AI Engineering

📑 این سند یک راهنمای جامع در زمینه مهندسی هوش مصنوعی است که به طور خاص روی الگوهای طراحی سیستم برای مدل‌های زبانی بزرگ (LLMها)، سیستم‌های تولید مبتنی بر بازیابی (RAG) و ایجنت‌های هوش مصنوعی تمرکز میکند.

🔑 ویژگی‌های کلیدی

📊 این راهنما شامل یک ارزیابی اولیه است تا تجربه مطالعه را متناسب با نیاز شما شخصی‌سازی کند.

⚙️ توضیحات مفصلی درباره معماری LLMها و فرآیندهای آموزشی آن‌ها ارائه میدهد.

🧱 تکنیک‌های مختلف مهندسی هوش مصنوعی را به صورت عمیق بررسی میکند.

🌍 محتوای این سند در قالب فصل‌های منظم ساختاردهی شده و مباحثی حیاتی مانند پرامپت انجینیرینگ، فاین‌تیونینگ و استراتژی‌های دیپلوی را پوشش میدهد تا درک کاملی از سیستم‌های مدرن هوش مصنوعی به شما ارائه کند.

📑 فهرست مطالب

فصل 1: مدل‌های زبانی بزرگ (LLMs)

فصل 2: مهندسی پرامپت (Prompt Engineering)

فصل 3: فاین‌تیونینگ (Fine-Tuning)

فصل 4: تولید مبتنی بر بازیابی (RAG)

فصل 5: مهندسی کانتکست (Context Engineering)

فصل 6: عامل‌های هوش مصنوعی (AI Agents)

فصل 7: پروتکل MCP

فصل 8: بهینه‌سازی LLMها

فصل 9: ارزیابی LLMها

فصل 10: استقرار LLMها

فصل 11: مشاهده‌پذیری و مانیتورینگ LLMها

✍️ درباره نویسندگان

👨‍💻 اکشای پاچار یک AI Engineer، مدرس و کارآفرین در حوزه LLMها، AI Agentها و Machine Learning است. او فارغ‌التحصیل مؤسسه BITS Pilani بوده، سابقه فعالیت در Lightning AI را دارد و یکی از بنیان‌گذاران پلتفرم Daily Dose of Data Science است.

اکشای بیشتر به‌خاطر توانایی‌اش در ساده‌سازی مفاهیم پیشرفته AI شناخته می‌شود و محتوای آموزشی او معمولاً کوتاه، عملی و قابل‌استفاده برای مهندس‌ها و دانشجویان است.

👨‍💻 آوی چاولا یک Data Scientist، نویسنده و مدرس است که بیشتر با عنوان بنیان‌گذار پلتفرم Daily Dose of Data Science شناخته می‌شود.

تمرکز اصلی فعالیت‌های او روی Machine Learning، Artificial Intelligence، Data Engineering، سیستم‌های RAG و Large Language Modelهاست. او از طریق Newsletterها، مقاله‌ها و منابع Open Source به متخصصان کمک میکند مفاهیم پیچیده AI را با توضیحاتی کوتاه، کاربردی و مهندسی یاد بگیرند.

The document is a comprehensive guide on AI Engineering, focusing on system design patterns for large language models (LLMs), retrieval-augmented generation (RAG), and AI agents. It includes an assessment to tailor the reading experience, detailed explanations of LLMs, their architecture, training processes, and various engineering techniques. The content is structured into chapters covering topics like prompt engineering, fine-tuning, and deployment strategies, providing a thorough understanding of modern AI systems.

Table of Contents

1. LLMs

2. Prompt Engineering

3. Fine-Tuning

4. RAG

5. Context Engineering

6. AI Agents

7. MCP

8. LLM Optimization

9. LLM Evaluation

10. LLM Deployment

11. LLM Observability

About the Author

Akshay Pachaar is an AI engineer, educator, and entrepreneur focused on Large Language Models (LLMs), AI agents, and machine learning. He is a graduate of BITS Pilani, previously worked at Lightning AI, and co-founded the Daily Dose of Data Science platform. He is known for making advanced AI concepts accessible through practical and concise educational content. 

Avi Chawla is a data scientist, author, and educator best known as the founder of Daily Dose of Data Science. His work focuses on machine learning, artificial intelligence, data engineering, RAG systems, and large language models. Through newsletters, articles, and open-source resources, he helps professionals learn complex AI concepts through concise, practical explanations.