از یک پاسخ جذاب مدل زبانی تا یک سیستم GenAI قابل اعتماد
در این گام، LLM را فقط برای تولید متن صدا نمی‌زنید. یاد می‌گیرید محصول را تعریف کنید، کیفیت را بسنجید، Context و RAG بسازید، مدل را در صورت نیاز با داده اختصاصی تطبیق دهید و سپس Agentهای ابزارمحور را با کنترل، ارزیابی، امنیت و عملیات به یک سیستم قابل دفاع تبدیل کنید.
آنچه در پایان می‌سازید
GenAI را از Demo به سیستم مهندسی‌شده می‌برید
هدف، حفظ‌کردن نام Frameworkها نیست. باید بتوانید نشان دهید سیستم چگونه Ground، ارزیابی، محدود، ردیابی، استقرار و در زمان خطا اداره می‌شود.
01
قرارداد محصول می‌سازید
کاربر، مسئله، ورودی/خروجی، KPI، محدودیت، Acceptance Criteria و Fallback را روشن می‌کنید.
02
کیفیت را قابل سنجش می‌کنید
Eval Dataset، Rubric، Error Taxonomy، Regression و محدودیت‌های LLM-as-a-Judge را وارد توسعه می‌کنید.
03
Context و RAG مهندسی می‌کنید
Chunking، Metadata، بردار معنایی، بازیابی اطلاعات، Citation و Groundedness را طراحی و ارزیابی می‌کنید.
04
مدل را آگاهانه تطبیق می‌دهید
میان Prompt، RAG و تنظیم دقیق مدل تصمیم می‌گیرید و در صورت توجیه، Dataset، SFT و LoRA/PEFT یا API-based تنظیم دقیق مدل را تجربه می‌کنید.
05
Agent کنترل‌شده می‌سازید
Tool، State، Memory، Approval، هماهنگی اجزا و جریان کار و MCP را با مرز سطح دسترسی و Stop Condition طراحی می‌کنید.
06
سیستم را برای عملیات آماده می‌کنید
Trace، Guardrail، Red Team، API، Docker، CI، پایش سیستم و مدل، راهنمای اقدام عملیاتی و شبیه‌سازی محیط واقعی را به خروجی متصل می‌کنید.
معماری گام
دو کورس، یک خط داستانی از پاسخ تا اقدام
کورس اول پاسخ معتبر و قابل ارزیابی می‌سازد؛ کورس دوم به مدل اجازه اقدام کنترل‌شده می‌دهد و Reliability و Safety را به مسئله اضافه می‌کند.
۱مهندسی سامانه‌های LLM و RAG ا LLM & RAG Systems
از قرارداد محصول و Evaluation تا RAG، Application، ورودی چندوجهی، تنظیم دقیق مدل و LLMOps.
- ۸ هفته
- قرارداد فنی سامانه مدل زبانی و خروجی ساختاریافته
- Evaluation-first Development
- بردار معنایی، بازیابی اطلاعات و RAG
- API، Reliability و ورودی چندوجهی
- سازگارکردن مدل، تنظیم دقیق مدل و LLMOps
۲مهندسی سامانه‌های عامل‌محور | Agentic AI Systems
از استفاده از ابزار و State تا MCP، Guardrail، ارزیابی عامل هوشمند و شبیه‌سازی محیط واقعی.
- ۷ هفته
- چرخه تصمیم‌گیری عامل و Tool Contract
- State، Memory و تأیید انسانی
- هماهنگی اجزا و جریان کار و Handoff
- MCP و مرز سطح دسترسی
- Safety، Red Team، Evals و Operations
یادگیری پروژه‌محور
هر پروژه یک نقش مشخص دارد
دو پروژه مرجع خط داستانی را نشان می‌دهند، تمرین‌ها و Labها یک مفهوم محدود را جدا می‌کنند و شما فقط یک پروژه پورتفولیو را تا انتهای گام توسعه می‌دهید.
دو داستان کامل از ایده تا عملیات
یک سیستم RAG و یک Agent ابزارمحور
سامانه پاسخ‌گویی هوشمند پشتیبانی با منابع مستند
از پاسخ پایه و Dataset ارزیابی تا RAG، استناد، API، امنیت، Docker و Trace.
دستیار تحقیق بازار و آماده‌سازی پیام فروش با تأیید انسانی
تحقیق سرنخ، تولید پیش‌نویس، Review، تأیید انسانی، Tool/MCP و پایش در محیط Sandbox.
مسئله‌های کوچک برای دیدن خطا و Trade-off
تمرین کوتاه، نه پروژه کامل پورتفولیو
از خروجی ساختاریافته تا تنظیم دقیق مدل
استخراج ساختاریافته، خلاصه‌سازی و تحلیل خطا، بازیابی اطلاعات، Search Relevancy و آزمایش تطبیق مدل با داده اختصاصی.
از Tool Contract تا Permission
Prompt Injection، بازیابی اطلاعات Eval، Tool Contract، Trace Review، MCP Permission و سناریوهای Guardrail را جداگانه تمرین می‌کنید.
