Architecting Generative AI Applications

🚀 اپلیکیشن‌های هوش مصنوعی مولد را با تسلط بر معماری‌های LLM، استراتژی‌های ارزیابی، جریان‌های کاری LLMOps و پایپ‌لاین‌های استقرار، از مرحله پروتوتایپ به پروداکشن برسانید و سیستم‌های قابل اعتماد، امن و مقیاس‌پذیر بسازید.

📌 ویژگی‌های کلیدی

🔹 یادگیری چگونگی انتقال اپلیکیشن‌های Generative AI از مرحله نمونه اولیه به محیط عملیاتی.

🔹 به‌کارگیری شیوه‌های ارزیابی، LLMOps و SRE برای داشتن سیستم‌های قابل اطمینان.

🔹 طراحی معماری‌های مقیاس‌پذیر با استفاده از الگوهای مدرن مهندسی هوش مصنوعی.

📖 توضیحات کتاب

💡 با عبور از مرحله پروتوتایپ و به‌کارگیری اصول مهندسیِ اثبات شده، اپلیکیشن‌های هوش مصنوعی مولد آماده برای پروداکشن بسازید. این کتاب به شما نشان می‌دهد چطور سیستم‌های هوش مصنوعی را طراحی، ارزیابی و مستقر کنید که در محیط‌های واقعی، امن و قابل نگهداری باقی بمانند.

🛠️ ابزارهای Vibe-coding و دستیارهای برنامه‌نویسی، ساخت پروتوتایپ را خیلی ساده کرده‌اند، اما چالش اصلی تیم‌ها دقیقاً در مرحله عملیاتی کردن (Production) شروع می‌شود. این کتاب که توسط یکی از Staff AI Engineerهای گوگل نوشته شده، شما را در تعیین محدوده Use-caseها، هم‌راستا کردن آن‌ها با اهداف بیزنس و مقیاس‌دهی هوش مصنوعی راهنمایی می‌کند.

📊 شما یاد می‌گیرید که چطور LLMها را با استفاده از متریک‌های آفلاین، رویکردهای Human-in-the-loop و تست‌های آماری ارزیابی کنید و معماری‌هایی مثل RAG، دیتابیس‌های برداری، ایجنت‌ها و سیستم‌های حافظه (Memory) را طراحی کنید.

⚙️ همچنین متوجه می‌شوید که چطور این سیستم‌ها را با کدنویسی استاندارد، متدهای تست و جریان‌های کاری DevOps، MLOps و LLMOps عملیاتی کنید. کتاب مباحث استقرار، مقیاس‌بندی و ملاحظات کلیدی امنیت، هوش مصنوعی مسئولانه، مانیتورینگ (Observability) و پایداری را پوشش می‌دهد.

🎓 در پایان این کتاب، شما می‌توانید اپلیکیشن‌های هوش مصنوعی مولدِ مقیاس‌پذیر را طراحی، دیپلوی و نگهداری کنید، تست‌های A/B برای سنجش تاثیر بیزنسی انجام دهید و اصول مهندسی ماندگاری را به کار بگیرید تا سیستم‌هایتان فراتر از یک نمونه اولیه ساده عمل کنند.

🎯 آنچه یاد خواهید گرفت

✅ طراحی جریان‌های کاریِ سرتاسری (End-to-end) برای محصولات هوش مصنوعی مولد.

✅ ساخت و ارزیابی سیستم‌های هوش مصنوعی با متریک‌های قدرتمند.

✅ پیاده‌سازی کدنویسی استاندارد و شیوه‌های تست آماده برای پروداکشن.

✅ به‌کارگیری LLMOps و اتوماسیون برای استقرار (Deployment) هوش مصنوعی.

✅ طراحی معماری سیستم‌های مقیاس‌پذیر با استفاده از الگوهای مدرن AI.

✅ بهبود پایداری با استفاده از قابلیت مشاهده (Observability) و متدهای SRE.

✅ اجرای موثر تست‌های A/B برای اندازه‌گیری دقیق تاثیر محصول.

👤 این کتاب برای چه کسانی است؟

💻 این کتاب مخصوص لیدهای فنی، مهندسان هوش مصنوعی، دانشمندان داده، مهندسان نرم‌افزار و معمارانی است که در حال ساخت اپلیکیشن‌های Generative AI هستند. همچنین مدیران مهندسی، مدیران محصول و تصمیم‌گیرندگانی که به دنبال استقرار، مقیاس‌دهی و نگهداری سیستم‌های هوش مصنوعی در سطح تجاری هستند، از آن بهره‌مند می‌شوند.

