ساختن اپ با مدل زبانی: از کجا شروع کنیم
جواب کوتاه
این مسیر، برای کسیه که تا حالا از هوش مصنوعی استفاده کرده و حالا میخواد خودش، اپی بسازه که یه مدل زبانی بزرگ، بخشی ازشه؛ مثل یه دستیار که از روی سندهای خودتون جواب میده، یا ایجنتی که با ابزار کار میکنه. پیشنیازش، یکی از دو زبان پایتون یا تایپاسکریپته. ده ایستگاه داره: شروع، صدا زدن مدل از کد، پرامپت در کد، خروجی ساختاریافته و ابزار، RAG، MCP، ایجنت، امنیت، سنجش و نگهداری، و پروژهها. همهی تمرینها، با یه مدل باز و رایگان، روی کامپیوتر خودتون، با ابزار متنباز Ollama انجام میشن؛ پس نه کلید API لازمه، نه هزینه، و دادهتون هم از کامپیوترتون بیرون نمیره. هر درس ابزار، از روی سند رسمی سازندهش نوشته شده.
از مسافر، به راننده
تا حالا، احتمالا با یه چتبات هوش مصنوعی حرف زدید؛ یه سوال پرسیدید و یه جواب گرفتید. این، مثل مسافر بودن توی یه ماشینه: میگید کجا برید، و ماشین میبره. ولی نمیدونید زیر کاپوت چی هست، و نمیتونید مسیر رو، به جز با حرف زدن، کنترل کنید.
این مسیر، شما رو پشت فرمون مینشونه. یاد میگیرید چطور یه مدل زبانی رو، از توی برنامهی خودتون، صدا بزنید؛ جوابش رو طوری بگیرید که برنامه بتونه بخونه؛ به دادهی خودتون وصلش کنید؛ و ازش یه دستیار یا ایجنت بسازید. این درس، نقشهی این مسیره.
این مسیر، در یه جمله
این مسیر، یاد میده نرمافزاری بسازید که یه مدل زبانی بزرگ، یه بخشی ازشه؛ نه اینکه خود مدل رو بسازید. ساختن یه مدل زبانی از صفر، کار تیمهای بزرگ با هزینههای خیلی زیاده؛ ولی ساختن یه اپ خوب، که از یه مدل آماده استفاده میکنه، کاریه که یه برنامهنویس تنها هم میتونه بکنه.
به این کار، گاهی مهندسی هوش مصنوعی (AI Engineering) میگن؛ که درس بعدی، دقیق تعریفش میکنه. خلاصهش: همون مهندسی نرمافزار همیشگی، با یه تیکهی تازه، که رفتارش، برخلاف بقیهی کد، همیشه قابل پیشبینی نیست.
یه مدل زبانی، چی کار میکنه
یه مدل زبانی بزرگ (Large Language Model)، که بهش LLM هم میگن، در اصل، یه کار ساده میکنه: با دیدن یه متن، حدس میزنه تیکهی بعدیش چی باشه؛ و این کار رو، تیکه به تیکه، تکرار میکنه تا یه جواب کامل بسازه. چون از روی حجم خیلی زیادی متن یاد گرفته، حدسهاش، خیلی وقتها، شبیه فکر کردنه.
کتابخونهی ما، یه مسیر کامل به اسم مدلهای زبانی بزرگ داره، که این رو از درون باز میکنه؛ و درس دوم همین مسیر، بهش پیوند میده. برای ساختن اپ، کافیه بدونید: مدل، متن میگیره، متن میده؛ و گاهی، با اطمینان، اشتباه میکنه.
مدل، فقط یه تیکهست
مهمترین ایدهی این مسیر: توی یه اپ واقعی، مدل، فقط یه تیکهست؛ مثل موتور یه ماشین. دور مدل، کلی کد معمولی هست: گرفتن ورودی کاربر، آماده کردن پرامپت، خوندن و بررسی جواب، ذخیره کردن، نشون دادن به کاربر، و رسیدگی به وقتی که مدل، جواب بد یا هیچ جوابی نمیده.
