یه لحظه، دارم میارمش…
در این دوره جامع و پروژهمحور، ساخت اپلیکیشنهای Generative AI روی AWS را از مفاهیم پایه تا معماریهای آماده Production یاد میگیرید. آموزش با مفاهیمی مانند Foundation Models، Prompt، Tokens، Inference و Context Window آغاز میشود و سپس به Amazon Bedrock، معماری RAG، Embeddings، Vector Search، Knowledge Bases و توسعه سیستمهای Agentic AI میرسد. در طول دوره با سرویسهایی مانند AWS Lambda، API Gateway و CloudWatch کار میکنید و سه پروژه عملی شامل یک دستیار تخصصی Serverless، یک سیستم آموزشی RAG و اپلیکیشن FleetMate با AWS Kiro پیادهسازی میکنید.

۰
درس ویدیویی
۱۱ ساعت و ۵۹ دقیقه
طول دوره
هر ایستگاه یه فصله. روش بزن تا درسهاش رو ببینی.
ویدیو رو نگه دار و بپرس. من میدونم دقیقاً کدوم لحظهای و دربارهی همون جوابت رو میدم. یکی رو امتحان کن:
این قسمت رو سادهتر میگی؟
هوش مصنوعی مولد زمانی ارزش واقعی پیدا میکند که بتوان آن را از یک Demo یا Proof of Concept خارج کرد و به یک Application پایدار، قابلمانیتور و قابلاستفاده در محیط واقعی تبدیل کرد.
دوره Generative AI on AWS – Amazon Bedrock, RAG & KIRO [2026] با تمرکز بر همین مسیر طراحی شده است؛ یعنی حرکت از مفاهیم پایه Generative AI تا طراحی و پیادهسازی Applicationهای آماده Production در بستر AWS.
در ابتدای دوره با مفاهیم پایه Artificial Intelligence و Machine Learning آشنا میشوید و سپس موضوعاتی مانند Generative AI، Foundation Models، Prompt، Token، Inference و Context Window را بررسی میکنید.
پس از ایجاد این پایه، آموزش وارد Amazon Bedrock میشود و نحوه دسترسی به Foundation Modelها، استفاده از Bedrock Runtime، پارامترهای Inference و معماری سرویس بررسی میشود.
Amazon Bedrock یکی از سرویسهای اصلی AWS برای توسعه Applicationهای Generative AI است.
در این دوره یاد میگیرید چگونه مدلهای پایه را از طریق Bedrock در Application خود استفاده کنید و آنها را با سایر سرویسهای AWS ترکیب کنید.
همچنین مفاهیم طراحی Architecture برای Applicationهای واقعی GenAI بررسی میشوند تا سیستم فقط در سطح آزمایش باقی نماند.
یکی از بخشهای کلیدی دوره به معماری RAG اختصاص دارد.
در این بخش با فرایند کامل پردازش و بازیابی اطلاعات آشنا میشوید:
پردازش اسناد
Chunking
Embeddings
Vector Search
Retrieval
Generation
سپس از Amazon Bedrock Knowledge Bases برای ساخت Applicationهایی استفاده میکنید که بتوانند اطلاعات اختصاصی یا سازمانی را بازیابی و در پاسخهای مدل استفاده کنند.
هدف این است که مدل صرفاً به دانش عمومی خود متکی نباشد و بتواند بر اساس دادههای واقعی و اختصاصی پاسخ تولید کند.
در بخشهای عملی دوره، Generative AI با سرویسهای Cloud ترکیب میشود.
با AWS Lambda و API Gateway کار میکنید و نحوه ساخت معماری Serverless برای Applicationهای AI را یاد میگیرید.
همچنین با CloudWatch برای Monitoring و بررسی رفتار Application آشنا میشوید.
این ترکیب کمک میکند یک سیستم GenAI از حالت Local یا Prototype خارج شود و به معماری نزدیکتر به Production برسد.
یکی از موضوعات مهم دوره کنترل رفتار مدلهای هوش مصنوعی است.
در این بخش با Responsible AI و Guardrails آشنا میشوید و یاد میگیرید چگونه محدودیتها و کنترلهایی برای خروجی مدل تعریف کنید.
این موضوع برای Applicationهای سازمانی اهمیت زیادی دارد؛ زیرا خروجی مدل باید قابلکنترل، قابلارزیابی و تا حد امکان قابلاعتماد باشد.