📑 فهرست مطالب

۱ ساخت یک نمونه اولیه (Prototype)

۲ ارزیابی (Evaluation)

۳ معماری‌های کلیدی

۴ از پروتوتایپ به پروداکشن

۵ حرکت از DevOps و MLOps به سمت LLMOps

۶ استقرار اپلیکیشن شما

۷ اخلاق و امنیت

۸ قابلیت مشاهده و پایداری (Reliability)

۹ نگهداری از اپلیکیشن شما

۱۰ تست A/B و آزمایش‌های آنلاین

⭐ نظرات درباره کتاب

💬 «ساخت ایجنت‌های پروتوتایپ با ابزارهای جدید و دستیارهای کدنویسی از همیشه راحت‌تر شده. اما اگر حواسمان نباشد، این پروتوتایپ‌ها یا هیچ‌وقت به پروداکشن نمی‌رسند یا به محض اینکه کاربر واقعی به آن‌ها تکیه کند، شکست می‌خورند. این کتاب روی پر کردن همین شکاف تمرکز دارد. کتاب راهنمایی‌های عملی در مورد ارزیابی، معماری، LLMOps و پایداری ارائه می‌دهد و آماده‌سازی برای محیط عملیاتی را به عنوان یک نیازِ اصلی در طراحی می‌بیند، نه چیزی که در آخر کار به آن فکر کنیم.»

— رویا کندالان، استاد مدعو دانشگاه نورت‌ایسترن

👨‍💻 درباره نویسنده

🎓 لئونید کالیگین یکی از Staff AI Engineerها در Google Cloud است که روی راهکارهای هوش مصنوعی مولد و یادگیری ماشین کلاسیک (مثل AI ایجنتی، پیش‌بینی تقاضا و مسائل بهینه‌سازی) کار می‌کند.

🏥 لئونید همچنین پژوهشگر وابسته در بیمارستان دانشگاهی TUM (دانشگاه فنی مونیخ) است.

📈 او با بیش از دو دهه تجربه، سابقه درخشانی در ساخت اپلیکیشن‌های B2C و B2B و حل چالش‌های کاربران در حوزه‌هایی مثل جستجو، نقشه‌ها، استخراج دانش و مدیریت سرمایه‌گذاری در شرکت‌های پیشرو تکنولوژی، مالی و خرده‌فروشی آلمان و روسیه دارد.

Take generative AI applications from prototype to production by mastering LLM architectures, evaluation strategies, LLMOps workflows, and deployment pipelines, using proven approaches to build reliable, secure, and scalable systems

Key Features

• Learn how to take generative AI apps from prototype to production
• Apply evaluation, LLMOps, and SRE practices for reliable systems
• Design scalable architectures using modern AI engineering patterns

Book Description

Build production-ready generative AI applications by moving beyond prototypes and applying proven engineering principles. This book shows you how to design, evaluate, deploy, and scale AI systems that remain reliable, secure, and maintainable in real-world environments.

Vibe-coding tools and coding assistants make it easy to create prototypes, but taking them into production is where most teams struggle. Written by a Staff AI Engineer at Google, this book guides you through scoping use cases, aligning them with business goals, and scaling generative AI adoption. You’ll learn how to evaluate LLMs using offline metrics, human-in-the-loop approaches, and statistical testing, as well as how to design architectures such as RAG, vector databases, agents, and memory systems.

You’ll also understand how to operationalize these systems with production-grade code, testing practices, and DevOps, MLOps, and LLMOps workflows. The book covers deployment, scaling, and key considerations for security, Responsible AI, observability, and reliability.

By the end of this book, you will be able to design, deploy, and maintain scalable generative AI applications, run A/B tests to measure impact, and apply durable engineering principles so your systems succeed beyond the prototype stage.

What you will learn

• Design end-to-end generative AI product workflows
• Build and evaluate AI systems with robust metrics
• Implement production-ready code and testing practices
• Apply LLMOps and automation for AI deployments
• Architect scalable systems using modern AI patterns
• Improve reliability with observability and SRE practices
• Run A/B tests to measure product impact effectively

Who this book is for

Technical leaders, AI engineers, data scientists, software engineers, and architects building generative AI applications. Engineering managers, product leaders, and decision-makers seeking to deploy, scale, and maintain production-grade AI systems will also benefit.

Table of Contents

1. Building a Prototype
2. Evaluation
3. Key Architectures
4. From Prototype to Production
5. Moving from DevOps and MLOps to LLMOps
6. Deploying Your Application
7. Ethics and Security
8. Observability and Reliability
9. Maintaining Your Application
10. A/B Testing and Online Experiments

Review

“Prototyping agents with new tools and coding assistants is easier than ever. But if we’re not careful, those prototypes never make it to production or fail once real users depend on them. This book focuses on closing that gap.

It provides practical guidance on evaluation, architecture, LLMOps, deployment, and reliability, treating production readiness as a core design requirement, not an afterthought. The emphasis on observability, testing, and scalability reflects what teams need to build systems that last.”

Roya Kandalan, Adjunct Professor, Northeastern University

About the Author

Leonid Kuligin is a staff AI engineer at Google Cloud, working on generative AI and classical machine learning solutions (such as agentic AI, demand forecasting, and optimization problems). Leonid is also an associate researcher at TUM University Hospital, Technical University of Munich. With over two decades of experience, Leonid has a track record of building B2C and B2B applications and solving users’ problems in domains such as search, maps, knowledge extraction, and investment management in industry-leading German and Russian technological, financial, and retail companies.