برای همین، این مسیر، به همون اندازه که دربارهی مدله، دربارهی نرمافزاره: بررسی ورودی، مدیریت خطا، تست، امنیت. اگه مسیر هونو رو رفته باشید، خیلی از اینها براتون آشناست؛ اینجا، همونها رو، دور یه مدل، به کار میبریم.
این مسیر برای کیه
این مسیر برای این آدمهاست:
- برنامهنویسی که میخواد هوش مصنوعی رو به اپ یا سایتش اضافه کنه.
- کسی که میخواد یه دستیار بسازه که از روی سندهای شرکت یا خودش، جواب بده.
- کسی که دربارهی ایجنتها و MCP شنیده و میخواد بفهمه دقیقا چیان و چطور ساخته میشن.
- مدیر یا طراح محصولی که میخواد بدونه ساختن یه اپ هوش مصنوعی، چه کارهایی داره.
- کسی که میخواد بی هزینه و بی فرستادن داده به جایی، با مدلهای باز کار کنه.
پیشنیاز: یه زبان برنامهنویسی
پیشنیاز این مسیر، یکی از دو زبان کتابخونهست: پایتون یا تایپاسکریپت. لازم نیست هر دو رو بلد باشید؛ مثالهای کد، تا جای ممکن، برای هر دو هستن. حداقل، باید متغیر، تابع، فهرست و دیکشنری یا شیء، و خوندن و نوشتن فایل رو بلد باشید؛ و کار با یه فرمان توی ترمینال.
اگه مسیر ریاضی برای هوش مصنوعی رو هم رفته باشید، مخصوصا ایستگاه بردار، خیلی چیزها، مثل جستجوی معنایی توی ایستگاه RAG، براتون روشنترن. ولی پیشنیاز نیست؛ هر جا لازم باشه، ایدهی ریاضی، ساده، توضیح داده میشه.
چرا مدل، روی کامپیوتر خودتون
بیشتر آموزشها، با یه سرویس ابری پولی شروع میکنن: کلید API میگیرید، کارت بانکی وارد میکنید، و هر درخواست، هزینه داره. این مسیر، راه دیگهای میره: همهی تمرینها، با یه مدل باز، روی کامپیوتر خودتون، اجرا میشن.
سه دلیل داره. یک، هزینه: رایگانه؛ هر چقدر که بخواید، امتحان کنید. دو، حریم خصوصی: دادهتون از کامپیوترتون بیرون نمیره. سه، یادگیری: وقتی مدل جلوی چشمتونه، بهتر میفهمید چطور کار میکنه، و محدودیتهاش چیه. و هر چی یاد بگیرید، برای مدلهای ابری هم، تقریبا بی تغییر، به کار میاد.
ابزار: Ollama
برای اجرای مدل روی کامپیوتر، از Ollama استفاده میکنیم؛ یه ابزار رایگان و متنباز، که سند رسمیش، روی مک، ویندوز و لینوکس، نصبش رو توضیح میده. Ollama، مدلهای باز رو دانلود و اجرا میکنه، و یه API روی خود کامپیوترتون، روی نشانی http://localhost:11434، راه میندازه؛ که برنامهتون، باهاش حرف میزنه.
یه نکته از پرسشهای رایج رسمی Ollama: وقتی محلی اجرا میکنید، هیچکدوم از پرامپتها و دادههاتون، به سازندهی Ollama نمیرسه. Ollama، مدلهای ابری هم داره؛ ولی توی این مسیر، فقط از مدلهای محلی استفاده میکنیم. درس سوم، نصب و اولین گفتوگو رو، قدمبهقدم، از سند رسمی، نشون میده.
