آموزش رایگان هوش مصنوعی مایکروسافت: ۱۸ درس کامل از مبتدی تا پیشرفته

هوش مصنوعی (AI) دیگر یک مفهوم دور و دست‌نیافتنی در داستان‌های علمی-تخیلی نیست؛ بلکه واقعیتی است که به سرعت در حال نفوذ به تمام جنبه‌های زندگی ما، از نحوه جستجو در اینترنت و تعامل با دستیارهای هوشمند گرفته تا روش‌های نوین در پزشکی، هنر، مهندسی و کسب‌وکار است. در این میان، هوش مصنوعی مولد (Generative AI)، با توانایی شگفت‌انگیز خود در خلق محتوای جدید (متن، تصویر، کد، صدا، ویدیو)، توجهات جهانی را به خود جلب کرده و موجی از هیجان و البته سوالات را در مورد آینده به راه انداخته است.

با این سرعت بالای پیشرفت، نیاز به منابع آموزشی معتبر، جامع و در عین حال قابل فهم برای ورود به این دنیای پیچیده، بیش از هر زمان دیگری احساس می‌شود. خوشبختانه، غول‌های فناوری جهان نیز در این زمینه پیش‌قدم شده‌اند و مایکروسافت (Microsoft)، به عنوان یکی از بازیگران اصلی و سرمایه‌گذاران کلیدی در حوزه AI (به‌ویژه از طریق همکاری با OpenAI)، یکی از بهترین و کامل‌ترین دوره‌های آموزشی رایگان را برای علاقه‌مندان تدارک دیده است: دوره "هوش مصنوعی مولد برای مبتدیان" (Generative AI for Beginners).

 

 

این دوره که در پلتفرم آموزشی Microsoft Learn در دسترس قرار گرفته، شامل ۱۸ درس ویدیویی جامع است که شما را قدم به قدم از مفاهیم پایه هوش مصنوعی مولد و مدل‌های زبانی بزرگ (LLMs) گرفته تا مباحث پیشرفته‌تری مانند مهندسی پرامپت حرفه‌ای، ساخت انواع اپلیکیشن‌های AI (متن، چت، جستجو، تصویر، Low-Code)، کار با پایگاه‌داده‌های برداری، مدل‌های متن‌باز، کارگزاران هوش مصنوعی (AI Agents) و حتی تنظیم دقیق (Fine-tuning) مدل‌ها، همراهی می‌کند.

 

اما محتوای دقیق هر یک از این ۱۸ درس چیست؟ این دوره برای چه کسانی مناسب است؟ چه پیش‌نیازهایی دارد و چگونه می‌توانید از آن بهترین استفاده را ببرید؟ در این مقاله فوق‌العاده جامع در های ورت (hiwert.com)، ما به عنوان راهنمای شما، به معرفی و بررسی تک‌تک دروس این دوره ارزشمند مایکروسافت می‌پردازیم، نکات کلیدی هر درس را شرح می‌دهیم و لینک مستقیم دسترسی به هر آموزش را نیز در اختیار شما قرار خواهیم داد. هدف ما این است که با ارائه یک نقشه راه کامل، به شما کمک کنیم تا با اطمینان و آگاهی، سفر هیجان‌انگیز خود را در دنیای هوش مصنوعی مولد آغاز کنید یا دانش خود را در این زمینه به سطوح بالاتری ارتقا دهید.

 

 

چرا دوره "Generative AI for Beginners" مایکروسافت یک گنجینه آموزشی است؟

قبل از ورود به جزئیات دروس، بیایید ببینیم چه عواملی این دوره مایکروسافت را به یک منبع آموزشی برجسته و ارزشمند تبدیل کرده است:

 

• جامعیت و گستردگی: پوشش ۱۸ موضوع کلیدی و متنوع، از مبانی نظری گرفته تا کاربردهای عملی و مباحث پیشرفته.

 

• ساختار منطقی: دوره از مفاهیم پایه شروع شده و به تدریج به سمت موضوعات پیچیده‌تر حرکت می‌کند، که آن را برای افراد با سطوح دانش مختلف مناسب می‌سازد.

 

• مدرسان متخصص: آموزش‌ها توسط کارشناسان و متخصصان خود مایکروسافت و چهره‌های شناخته‌شده در حوزه AI ارائه می‌شود.

