- عنوان کتاب: Scaling Enterprise Solutions with Large Language Models: Comprehensive End-to-End Generative AI Solutions for Production-Grade Enterprise Solutions
- نویسنده: Arindam Ganguly
- حوزه: مدل زبانی
- سال انتشار: 2025
- تعداد صفحه: 458
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 3.93 مگابایت
طولی نخواهد کشید که جهان، هوش مصنوعی را حتی برای چیزهای ساده، با زندگی روزمره تطبیق دهد. صنعت اطلاعات غرق در خواسته‌های مصرف‌کنندگان خواهد شد. بسیاری از علاقه‌مندان به هوش مصنوعی و متخصصان خودخوانده، دانش خوبی از بخش‌های خاصی از هوش مصنوعی دارند، اما معمولاً در تلاش برای کنار هم قرار دادن همه این مفاهیم شکست می‌خورند. من مدت‌ها از علاقه‌مندان به هوش مصنوعی بودم، زمانی که هوش مصنوعی هنوز یک واژه رایج بود و عصر اطلاعات برای کلان‌داده آماده می‌شد. من همکاران و سالمندانم را دیده‌ام که برای مدیریت مجموعه داده‌های بزرگ، چه برسد به تجزیه و تحلیل و بازی با آنها، تلاش می‌کنند. پس از اینکه کلان‌داده با فناوری‌هایی مانند Hadoop و Spark مرتب شد و یادگیری ماشین با استفاده از Scikit-Learn ایجاد شد، پیش‌بینی‌ها با انواع فرصت‌هایی که می‌توانست به بازار ارائه دهد، به اوج خود رسید. توسعه‌دهندگان به زودی متوجه شدند که اگرچه این تکنیک‌های هوش مصنوعی ابزارهای خوبی برای حل مسائل کوچک‌تر و مجزا هستند، اما هیچ راهی برای ترکیب آنها برای ایجاد یک برنامه سازمانی بزرگ وجود ندارد. به زودی علاقه کاهش یافت و هوش مصنوعی در حوزه‌هایی که با برنامه‌های کاربردی در مقیاس بزرگ سروکار دارند، غیرفعال شد. من دیده‌ام که برخی از بزرگترین بازیگران، یادگیری ماشین را فقط به این دلیل که نمی‌توانست به این مجموعه داده‌های دنیای واقعی بپردازد، کنار گذاشتند. دو نوع افراد با هوش مصنوعی کار می‌کنند – دانشمندانی که با تمام وجودشان الگوریتم‌ها را بهبود می‌بخشند و متخصصانی که سعی می‌کنند از این الگوریتم‌ها در دنیای واقعی استفاده کنند. اگرچه اوضاع برای دانشمندان خوب پیش می‌رفت، اما عقب‌نشینی‌های مداوم متخصصان، صنعت هوش مصنوعی را به حالت تعلیق درآورد – یعنی تا زمان معرفی معماری Transformers. جهان به سرعت شاهد ظهور هوش مصنوعی مولد و LLMها بود. ناگهان، تقاضای زیادی برای تعبیه هوش مصنوعی در این برنامه‌ها وجود داشت. اما باز هم، متخصصان متوجه شدند که تزریق هوش مصنوعی مولد به برنامه‌های کاربردی سازمانی در مقیاس بزرگ، با چه چالش‌هایی مواجه است. در طول ماه‌های بسیار سخت، جامعه متخصصان هوش مصنوعی تکنیک‌هایی را برای استفاده از بهترین‌های یادگیری ماشین و هوش مصنوعی مولد در برنامه‌ها و داده‌های در مقیاس بزرگ دنیای واقعی ارائه داد. این زمانی بود که من به لزوم نوشتن کتابی برای گسترش این خبر پی بردم که MLOps، هوش مصنوعی مولد و مهندسی داده می‌توانند با دقت در کنار هم باشند و افزودنی‌های شگفت‌انگیزی به برنامه‌های کاربردی سازمانی در مقیاس بزرگ غیرهوشمند ایجاد کنند. این کتاب از یک رویکرد ساختاریافته پیروی می‌کند، که در آن یک متخصص می‌تواند با چالش‌ها ارتباط برقرار کند و یک علاقه‌مند که مهارت‌های هوش مصنوعی خود را کامل کرده است، با چالش دنیای واقعی برای به‌کارگیری مهارت‌هایش در برنامه‌های کاربردی و مجموعه داده‌های بزرگ آشنا می‌شود. این کتاب مفاهیم هوش مصنوعی و هوش مصنوعی مولد را معرفی می‌کند و راه‌هایی را برای تزریق آنها به برنامه‌ها برای اجرای آنها در تولید توضیح می‌دهد. امیدوارم این کتاب، الهام‌بخش ترفندها و تکنیک‌های مورد نیاز برای متمایز کردن شما در دنیای هوش مصنوعی باشد.
It will not be long before the world adapts AI into daily life for even the simple things. The information industry will be overwhelmed with the demands of consumers. Many AI enthusiasts and self-proclaimed experts have good knowledge of certain parts of AI, but they usually fail when attempting to put all these concepts together. I had been a long-term enthusiast when AI was still a buzzword and the information age was gearing up for Big Data. I have seen my colleagues and seniors struggle to manage large datasets, let alone analyze and play around with them. After Big Data was sorted with technologies such as Hadoop and Spark, and machine learning was established using Scikit-Learn, anticipation ran wild with the kinds of opportunities it could bring to the market. Developers soon realized that, although these AI techniques are good tools for solving smaller isolated problems, there was no way to marry them together to create a large enterprise application. Soon interest dropped, and AI became dormant in areas dealing with large scale applications. I have seen some of the biggest players throw away machine learning just because it couldn’t address these real-world datasets. There are two types of people working with AI—the scientists who give their heart and soul in bettering the algorithms and the practitioners who try to use these algorithms in the real world. Although it was going good for the scientists, the constant setbacks of the practitioners led the AI industry to a halt—that is, until the introduction of the Transformers architecture. The world quickly saw the inception of Generative AI and LLMs. Suddenly, there was an overwhelming demand for embedding AI into these applications. But again, practitioners realized the struggles of infusing Generative AI into large-scale enterprise applications. During some very tough months, the AI practitioner community came up with techniques to use the best of ML and Generative AI in real-world, large-scale applications and data. This is when I realized the necessity to author a book to spread the word that MLOps, Gen AI, and data engineering can carefully coexist and create wonderful additions to nonintelligent large-scale enterprise applications. This book follows a structured approach, where a practitioner can relate to the struggle and an enthusiast who has perfected their AI skills is introduced to the real-world struggle of putting their skills into place for large applications and datasets. This book introduces AI and Generative AI concepts and explains ways to infuse them into applications to run them in production. I hope this book will be a revelation into the tricks and techniques needed to set you apart in the world of AI.
این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:
Download: Scaling Enterprise Solutions with Large Language Models
نظرات کاربران