یک پروژه را انتخاب کنید و تا شبیه‌سازی محیط واقعی ببرید
شش خانواده مسئله برای انتخاب؛ فقط یک پروژه تا پایان گام
Portfolio Tracks
متن، داده، سند، تصویر یا ویدئو را به یک محصول GenAI تبدیل کنید
گزینه‌ها شامل تولید آزمون از ویدئو، دستیار امن Text-to-SQL، تحلیل رزومه با شواهد، RAG چندوجهی، خلاصه‌سازی ویدئو با ارجاع زمانی و دستیار تحلیل اکتشافی داده است.
- ۱Proposal و Eval Dataset
- ۲Context/RAG و Application
- ۳Agent/Tool، Safety و Trace
- ۴شبیه‌سازی محیط واقعی و دفاع نهایی
آنچه برای پورتفولیو می‌ماند
پورتفولیو باید نشان دهد چرا می‌شود به سیستم شما اعتماد کرد
قرارداد محصول و مجموعه‌داده ارزیابی
تعریف مسئله، معیار پذیرش و مجموعه ارزیابی نسخه‌دار با نمونه‌های عادی، مرزی و خصمانه.
سامانه پاسخ مبتنی بر بازیابی و منابع
Ingestion، Chunking، Metadata، بازیابی اطلاعات، Citation و گزارش کیفیت.
برنامه کاربردی مدل زبانی آماده اجرا
API، Streaming، Timeout، Logging، Container و Trace همراه با System Card.
گردش‌کار عامل و کنترل اختیار
Tool/MCP، Approval، Guardrail، Agent Eval، مرز سطح دسترسی و Audit Trail.
شواهد عملیات و پایش
پایش سیستم و مدل، Incident Scenario، راهنمای اقدام عملیاتی، گزارش تحلیل رخداد و شبیه‌سازی محیط واقعی.
سه ورودی طبیعی
برای چه کسانی طراحی شده است؟
Data Scientist
می‌خواهید LLM و RAG را از Notebook و آزمایش به محصول قابل تحویل تبدیل کنید.
ML Engineer
می‌خواهید Agent، Tool/MCP، Eval و LLMOps را به مهارت‌های مهندسی مدل اضافه کنید.
Python / Software Developer
با API و ساخت نرم‌افزار راحت هستید و می‌خواهید سیستم GenAI بسازید، نه فقط از ابزارهای آماده استفاده کنید.
خودارزیابی پیش از ثبت‌نام
پایه لازم را دارید؟ قبل از ثبت‌نام خودتان بررسی کنید
این چک‌لیست آزمون پذیرش نیست. موارد ضروری، پایه اجرای پروژه‌اند؛ موارد GenAI و ML مزیت‌اند و بخشی از آن‌ها در جریان پروژه‌ها تقویت می‌شوند.
کدنویسی و ساخت سرویس
- با Function، Class، Exception و Virtual Environment در Python کار می‌کنم.
- Package، Environment Variable و Secret را در حد اجرای پروژه می‌شناسم.
- JSON، HTTP، Request/Response و Status Code برایم آشناست.
- می‌توانم یک API را مصرف کنم و منطق یک Endpoint ساده را دنبال کنم.
- کد موجود را می‌خوانم، تغییر می‌دهم و خطاهای معمول را Debug می‌کنم.
اجرای پروژه و محیط توسعه
- clone، branch، commit، pull و push را در Git انجام می‌دهم.
- در Terminal/Linux بین مسیرها حرکت می‌کنم و Commandهای پایه را اجرا می‌کنم.
- README یک Repository را دنبال می‌کنم و Dependencyهای آن را نصب می‌کنم.
- با Docker در حد اجرای Container و خواندن یک Dockerfile ساده آشنایی دارم.
- می‌توانم مستندات فنی انگلیسی را، در صورت نیاز با کمک ابزارهای AI، دنبال کنم.
Data، ML و GenAI
- Train/Validation/Test، Metric و Error Analysis را در سطح کاربردی می‌شناسم.
- با DataFrame و SQL پایه کار کرده‌ام.
- بردار معنایی، Transformer، Token و پنجره متن ورودی را در سطح شهودی می‌شناسم.
- حداقل یک API مدل زبانی یا سرویس مشابه را تجربه کرده‌ام.
