معرفی
این نقشه راه شما را برای نقش مهندس هوش مصنوعی (Artificial Intelligence Engineer یا AI Engineer) آماده میکند؛ نقشی که مدلهای آماده و سرویسهای هوشمند را به قابلیتهای قابلاستفاده در محصولات و سرویسها تبدیل میکند. تمرکز این مسیر بر ساخت اپلیکیشنهای متنی، مدلهای زبانی بزرگ، جستوجوی معنایی و سامانههای تولید تقویتشده با بازیابی (Retrieval-Augmented Generation یا RAG) است و آموزش مدل از صفر یا پژوهش دانشگاهی را هدف قرار نمیدهد.
این مسیر در ۸ گام طراحی شده است و در مجموع حدود ۴۹۵ ساعت تمرین هدفمند نیاز دارد. با ۱۰ ساعت تمرین در هفته، تکمیل آن حدود ۵۰ هفته و با ۱۵ ساعت تمرین در هفته حدود ۳۳ هفته زمان میبرد. اگر از قبل Python، SQL یا توسعه API را در حد کاربردی میدانید، میتوانید بخشی از گامهای ابتدایی را سریعتر طی کنید.
مسیر از برنامهنویسی و کار با داده شروع میشود، سپس به شناخت مدلها و ارزیابی خروجی میرسد. در ادامه، ساخت API، طراحی پرامپت، پیادهسازی RAG، استقرار، پایش و امنیت آموزش داده میشود و در پایان یک پروژه کامل اجرا میکنید. هدف این ترتیب، ساخت یک سامانه قابلاستفاده و قابلارزیابی است، نه صرفا یک دموی گفتوگومحور.
در انتخاب API مدل نیز یک ارائهدهنده را بهعنوان گزینه پیشفرض در نظر نگیرید. هزینه، دسترسی، محرمانگی داده، محل پردازش، پایداری سرویس و امکان اجرای داخلی را با نیاز پروژه مقایسه کنید. OpenAI API یکی از گزینههای موجود است و انتخاب آن باید بر اساس شرایط پروژه انجام شود.
برای تخصص عمیقتر در آموزش مدل، بینایی ماشین یا پردازش زبان طبیعی، میتوانید پس از تکمیل این هسته به مسیرهای تخصصی مهندس یادگیری ماشین، مهندس بینایی ماشین یا مهندس پردازش زبان طبیعی مراجعه کنید.
مخاطبان نقشه راه
این نقشه راه برای افرادی طراحی شده است که با مفاهیم پایه برنامهنویسی آشنا هستند و میخواهند مهارتهای لازم برای ساخت، ارزیابی و استقرار اپلیکیشنهای هوش مصنوعی را یاد بگیرند. تمرکز مسیر بر استفاده مهندسی از مدلهای آماده، مدلهای زبانی، APIها، جستوجوی معنایی و RAG است.
دستاورد پایانی
در پایان این مسیر میتوانید یک اپلیکیشن هوش مصنوعی را از تعریف مسئله تا پیادهسازی و استقرار پیش ببرید. این مسیر مهارتهایی مانند ساخت API، طراحی پرامپت، ارزیابی خروجی مدل، پیادهسازی RAG، مدیریت خطا، پایش، امنیت و مستندسازی را پوشش میدهد و در نهایت به ساخت یک نمونهکار قابلارائه منتهی میشود.
پیشنیازها
موارد زیر پایههای لازم برای شروع را نشان میدهند.
- کار با رایانه و نصب نرمافزارهای توسعه
- توانایی خواندن مستندات فنی انگلیسی در حد پایه
- دسترسی به اینترنت و یک رایانه مناسب برای اجرای ابزارهای توسعه
مسیر یادگیری شغل مهندس هوش مصنوعی
-
۵۵ ساعت
پایتون، محیط توسعه و کنترل نسخه
هدف گام: یادگیری Python و ابزارهای پایه توسعه برای ساخت و نگهداری پروژههای هوش مصنوعی.
مسیر را با Python شروع کنید. زیرا بخش زیادی از ابزارهای مورد استفاده در ساخت اپلیکیشنهای هوش مصنوعی در این زبان قابلاستفاده هستند. متغیرها، توابع، ساختارهای داده، کار با فایل، مدیریت خطا، محیط مجازی و مدیریت وابستگیها را بهصورت عملی یاد بگیرید.