توی این مسیر چی میسازید
آخر این مسیر، سه پروژهی واقعی:
- یه دستیار پرسش و پاسخ، که از روی سندهای خودتون جواب میده؛ و میگه جوابش رو از کدوم سند آورده.
- یه ایجنت، که برای انجام یه کار، چند قدم برمیداره و ابزار به کار میبره.
- یه سرور MCP، که دادهی خودتون رو، بهطور استاندارد، در دسترس مدلها میذاره.
هر سه، با تست و سنجش؛ تا بدونید واقعا درست کار میکنن، نه فقط توی چند امتحان دستی.
نقشهی راه: ده ایستگاه
این مسیر، ده ایستگاه داره:
- شروع: از کاربر هوش مصنوعی، به سازندهش.
- صدا زدن مدل از کد: اولین برنامهای که با مدل حرف میزنه.
- پرامپت در کد: پرامپتی که برنامه هر بار باهاش کار میکنه.
- خروجی ساختاریافته و ابزار: جوابی که برنامه بتونه بخونه، و کاری که مدل بتونه بکنه.
- RAG: جواب از روی دادهی خودتون.
- MCP: استاندارد باز وصل کردن مدل به ابزار و داده.
- ایجنت: مدلی که چند قدم برمیداره تا کاری رو تموم کنه.
- امنیت: راههای تازهی حمله.
- سنجش و نگهداری: اپ مدل زبانی هم باید آزموده و پایش بشه.
- پروژهها.
یه نگاه: صدا زدن مدل از کد
ایستگاه دوم، اولین برنامه رو میسازه: یه درخواست به API ـی Ollama، با یه پیام، و خوندن جواب. طبق سند رسمی Ollama، جواب، توی یه بخش به اسم message.content برمیگرده؛ همون متنی که مدل نوشته. چند خط کد، و برنامهتون، داره با یه مدل زبانی حرف میزنه.
همین ایستگاه، چیزهایی مثل توکن، یعنی تیکههایی که مدل باهاشون کار میکنه؛ دما، یعنی میزان خلاقیت جواب؛ و مدیریت خطا و زمان پایان رو هم یاد میده. و یه درس کامل داره دربارهی نگه داشتن کلید API، برای روزی که به یه مدل ابری وصل بشید.
یه نگاه: پرامپت در کد
پرامپت (Prompt)، متنیه که به مدل میدید. توی یه چتبات، هر بار خودتون مینویسیدش. ولی توی یه اپ، پرامپت، بخشی از کده: یه قالب، که برنامه، هر بار، با ورودی کاربر پرش میکنه. ایستگاه سوم، یاد میده پرامپت خوب، چه شکلیه؛ پیام سیستم چیه؛ یاد دادن با مثال چطوره؛ و چطور پرامپتها رو، مثل کد، نسخهبندی کنید.
یه نکتهی مهم: چون پرامپت توی کده، تغییرش، رفتار کل اپ رو عوض میکنه. پس باید، مثل هر کد دیگهای، با دقت تغییرش داد و تستش کرد. این، یکی از تفاوتهای بزرگ «استفاده از هوش مصنوعی» با «ساختن با هوش مصنوعی» ـه.
یه نگاه: خروجی ساختاریافته و ابزار
یه چتبات، متن آزاد برمیگردونه؛ که برای آدم خوبه، ولی برای برنامه، نه. برنامه، معمولا یه جواب با شکل مشخص میخواد؛ مثلا یه JSON با اسم و تاریخ و مبلغ. ایستگاه چهارم، یاد میده چطور از مدل بخواید، دقیقا با یه شکل از پیش تعیینشده، جواب بده؛ و چطور جوابش رو بسنجید.
همین ایستگاه، فراخوانی ابزار (Tool Calling) رو هم یاد میده: اینکه مدل، به جای جواب دادن، بگه «این تابع رو با این ورودی صدا بزن»؛ مثلا گرفتن آبوهوا یا جستجو توی یه دیتابیس. این، پایهی ایجنتهاست.