 

• تمرکز بر کاربرد: بسیاری از دروس شامل مثال‌های عملی و راهنمایی گام‌به‌گام برای ساخت اپلیکیشن‌های واقعی AI هستند.

 

• دسترسی رایگان: کل دوره به صورت رایگان در پلتفرم Microsoft Learn در دسترس عموم قرار دارد.

 

• پوشش مفاهیم کلیدی روز: این دوره به مفاهیم بسیار مهم و به‌روزی مانند هوش مصنوعی مسئولانه (Responsible AI)، بازیابی نسل افزوده (RAG)، کارگزاران هوش مصنوعی (AI Agents) و چرخه عمر مدل‌های زبانی (LLMOps) نیز می‌پردازد که برای درک عمیق‌تر اکوسیستم AI امروزی ضروری هستند.

 

• ارتباط با اکوسیستم مایکروسافت: اگرچه مفاهیم کلی هستند، اما بسیاری از مثال‌ها و ابزارها با استفاده از پلتفرم‌ها و سرویس‌های مایکروسافت مانند Azure OpenAI Service و Power Platform ارائه می‌شوند که برای علاقه‌مندان به این اکوسیستم بسیار مفید است.

 

 

نقشه راه سفر: معرفی کامل ۱۸ درس دوره هوش مصنوعی مایکروسافت

حالا بیایید قدم به قدم، با محتوای هر یک از ۱۸ درس این دوره جامع آشنا شویم:

 

 

درس ۱: مقدمه‌ ای بر هوش مصنوعی مولد و مدل‌ های زبانی بزرگ (LLMs)

• محتوا: این درس نقطه شروع سفر شماست. کارلوتا کاستلوچیو (Carlotta Castelluccio) شما را با مفاهیم بنیادین هوش مصنوعی مولد (Generative AI) آشنا می‌کند؛ اینکه این فناوری چیست، چگونه به وضعیت فعلی رسیده‌ایم و چه تفاوتی با سایر انواع هوش مصنوعی دارد. سپس به سراغ مدل‌های زبانی بزرگ (Large Language Models - LLMs) می‌رود و به زبان ساده، نحوه کارکرد درونی آن‌ها (پردازش زبان طبیعی، پیش‌بینی کلمه بعدی)، قابلیت‌های اصلی (تولید متن، ترجمه، خلاصه‌سازی، پاسخ به سوال) و کاربردهای عملی آن‌ها در صنایع مختلف، به خصوص در حوزه آموزش (با اشاره به ایده استارتاپی فرضی دوره) را شرح می‌دهد.
• مناسب برای: همه افراد، به خصوص مبتدیان کامل که هیچ آشنایی قبلی با هوش مصنوعی مولد ندارند.

 

 

 

 

درس ۲: کاوش و مقایسه مدل‌ های زبانی بزرگ مختلف

• محتوا: دنیای LLMها بسیار متنوع است. در این درس، کارلوتا کاستلوچیو به همراه پابلو لوپس (Pablo Lopes)، شما را با انواع مختلف LLMهای موجود در بازار (مانند مدل‌ های پایه، مدل‌ های تنظیم دقیق شده برای وظایف خاص، مد ل‌های متن‌ باز در برابر مدل‌ های تجاری) و کاربردهای متفاوت آن‌ها آشنا می‌کنند. بخش مهمی از این درس به نحوه آزمایش، تکرار (Iterating) و مقایسه مدل‌ های مختلف برای پیدا کردن بهترین گزینه متناسب با نیاز و کاربرد خاص شما (با استفاده از ابزارهای موجود در پلتفرم Azure مایکروسافت) و همچنین نحوه استقرار (Deploy) یک LLM برای استفاده در برنامه‌هایتان اختصاص دارد.
• مناسب برای: افرادی که با مفاهیم پایه آشنا شده‌اند و می‌خواهند بدانند چگونه مدل مناسب را برای پروژه خود انتخاب و استفاده کنند.

