راهکارهای مبتنی بر مدل‌های زبانی بزرگ ۲۰۲۴
Large Language Model-Based Solutions 2024

**راهنمای ساخت برنامه‌های کاربردی مقرون‌به‌صرفه با استفاده از مدل‌های زبانی بزرگ**

کتاب *راه‌حل‌های مبتنی بر مدل‌های زبانی بزرگ: چگونه با برنامه‌های کاربردی هوش مصنوعی مولد، ارزش‌آفرینی مقرون‌به‌صرفه داشته باشیم*، نوشته‌ی شرییاس سوبرامانیان، دانشمند ارشد داده در آمازون وب سرویسز، یک راهنمای عملی برای توسعه‌دهندگان و دانشمندان داده است که می‌خواهند راه‌حل‌های مبتنی بر مدل‌های زبانی بزرگ (LLM) را به شیوه‌ای مقرون‌به‌صرفه بسازند و مستقر کنند. در این کتاب، طیف گسترده‌ای از موضوعات کلیدی، از جمله نحوه‌ی انتخاب مدل، پیش‌پردازش و پس‌پردازش داده‌ها، مهندسی پرامپت و تنظیم دقیق دستورالعمل‌ها را خواهید یافت.

نویسنده تکنیک‌هایی را برای بهینه‌سازی استنتاج، مانند کوانتیزاسیون و هرس مدل، و همچنین معماری‌های مختلف و مقرون‌به‌صرفه برای برنامه‌های کاربردی رایج هوش مصنوعی مولد (GenAI)، از جمله سیستم‌های جستجو، دستیارهای عامل و عامل‌های خودکار، روشن می‌کند. همچنین موارد زیر را خواهید یافت:

* استراتژی‌های مؤثر برای مقابله با چالش هزینه‌ی محاسباتی بالای مرتبط با LLMها
* کمک در زمینه‌ی پیچیدگی‌های ساخت و استقرار برنامه‌های کاربردی هوش مصنوعی مولد مقرون‌به‌صرفه، از جمله تکنیک‌های تنظیم و استنتاج
* معیارهای انتخاب برای انتخاب یک مدل، با توجه ویژه به مدل‌های کوچک، چابک و خاصِ دامنه

کتاب *راه‌حل‌های مبتنی بر مدل‌های زبانی بزرگ* برای توسعه‌دهندگان و دانشمندان داده علاقه‌مند به استقرار مدل‌های پایه‌ای یا رهبران کسب‌وکاری که قصد دارند استفاده از GenAI را گسترش دهند، ایده‌آل است. همچنین، رهبران و مدیران پروژه، کارکنان پشتیبانی فنی و مدیرانی که به این موضوع علاقه‌مند هستند یا در آن سهیم هستند، از این کتاب بهره‌مند خواهند شد.

Learn to build cost-effective apps using Large Language Models

In Large Language Model-Based Solutions: How to Deliver Value with Cost-Effective Generative AI Applications, Principal Data Scientist at Amazon Web Services, Shreyas Subramanian, delivers a practical guide for developers and data scientists who wish to build and deploy cost-effective large language model (LLM)-based solutions. In the book, you’ll find coverage of a wide range of key topics, including how to select a model, pre- and post-processing of data, prompt engineering, and instruction fine tuning.

The author sheds light on techniques for optimizing inference, like model quantization and pruning, as well as different and affordable architectures for typical generative AI (GenAI) applications, including search systems, agent assists, and autonomous agents. You’ll also find:

• Effective strategies to address the challenge of the high computational cost associated with LLMs
• Assistance with the complexities of building and deploying affordable generative AI apps, including tuning and inference techniques
• Selection criteria for choosing a model, with particular consideration given to compact, nimble, and domain-specific models

Perfect for developers and data scientists interested in deploying foundational models, or business leaders planning to scale out their use of GenAI, Large Language Model-Based Solutions will also benefit project leaders and managers, technical support staff, and administrators with an interest or stake in the subject.