یه نگاه: RAG
مدل، سندهای شرکت شما، یا قیمتهای امروز فروشگاهتون، رو نمیدونه؛ چون از روی متنهای عمومی و قدیمیتر یاد گرفته. RAG، کوتاهشدهی Retrieval-Augmented Generation، یعنی تولید با کمک بازیابی، راهحل اینه: اول، تیکههای مرتبط از سندهای خودتون رو پیدا کن؛ بعد، اونها رو، کنار سوال، به مدل بده؛ تا از روی همونها جواب بده.
ایستگاه پنجم، کل این راه رو میسازه: تیکه کردن سندها، تبدیلشون به بردار، جستجوی معنایی، و سنجیدن اینکه جوابها، واقعا از روی سندها اومدن. پروژهی اول مسیر، دقیقا همینه.
یه نگاه: MCP
MCP، کوتاهشدهی Model Context Protocol، یعنی پروتکل زمینهی مدل، یه استاندارد بازه، برای وصل کردن مدلها به ابزارها و دادهها. به جای اینکه هر اپ، برای هر ابزار، راه وصل شدن خودش رو بسازه، یه زبان مشترک هست؛ مثل درگاه یکسانی که هر دستگاهی بهش وصل میشه.
ایستگاه ششم، یاد میده MCP چیه، سرور و کلاینتش چه کاری میکنن، و چطور خودتون یه سرور MCP بسازید؛ که پروژهی سوم مسیره. همه از روی سند رسمی خود استاندارد.
یه نگاه: ایجنت
ایجنت (Agent)، یعنی مدلی که برای انجام یه کار، چند قدم برمیداره: فکر میکنه چی لازمه، یه ابزار رو صدا میزنه، نتیجه رو میبینه، و قدم بعدی رو تصمیم میگیره؛ تا کار تموم بشه. مثلا «سه تا رستوران نزدیک پیدا کن که امشب جا دارن و ارزونترین رو رزرو کن».
ایجنتها، قدرتمندن؛ ولی خطرناک هم، چون کار واقعی انجام میدن. ایستگاه هفتم، یاد میده ایجنت چطور کار میکنه، چطور بسازیدش، و مهمتر، کجا باید یه آدم، پیش از هر کار مهم، تایید کنه.
یه نگاه: امنیت
مدلهای زبانی، راههای تازهای برای حمله باز کردن. مهمترینش، تزریق پرامپت (Prompt Injection) ـه: یه متن، مثلا توی یه سند یا یه صفحهی وب، که به مدل دستور میده کاری بکنه که شما نمیخواید؛ مثل فرستادن دادههای خصوصی به یه جای دیگه. چون مدل، دستور و داده رو، همیشه نمیتونه از هم جدا کنه.
ایستگاه هشتم، این خطرها رو، از روی یه فهرست جهانی خطرهای امنیتی برنامههای مدل زبانی، یکییکی میبینه، و راه کم کردن هر کدوم رو. یه قاعده از همین الان: هر چیزی که از بیرون میاد، حتی اگه از یه سند خودتون باشه، دادهست، نه دستور.
یه نگاه: سنجش
یه اپ معمولی، با یه ورودی، همیشه یه خروجی میده؛ پس تستش سادهست. ولی یه مدل زبانی، ممکنه برای یه سوال، هر بار جواب کمی متفاوت بده. پس چطور بفهمیم اپمون، خوب کار میکنه؟ ایستگاه نهم، سنجش (Evaluation) رو یاد میده: ساختن یه دسته سوال آزمون، معیار خوب بودن جواب، و اندازه گرفتنش، با هر تغییر.
کتابخونه یه مسیر کامل به اسم تست و سنجش هم داره؛ که این ایستگاه، کنارش، معنی پیدا میکنه. یه اپ هوش مصنوعی بی سنجش، مثل رانندگی با چشم بستهست: شاید به مقصد برسید، ولی نمیدونید.
