Generative AI on Microsoft Azure

☁️ هوش مصنوعی مولد روی Microsoft Azure؛ از Prototype تا سیستم‌های Production واقعی

🚀 شرکت‌ها دیگه فقط در حال آزمایش Generative AI داخل لابراتوار نیستن؛ الان پروژه‌های GenAI دارن وارد محیط‌های واقعی Production میشن. برای پشتیبانی از این نسل جدید اپلیکیشن‌های هوشمند، سازمان‌ها به سمت معماری‌های پیشرفته‌ای مثل Multi-Agent Systems، Frameworkهای مبتنی بر کد و زیرساخت‌های حرفه‌ای AI حرکت کردن.

📘 کتاب Generative AI on Microsoft Azure یک راهنمای عملی و حرفه‌ایه که توضیح میده چطور با استفاده از اکوسیستم قدرتمند مایکروسافت و سرویس‌های Azure، سیستم‌های هوش مصنوعی قابل‌اعتماد، مقیاس‌پذیر و سازمانی بسازی.

🧠 این کتاب توسط متخصص‌های واقعی حوزه‌ی AI نوشته شده و فقط روی مباحث سطحی یا تئوری تمرکز نداره؛ بلکه عمیق وارد مفاهیم، ابزارها، الگوهای معماری و تکنیک‌های عملی GenAI میشه.

⚙️ از Prompt Engineering و انتخاب مدل مناسب گرفته تا Fine-Tuning، معماری‌های RAG و سیستم‌های Agentic AI، همه‌چیز با رویکرد Production-Ready توضیح داده شده.

🏢 با استفاده از مثال‌های واقعی و تجربه‌های متخصص‌های مایکروسافت، یاد میگیری چطور از ظرفیت کامل Azure برای ساخت راهکارهای AI در مقیاس سازمانی استفاده کنی.

🌍 تمرکز اصلی کتاب روی ساخت سیستم‌های قابل‌اعتماد، امن، قابل‌مدیریت و آینده‌نگره؛ نه صرفاً اجرای چند Demo ساده.

🧩 در این کتاب چه چیزهایی یاد میگیری؟

🧠 مبانی فنی Generative AI و روند تکامل این تکنولوژی در چند سال اخیر را درک میکنی.

☁️ اپلیکیشن‌های پیشرفته‌ی GenAI را با سرویس‌هایی مثل Microsoft Foundry و Copilot پیاده‌سازی میکنی.

🛠️ از Patternها، Frameworkها، Toolها و Platformهای مختلف برای شخصی‌سازی پروژه‌های AI استفاده میکنی.

🛡️ سیستم‌های AI را با رویکرد Responsible AI مدیریت، Govern و Secure میکنی.

⚠️ یاد میگیری چطور از اشتباه‌های رایج جلوگیری کنی و معماری‌هایی طراحی کنی که در آینده هم قابل توسعه باقی بمونن.

📚 فهرست مطالب

1. مبانی فنی مدل‌ها و اپلیکیشن‌های Generative AI
2. از Prototype تا Production — پیاده‌سازی AI روی Azure
3. انتخاب مدل و بهترین روش‌های Prompt Engineering
4. معماری Retrieval-Augmented Generation یا RAG
5. Fine-Tuning مدل‌های Generative AI در Azure
6. سیستم‌های Agentic
7. مفاهیم GenAIOps و LLMOps در Azure
8. Framework حاکمیت و Governance در Generative AI
9. مصاحبه با متخصص‌ها و Expert Interviewها
10. معیارهای Performance در AI
11. منابع و مطالب تکمیلی برای مطالعه بیشتر

🏗️ چرا این کتاب ارزشمنده؟

💡 خیلی از منابع GenAI فقط درباره‌ی خود مدل‌ها صحبت میکنن؛ ولی این کتاب روی Operationalizing AI تمرکز داره، یعنی اینکه چطور AI را واقعاً وارد سیستم‌های سازمانی کنی.

🔄 مباحثی مثل LLMOps، مانیتورینگ، امنیت، Governance، مدیریت هزینه و Reliability که توی پروژه‌های واقعی حیاتی هستن، به‌صورت جدی پوشش داده شدن.