- FastAPI یا یک Web Framework و استقرار یک سرویس ساده برایم آشناست.
| نتیجه بخش ضروری | پیشنهاد |
|---|---|
| ۷۰٪ و بیشتر | آماده ورود مستقیم؛ شکاف‌های محدود را هدفمند جبران کنید. |
| ۶۰٪ تا کمتر از ۷۰٪ | ورود ممکن است، اما Catch-up فنی پیش از شروع یا همزمان با هفته‌های اول توصیه می‌شود. |
| کمتر از ۶۰٪ | بهتر است ابتدا Foundation فنی را تکمیل کنید تا سرعت پروژه‌ها مانع یادگیری نشود. |
مرزبندی صادقانه
این گام چه چیزی هست و چه چیزی نیست؟
تمرکز روی مهندسی محصول و سیستم GenAI است، نه دنبال‌کردن هر Framework تازه یا آموزش پژوهشی معماری Transformer از صفر.
| حوزه | جایگاه |
|---|---|
| Prompt/خروجی ساختاریافته، Evaluation و RAG | پوشش محوری |
| تنظیم دقیق مدل با داده اختصاصی | تصمیم Prompt/RAG/تنظیم دقیق مدل + Dataset، SFT و LoRA/PEFT یا API-based در سطح عملی |
| ورودی چندوجهی | ورودی سند/تصویر، Extraction، Confidence و Fallback |
| Agent، Tool، State، Approval و MCP | پوشش محوری |
| Security، Guardrail، Trace و Agent Eval | پوشش محوری |
| API، Docker، CI و Operations | برای رساندن پروژه به شبیه‌سازی محیط واقعی |
| آموزش عمیق Transformer از صفر | خارج از Scope اصلی |
| آموزش همه Frameworkهای Agentic | خارج از Scope؛ الگوهای معماری و اصول قابل انتقال مهم‌ترند |
دو کورس، یک داستان روشن: از پاسخ مستند تا اقدام کنترل‌شده
در کورس اول یاد می‌گیرید پاسخ یک سامانه مولد را قابل ارزیابی، مستند و قابل اتکا کنید. در کورس دوم همان منطق را به سامانه‌ای می‌برید که ابزار دارد و می‌تواند اقدام کند، اما اختیارش با Permission، تأیید انسانی، Guardrail و ردپای اجرا کنترل می‌شود.
دانشجو یکی از شش Track پروژه را انتخاب می‌کند و همان پروژه در دو کورس رشد می‌کند. بنابراین در پایان هر کورس یک خروجی مستقل برای نمایش دارید و پیشرفت پروژه به هفته پایانی موکول نمی‌شود.
پیش از ثبت‌نام
پرسش‌های پرتکرار
من Software Developer هستم و ML عمیق نخوانده‌ام؛ می‌توانم وارد شوم؟
اگر Python، API، Git و محیط اجرا برایتان آشناست، بله. مبانی لازم ML/بردار معنایی/Transformer در حد موردنیاز پروژه مرور و استفاده می‌شوند؛ اما این گام جایگزین آموزش جامع ML از صفر نیست.
آیا این دوره فقط Prompt Engineering است؟
خیر. Prompt فقط یک جزء است. Evaluation، RAG، ورودی چندوجهی، تنظیم دقیق مدل، Agent/Tool، MCP، Security، Deployment و Operations بخش‌های اصلی گام‌اند.
تنظیم دقیق مدل مدل‌های LLM واقعاً در دوره وجود دارد؟
بله. در کورس اول ابتدا یاد می‌گیرید چه زمانی Prompt یا RAG کافی است و چه زمانی تنظیم دقیق مدل توجیه دارد؛ سپس Dataset Engineering، SFT، LoRA/PEFT یا تنظیم دقیق مدل APIمحور و ارزیابی قبل/بعد را در قالب تمرین عملی تجربه می‌کنید.
آیا باید GPU قدرتمند داشته باشم؟
خیر، شرط عمومی گام نیست. بخش بزرگی از کار APIمحور است و برای تمرین‌های سنگین‌تر می‌توان از منابع ابری یا گزینه‌های سبک استفاده کرد.
آیا همه پروژه‌های معرفی‌شده را کامل اجرا می‌کنم؟
خیر. دو پروژه مرجع خط داستانی مدرس را نشان می‌دهند، تمرین‌ها و Labها منتخب‌اند و هر دانشجو یک پروژه پورتفولیو را تا پایان گام کامل می‌کند.
اگر در ML/DL ضعف داشته باشم چه کنم؟
برای عمق بیشتر در مدل‌سازی، گام «مدل‌ساز داده‌محور» مکمل پیشنهادی است. اگر ضعف اصلی شما Python، Git، API یا Linux است، ابتدا Foundation فنی را با گام «تکنسین دیتاساینس» و محتوای تکمیلی Linux/Docker تقویت کنید.
آیا Agent می‌تواند بدون کنترل اقدام واقعی انجام دهد؟
در پروژه‌های آموزشی، اقدام‌های پرریسک با Sandbox، مرز سطح دسترسی و تأیید انسانی کنترل می‌شوند. طراحی اختیار و مسیر توقف بخشی از مهارت مورد انتظار است.
خروجی نهایی فقط یک Demo است؟
خیر. هدف یک پروژه قابل دفاع با Eval Dataset، Trace، System Card، Guardrail، API/Container، Operations Plan و شبیه‌سازی محیط واقعی است.
قدم بعدی
از استفاده از مدل‌های مولد به مهندسی سیستم‌های GenAI بروید
برنامه دو کورس را بررسی کنید یا گزینه‌های ثبت‌نام گام مهندس GenAI را در باکس رسمی محصول ببینید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.