همزمان Git را برای ثبت تغییرات، ساخت شاخه و مدیریت تغییرات پروژه تمرین کنید. از ابتدای مسیر، تمرینها و پروژهها را در یک مخزن Git نگه دارید تا با توسعه مرحلهای و مستندسازی آشنا شوید.
مهارتها
ابزارها
مفاهیم تکمیلی
ساختار دادههای پایتونتوابع و ماژولبندی برنامهمدیریت خطا و استثناهامحیط مجازی و مدیریت وابستگیهاثبت تغییرات و کار با شاخههاخواندن و نوشتن فایلهای JSON و CSVپروژه پیشنهادی: یک برنامه Python بسازید که داده را از فایل JSON یا CSV دریافت کند، آن را پردازش کند و نتیجه را در قالب مشخص نمایش دهد. کد پروژه را در Git ثبت و برای اجرای آن README کوتاهی تهیه کنید.
معیار پایان گام: میتوانید یک پروژه Python را با ساختار مناسب ایجاد کنید، وابستگیها را مدیریت کنید، خطاهای ساده را برطرف کنید و تغییرات آن را با Git ثبت کنید.
-
۵۰ ساعت
داده، SQL و سنجش پایه
هدف گام: یادگیری آمادهسازی داده و استخراج اطلاعات مورد نیاز برای توسعه و ارزیابی اپلیکیشن هوش مصنوعی.
یک اپلیکیشن هوش مصنوعی بدون داده قابلاعتماد نمیتواند خروجی قابلاعتمادی تولید کند. در این گام با دادههای جدولی و متنی کار کنید و روش بررسی، پاکسازی و آمادهسازی آنها برای آزمایش را یاد بگیرید.
SQL را در حدی بیاموزید که بتوانید دادههای مورد نیاز برای ارزیابی، بازخورد کاربران یا منابع دانش را از پایگاه داده استخراج کنید. همچنین از آمار پایه برای بررسی نرخ خطا، میانگین، توزیع و تفاوت عملکرد نسخههای مختلف استفاده کنید.
مهارتها
ابزارها
مفاهیم تکمیلی
پاکسازی دادههای متنی و جدولیتشخیص دادههای تکراری و ناقصپرسوجوی انتخاب، فیلتر و اتصال جدولهانمونهگیری برای ارزیابی خروجیتعریف نرخ خطا و نرخ موفقیتتفکیک داده آزمایش از داده بازخوردپروژه پیشنهادی: یک مجموعهداده متنی یا جدولی را آماده کنید و با SQL داده مورد نیاز برای یک ارزیابی ساده را استخراج کنید. سپس چند شاخص پایه برای مقایسه خروجیها تعریف کنید.
معیار پایان گام: میتوانید داده مورد نیاز یک پروژه را از پایگاه داده استخراج کنید، کیفیت آن را بررسی کنید و شاخصهای پایه برای سنجش عملکرد تعریف کنید.
-
۵۵ ساعت
مبانی مدلها و ارزیابی خروجی
هدف گام: شناخت مفاهیم پایه مدلهای هوش مصنوعی و طراحی مجموعه آزمون برای ارزیابی خروجی آنها.
برای ساخت محصول هوش مصنوعی لازم نیست مدل را از ابتدا آموزش دهید، اما باید بدانید مدل چه زمانی ممکن است خروجی نامرتبط، نادرست یا ناایمن تولید کند. مفاهیمی مانند ورودی، خروجی، توکن، زمینه، محدودیت طول ورودی، دما و توهم مدل را یاد بگیرید و تفاوت مدلهای مولد و پیشبین را بشناسید.
یک مجموعه ارزیابی کوچک اما واقعی بسازید. هر نمونه باید ورودی، خروجی موردانتظار یا معیار قضاوت و دلیل پذیرش یا رد داشته باشد. در مسئلههای زبانی، ارزیابی انسانی نیز ممکن است لازم باشد و نباید کیفیت خروجی را فقط با یک عدد خلاصه کرد.
APIهای مدل را نیز بر اساس هزینه، دسترسی، محرمانگی داده و محل پردازش مقایسه کنید. OpenAI API یکی از گزینههای قابلاستفاده برای تمرین و توسعه است و نباید بهعنوان تنها گزینه مسیر در نظر گرفته شود.
