دوره Generative AI و LLM Engineering در شیراز؛ از RAG تا AI Agent

در دو سال اخیر تقریباً هر کسی چند ابزار AI را امتحان کرده است. اما فاصله زیادی بین «کاربر خوب ChatGPT» و کسی که می‌تواند یک محصول مبتنی بر مدل زبانی بسازد وجود دارد. اگر دنبال دوره Generative AI و LLM Engineering در شیراز هستید، مهم‌ترین معیار این است که دوره از سطح Prompt عبور کند و وارد معماری محصول شود.

Generative AI & LLM Engineering شامل چه مباحثی است؟

این مرحله پنجم رودمپ، ۱۶ جلسه دارد و روی تبدیل دانش Machine Learning و Deep Learning به محصول AI متمرکز است.

• Transformers: معماری پایه مدل‌های زبانی مدرن.
• Embeddings: تبدیل متن و داده به نمایش عددی قابل جست‌وجو.
• Vector Databases: ذخیره و بازیابی معنایی اطلاعات.
• RAG Systems: اتصال LLM به دانش اختصاصی و به‌روز.
• Tool Calling: اجازه‌دادن به مدل برای استفاده از API و ابزارها.
• AI Agents: طراحی جریان‌های چندمرحله‌ای و تصمیم‌گیری ابزارمحور.
• Evaluation: سنجش کیفیت پاسخ به‌جای اعتماد به حس شخصی.
• Fine-tuning Concepts: فهم این‌که چه زمانی Fine-tune منطقی است و چه زمانی نیست.

RAG چرا این‌قدر مهم شده است؟

بسیاری از کسب‌وکارها نمی‌خواهند مدل عمومی «حدس بزند»؛ می‌خواهند پاسخ بر اساس اسناد، محصولات یا دانش خودشان باشد. RAG یکی از روش‌های اصلی برای این کار است. هنرجو باید مسیر Chunking، Embedding، Retrieval و Generation را بفهمد و بتواند نقاط خطای هر بخش را جداگانه بررسی کند.

AI Agent با یک چت‌بات ساده چه فرقی دارد؟

چت‌بات معمولاً ورودی می‌گیرد و پاسخ می‌دهد. Agent می‌تواند بر اساس هدف، ابزار انتخاب کند، API صدا بزند، نتیجه را بررسی کند و مرحله بعد را تصمیم بگیرد. همین قابلیت جذاب است اما ریسک هم دارد؛ بنابراین Tool Permission، Validation و Evaluation باید بخشی از آموزش باشد.

Fine-tuning همیشه جواب نیست

یکی از سوءبرداشت‌های رایج این است که برای شخصی‌سازی هر محصولی باید مدل را Fine-tune کرد. در بسیاری از سناریوها، Prompt Engineering خوب، RAG یا Tool Calling نتیجه بهتر و کم‌هزینه‌تری می‌دهد. یک دوره حرفه‌ای باید به شما یاد بدهد چه زمانی Fine-tune نکنید.

Capstone پیشنهادی

خروجی نهایی می‌تواند یک RAG / AI Agent Product باشد: مثلاً دستیار سازمانی که روی اسناد مشخص پاسخ می‌دهد، منبع را برمی‌گرداند، ابزار محدود دارد و کیفیت پاسخ‌هایش با مجموعه تست ارزیابی می‌شود. این نوع پروژه از نظر پورتفولیو بسیار ارزشمندتر از یک Demo ساده Prompt است.

پیش‌نیاز

Python، کار با API، Git، مفاهیم Machine Learning و ترجیحاً آشنایی با Deep Learning و Transformer. اگر این پایه‌ها را ندارید، بهتر است از مرحله‌های قبلی رودمپ شروع کنید.

این دوره به چه نقش‌هایی نزدیک است؟

Generative AI Engineer، AI Application Developer و LLM Engineer از عنوان‌هایی هستند که مهارت‌های این مرحله به آن‌ها نزدیک است. اما عنوان شغلی مهم‌تر از توان ساخت، ارزیابی و توضیح یک سیستم واقعی نیست.

سؤالات متداول

آیا Prompt Engineering به‌تنهایی برای ورود به LLM کافی است؟

برای استفاده روزمره مفید است، اما برای ساخت محصول کافی نیست. باید داده، API، Retrieval، Evaluation و معماری نرم‌افزار را هم بفهمید.

RAG بهتر است یا Fine-tuning؟

به مسئله بستگی دارد. برای افزودن دانش اختصاصی و به‌روز، RAG اغلب نقطه شروع منطقی‌تری است؛ Fine-tuning بیشتر برای تغییر رفتار یا سبک مدل کاربرد دارد.

آیا بدون Deep Learning می‌توان LLM Engineering یاد گرفت؟

می‌توان ابزارها را استفاده کرد، اما برای عیب‌یابی و تصمیم فنی درست، فهم Transformer و مبانی Deep Learning مزیت بزرگی است.

منابع رسمی

Hugging Face Docs · OpenAI Developer Documentation · Python Docs