مهندسی هوش مصنوعی ۲۰۲۵
AI Engineering 2025

پیشرفت‌های چشمگیر اخیر در هوش مصنوعی، نه تنها تقاضا برای محصولات مبتنی بر هوش مصنوعی را افزایش داده، بلکه موانع ورود برای کسانی که می‌خواهند این محصولات را بسازند نیز کاهش داده است. رویکرد «مدل به عنوان سرویس»، هوش مصنوعی را از یک رشته‌ی تخصصی و پیچیده، به ابزاری قدرتمند برای توسعه تبدیل کرده که همگان می‌توانند از آن استفاده کنند. اکنون هر کسی، حتی افراد با کمترین یا بدون هیچ تجربه‌ی قبلی در هوش مصنوعی، می‌توانند از مدل‌های هوش مصنوعی برای ساخت برنامه‌های کاربردی بهره ببرند. در این کتاب، چیپ هویِن به بررسی مهندسی هوش مصنوعی می‌پردازد: فرآیند ساخت برنامه‌های کاربردی با استفاده از مدل‌های پایه‌ای که به آسانی در دسترس هستند.

این کتاب با مروری بر مهندسی هوش مصنوعی آغاز می‌شود، توضیح می‌دهد که چگونه با مهندسی سنتی یادگیری ماشین تفاوت دارد و به بررسی معماری جدید هوش مصنوعی می‌پردازد. هرچه استفاده از هوش مصنوعی بیشتر شود، احتمال وقوع خطاهای فاجعه‌بار نیز افزایش می‌یابد، و بنابراین، ارزیابی اهمیت بیشتری پیدا می‌کند. این کتاب به بررسی رویکردهای مختلف ارزیابی مدل‌های باز، از جمله رویکرد رو به رشد «هوش مصنوعی به عنوان داور» می‌پردازد.

توسعه‌دهندگان برنامه‌های کاربردی هوش مصنوعی، درخواهند یافت که چگونه در چشم‌انداز هوش مصنوعی حرکت کنند، از جمله مدل‌ها، مجموعه‌داده‌ها، معیارهای ارزیابی و تعداد به ظاهر بی‌نهایت موارد استفاده و الگوهای کاربردی. شما یک چارچوب برای توسعه‌ی یک برنامه‌ی کاربردی هوش مصنوعی یاد خواهید گرفت، با تکنیک‌های ساده شروع کرده و به سمت روش‌های پیچیده‌تر پیش می‌روید، و کشف خواهید کرد که چگونه این برنامه‌ها را به طور کارآمد مستقر کنید.

• درک اینکه مهندسی هوش مصنوعی چیست و چه تفاوتی با مهندسی سنتی یادگیری ماشین دارد
• یادگیری فرآیند توسعه‌ی یک برنامه‌ی کاربردی هوش مصنوعی، چالش‌های موجود در هر مرحله و رویکردهای مقابله با آن‌ها
• کاوش در تکنیک‌های مختلف تطبیق مدل، از جمله مهندسی پرامپت، RAG، تنظیم دقیق، عامل‌ها و مهندسی مجموعه‌داده، و درک اینکه چگونه و چرا کار می‌کنند
• بررسی گلوگاه‌های تاخیر و هزینه هنگام ارائه مدل‌های پایه و یادگیری نحوه‌ی غلبه بر آن‌ها
• انتخاب مدل، مجموعه‌داده، معیارهای ارزیابی و شاخص‌های مناسب برای نیازهای خود

چیپ هویِن در شرکت Voltron Data، برای تسریع تجزیه و تحلیل داده‌ها بر روی پردازنده‌های گرافیکی (GPU) فعالیت می‌کند. او پیش از این در Snorkel AI و NVIDIA بوده، یک استارتاپ زیرساخت هوش مصنوعی را تاسیس کرده و در دانشگاه استنفورد، طراحی سیستم‌های یادگیری ماشین را تدریس کرده است. او نویسنده‌ی کتاب «طراحی سیستم‌های یادگیری ماشین»، یکی از پرفروش‌ترین کتاب‌های آمازون در زمینه‌ی هوش مصنوعی است.

مهندسی هوش مصنوعی بر پایه‌ی کتاب «طراحی سیستم‌های یادگیری ماشین» (انتشارات O’Reilly) بنا 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).