مقدمه‌ای بر هوش مصنوعی مولد - نسخه جاوا

آنچه خواهید آموخت

• مبانی هوش مصنوعی مولد شامل مدل‌های زبانی بزرگ (LLMها)، مهندسی پرامپت، توکن‌ها، تعبیه‌ها و بانک‌های اطلاعاتی برداری
• مقایسه ابزارهای توسعه هوش مصنوعی جاوا شامل Azure OpenAI SDK، Spring AI و OpenAI Java SDK
• آشنایی با پروتکل زمینه مدل و نقش آن در ارتباط عوامل هوش مصنوعی

فهرست مطالب

• مقدمه
• مروری سریع بر مفاهیم هوش مصنوعی مولد
• بازنگری مهندسی پرامپت
• توکن‌ها، تعبیه‌ها و عوامل
• ابزارها و کتابخانه‌های توسعه هوش مصنوعی برای جاوا
  • OpenAI Java SDK
  • Spring AI
  • Azure OpenAI Java SDK
• خلاصه
• گام‌های بعدی

مقدمه

به اولین فصل هوش مصنوعی مولد برای مبتدیان - نسخه جاوا خوش آمدید! این درس پایه‌ای شما را با مفاهیم اصلی هوش مصنوعی مولد و نحوه کار با آنها در زبان جاوا آشنا می‌کند. شما درباره اجزای اساسی برنامه‌های هوش مصنوعی، شامل مدل‌های زبانی بزرگ (LLMها)، توکن‌ها، تعبیه‌ها و عوامل هوش مصنوعی خواهید آموخت. همچنین ابزارهای اصلی جاوا که در طول این دوره استفاده خواهید کرد را بررسی خواهیم کرد.

مروری سریع بر مفاهیم هوش مصنوعی مولد

هوش مصنوعی مولد نوعی از هوش مصنوعی است که محتوای جدیدی مانند متن، تصویر یا کد را بر اساس الگوها و روابط یادگرفته شده از داده‌ها ایجاد می‌کند. مدل‌های هوش مصنوعی مولد قادرند پاسخ‌هایی شبیه انسان تولید کنند، زمینه را درک کنند و گاهی حتی محتوایی بسازند که به نظر انسانی می‌رسد.

وقتی برنامه‌های هوش مصنوعی خود را توسعه می‌دهید، با مدل‌های هوش مصنوعی مولد محتوا تولید خواهید کرد. برخی از قابلیت‌های مدل‌های هوش مصنوعی مولد شامل موارد زیر است:

• تولید متن: تولید متنی شبیه انسان برای چت‌بات‌ها، محتوا و تکمیل متن.
• تولید و تحلیل تصویر: خلق تصاویر واقع‌گرایانه، بهبود عکس‌ها و شناسایی اشیاء.
• تولید کد: نوشتن قطعات کد یا اسکریپت‌ها.

انواع خاصی از مدل‌ها برای وظایف مختلف بهینه شده‌اند. مثلاً هر دو نوع مدل‌های زبانی کوچک (SLM) و مدل‌های زبانی بزرگ (LLM) می‌توانند تولید متن را انجام دهند، اما معمولاً LLMها عملکرد بهتری برای وظایف پیچیده دارند. برای وظایف مرتبط با تصویر، از مدل‌های تخصصی بینایی یا مدل‌های چندرسانه‌ای استفاده می‌شود.

البته پاسخ‌های این مدل‌ها همیشه بی‌نقص نیستند. احتمالاً شنیده‌اید که مدل‌ها «هذیان می‌گویند» یا اطلاعات غلط را به روشی قطعی تولید می‌کنند. اما می‌توانید با ارائه دستورالعمل‌ها و زمینه واضح به مدل، به تولید پاسخ‌های بهتر کمک کنید. اینجاست که مهندسی پرامپت وارد می‌شود.

بازنگری مهندسی پرامپت

مهندسی پرامپت به معنای طراحی ورودی‌های مؤثر برای هدایت مدل‌های هوش مصنوعی به سمت خروجی‌های مورد نظر است. این شامل موارد زیر است:

• وضوح: دستورالعمل‌هایی واضح و بدون ابهام ارائه دادن.
• زمینه: فراهم کردن اطلاعات پس‌زمینه لازم.
• محدودیت‌ها: تعیین هر گونه محدودیت یا قالب مورد نظر.

برخی بهترین روش‌ها برای مهندسی پرامپت شامل طراحی پرامپت، دستورالعمل‌های شفاف، شکستن وظایف، یادگیری تک‌نمونه‌ای و چندنمونه‌ای، و تنظیم پرامپت است. آزمایش پرامپت‌های مختلف ضروری است تا بهترین پرامپت مناسب مورد استفاده شما پیدا شود.

