توضیحات دوره استقرار هوش مصنوعی روی AWS، GCP، Azure و Vercel با MLOps، Bedrock، SageMaker، RAG، ایجنتها و MCP؛ مقیاسپذیر، امن و قابل پایش. این دورهای است که دانشجویان من بیش از هر دوره دیگری د...
استقرار هوش مصنوعی روی AWS، GCP، Azure و Vercel با MLOps، Bedrock، SageMaker، RAG، ایجنتها و MCP؛ مقیاسپذیر، امن و قابل پایش.
این دورهای است که دانشجویان من بیش از هر دوره دیگری درخواست تولید آن را داشتهاند.
یکی از دانشجویانم درباره آن گفت:
«این همان حلقه گمشده آموزش هوش مصنوعی است.»
این دوره برای کارآفرینان، مهندسان سازمانی (Enterprise Engineers) و هر کسی که میخواهد راهکارهای هوش مصنوعی را در دنیای واقعی و در مقیاس عملیاتی پیادهسازی کند طراحی شده است.
این دوره فقط درباره RAG نیست؛ هرچند بهصورت عملی با RAG کار خواهیم کرد.
فقط درباره Agentها نیست؛ اما Agentهای متعددی خواهیم ساخت.
فقط درباره MCP نیست؛ اما با MCP نیز بهصورت گسترده کار خواهیم کرد.
موضوع اصلی این دوره چیز دیگری است:
استقرار و راهاندازی RAG، Agent، MCP و سایر فناوریهای مدرن هوش مصنوعی در محیط عملیاتی (Production).
بهصورت زنده.
در سطح سازمانی.
با معماری مقیاسپذیر، پایدار، امن، قابل پایش و قابل توضیح.
در این دوره یاد میگیرید چگونه اپلیکیشنها و سیستمهای هوش مصنوعی مبتنی بر مدلهای زبانی بزرگ (LLM) و Agentها را روی Vercel، AWS، Google Cloud و Azure مستقر کنید؛ با تمرکز ویژه بر AWS.
هفته اول: راهاندازی یک محصول SaaS واقعی
در هفته اول یک محصول SaaS مبتنی بر Next.js را روی Vercel و AWS منتشر میکنید.
در این مسیر با AWS App Runner و Clerk برای مدیریت کاربران، احراز هویت و اشتراکها کار خواهید کرد.
پروژه عملی: اپلیکیشن سلامت (Healthcare SaaS)
هفته دوم: مهندسی پلتفرم هوش مصنوعی روی AWS
در نقش یک AI Platform Engineer ظاهر خواهید شد و زیرساختهای Serverless را با استفاده از سرویسهای زیر پیادهسازی میکنید:
- AWS Lambda
- Amazon Bedrock
- API Gateway
- Amazon S3
- CloudFront
- Route 53
همچنین یاد میگیرید:
- زیرساخت را با Terraform بهصورت Infrastructure as Code تعریف کنید.
- پایپلاینهای CI/CD را با GitHub Actions راهاندازی کنید.
- استقرار خودکار و انتشار نسخهها را بدون دخالت دستی انجام دهید.
- پروژه عملی: Digital Twin Mk II
هفته سوم: هوش مصنوعی مولد در محیط عملیاتی
در این هفته مهارتهای موردنیاز بازار برای استقرار GenAI را یاد میگیرید:
- استقرار Agent تحلیلگر امنیت سایبری با MCP روی Azure و GCP
- راهاندازی SageMaker Inference
- ساخت Pipeline ورود داده و ذخیرهسازی بردارها در S3
- توسعه Agent پژوهشگر با مدلهای متنباز OpenAI OSS روی Bedrock و MCP
- پروژه عملی: Cybersecurity Analyst
هفته چهارم: سیستمهای چندعاملی در محیط عملیاتی
در هفته پایانی وارد دنیای Agentic AI میشوید و یک سیستم چندعاملی واقعی طراحی و مستقر میکنید.
فناوریهای مورد استفاده:
- Aurora Serverless
- AWS Lambda
- Amazon SQS
- CloudFront با احراز هویت JWT
- LangFuse برای Observability
- AWS Bedrock AgentCore
- پروژه نهایی (Capstone): SaaS Financial Planner
در پایان این دوره قادر خواهید بود:
- معماری مناسب برای هر پروژه هوش مصنوعی را انتخاب کنید.
- امنیت سیستم را بهدرستی پیادهسازی کنید.
- هزینههای زیرساخت و مدلهای هوش مصنوعی را مدیریت و پایش کنید.
- فرآیند استقرار و انتشار مداوم را راهاندازی کنید.
- راهکارهای هوش مصنوعی مقیاسپذیر و قابل اعتماد را در محیط عملیاتی اجرا کنید.
این دوره مناسب چه کسانی است؟
- اگر میخواهید اپلیکیشنهای هوش مصنوعی مولد (GenAI)، مدلهای زبانی بزرگ (LLM) و Agentهای هوشمند را از مرحله نمونه اولیه به یک محصول واقعی و قابل استفاده در محیط عملیاتی برسانید، این دوره برای شما طراحی شده است.
هنوز نظری ثبت نشده است.