مهارتها
ابزارها
مفاهیم تکمیلی
تفاوت مدل مولد و مدل پیشبینیتوکن، زمینه و محدودیت طول ورودیتوهم و پاسخ بدون پشتوانهطراحی مجموعه آزمون ارزیابیمعیار درستی، ارتباط و ایمنی پاسخمقایسه نسخههای مدل و پرامپتمعیار انتخاب API مدلپروژه پیشنهادی: برای یک کاربرد مشخص، مجموعهای از نمونههای ارزیابی ایجاد کنید و دو نسخه از مدل یا پرامپت را با معیارهای یکسان مقایسه کنید. موارد خطا و دلیل رد شدن پاسخها را نیز ثبت کنید.
معیار پایان گام: میتوانید برای یک کاربرد مشخص مجموعه آزمون طراحی کنید، خروجی مدل را ارزیابی کنید و تفاوت عملکرد دو نسخه را با معیارهای مشخص گزارش دهید.
-
۶۵ ساعت
ساخت سرویس هوش مصنوعی با API
هدف گام: تبدیل یک قابلیت هوش مصنوعی به سرویس API قابلاستفاده در یک محصول.
در این گام قابلیت هوشمند را از محیط آزمایش به یک سرویس محصول منتقل میکنید. با FastAPI مسیرهای API، مدل ورودی و خروجی، اعتبارسنجی داده، مدیریت خطا و مستندات خودکار را پیادهسازی کنید.
کلیدهای دسترسی و اطلاعات حساس را در کد قرار ندهید. متغیرهای محیطی، محدودسازی اندازه ورودی و پیام خطای مناسب را در طراحی سرویس در نظر بگیرید. سرویس باید در صورت خطای مدل یا سرویس بیرونی نیز رفتار مشخصی داشته باشد.
لایه اتصال به مدل را از منطق محصول جدا نگه دارید تا در صورت تغییر هزینه، دسترسی، محرمانگی داده یا نیاز فنی بتوانید ارائهدهنده مدل یا روش اجرای آن را تغییر دهید.
مهارتها
ابزارها
مفاهیم تکمیلی
طراحی قرارداد ورودی و خروجی APIاعتبارسنجی ورودی کاربرمدیریت زمانانتظار و خطای سرویس بیرونیمدیریت متغیرهای محیطی و کلیدهای دسترسیتست مسیرهای موفق و ناموفق APIثبت شناسه درخواست برای پیگیری خطاجداسازی لایه اتصال مدل از منطق محصولپروژه پیشنهادی: یک API با FastAPI بسازید که درخواست کاربر را دریافت کند، آن را به مدل ارسال کند و پاسخ ساختیافته برگرداند. برای مسیرهای اصلی و خطاهای احتمالی تست بنویسید.
معیار پایان گام: میتوانید یک سرویس API قابلاجرا بسازید، ورودیها را اعتبارسنجی کنید، خطاها را مدیریت کنید و کلیدهای دسترسی را خارج از کد نگه دارید.
-
۵۵ ساعت
طراحی پرامپت و جریانهای کاربردی مدل
هدف گام: یادگیری طراحی پرامپت و جریانهای چندمرحلهای بر اساس نیاز واقعی محصول و ارزیابی کنترلشده.
مهندسی پرامپت (Prompt Engineering) فقط نوشتن دستورهای طولانی نیست. ابتدا وظیفه، محدودیت پاسخ، داده مجاز، قالب خروجی و حالت شکست را مشخص کنید. سپس تغییرات پرامپت را با مجموعه ارزیابی گام قبل مقایسه کنید.
برای جریانهای چندمرحلهای، ابتدا منطق را بدون چارچوب پیچیده پیادهسازی کنید. LangChain میتواند در برخی پروژهها مفید باشد، اما جای طراحی درست جریان، مدیریت خطا و ارزیابی را نمیگیرد.
اگر محصول به فراخوانی ابزار نیاز دارد، ورودی و خروجی ابزار را مانند هر API دیگری اعتبارسنجی کنید و حالتهای شکست آن را نیز در نظر بگیرید.
مهارتها
ابزارها
مفاهیم تکمیلی
تعریف نقش و محدوده پاسخ مدلطراحی خروجی ساختیافتهمدیریت زمینه مکالمهطراحی مسیر جایگزین هنگام ابهامفراخوانی ابزار با قرارداد مشخصمقایسه کنترلشده نسخههای پرامپتپروژه پیشنهادی: یک جریان چندمرحلهای برای یک کاربرد مشخص طراحی کنید. حداقل دو نسخه پرامپت را با مجموعه آزمون یکسان مقایسه کنید و اثر تغییرات را مستند کنید.
معیار پایان گام: میتوانید پرامپت و جریان اجرای مدل را بر اساس مسئله طراحی کنید و تغییرات را با مجموعه آزمون مشخص ارزیابی کنید.