وقتی برنامه می‌سازید، با انواع مختلف پرامپت کار خواهید کرد:

• پرامپت‌های سیستمی: قواعد پایه و زمینه رفتار مدل را تنظیم می‌کنند
• پرامپت‌های کاربری: داده ورودی از کاربران برنامه شما
• پرامپت‌های دستیار: پاسخ‌های مدل بر اساس پرامپت‌های سیستمی و کاربری

اطلاعات بیشتر: اطلاعات بیشتر درباره مهندسی پرامپت را در فصل مهندسی پرامپت دوره GenAI برای مبتدیان بیاموزید.

توکن‌ها، تعبیه‌ها و عوامل

هنگام کار با مدل‌های هوش مصنوعی مولد، با اصطلاحاتی مانند توکن‌ها، تعبیه‌ها، عوامل و پروتکل زمینه مدل (MCP) روبرو خواهید شد. در اینجا توضیحاتی در مورد این مفاهیم آمده است:

• توکن‌ها: توکن‌ها کوچک‌ترین واحد متن در یک مدل هستند. می‌توانند کلمات، حروف یا زیرکلمات باشند. توکن‌ها برای نمایش داده‌های متنی در قالبی استفاده می‌شوند که مدل بتواند درک کند. به‌عنوان مثال، جمله "The quick brown fox jumped over the lazy dog" ممکن است به صورت توکنیزه شده ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] یا ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] بسته به استراتژی توکنیزه شدن باشد.

توکنیزه کردن فرایند شکستن متن به این واحدهای کوچک‌تر است. این امر مهم است زیرا مدل‌ها روی توکن‌ها عمل می‌کنند نه متن خام. تعداد توکن‌ها در یک پرامپت بر طول و کیفیت پاسخ مدل تأثیر می‌گذارد، چرا که مدل‌ها محدودیت توکن برای پنجره زمینه‌ای خود دارند (مثلاً ۱۲۸ هزار توکن برای کل زمینه GPT-4o، شامل ورودی و خروجی).

در جاوا، می‌توانید از کتابخانه‌هایی مانند OpenAI SDK برای توکنیزه کردن خودکار هنگام ارسال درخواست‌ها به مدل‌های هوش مصنوعی استفاده کنید.

• تعبیه‌ها: تعبیه‌ها نمایش‌های برداری توکن‌ها هستند که معنی مفهومی را در بر می‌گیرند. آن‌ها نمایش‌های عددی (معمولاً آرایه‌ای از اعداد نقطه شناور) هستند که به مدل اجازه می‌دهند روابط بین کلمات را درک کرده و پاسخ‌های معنایی مرتبط با زمینه تولید کنند. کلمات مشابه تعبیه‌های مشابهی دارند که مدل را قادر می‌سازد مفاهیمی مانند مترادف و روابط معنایی را درک کند.

در جاوا، می‌توانید تعبیه‌ها را با استفاده از OpenAI SDK یا کتابخانه‌های دیگر تولید کنید که از تولید تعبیه پشتیبانی می‌کنند. این تعبیه‌ها برای کارهایی مانند جستجوی معنایی حیاتی هستند، جایی که می‌خواهید محتوای مشابه بر اساس معنی را پیدا کنید نه تطابق دقیق متن.

• بانک‌های اطلاعاتی برداری: بانک‌های اطلاعاتی برداری سیستم‌های ذخیره‌سازی تخصصی بهینه شده برای نگهداری تعبیه‌ها هستند. آن‌ها جستجوی مشابهت کارآمد را ممکن می‌سازند و برای الگوهای تولید افزوده به بازیابی (RAG) که نیاز به یافتن اطلاعات مرتبط از داده‌های بزرگ بر اساس مشابهت معنایی دارند، اهمیت دارند.

توجه: در این دوره بانک‌های اطلاعاتی برداری پوشش داده نمی‌شوند اما به دلیل کاربرد گسترده در برنامه‌های واقعی ارزش ذکر دارند.

• عوامل و MCP: اجزای هوش مصنوعی که به‌صورت خودکار با مدل‌ها، ابزارها و سیستم‌های خارجی تعامل دارند. پروتکل زمینه مدل (MCP) روشی استاندارد برای دسترسی امن عوامل به منابع داده و ابزارهای خارجی فراهم می‌کند. اطلاعات بیشتر در دوره MCP برای مبتدیان موجود است.

در برنامه‌های هوش مصنوعی جاوا، از توکن‌ها برای پردازش متن، تعبیه‌ها برای جستجوی معنایی و RAG، بانک‌های برداری برای بازیابی داده، و عوامل با MCP برای ساخت سیستم‌های هوشمند و استفاده‌کننده از ابزارها بهره خواهید برد.

ابزارها و کتابخانه‌های توسعه هوش مصنوعی برای جاوا

جاوا ابزارهای عالی برای توسعه هوش مصنوعی ارائه می‌دهد. سه کتابخانه اصلی که در طول این دوره بررسی می‌کنیم - OpenAI Java SDK، Azure OpenAI SDK، و Spring AI هستند.

