کتاب AI Engineering: Building Applications with Foundation Models مهندسی هوش مصنوعی: ساخت برنامه با مدلهای پایه
جهت نمایش قیمت و خرید، سایز محصول خود را انتخاب کنید
محصولات مشابه
معرفی
پیشرفتهای اخیر در هوش مصنوعی، نه تنها تقاضا برای محصولات هوش مصنوعی را افزایش داده، بلکه موانع ورود برای کسانی که میخواهند محصولات هوش مصنوعی بسازند را نیز کاهش داده است.
رویکرد "مدل به عنوان سرویس"، هوش مصنوعی را از یک رشتهی پیچیده به یک ابزار توسعهی قدرتمند تبدیل کرده که هر کسی میتواند از آن استفاده کند.
حالا همه، حتی کسانی که تجربهی کمی در هوش مصنوعی دارند یا اصلاً تجربهای ندارند، میتوانند از مدلهای هوش مصنوعی برای ساخت برنامهها استفاده کنند.
در این کتاب، نویسنده، چیپ هویِن، در مورد مهندسی هوش مصنوعی بحث میکند: فرآیند ساخت برنامهها با مدلهای پایهی در دسترس.
کتاب با یک مرور کلی از مهندسی هوش مصنوعی شروع میشود، توضیح میدهد که چگونه با مهندسی سنتی یادگیری ماشین تفاوت دارد و در مورد پشتهی جدید هوش مصنوعی بحث میکند.
هر چه بیشتر از هوش مصنوعی استفاده شود، فرصتهای بیشتری برای شکستهای فاجعهبار وجود دارد، و بنابراین، ارزیابی مهمتر میشود.
این کتاب رویکردهای مختلفی را برای ارزیابی مدلهای باز، از جمله رویکرد به سرعت در حال رشد "هوش مصنوعی به عنوان داور"، مورد بحث قرار میدهد.
توسعهدهندگان برنامههای هوش مصنوعی یاد خواهند گرفت که چگونه در چشمانداز هوش مصنوعی، از جمله مدلها، مجموعهدادهها، معیارهای ارزیابی و تعداد بینهایت موارد استفاده و الگوهای کاربردی، حرکت کنند.
شما یک چارچوب برای توسعهی یک برنامهی هوش مصنوعی یاد خواهید گرفت، که با تکنیکهای ساده شروع میشود و به سمت روشهای پیچیدهتر پیش میرود، و یاد خواهید گرفت که چگونه این برنامهها را به طور موثر مستقر کنید.
درک کنید که مهندسی هوش مصنوعی چیست و چگونه با مهندسی سنتی یادگیری ماشین تفاوت دارد.
فرآیند توسعهی یک برنامهی هوش مصنوعی، چالشهای موجود در هر مرحله و رویکردهای مقابله با آنها را بیاموزید.
تکنیکهای مختلف تطبیق مدل، از جمله مهندسی پرامپت، RAG، تنظیم دقیق، عاملها و مهندسی مجموعهداده را بررسی کنید و درک کنید که چگونه و چرا کار میکنند.
گلوگاههای تاخیر و هزینه را هنگام ارائه مدلهای پایه بررسی کنید و یاد بگیرید که چگونه بر آنها غلبه کنید.
مدل، مجموعهداده، معیارهای ارزیابی و معیارهای مناسب برای نیازهای خود را انتخاب کنید.
چیپ هویِن در Voltron Data برای تسریع تجزیه و تحلیل دادهها بر روی پردازندههای گرافیکی کار میکند.
او قبلاً با Snorkel AI و NVIDIA بود، یک استارتاپ زیرساخت هوش مصنوعی را تأسیس کرد و طراحی سیستمهای یادگیری ماشین را در استنفورد تدریس کرد.
او نویسندهی کتاب Designing Machine Learning Systems است که پرفروشترین کتاب آمازون در زمینهی هوش مصنوعی است. AI Engineering بر اساس Designing Machine Learning Systems (O'Reilly) ساخته شده و مکمل آن است.
Recent breakthroughs in AI have not only increased demand for AI products, they've also lowered the barriers to entry for those who want to build AI products. The model-as-a-service approach has transformed AI from an esoteric discipline into a powerful development tool that anyone can use. Everyone, including those with minimal or no prior AI experience, can now leverage AI models to build applications. In this book, author Chip Huyen discusses AI engineering: the process of building applications with readily available foundation models.
The book starts with an overview of AI engineering, explaining how it differs from traditional ML engineering and discussing the new AI stack. The more AI is used, the more opportunities there are for catastrophic failures, and therefore, the more important evaluation becomes. This book discusses different approaches to evaluating open-ended models, including the rapidly growing AI-as-a-judge approach.
AI application developers will discover how to navigate the AI landscape, including models, datasets, evaluation benchmarks, and the seemingly infinite number of use cases and application patterns. You'll learn a framework for developing an AI application, starting with simple techniques and progressing toward more sophisticated methods, and discover how to efficiently deploy these applications.
Understand what AI engineering is and how it differs from traditional machine learning engineering
Learn the process for developing an AI application, the challenges at each step, and approaches to address them
Explore various model adaptation techniques, including prompt engineering, RAG, fine-tuning, agents, and dataset engineering, and understand how and why they work
Examine the bottlenecks for latency and cost when serving foundation models and learn how to overcome them
Choose the right model, dataset, evaluation benchmarks, and metrics for your needs
Chip Huyen works to accelerate data analytics on GPUs at Voltron Data. Previously, she was with Snorkel AI and NVIDIA, founded an AI infrastructure startup, and taught Machine Learning Systems Design at Stanford. She's the author of the book Designing Machine Learning Systems, an Amazon bestseller in AI.
AI Engineering builds upon and is complementary to Designing Machine Learning Systems (O'Reilly).
مشخصات
دیدگاه ها