 

 

 

درس ۳: استفاده مسئولانه از هوش مصنوعی مولد (Responsible AI)

• محتوا: قدرت هوش مصنوعی مولد، مسئولیت‌های بزرگی را نیز به همراه دارد. در این درس بسیار مهم، کوری استگارد-پیس (Korey Stegared-Pace) به ضرورت اولویت دادن به هوش مصنوعی مسئولانه (Responsible AI) هنگام ساخت برنامه‌های کاربردی می‌پردازد. او اصول کلیدی AI مسئولانه مانند انصاف (Fairness)، قابلیت اطمینان و ایمنی (Reliability & Safety)، حریم خصوصی و امنیت (Privacy & Security)، فراگیری (Inclusiveness)، شفافیت (Transparency) و پاسخگویی (Accountability) را شرح داده و نحوه ارتباط آن‌ها با چالش‌های خاص هوش مصنوعی مولد (مانند تولید محتوای مضر، سوگیری‌ها، اطلاعات غلط) را توضیح می‌دهد. در نهایت، راهکارها و ابزارهایی برای پیاده‌سازی عملی این اصول در استراتژی‌ ها و فرآیند های توسعه AI ارائه می‌شود.
• مناسب برای: تمام افرادی که قصد استفاده یا توسعه برنامه‌های مبتنی بر AI را دارند؛ این درس یک ضرورت اخلاقی و عملی است.

 

 

 

درس ۴: درک اصول مهندسی پرامپت (Prompt Engineering Fundamentals)

• محتوا: کیفیت خروجی مدل‌های زبانی بزرگ، به شدت به کیفیت ورودی یا همان پرامپت (Prompt) بستگی دارد. نیتیا ناراسیمهان (Nitya Narasimhan) در این درس، شما را با هنر و علم مهندسی پرامپت آشنا می‌کند. او توضیح می‌دهد که مهندسی پرامپت چیست و چرا اینقدر اهمیت دارد، اجزای مختلف یک پرامپت مؤثر (مانند دستورالعمل، زمینه، مثال، شخصیت) را تشریح می‌کند، و بهترین شیوه‌ ها و تکنیک‌ ها برای نوشتن پرامپت‌هایی که منجر به پاسخ‌های دقیق‌تر، مرتبط‌تر و خلاقانه‌تر شوند را آموزش می‌دهد. در انتها، این تکنیک‌ها با استفاده از مثال‌های واقعی و کار با یک نقطه پایانی OpenAI به صورت عملی نشان داده می‌شوند.
• مناسب برای: تمام کاربران هوش مصنوعی مولد که می‌خواهند نتایج بهتری از تعاملات خود با این ابزارها بگیرند.

 

 

 

 

درس ۵: ساخت پرامپت‌ های پیشرفته (Advanced Prompts)

• محتوا: این درس که توسط کریس نورینگ (Chris Noring) ارائه می‌شود، یک گام فراتر رفته و به تکنیک‌ های پیشرفته‌ تر مهندسی پرامپت می‌پردازد. هدف، بهینه‌سازی بیشتر پرامپت‌ها برای بهبود کیفیت پاسخ و دستیابی به نتایج خاص‌ تر است. تکنیک‌ هایی مانند Zero-shot, Few-shot prompting، Chain-of-Thought، ایجاد شخصیت (Persona) برای AI، و نحوه پیکربندی پارامتر های مدل (مانند Temperature و Max Tokens) برای کنترل تنوع و طول خروجی، در این درس با مثال‌های فنی و عملی بررسی می‌شوند.
• مناسب برای: کاربرانی که با اصول اولیه پرامپت‌نویسی آشنا هستند و می‌خواهند کنترل دقیق‌تری بر خروجی AI داشته باشند؛ به خصوص توسعه‌دهندگان.

 

 

 

درس ۶: ساخت اپلیکیشن‌ های تولید متن (Building Text Generation Applications)

• محتوا: حالا زمان ساخت اولین برنامه کاربردی است! کریس نورینگ در این درس به شما نشان می‌دهد که چگونه با استفاده از کتابخانه OpenAI (و احتمالاً APIهای مرتبط)، یک اپلیکیشن ساده تولید متن بسازید. او مفاهیم اصلی کار با کتابخانه OpenAI، نحوه ارسال درخواست به مدل، و چگونگی استفاده از مفاهیمی که یاد گرفته‌اید (مانند پرامپت، دما، توکن‌ها) را برای کنترل خروجی متنی برنامه، به صورت گام‌به‌گام آموزش می‌دهد.
• مناسب برای: توسعه‌دهندگان و علاقه‌مندان به برنامه‌نویسی که می‌خواهند اولین برنامه مبتنی بر هوش مصنوعی مولد خود را بسازند.