همهچیز از سند رسمی
هر درسی که دربارهی یه ابزاره، مثل Ollama یا MCP، از روی سند رسمی سازندهش نوشته شده، و اون سند، با اثر انگشتش، ذخیره شده؛ تا اگه تغییر کرد، بفهمیم. دنیای مدلهای زبانی، از هر زمینهی دیگهای، سریعتر عوض میشه؛ و آموزشی که شش ماه پیش درست بود، ممکنه امروز قدیمی باشه.
برای همین، یه عادت از همین اول: هر وقت یه چیزی، توی این مسیر، با چیزی که روی کامپیوترتون میبینید، فرق داشت، به سند رسمی همون ابزار سر بزنید. احتمالا، یه چیزی بهروز شده؛ و سند رسمی، همیشه، تازهترین منبعه.
مدل باز یعنی چی
مدل باز (Open Model)، مدلیه که وزنهاش، یعنی همون عددهای یاد گرفتهشده، منتشر شده؛ و هر کسی میتونه دانلودش کنه و روی کامپیوتر خودش اجراش کنه. برخلاف مدلهای بسته، که فقط از راه سرویس سازندهشون، و معمولا با پول، در دسترسن.
مدلهای باز، اندازههای مختلفی دارن؛ از خیلی کوچیک، که روی یه لپتاپ معمولی اجرا میشن، تا خیلی بزرگ، که سختافزار قوی میخوان. درس چهارم، یاد میده برای هر کار، کدوم اندازه مناسبه؛ و اینکه همیشه، بزرگترین مدل، بهترین انتخاب نیست.
حریم خصوصی
وقتی یه سوال به یه سرویس ابری هوش مصنوعی میفرستید، اون سوال، از کامپیوترتون بیرون میره و روی سرورهای یه شرکت دیگه پردازش میشه. برای خیلی از کارها، این اشکالی نداره؛ ولی برای دادهی حساس، مثل اطلاعات مشتریها، پروندهی پزشکی، یا قراردادهای شرکت، یه تصمیم جدیه.
با مدل محلی، این نگرانی، از بین میره: همونطور که پرسشهای رایج رسمی Ollama میگه، وقتی محلی اجرا میکنید، پرامپتها و دادههاتون، دیده نمیشن. برای همینه که خیلی از شرکتها، برای کارهای داخلی، مدل باز محلی رو ترجیح میدن.
هزینه
سرویسهای ابری، معمولا بر اساس تعداد توکنها، یعنی حجم متنی که میفرستید و میگیرید، پول میگیرن. برای یه چت ساده، ناچیزه؛ ولی برای یه اپ که هزاران کاربر داره، یا یه ایجنت که برای هر کار، دهها درخواست میفرسته، میتونه زیاد بشه.
با مدل محلی، هزینهی هر درخواست، صفره؛ فقط برق کامپیوترتون. ولی یه هزینهی دیگه داره: مدلهای محلی کوچیک، معمولا از بزرگترین مدلهای ابری، ضعیفترن. انتخاب بین این دو، یه بدهبستونه، که درس چهارم، کامل بازش میکنه. برای یادگیری، محلی، بهترین انتخابه.
چه کامپیوتری لازمه
مدلهای زبانی، حافظهی زیادی میخوان. طبق سند رسمی Ollama، بعد از نصب، برای نگه داشتن خود مدلها، جای اضافه لازمه، که میتونه از چند ده تا چند صد گیگابایت باشه، بسته به اینکه چه مدلهایی دانلود کنید. و برای اجرا، هر چی حافظهی کارت گرافیک یا حافظهی اصلی بیشتر، مدل بزرگتری میشه اجرا کرد.