-
۷۵ ساعت
پیادهسازی RAG و جستوجوی معنایی
هدف گام: یادگیری ساخت سامانه RAG برای استفاده از اسناد و منابع دانش قابلبهروزرسانی.
تولید تقویتشده با بازیابی (Retrieval-Augmented Generation یا RAG) برای مسئلههایی مناسب است که پاسخ باید به اسناد و منابع مشخص متکی باشد. چرخه اصلی RAG شامل استخراج متن، بخشبندی، بردارسازی، ذخیرهسازی، بازیابی، ارسال زمینه به مدل و نمایش منبع است.
RAG پاسخ درست را تضمین نمیکند. کیفیت بخشبندی، تازگی اسناد، ارتباط نتایج بازیابی و کیفیت پاسخ مدل را جداگانه بررسی کنید. برای پرسشهایی که منبع مناسب ندارند، باید امکان پاسخ محتاطانه یا ارجاع به کاربر انسانی را در نظر بگیرید.
مهارتها
توسعه سامانههای تولید تقویتشده با بازیابی (RAG)پاکسازی و آمادهسازی دادهمهندسی پرامپت و طراحی زمینه مدلابزارها
مفاهیم تکمیلی
بخشبندی اسناد بر اساس معنا و ساختاربردارسازی متن و شباهت معناییبازیابی نتایج مرتبطنمایش منبع و قطعه بازیابیشدهارزیابی مستقل بازیابی و تولید پاسخمدیریت پرسشهای خارج از دانش موجودپروژه پیشنهادی: یک سامانه پرسشوپاسخ مبتنی بر مجموعهای از اسناد عمومی بسازید که پاسخ را همراه با منبع و بخش مرتبط سند نمایش دهد. کیفیت بازیابی و پاسخ را جداگانه ارزیابی کنید.
معیار پایان گام: میتوانید یک سامانه RAG کامل از دریافت اسناد تا بازیابی و تولید پاسخ پیادهسازی کنید و کیفیت بازیابی و پاسخ را بهصورت جداگانه ارزیابی کنید.
-
۶۰ ساعت
استقرار، پایش و امنیت سرویس
هدف گام: یادگیری استقرار، پایش و ایمنسازی یک سرویس هوش مصنوعی برای استفاده در محیط واقعی.
یک سرویس هوش مصنوعی در محیط واقعی با محدودیت هزینه، تأخیر، خطای وابستگیها و داده حساس روبهرو است. Docker را برای بستهبندی سرویس یاد بگیرید و تنظیمات محیط اجرا را از کد جدا نگه دارید.
شاخصهایی مانند زمان پاسخ، نوع خطا، نسخه مدل و نتیجه ارزیابی را ثبت کنید، اما متن حساس کاربران یا کلیدهای دسترسی را در لاگ قرار ندهید. کنترل دسترسی، محدودسازی درخواست، اعتبارسنجی ورودی و مقابله با حملههای تزریق پرامپت باید بخشی از طراحی سرویس باشند.
مهارتها
عملیاتیسازی یادگیری ماشینکانتینرسازی نرمافزارپایش و مشاهدهپذیری سامانههاتوسعه امن و ایمن اپلیکیشنهای هوش مصنوعییکپارچهسازی و تحویل مستمرابزارها
مفاهیم تکمیلی
بستهبندی سرویس و مدیریت تنظیمات محیطثبت رویدادهای قابلپیگیریپایش تأخیر، خطا و هزینه درخواستمحدودسازی نرخ درخواستمحافظت از دادههای حساس در لاگهامقابله با تزریق پرامپت و ورودی مخربپروژه پیشنهادی: سرویس ساختهشده در گامهای قبل را با Docker اجرا کنید و برای آن پایش ساده زمان پاسخ و خطا ایجاد کنید. همچنین تنظیمات حساس و کلیدهای دسترسی را از کد جدا کنید.
معیار پایان گام: میتوانید سرویس هوش مصنوعی را با Docker اجرا کنید، شاخصهای اصلی آن را پایش کنید و برای داده حساس، کلیدهای دسترسی و ورودیهای مخرب کنترل مناسب در نظر بگیرید.
-
۸۰ ساعت
پروژه نهایی و انتخاب شاخه تخصصی
هدف گام: تجمیع مهارتهای مسیر در یک پروژه واقعی و انتخاب حوزه تخصصی بر اساس هدف شغلی.