 

 

 

 

درس ۷: ساخت اپلیکیشن‌ های چت (Building Chat Applications)

• محتوا: چت‌بات‌ها یکی از محبوب‌ترین کاربردهای LLMها هستند. جاسمین گرین‌ اوی (Jasmine Greenaway) در این ویدیوی عمیق، به ظرافت‌ های ساخت اپلیکیشن‌های چت مبتنی بر هوش مصنوعی مولد می‌پردازد. تکنیک‌هایی برای ساخت و ادغام کارآمد این برنامه‌ها در سیستم‌های موجود، نحوه اعمال سفارشی‌ سازی (Customization) و تنظیم دقیق (Fine-tuning) برای بهبود عملکرد در زمینه‌های خاص، و همچنین استراتژی‌ها و ملاحظات مربوط به نظارت (Monitoring) بر عملکرد و ایمنی برنامه‌ های چت پوشش داده می‌شود.
• مناسب برای: توسعه‌ دهندگانی که قصد ساخت چت‌بات‌های هوشمند یا ادغام قابلیت‌های مکالمه‌ای AI در برنامه‌ های خود را دارند.

 

 

 

 

درس ۸: ساخت اپلیکیشن‌ های جستجو با پایگاه‌ داده‌ های برداری (Vector Databases)

• محتوا: کاربرد LLMها فراتر از تولید متن و چت است! دیو گلوور (Dave Glover) در این درس نشان می‌دهد که چگونه می‌توان با استفاده از Embeddings (نهفته‌ سازی‌ ها یا نشان‌ های عددی داده‌ ها که به آنها بردار یا Vector نیز می‌گویند)، اپلیکیشن‌ های جستجوی معنایی (Semantic Search) قدرتمندی ساخت. برخلاف جستجوی کلیدواژه‌ ای سنتی که فقط به دنبال کلمات یکسان می‌گردد، جستجوی معنایی می‌تواند مفاهیم و معانی نزدیک را پیدا کند. در این درس، شما یاد می‌گیرید که Text Embeddings چیست، چگونه یک ایندکس (فهرست) از آن‌ها بسازید و چگونه آن را جستجو کنید. به عنوان یک مثال عملی، یک برنامه جستجو برای ویدیوهای یوتیوب یک استارتاپ آموزشی فرضی ساخته می‌شود که به دانشجو اجازه می‌دهد با تایپ یک سوال (مثلاً "ژوپیتر نوتبوک چیست؟")، ویدیوهای مرتبط و حتی نقطه دقیق زمانی در ویدیو که پاسخ سوال در آن قرار دارد را پیدا کند!
• مناسب برای: توسعه‌دهندگان علاقه‌مند به ساخت سیستم‌های جستجوی هوشمند، بازیابی اطلاعات (Information Retrieval) و کار با داده‌های غیرساختاریافته.

 

 

 

 

درس ۹: ساخت اپلیکیشن‌ های تولید تصویر (Building Image Generation Applications)

• محتوا: دنیای شگفت‌انگیز تبدیل متن به تصویر! کریس نورینگ و پابلو لوپس در این درس توضیح می‌دهند که تولید تصویر با هوش مصنوعی چیست و چرا در حوزه‌های مختلفی مانند فناوری پزشکی، معماری، گردشگری، توسعه بازی و... بسیار مفید است. سپس به معرفی دو مورد از محبوب‌ترین و قدرتمندترین مدل‌های تولید تصویر، یعنی DALL-E (از OpenAI) و Midjourney می‌پردازند و نحوه کارکرد کلی آن‌ها را شرح می‌دهند. در نهایت، شما را با مراحل و ملاحظات ساخت یک برنامه کاربردی ساده برای تولید تصویر با استفاده از این مدل‌ها (احتمالاً از طریق APIهای Azure OpenAI) آشنا می‌کنند.
• مناسب برای: توسعه‌دهندگان، طراحان گرافیک، هنرمندان دیجیتال و هر کسی که به پتانسیل خلاقانه هوش مصنوعی در تولید محتوای بصری علاقه‌مند است.