🤖 بخش مربوط به Multi-Agent Systems و Agentic AI هم از بخش‌های مهم کتابه، چون معماری Agent-Based یکی از ترندهای اصلی نسل جدید اپلیکیشن‌های AI محسوب میشه.

👨‍🏫 درباره نویسنده‌ها

🧠 «آدریان گونزالس سانچز» مدیر ارشد محصول AI در مایکروسافته و همچنین مدیر آکادمیک دانشگاه IE University. او چندین کتاب نوشته و برای پلتفرم‌هایی مثل O’Reilly، LinkedIn Learning و DeepLearning.AI دوره آموزشی تولید کرده.

🎓 او همچنین با برنامه‌های آموزشی اجرایی MIT Sloan در همکاری با 2U GetSmarter فعالیت داره.

☁️ «خایمه دِ مورا» مدیر ارشد فناوری یا CTO بخش Digital Natives مایکروسافت در منطقه‌ی EMEAه و روی طراحی و مقیاس‌دهی سیستم‌های Production-Grade AI و Multi-Agent کار میکنه.

🏛️ او همچنین استاد دانشگاه IE University در حوزه‌ی سیستم‌های AIه.

⚙️ «خورخه گارسیا خیمنز» معمار ارشد Cloud Solution Architect در مایکروسافته و در مرز بین مهندسی Azure AI و استراتژی محصول فعالیت میکنه.

🚀 تخصص اصلی او تبدیل پروژه‌های آزمایشی AI به سیستم‌های Enterprise-Grade واقعی روی Azureه.

Companies are now moving generative AI projects out of the lab and into production environments. To support these increasingly sophisticated applications, they’re turning to advanced practices such as multi-agent architectures and complex code-based frameworks. This practical handbook shows you how to leverage cutting-edge techniques using Microsoft’s powerful ecosystem of tools to deploy trustworthy AI systems tailored to your organization’s needs.

Written for and by AI professionals, Generative AI on Microsoft Azure goes beyond the technical core aspects, examining underlying principles, tools, and practices in depth, from the art of prompt engineering to strategies for fine-tuning models to advanced techniques like retrieval-augmented generation (RAG) and agentic AI. Through real-world case studies and insights from top experts, you’ll learn how to harness AI’s full potential on Azure, paving the way for groundbreaking solutions and sustainable success in today’s AI-driven landscape.

• Understand the technical foundations of generative AI and how the technology has evolved over the last few years
• Implement advanced GenAI applications using services like Microsoft Foundry or Copilot, among others
• Leverage patterns, tools, frameworks, and platforms to customize AI projects
• Manage, govern, and secure your AI-enabled systems with responsible AI practices
• Learn to avoid common pitfalls, future-proof your applications, and more

Table of Contents

Chapter 1. Technical Fundamentals of Generative Al Models and Applications

Chapter 2. From Prototype to Production: Al on Azure

Chapter 3. Model Selection and Prompt Engineering Best Practices

Chapter 4. Retrieval-Augmented Generation

Chapter 5. Fine-Tuning Generative Al Models in Azure

Chapter 6. Agentic Systems

Chapter 7. GenAIOps and LLMOps in Azure

Chapter 8. Generative Al Governance Framework

Chapter 9. Expert Interviews

Appendix A. Al Performance Metrics

Appendix B. Additional Resources and Reading Materials

About the Authors

Adrián González Sánchez is a Senior AI Product Manager at Microsoft AI and academic director at IE University. He’s authored several books and instructed courses for O’Reilly, LinkedIn Learning, and DeepLearning.AI. He also collaborates with 2U GetSmarter for MIT Sloan’s AI executive classes.

Jaime De Mora is CTO for Digital Natives at Microsoft in EMEA, leading AI strategy and execution for startups. He designs and scales production-grade AI and multi-agent systems. He’s also a professor at IE University, focused on AI systems.

Jorge García Ximénez is an AI Senior Cloud Solution Architect at Microsoft. Working at the intersection of Azure AI engineering and product strategy, Jorge brings a practical perspective on moving from experimentation to enterprise-grade AI deployment on Azure.