یک مسئله متنی محدود و قابلنمایش انتخاب کنید؛ برای مثال دستیار مستندات، استخراج اطلاعات از متن، طبقهبندی درخواستها یا جستوجوی هوشمند. پروژه باید مسئله، کاربران، منابع داده، معیارهای کیفیت، معماری API، محدودیتها و روش اجرا را مشخص کند.
یک فرایند توسعه تیمی را نیز شبیهسازی کنید. برای یک تغییر مشخص شاخه بسازید، Pull Request ایجاد کنید، تصمیم فنی را توضیح دهید و پس از دریافت بازخورد، حداقل یک اصلاح انجام دهید.
مدلهای متنباز و ابزارهایی مانند Hugging Face Transformers یا PyTorch را زمانی به پروژه اضافه کنید که اجرای داخلی، کنترل بیشتر بر مدل، محرمانگی داده یا نیاز فنی محصول آن را توجیه کند. در این حالت، هزینه و منابع سختافزاری مورد نیاز را نیز مستند کنید.
مهارتها
ابزارها
مفاهیم تکمیلی
تعریف مسئله و معیار پذیرش محصولمستندسازی معماری و تصمیمهای فنیطراحی سناریوهای خطا و مسیر جایگزینارزیابی کیفیت، هزینه و تأخیرنمایش محدودیتها و ریسکهای مدلساخت pull request و اعمال بازبینی کدمعیار انتخاب اجرای داخلی یا API مدلپروژه پیشنهادی: یک اپلیکیشن هوش مصنوعی کامل بسازید که API، ارزیابی، مدیریت خطا، مستندسازی، کنترل دسترسی و روش اجرای مشخص داشته باشد. کد، معماری، محدودیتها و نتایج ارزیابی را در یک مخزن قابلارائه منتشر کنید.
معیار پایان گام: میتوانید یک اپلیکیشن هوش مصنوعی را از تعریف مسئله تا پیادهسازی، ارزیابی و استقرار پیش ببرید و معماری، محدودیتها، ریسکها و نتایج پروژه را مستند کنید.
زمان تقریبی یادگیری
برآورد مجموع زمان آموزش، مطالعه و تمرین تا رسیدن به سطح کاربردی؛ بسته به پیشزمینه شما میتواند کمتر یا بیشتر باشد.
ابزارهای مسیر
در ادامه، مهمترین موارد این بخش به تفکیک معرفی شدهاند.
خطاهای رایج مسیر
موارد زیر تصویری کلی از این بخش برای این مسیر ارائه میکنند.
-
شروع با ابزارهای عاملمحور بدون پایه نرمافزار
ابتدا Python، API، Git و اصول توسعه نرمافزار را یاد بگیرید و سپس سراغ جریانهای عاملمحور و ابزارهای پیچیدهتر بروید.
-
ارزیابی پروژه با چند نمونه دلخواه
مجموعه آزمون مشخصی بسازید و نسخههای مختلف مدل یا پرامپت را با ورودیهای یکسان مقایسه کنید.
-
فرض اینکه RAG پاسخ درست را تضمین میکند.
بازیابی و تولید پاسخ را جداگانه ارزیابی کنید و برای اسناد نامرتبط یا پرسشهای خارج از محدوده، مسیر جایگزین داشته باشید.
-
قرار دادن کلید API یا داده حساس در مخزن کد
کلیدها و تنظیمات حساس را با متغیرهای محیطی یا ابزارهای مدیریت اسرار خارج از کد نگه دارید و داده حساس را وارد مخزن یا لاگ نکنید.
-
تمرکز بر دموی ظاهری و حذف خطاهای عملیاتی
برای زمانانتظار، قطع سرویس مدل، ورودی نامعتبر، هزینه و پاسخ بدون منبع سناریوی مشخص طراحی کنید. یک پروژه قابلنگهداری باید رفتار شکست را نیز نشان دهد.
-
وابستگی کامل به یک مدل یا یک ارائهدهنده
لایه اتصال مدل را از منطق محصول جدا کنید و پیش از انتخاب، دسترسی، پرداخت، هزینه، محرمانگی داده، محل پردازش و امکان اجرای داخلی را مقایسه کنید.
-
نادیده گرفتن مسئله محصول
پروژه را با یک کاربر، مسئله و معیار موفقیت مشخص آغاز کنید. استفاده از مدل فقط وقتی ارزش دارد که نسبت به راهحل سادهتر، مزیت قابلسنجش ایجاد کند.