 

 

 

 

درس ۱۰: ساخت اپلیکیشن‌ های هوش مصنوعی با کد کم (Building Low-Code AI Applications)

• محتوا: آیا برای ساخت اپلیکیشن‌های هوش مصنوعی حتماً باید یک برنامه‌نویس حرفه‌ای بود؟ سوملز دیکو (Someleze Diko) در این درس به دنیای پلتفرم‌ های توسعه کم‌ کد (Low-Code) و چگونگی ترکیب آن‌ها با قدرت هوش مصنوعی می‌پردازد. تمرکز اصلی بر روی Microsoft Power Platform (شامل Power Apps, Power Automate) است. شما یاد می‌گیرید که چگونه از قابلیت‌های هوش مصنوعی مولد، دستیار Copilot مایکروسافت و ابزار AI Builder در این پلتفرم برای ساخت سریع اپلیکیشن‌ها و خودکارسازی فرآیندها (Flows) با حداقل کدنویسی استفاده کنید. این درس نشان می‌دهد که چگونه AI می‌تواند توسعه نرم‌افزار را برای طیف وسیع‌تری از افراد (حتی غیرتوسعه‌دهندگان) دسترس‌پذیر کند.
• مناسب برای: توسعه‌دهندگان شهروند (Citizen Developers)، تحلیلگران کسب‌وکار، متخصصان IT و هر کسی که علاقه‌مند به ساخت سریع راه‌حل‌های مبتنی بر AI بدون درگیری زیاد با کدنویسی است.

 

 

 

 

درس ۱۱: ادغام برنامه‌ های خارجی با فراخوانی تابع (Integrating External Applications with Function Calling)

• محتوا: مدل‌های زبانی بزرگ به تنهایی نمی‌توانند به داده‌های لحظه‌ای دسترسی داشته باشند یا با سیستم‌های خارجی تعامل کنند. قابلیت فراخوانی تابع (Function Calling) این مشکل را حل می‌کند. کوری استگارد-پیس در این درس توضیح می‌دهد که Function Calling چیست و چگونه به LLMها اجازه می‌دهد تا ابزارهای خارجی یا APIها را برای انجام کارهای خاص (مانند دریافت اطلاعات آب و هوا، رزرو کردن بلیط، جستجو در پایگاه داده داخلی شرکت) فراخوانی کنند. شما یاد می‌گیرید که چگونه یک Function Call را با استفاده از Azure OpenAI Service ایجاد کرده و آن را در برنامه کاربردی خود ادغام نمایید تا توانایی‌های LLM را به طور چشمگیری گسترش دهید.
• مناسب برای: توسعه‌دهندگانی که می‌خواهند LLMها را به ابزارها و داده‌های دنیای واقعی متصل کنند و دستیاران هوشمند قدرتمندتری بسازند.

 

 

 

 

درس ۱۲: طراحی تجربه کاربری (UX) برای اپلیکیشن‌های هوش مصنوعی

• محتوا: ساخت یک مدل AI قدرتمند یک چیز است، و طراحی تجربه‌ای که کاربران بتوانند به راحتی و با اطمینان از آن استفاده کنند، چیز دیگری! بتانی جپچومبا (Bethany Jepchumba) در این ویدیوی آموزنده، به دنیای طراحی تجربه کاربری (User Experience - UX) برای برنامه‌های مبتنی بر هوش مصنوعی می‌پردازد. او بر اهمیت ایجاد اعتماد و شفافیت (Trust and Transparency) در سیستم‌های AI، درک نیازهای واقعی کاربران، و طراحی تعاملاتی که همکاری انسان و ماشین (Human-AI Collaboration) را تسهیل کرده و امکان ارائه بازخورد توسط کاربر را فراهم می‌کند، تأکید می‌نماید. این درس همچنین به ارتباط UX با اصول AI مسئولانه می‌پردازد.
• مناسب برای: طراحان UX/UI، مدیران محصول، توسعه‌دهندگان و هر کسی که در ساخت یا استفاده از برنامه‌های AI دخیل است.

 

 

 

 

درس ۱۳: ایمن‌ سازی اپلیکیشن‌های هوش مصنوعی مولد شما (Securing Your Generative AI Applications)

• محتوا: با افزایش قدرت و کاربرد هوش مصنوعی مولد، نگرانی‌ها در مورد امنیت آن نیز افزایش می‌یابد. کوری استگارد-پیس در این درس به موضوع حیاتی امنیت در سیستم‌ های هوش مصنوعی (AI Security) می‌پردازد. او خطرات و تهدید های رایج برای این سیستم‌ ها (مانند Prompt Injection، Data Poisoning، استخراج مدل و...) را شرح داده و روش‌ ها، ملاحظات و بهترین شیوه‌ ها برای ایمن‌سازی برنامه‌های AI شما را معرفی می‌کند. موضوعاتی مانند Red Teaming (تلاش برای پیدا کردن نقاط ضعف امنیتی مدل قبل از انتشار) نیز در این درس پوشش داده می‌شود.
• مناسب برای: توسعه‌دهندگان، مهندسان امنیت، مدیران IT و هر کسی که نگران جنبه‌های امنیتی هوش مصنوعی است.