در اینجا جدول مرجع سریعی است که نشان می‌دهد کدام SDK در نمونه‌های هر فصل استفاده شده است:

فصل	نمونه	SDK
02-SetupDevEnvironment	basic-chat-azure	Spring AI Azure OpenAI
03-CoreGenerativeAITechniques	examples	Azure OpenAI SDK
04-PracticalSamples	petstory	OpenAI Java SDK
04-PracticalSamples	foundrylocal	OpenAI Java SDK
04-PracticalSamples	calculator	Spring AI MCP SDK + LangChain4j

لینک مستندات SDK:

• Azure OpenAI Java SDK
• Spring AI
• OpenAI Java SDK
• LangChain4j

OpenAI Java SDK

OpenAI SDK کتابخانه رسمی جاوا برای API اوپن‌ای‌آی است. این کتابخانه رابطی ساده و یکسان برای تعامل با مدل‌های OpenAI فراهم می‌کند و ادغام قابلیت‌های هوش مصنوعی در برنامه‌های جاوا را آسان می‌سازد. برنامه قصه حیوانات فصل ۴ و مثال Foundry Local روش OpenAI SDK را با Azure AI Foundry نشان می‌دهند.

Spring AI

Spring AI چارچوبی جامع است که توانمندی‌های هوش مصنوعی را به برنامه‌های Spring می‌آورد و لایه انتزاعی یکنواختی را میان ارائه‌دهندگان مختلف هوش مصنوعی فراهم می‌کند. این چارچوب به طور یکپارچه با اکوسیستم Spring ادغام می‌شود و گزینه ایده‌آل برای برنامه‌های سازمانی جاوا است که نیاز به قابلیت‌های هوش مصنوعی دارند.

قدرت Spring AI در ادغام بی‌نقص با اکوسیستم Spring است که ساخت برنامه‌های هوش مصنوعی آماده تولید را با الگوهای آشنا مانند تزریق وابستگی، مدیریت پیکربندی و چارچوب‌های تست آسان می‌کند. در فصل‌های ۲ و ۴ از Spring AI برای ساخت برنامه‌هایی که هم OpenAI و هم کتابخانه‌های پروتکل زمینه مدل (MCP) Spring AI را استفاده می‌کنند، بهره خواهید برد.

پروتکل زمینه مدل (MCP)

پروتکل زمینه مدل (MCP) یک استاندارد نوظهور است که اجازه می‌دهد برنامه‌های هوش مصنوعی به صورت امن با منابع داده و ابزارهای خارجی تعامل داشته باشند. MCP روشی استاندارد برای مدل‌های هوش مصنوعی فراهم می‌کند تا به اطلاعات زمینه‌ای دسترسی پیدا کنند و عملیات را در برنامه‌های شما اجرا کنند.

در فصل ۴، یک سرویس ماشین حساب ساده MCP می‌سازید که اصول پروتکل زمینه مدل با Spring AI را نشان می‌دهد و روش ایجاد یکپارچگی‌های ساده ابزار و معماری سرویس را آموزش می‌دهد.

Azure OpenAI Java SDK

کتابخانه کلاینت Azure OpenAI برای جاوا، انطباقی از APIهای REST اوپن‌ای‌آی است که رابط کاربری بومی و ادغام با بقیه اکوسیستم Azure SDK را ارائه می‌دهد. در فصل ۳، برنامه‌هایی با استفاده از Azure OpenAI SDK خواهید ساخت، از جمله برنامه‌های چت، فراخوانی تابع، و الگوهای RAG (تولید افزوده به بازیابی).

توجه: Azure OpenAI SDK در مقایسه با OpenAI Java SDK از نظر ویژگی‌ها عقب‌تر است، بنابراین برای پروژه‌های آینده از OpenAI Java SDK استفاده کردن را در نظر داشته باشید.

خلاصه

اینجا مبانی به پایان می‌رسد! اکنون می‌دانید:

• مفاهیم اصلی پشت هوش مصنوعی مولد - از LLMها و مهندسی پرامپت تا توکن‌ها، تعبیه‌ها و بانک‌های اطلاعاتی برداری
• گزینه‌های ابزار برای توسعه هوش مصنوعی جاوا: Azure OpenAI SDK، Spring AI و OpenAI Java SDK
• پروتکل زمینه مدل چیست و چگونه عوامل هوش مصنوعی را قادر می‌سازد با ابزارهای خارجی کار کنند

گام‌های بعدی

فصل ۲: راه‌اندازی محیط توسعه

---

سلب مسئولیت: این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما در تلاش برای دقت هستیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادرستی‌هایی باشند. سند اصلی به زبان مادری خود باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما در قبال هرگونه سوء تفاهم یا برداشت نادرست ناشی از استفاده از این ترجمه مسئولیتی نداریم.