معرفی دوره

در این جلسه چشم‌انداز یک سیستم AI Workspace را بررسی می‌کنیم که یادداشت‌ها را به ابزار تصمیم‌گیری و تحلیل هوشمند تبدیل می‌کند. هدف این است که نشان دهیم چگونه هوش مصنوعی می‌تواند بهره‌وری فرد و سازمان را در فکر کردن، تصمیم‌گیری و تولید دانش افزایش دهد.

بررسی نقش هوش مصنوعی در اپلیکیشن‌ها و تفاوت بین AI دکمه‌ای (تعامل مستقیم کاربر) و AI سیستمی (تصمیم‌گیری در سطح معماری)

این بخش مسیر مجاز ارتباط بین لایه‌های مختلف سیستم را نمایش می‌دهد. هر لایه فقط می‌تواند به لایه‌های داخلی‌تر وابسته باشد و این ساختار به‌صورت کامل در ادامه پروژه پیاده‌سازی خواهد شد.

در این بخش یک هسته هوش مصنوعی سبک و قابل توسعه طراحی می‌کنیم که مستقل از مدل‌های AI عمل می‌کند. هدف، ساخت یک معماری واقعی برای مدیریت Providerها، Context، Memory و پردازش هوشمند درخواست‌ها در سطح حرفه‌ای است. این بخش آماده ورود به مرحله کدنویسی و پیاده‌سازی عملی می‌باشد.

در این بخش زیرساخت اصلی سیستم هوش مصنوعی شامل قراردادها، مدل‌های داده و اولین Provider ایجاد شد. این ساختار به صورت ماژولار طراحی شده و آماده توسعه Providerهای بیشتر و قابلیت‌های پیشرفته‌تر است.

در این جلسه Provider مربوط به LM Studio را بر پایه قرارداد IAIProvider پیاده‌سازی می‌کنیم و فرآیند کامل ارسال درخواست، دریافت پاسخ و ارتباط با مدل‌های محلی را بررسی خواهیم کرد. همچنین با استفاده از مدل‌های AIRequest، AIMessage و AIResponse یک لایه استاندارد برای تبادل داده بین Engine و Provider ایجاد می‌کنیم تا تمامی ارائه‌دهندگان هوش مصنوعی از ساختاری یکپارچه پیروی کنند.

در این جلسه نحوه نصب و راه‌اندازی OpenAI، LM Studio و Ollama را بررسی می‌کنیم و با مدل‌های ابری و محلی آشنا می‌شویم. همچنین معماری و نحوه عملکرد OpenAIProvider و LMStudioProvider را مقایسه کرده و نقش Interfaceها، مدل‌های داده و ارتباط با LLMها را در Tiny AI Engine تحلیل خواهیم کرد.

فرآیند دیباگ و رفع خطاها آغاز شد و در جلسه بعدی با تکمیل تست‌ها، به پایدارسازی Providerها ادامه خواهیم داد.

در این جلسه با استفاده از یک پروژه Console Test مستقل، خطاهای مربوط به API، Endpoint، JSON Payload، HttpClient و ارتباط با سرویس‌های هوش مصنوعی را شناسایی، تحلیل و به‌طور کامل برطرف کردیم و ارتباط موفق با OpenAI، LM Studio و Ollama را برقرار نمودیم. همچنین با به‌کارگیری مفاهیم مهندسی نرم‌افزار مانند Component Testing، Debugging، Root Cause Analysis، Validation و Incremental Development، معماری Providerها را اعتبارسنجی کرده و آن‌ها را برای استفاده در AIEngine و مراحل بعدی توسعه آماده ساختیم.

در این بخش ساختار Context Building را پیاده‌سازی می‌کنیم و با استفاده از WeatherContributor اطلاعات آب‌وهوا را به Context هوش مصنوعی اضافه می‌کنیم. سپس Context تولید شده را به مدل Ollama ارسال کرده و نتیجه را تست و بررسی می کنیم.

در این جلسه نخستین Context Contributor پروژه با نام TimeContributor توسعه داده شد تا اطلاعات زمان و تاریخ جاری را به‌عنوان بخشی از Context در اختیار سیستم هوش مصنوعی قرار دهد. همچنبن زمینه لازم برای توسعه AIContextBuilder فراهم گردید.

در این جلسه کلاس AIContextBuilder را با استفاده از الگوی Fluent API (Method Chaining) پیاده‌سازی کردیم تا Contextهای مختلف به‌صورت زنجیره‌ای به درخواست کاربر اضافه شوند. همچنین TimeContributor را در فرآیند ساخت Context نهایی ادغام کرده و اطلاعات تاریخ و زمان جاری سیستم را قبل از ارسال درخواست به Providerهای مختلف در اختیار مدل‌های هوش مصنوعی قرار دادیم.

در این جلسه، عملکرد AIContextBuilder با استفاده از تکنیک Method Chaining برای ادغام هوشمند داده‌های محیطی (مانند زمان و آب‌وهوا) با پرامپت کاربر و ایجاد خروجی نهایی جهت ارسال به مدل‌های هوش مصنوعی با موفقیت تست شد.

در این جلسه کلاس WeatherContributor را از حالت ایستا به یک Contributor پویا ارتقا دادیم و با استفاده از سرویس Open-Meteo اطلاعات واقعی آب‌وهوا را از طریق HTTP دریافت نمودیم. همچنین مفاهیم External API Integration، برنامه‌نویسی Asynchronous با async/await و پردازش داده‌های JSON را در قالب یک Context Contributor پیاده‌سازی کردیم.

در این جلسه کلاس AIEngine را به‌عنوان لایه هماهنگ‌کننده (Orchestrator) میان Contextها و Providerهای هوش مصنوعی توسعه دادیم و مسئولیت ارسال درخواست و دریافت پاسخ را از Program.cs به این کلاس منتقل نمودیم. همچنین با به‌کارگیری مفهوم Separation of Concerns ساختار پروژه را برای توسعه سایر قابلیت‌ها در مراحل بعدی آماده کردیم.

در این جلسه ساختار پایگاه داده AppPlatform را از دید معماری دامنه بررسی می‌کنیم، موجودیت‌های اصلی، جداول SQL Server، ارتباطات یک‌به‌چند و چند‌به‌چند را تحلیل کرده و نقش هر Entity در شکل‌گیری مدل داده را به‌صورت تصویری مرور می‌کنیم.