ولی خبر خوب: مدلهای کوچیک، روی یه لپتاپ معمولی هم اجرا میشن؛ کندتر، ولی کار میکنن. برای این مسیر، یه مدل کوچیک، کاملا کافیه؛ چون هدف، یاد گرفتن ساختن اپه، نه گرفتن بهترین جواب ممکن. درس سوم و چهارم، دقیقتر دربارهی نیازهای سختافزار، از روی سند رسمی، حرف میزنن.
اشتباههای رایج
این اشتباهها، توی ساختن اپ با مدل زبانی، خیلی رایجن:
- اعتماد کامل به جواب مدل، بی هیچ بررسیای.
- گذاشتن کلید API توی کد سمت مرورگر، یا توی گیت.
- فرستادن دادهی حساس به سرویس ابری، بی فکر.
- نداشتن هیچ سنجشی؛ و فهمیدن مشکلها، فقط از شکایت کاربرها.
- ساختن ایجنتی که کارهای مهم و برگشتناپذیر رو، بی تایید آدم، انجام میده.
- رفتن سراغ بزرگترین مدل، وقتی یه مدل کوچیک کافیه.
برای هر کدوم، یه درس توی این مسیر هست.
چقدر وقت میبره
اگه هر روز حدود یه ساعت وقت بذارید، هر درس یکی دو روز طول میکشه؛ و کل مسیر، چند ماه. ایستگاههای اول، یعنی صدا زدن مدل و پرامپت، سریع پیش میرن؛ ولی ایستگاههای RAG، ایجنت و سنجش، وقت و تمرین بیشتری میخوان.
مثل همهی مسیرهای برنامهنویسی کتابخونه، پیوستگی از سرعت مهمتره؛ مخصوصا اینجا، که یه بخش زیادی از یادگیری، امتحان کردن و دیدن رفتار مدله. چیزی که امروز میسازید، فردا دوباره امتحانش کنید؛ ممکنه یه جواب متفاوت بگیرید، و همین، یه درس مهمه.
یه برنامهی ساده
یه برنامهی ساده برای هر روز: ده دقیقه، برنامهی دیروز رو دوباره اجرا کنید و ببینید جواب مدل، چقدر شبیه دیروزه. سی دقیقه، درس امروز رو بخونید و کدش رو بنویسید. بیست دقیقه، یه چیز رو عمدا عوض کنید، مثل پرامپت یا مدل، و اثرش رو بنویسید.
یه دفترچهی آزمایش داشته باشید: هر بار که یه چیز رو عوض کردید، بنویسید چی عوض شد و جوابها چطور فرق کردن. این دفترچه، پایهی همون سنجشیه که ایستگاه نهم، رسمیش میکنه؛ و عادت آزمایش کردن با یادداشت، بزرگترین مهارت این زمینهست.
دستیار هوش مصنوعی، برای ساختن هوش مصنوعی
جالبه که دستیارهای هوش مصنوعی، کد اپهای هوش مصنوعی رو هم خوب مینویسن. ولی یه مشکل خاص دارن: این زمینه، خیلی سریع عوض میشه، و دستیارها، معمولا، از روی دادههایی یاد گرفتن که چند ماه یا چند سال قدیمیان. برای همین، گاهی کد قدیمی، با رابطهایی که دیگه وجود ندارن، پیشنهاد میدن.
پس اگه از دستیار کمک گرفتید، همیشه، کدش رو با سند رسمی همون ابزار بسنجید. و توی این مسیر، کد رو خودتون بنویسید؛ تا وقتی یه چیزی کار نکرد، بدونید کجا رو نگاه کنید.
بعد از این مسیر
بعد از این مسیر، میتونید اپهایی بسازید که از مدلهای زبانی استفاده میکنن: دستیار، جستجوی هوشمند، ایجنت، و سرور MCP. برای اینکه این اپها رو به کاربر واقعی برسونید، مسیرهای هونو، برای بکاند، و نکست جیاس، برای رابط کاربری، کنار این مسیرن.