 

 

 

درس ۱۴: چرخه عمر اپلیکیشن هوش مصنوعی مولد (The Generative AI Application Lifecycle)

• محتوا: هوش مصنوعی حوزه‌ای است که به سرعت در حال تحول است. چگونه می‌توانیم مطمئن شویم که برنامه‌های AI ما مرتبط، قابل اعتماد و قوی باقی می‌مانند؟ پابلو لوپس در این درس به مفهوم چرخه عمر اپلیکیشن هوش مصنوعی مولد می‌پردازد. او توضیح می‌دهد که چرا نیاز به نظارت، ارزیابی و بهبود مداوم برنامه‌ های AI وجود دارد و چگونه این فرآیند با MLOps سنتی تفاوت دارد (ظهور LLMOps). این درس یک چارچوب برای هدایت شما در مراحل توسعه، استقرار و نگهداری برنامه‌ های AI ارائه می‌دهد و به ابزارها، معیارها و روش‌ های ارزیابی در این چرخه می‌پردازد تا اطمینان حاصل شود که برنامه شما همیشه ارزش‌ آفرین بوده و کاربران را راضی نگه می‌دارد.
• مناسب برای: مهندسان نرم‌افزار، مهندسان MLOps/LLMOps، مدیران محصول و رهبران فنی که مسئول توسعه و نگهداری سیستم‌های AI هستند.

 

 

 

 

درس ۱۵: بازیابی نسل افزوده (RAG) و پایگاه‌ داده‌ های برداری (عمیق‌ تر)

• محتوا: در درس هشتم با مفهوم جستجوی معنایی با استفاده از Embeddings آشنا شدید. حالا بتانی جپچومبا در این درس، عمیق‌تر به یکی از مهم‌ترین تکنیک‌های امروزی برای بهبود پاسخ‌دهی LLMها یعنی بازیابی نسل افزوده (Retrieval-Augmented Generation - RAG) می‌پردازد. RAG به مدل‌های زبانی اجازه می‌دهد تا به جای تکیه صرف بر دانش داخلی خود (که ممکن است قدیمی یا ناکافی باشد)، ابتدا اطلاعات مرتبط را از یک منبع دانش خارجی (مانند اسناد شرکت شما، پایگاه داده محصولات، یا حتی وب‌سایت‌های معتبر) بازیابی کرده و سپس بر اساس آن اطلاعاتِ بازیابی‌شده، پاسخ دقیق‌تر و به‌روزتری تولید کنند. این درس توضیح می‌دهد RAG چیست و چرا در برنامه‌های هوش مصنوعی (به خصوص برای پاسخگویی به سوالات بر اساس داده‌های اختصاصی) استفاده می‌شود، پایگاه‌داده‌های برداری (Vector Databases) (که برای ذخیره و جستجوی سریع Embeddings استفاده می‌شوند) را معرفی می‌کند و یک مثال عملی از نحوه ادغام RAG در یک برنامه کاربردی را نشان می‌دهد.
• مناسب برای: توسعه‌دهندگانی که می‌خواهند LLMها را با دانش اختصاصی خودشان "تغذیه" کنند و پاسخ‌های دقیق‌تر و مبتنی بر واقعیت تولید نمایند.

 

 

 

درس ۱۶: مدل‌ های متن‌ باز و هاگینگ فیس (Open Source Models and Hugging Face)