چکلیست آمادگی شغلی
موارد زیر را یکبهیک بررسی کنید تا چیزی جا نماند:
- میتوانم یک سرویس Python با FastAPI و قرارداد ورودی و خروجی روشن بسازم.
- میتوانم خروجی مدل را با مجموعه آزمون مشخص از نظر درستی، ارتباط و ایمنی بررسی کنم.
- میتوانم برای یک مسئله مناسب، چرخه RAG شامل آمادهسازی سند، بازیابی و نمایش منبع را پیادهسازی کنم.
- میتوانم خطا، زمان پاسخ و نسخه مدل را بدون ثبت داده حساس پایش کنم.
- میتوانم کلیدهای دسترسی و تنظیمات محیط را خارج از کد مدیریت کنم.
- میتوانم سرویس را با Docker اجرا کنم و راهنمای اجرای آن را بنویسم.
- میتوانم با Git تغییرات پروژه را ثبت و یک مخزن قابلبررسی نگهداری کنم.
- میتوانم یک Pull Request بسازم، بازخورد بازبینی کد را اعمال کنم و تصمیم فنی را مستند کنم.
- میتوانم محدودیتها، ریسکها و حالتهای شکست راهحل هوش مصنوعی را توضیح دهم.
- میتوانم یک نمونهکار کامل با مسئله مشخص، API، ارزیابی، آزمون و مستندات ارائه کنم.
پرسشهای پرتکرار
در این بخش، به تعدادی از پرسشهای رایج درباره این مسیر پاسخ داده شده است.
یادگیری این مسیر چقدر زمان میبرد؟
این مسیر حدود ۴۹۵ ساعت تمرین هدفمند دارد. با ۱۰ ساعت تمرین در هفته حدود ۵۰ هفته و با ۱۵ ساعت تمرین در هفته حدود ۳۳ هفته زمان میبرد. آشنایی قبلی با Python، SQL یا توسعه API میتواند این زمان را کاهش دهد.
آیا برای مهندس هوش مصنوعی شدن باید مدل را از صفر آموزش دهم؟
خیر. بخش زیادی از کار مهندس هوش مصنوعی به استفاده و یکپارچهسازی مدلهای آماده، ارزیابی خروجی، ساخت API، RAG و استقرار سرویس مربوط است. آموزش مدل از صفر بیشتر در برخی مسیرهای تخصصی یادگیری ماشین دنبال میشود.
آیا LangChain برای ورود به این شغل ضروری است؟
خیر. LangChain یک ابزار کمکی برای ساخت برخی جریانهای مدل است. مهمتر از یادگیری یک چارچوب، درک معماری جریان، مدیریت خطا، ارزیابی و اتصال صحیح اجزای سامانه است.
برای شروع، API مدل بهتر است یا مدل متنباز؟
به مسئله و محدودیتهای پروژه بستگی دارد. هزینه، دسترسی، محرمانگی داده، محل پردازش، منابع سختافزاری و نیاز به کنترل مدل را مقایسه کنید و سپس گزینه مناسب را انتخاب کنید.
آیا RAG برای هر اپلیکیشن هوش مصنوعی لازم است؟
خیر. RAG زمانی مفید است که مدل برای پاسخگویی به اطلاعات مشخص و قابلبهروزرسانی نیاز داشته باشد. اگر مسئله به بازیابی اطلاعات خارجی نیاز نداشته باشد، معماری سادهتر میتواند مناسبتر باشد.
برای ورود به بازار کار ایران روی چه چیزی تمرکز کنم؟
روی توانایی ساخت نمونهکار واقعی تمرکز کنید. یک پروژه کامل که مسئله مشخص، API، ارزیابی، مدیریت خطا، مستندات و روش اجرای روشن داشته باشد، میتواند مهارتهای عملی شما را بهتر نشان دهد. آشنایی با Python، API، RAG، Git و مفاهیم استقرار نیز در این مسیر اهمیت دارد.
آموزشهای مرتبط در فرادرس
-
آموزش هوش مصنوعی مولد Generative AI + پروژههای عملی + گواهینامه
-
آموزش Retrieval Augmented Generation RAG در هوش مصنوعی مولد + گواهینامه
-
آموزش مهندسی کانتکست یا زمینه، Context Engineering (رایگان) + گواهینامه
-
آموزش کتابخانه های پایتون برای یادگیری ماشین و یادگیری عمیق (رایگان) + گواهینامه
-
آموزش هوش مصنوعی، مقدماتی + گواهینامه
-
پرامپت نویسی چیست؟، توضیح مهندسی پرامپت به زبان ساده
