میخواید بگ توی شما باید
یه سری پروژه‌ها توی پورت فولیتون داشته
باشید. یک سیستم مبتنی بر دیپلینگ با پای
تورچ.
یه دونه ترنسفورمر از ابتدا ساخته باشید.
فاین تیونینگ باید یه پروژه داشته باشید.
بر اساس رگ باید حتماً یه پروژه داشته
باشید
و حالا ایآی ایجنت و چیزای دیگه همچنین داکر و کلاد و اینا باید همشون یه پروژه
داشته باشید.
خب اینجای داستان که رسیدید انشاالله باید تصمیم بگیرید که تو کدوم حوزه گوش مصنوعی
میخواد متخصص بشه [موسیقی] چون اینجا چند
تا شاخه میشه
می‌تونید مثلاً وارد کامپیوتر ویژن
[موسیقی] بشید یا این رینفورسمنت
لرنینگ بشید مولتی مدودال ایآی داریم
جنریتیو ایآی داریم ایآی اینفراستراکچر
داریم زیرساخت ایآی [موسیقی]
ال ام انجینرینگ داریم یا امپس اینا همه
حوزه‌های های مختلفن.
پس شما اول باید یک دانش عمومی کلی و قوی برای خودتون بسازید بعد تو یکی از اینا
بید عمیق بشید.
یه دانش نسبتاً وسیع تو حوزه بوش مصنوعی اما تخصص عمیق در یک بخش مشخصه.
خب حالا که خلاصه بگم کل مسیررو اول پایتون دیتا ماشین لرنینگ دیپ لرنینگ
ترنسفورمرا ال ام هاگینگ فیس پاین تیونینگ
رگ ایآی ایجنت [موسیقی] املپس و دپلویمنت
و در نهایت ایآی سیستم دیزا
اوکی
و واقعاً یک مسیر بچه‌ها نسبتاً طولانیه
ولی به نظر من ارزش رو داره و دنیای آینده
بچه‌ها دنیای هوش مصنوعیه به نظر [موسیقی]
و کسایی بلند که خوب هم معماری هوش مصویی
رو بفهمن خوبم بتونن باهاش کار بکنن
و اما حرف آخر
تو دنیا هوش مصی ابزار خیلی سریع عوض میشن
یعنی الان امکان داره بچه‌ها یه ابزار
خیلی محبوب باشه ۲ روز دیگه ابزار رو
بذارین کنار یه ابزار دیگه جاش بیاد خب
پس اگه تمام دانش شما وابسته به یه ابزار
باشه
دائماً باید از صفر شروع کنید اونو بذارید
کنار ابزار جدید اونو بذارید کنار ابزار
جدید
اما اگه مفاهیمو یاد گرفته باشید ابزارا
فقط ابزارن
اگر ترنسفورمرو بفهمید مدلا عوض بشنو
مشکلی ندارید باهاش
خب
مثلاً اگر اصول مهندسی رو بلد باشید موجی تکنولوژی شما رو به خودش نمی‌بره بچه‌ها
شما رو اون سوار میشید
پس الان بچه‌ها از خودتون س این سؤالو نپرسید که سریع‌ترین ابزار ایآی که
می‌تونم یاد بگیرم چیه؟ بهش این سؤال
بپرسید چه دانشی رو یاد بگیرم که ۵ سال
دیگه هم برای من ارزش داشته باشه؟
پاسخ چیه؟ ترکیبی از پایه‌های علمی،
مهندسی، تمرین، پروژه واقعی و یادگیری
مستمر
و این مسیر شما رو تبدیل میکنه به یک
متخصص هوش مصنوعی.
خب تمام فکر کنم کافی باشه چیزایی که گفتیم
خیلی کامل فکر کنم مسیرو از شما روشن کرد
و بازم اینو میگم بچه‌ها ما تقریباً برای
هر کدوم از این مسیرها یک دوره داخل
کانالمون یا داریم یا خواهیم داشت
بریم بریم اشاالله قسمت چهارم پادکستمون میریم سراغ یه حوزه
دیگه و یک موضوع دیگه خداحافظ