• محتوا: دنیای هوش مصنوعی فقط به مدل‌های تجاری و بسته شرکت‌های بزرگ محدود نمی‌شود. کوری استگارد-پیس در این درس به دنیای هیجان‌انگیز و به سرعت در حال رشد مدل‌های زبانی بزرگ متن‌باز (Open Source LLMs) می‌پردازد. او توضیح می‌دهد که مدل متن‌باز چیست، چه مزایایی دارد (مانند شفافیت بیشتر، قابلیت سفارشی‌سازی عمیق‌تر، کنترل بیشتر بر داده‌ها، هزینه‌های بالقوه کمتر، و عدم وابستگی به یک شرکت خاص)، و چگونه می‌توان به گنجینه‌ای از این مدل‌ها در پلتفرم‌هایی مانند Hugging Face و Azure AI Studio دسترسی پیدا کرد و از آن‌ها استفاده نمود. این درس همچنین اشاره‌ای کوتاه به موضوع تنظیم دقیق (Fine-tuning) (که در درس ۱۸ کامل می‌شود) به عنوان یکی از مزایای اصلی مدل‌های متن‌باز دارد. (برای مقایسه مدل‌های متن‌باز و تجاری، به درس دوم ارجاع داده می‌شود).
• مناسب برای: توسعه‌دهندگان، محققان و شرکت‌هایی که به دنبال انعطاف‌پذیری، کنترل بیشتر و گزینه‌های جایگزین برای مدل‌های تجاری بزرگ هستند.

 

 

 

درس ۱۷: کارگزاران هوش مصنوعی (AI Agents)

• محتوا: گام بعدی در تکامل هوش مصنوعی مولد، فراتر رفتن از نقش "دستیار" و تبدیل شدن به یک "کارگزار" (Agent) است؛ موجودیتی که می‌تواند به طور مستقل اقدام (Take Actions) کند. کوری استگارد-پیس در این درس هیجان‌انگیز، توضیح می‌دهد که کارگزار هوش مصنوعی چیست – سیستمی که به LLMها اجازه می‌دهد به ابزارها (مانند APIها، پایگاه داده‌ها، وب‌سایت‌ها) دسترسی داشته باشند، وضعیت خود را مدیریت (State Management) کنند و وظایف پیچیده‌تری را به صورت چند مرحله‌ای انجام دهند. او چهار فریمورک مختلف برای ساخت کارگزاران AI (از جمله AutoGen و Semantic Kernel مایکروسافت) را معرفی کرده و کاربردهای عملی آن‌ها را بررسی می‌کند. این درس همچنین بر اهمیت شفافیت و نظارت بر اقدامات برنامه‌ریزی شده توسط LLMها در این سیستم‌ها تأکید دارد.
• مناسب برای: توسعه‌دهندگان پیشرفته و علاقه‌مندان به ساخت سیستم‌های هوشمند خودکار و نسل بعدی دستیاران AI.

 

 

 

 درس ۱۸: تنظیم دقیق مدل‌ های زبانی بزرگ (Fine-Tuning LLMs)

• محتوا: آخرین درس این دوره توسط نیتیا ناراسیمهان به یکی از مهم‌ترین تکنیک‌های سفارشی‌سازی مدل‌های زبانی بزرگ، یعنی تنظیم دقیق (Fine-tuning)، اختصاص دارد. او توضیح می‌دهد که Fine-tuning چیست (فرآیند آموزش تکمیلی یک مدل از پیش آموزش‌دیده بر روی داده‌های خاص یک دامنه یا وظیفه)، چه زمانی و چرا این روش مفید است (مثلاً برای بهبود عملکرد در یک سبک نوشتاری خاص، تطبیق با دانش تخصصی یک حوزه، یا بهبود دنبال کردن دستورالعمل‌های خاص، در مقابل روش‌هایی مانند Prompt Engineering یا RAG). سپس به نحوه انجام فرآیند Fine-tuning یک مدل از پیش آموزش‌دیده می‌پردازد و در نهایت، محدودیت‌ها و چالش‌های این روش (مانند نیاز به داده‌های باکیفیت، هزینه محاسباتی، و خطر "فراموشی فاجعه‌بار" یا Catastrophic Forgetting) را بررسی می‌کند.
• مناسب برای: توسعه‌دهندگان و دانشمندان داده‌ای که نیاز به سفارشی‌سازی عمیق مدل‌های زبانی برای کاربردهای خاص خود دارند.