و اگه بخواید عمیقتر بفهمید مدلها از درون چطور کار میکنن، مسیرهای مدلهای زبانی بزرگ و یادگیری ماشین کتابخونه؛ و برای ریاضیش، مسیر ریاضی برای هوش مصنوعی. و برای انتشار حرفهای، مسیر لینوکس و داکر و ابر.
یه جمعبندی کوتاه
اگه بخوایم کل این درس رو توی یه پاراگراف بگیم:
این مسیر، از کاربر هوش مصنوعی، سازندهی اپی میسازه که مدل زبانی بخشی ازشه. پیشنیازش پایتون یا تایپاسکریپته. ده ایستگاه داره، از صدا زدن مدل تا RAG، MCP، ایجنت، امنیت و سنجش؛ و همهی تمرینها، با مدل باز و رایگان، روی کامپیوتر خودتون، با Ollama، و از روی سند رسمی.
چند باور رایج
- «برای ساختن اپ هوش مصنوعی، باید مدل رو از صفر ساخت.» از یه مدل آماده استفاده میکنیم.
- «بی پول، نمیشه با مدل زبانی کار کرد.» مدل باز، روی کامپیوتر خودتون.
- «جواب مدل، همیشه درسته.» گاهی با اطمینان، اشتباه میکنه.
- «بزرگترین مدل، همیشه بهترینه.» بسته به کار، شاید نه.
- «اپ هوش مصنوعی، تست لازم نداره.» سنجش، یه ایستگاه کامله.
یه مثال
هستی، توی یه دفتر حقوقی کوچیک کار میکرد، و هر روز، ساعتها توی قراردادهای قدیمی میگشت تا یه بند مشابه پیدا کنه. میخواست از یه چتبات هوش مصنوعی کمک بگیره؛ ولی نمیتونست قراردادهای مشتریها رو به یه سرویس بیرونی بفرسته. همینجا گیر کرده بود.
با این مسیر، یاد گرفت یه مدل باز رو روی کامپیوتر دفتر اجرا کنه، و یه دستیار RAG ساده بسازه، که قراردادها رو میخوند و برای هر سوال، بندهای مرتبط رو، با اسم قرارداد، پیدا میکرد. هیچ دادهای از دفتر بیرون نرفت؛ و کار چندساعته، به چند دقیقه رسید.
تمرین امروز
امروز، بی کد، مثل یه سازنده به هوش مصنوعی نگاه کنید.
- یه اپ هوش مصنوعی که میشناسید رو انتخاب کنید.
- حدس بزنید دور مدلش، چه کدهای معمولیای هست؛ مثل گرفتن ورودی و ذخیره کردن.
- یه کار تکراری توی زندگی یا کارتون پیدا کنید که یه مدل زبانی میتونه کمک کنه.
- بنویسید اگه این اپ رو بسازید، دادهش حساسه یا نه؛ و محلی بهتره یا ابری.
- کامپیوترتون رو بررسی کنید: چقدر حافظه و جای خالی داره؛ برای درس سوم.
درس بعدی، دقیق میگه مهندسی هوش مصنوعی چیه.
جمعبندی. آنچه از این درس با خودتان میبرید.
- از کاربر هوش مصنوعی، به سازندهی اپی که مدل زبانی بخشی ازشه.
- پیشنیاز: پایتون یا تایپاسکریپت.
- ده ایستگاه: از صدا زدن مدل تا RAG، MCP، ایجنت، امنیت و سنجش.
- تمرین با مدل باز و رایگان روی کامپیوتر خودتون؛ بی کلید و بی هزینه.
- مدل، یه تیکه از نرمافزاره؛ با همهی دقت، تست و امنیت نرمافزار.
خودتون رو بسنجید
۱۵ پرسش، هر بار تازه از میان ۳۰ پرسش این درس. آخرش فقط کارنامه رو میبینید: چند تا درست، چند تا نادرست.