 

 

چگونه از دوره "Generative AI for Beginners" بهترین استفاده را ببریم؟ (نکات طلایی های ورت)

حالا که با محتوای تمام ۱۸ درس این دوره جامع آشنا شدید، های ورت چند نکته را برای بهره‌مندی حداکثری از آن به شما پیشنهاد می‌کند:

 

• مخاطب دوره کیست؟ اگرچه نام دوره "برای مبتدیان" است، اما گستره مطالب آن بسیار وسیع است. دروس اولیه (۱ تا ۵) برای همه علاقه‌مندان با هر سطح دانشی مناسب و ضروری هستند. دروس مربوط به ساخت اپلیکیشن‌ها (۶ تا ۱۸) بیشتر برای توسعه‌دهندگان، برنامه‌نویسان، مهندسان داده و دانشجویان رشته‌های مرتبط که با مفاهیم برنامه‌نویسی و APIها آشنایی دارند، کاربردی خواهد بود. با این حال، حتی اگر برنامه‌نویس نیستید، مشاهده این دروس می‌تواند دید خوبی نسبت به قابلیت‌ها و چالش‌های عملی پیاده‌سازی AI به شما بدهد.

 

• قدم به قدم پیش بروید: این دوره شامل ۱۸ درس تقریباً ۲۰ دقیقه‌ای است. سعی نکنید همه را یکجا ببینید! مطالب را به تدریج و با حوصله دنبال کنید. پس از هر درس، کمی مکث کرده و مفاهیم را مرور کنید.

 

• فقط تماشا نکنید، عمل کنید! بسیاری از دروس شامل مثال‌های عملی یا ارجاع به منابع و آموزش‌های تکمیلی برای ساخت پروژه هستند. اگر دانش فنی لازم را دارید، حتماً همزمان با دوره، تمرین کنید و سعی کنید اپلیکیشن‌های نمونه را بسازید یا مفاهیم را روی پروژه‌های کوچک خودتان پیاده کنید. یادگیری فعال بسیار مؤثرتر است.

 

• از منابع پیشنهادی استفاده کنید: هر درس، منابعی را برای مطالعه بیشتر (Recommended resources) معرفی می‌کند. حتماً به این لینک‌ها سر بزنید تا درک عمیق‌تری از موضوع پیدا کنید. همچنین لینک کلی مجموعه آموزشی هوش مصنوعی مولد مایکروسافت (Generative AI Learning collection) که پس از هر درس تکرار شده، می‌تواند مسیر یادگیری شما را ادامه دهد.

 

• این دوره، نقطه شروع است نه پایان: دنیای هوش مصنوعی به سرعت در حال تغییر است. این دوره یک پایه محکم و عالی برای شما فراهم می‌کند، اما یادگیری شما نباید به همین‌جا ختم شود. کنجکاو بمانید، منابع دیگر را مطالعه کنید، پروژه‌های جدید را امتحان کنید و دانش خود را به‌روز نگه دارید. های ورت نیز همواره تلاش می‌کند تا جدیدترین تحولات این حوزه را پوشش دهد.

 

 

مایکروسافت، دروازه ورود به دنیای شگفت‌انگیز هوش مصنوعی مولد را می‌گشاید!

 

دوره ۱۸ قسمتی "Generative AI for Beginners" مایکروسافت، بدون شک یکی از جامع‌ترین، ساختارمندترین و در دسترس‌ترین منابع آموزشی رایگان برای ورود به دنیای پیچیده اما هیجان‌انگیز هوش مصنوعی مولد است. این دوره با پوشش طیف وسیعی از موضوعات، از مبانی نظری LLMها و مهندسی پرامپت گرفته تا ساخت انواع اپلیکیشن‌های کاربردی، کار با داده‌ها، مدل‌های متن‌باز، و حتی مباحث پیشرفته‌ای مانند کارگزاران AI و تنظیم دقیق مدل‌ها، یک نقشه راه کامل را پیش روی علاقه‌مندان قرار می‌دهد.

 

ارائه این دوره توسط متخصصان مایکروسافت و با تمرکز بر مفاهیم کلیدی و کاربردی، ارزش آن را دوچندان می‌کند. چه یک فرد کاملاً مبتدی باشید که می‌خواهید بدانید هوش مصنوعی مولد چیست و چه کاربردهایی دارد، و چه یک توسعه‌دهنده باتجربه که به دنبال یادگیری تکنیک‌های پیشرفته ساخت و پیاده‌سازی سیستم‌های AI هستید، این دوره می‌تواند منبعی ارزشمند برای شما باشد.

های ورت (hiwert.com) با افتخار این دوره آموزشی جامع را به شما معرفی می‌کند و امیدوار است با استفاده از آن، بتوانید دانش و مهارت‌های خود را در این حوزه کلیدی و آینده‌ساز ارتقا دهید.