در ادامه دوره، ارزیابی مدل و روشهای شخصیسازی بررسی میشوند.
با Model Evaluation آشنا میشوید و نحوه سنجش عملکرد مدل در سناریوهای مختلف را بررسی میکنید.
همچنین مفاهیم Fine-Tuning و Personalization مطرح میشوند تا بدانید در چه شرایطی استفاده مستقیم از Foundation Model کافی است و در چه شرایطی نیاز به تنظیم یا شخصیسازی وجود دارد.
یکی از نقاط قوت این دوره، تمرکز روی ساخت Applicationهای واقعی است.
در این پروژه یک دستیار هوشمند مبتنی بر معماری Serverless ساخته میشود.
در این سیستم مفاهیمی مانند:
Amazon Bedrock
AWS Lambda
API Gateway
Responsible AI
Guardrails
در کنار یکدیگر استفاده میشوند.
هدف این پروژه حرکت از یک Proof of Concept ساده به سمت Application قابلاستفاده در محیط واقعی است.
در پروژه دوم یک Application آموزشی Serverless مبتنی بر Retrieval Augmented Generation ساخته میشود.
در این پروژه با:
Document Processing
Chunking
Embeddings
Vector Search
Knowledge Base
Retrieval
Generation
کار میکنید و یاد میگیرید چگونه دادههای اختصاصی را وارد جریان پاسخگویی مدل کنید.
در پروژه سوم با AWS Kiro و رویکرد Agentic AI کار میکنید.
FleetMate بهعنوان یک Application عملی توسعه داده میشود تا نحوه استفاده از ابزارهای جدید AWS برای توسعه هوشمند Applicationها را تجربه کنید.
پس از تکمیل دوره باید بتوانید:
مفاهیم اصلی Generative AI و Foundation Models را توضیح دهید.
از Amazon Bedrock برای دسترسی و استفاده از Foundation Modelها استفاده کنید.
Applicationهای Generative AI مبتنی بر AWS طراحی کنید.
معماری RAG را از مرحله Document Processing تا Retrieval پیادهسازی کنید.
با Embeddings و Vector Search کار کنید.
از Amazon Bedrock Knowledge Bases استفاده کنید.
Applicationهای Serverless مبتنی بر Lambda و API Gateway بسازید.
سیستمهای GenAI را با CloudWatch مانیتور کنید.
Guardrails و Responsible AI را در طراحی Application در نظر بگیرید.
مفاهیم Model Evaluation و Fine-Tuning را درک کنید.
Applicationهای Agentic AI را با AWS Kiro توسعه دهید.
Prototypeهای AI را به معماریهای نزدیکتر به Production تبدیل کنید.
این دوره برای گروههای زیر مناسب است:
توسعهدهندگان نرمافزار که میخواهند Generative AI را وارد Applicationهای واقعی کنند.
Cloud Engineerها و AWS Developerها.
مهندسان AI و Machine Learning.
Backend Developerهایی که قصد ساخت سرویسهای AI دارند.
System Architectهایی که به طراحی معماریهای GenAI علاقهمند هستند.
افرادی که با RAG کار کردهاند اما میخواهند آن را در معماری AWS پیادهسازی کنند.
افرادی که Prototypeهای GenAI ساختهاند و قصد دارند آنها را به سیستمهای Production-Ready نزدیک کنند.
آشنایی پایه با AWS Cloud
برای بخشهای عملی، آشنایی پایه با Python یا یک زبان برنامهنویسی پیشنهاد میشود.
نیازی به تجربه قبلی در Generative AI نیست و دوره از مفاهیم پایه آغاز میشود.

مدرس دوره
Rahul Trisal معمار هوش مصنوعی مولد و Agentic AI در اکوسیستم AWS است و بیش از ۱۷ سال تجربه عملی در طراحی، مدرنسازی و مقیاسپذیری سیستمهای مبتنی بر Amazon Web Services دارد. او فعالیت حرفهای خود با AWS را از سال ۲۰۰۸ آغاز کرده و در طول این سالها در مهاجرت صدها اپلیکیشن به زیرساخت AWS نقش داشته است. تمرکز اصلی او در سالهای اخیر بر طراحی و عملیاتیکردن سیستمهای Generative AI و Agentic AI در محیطهای واقعی و سازمانی بوده است. Rahul بیش از ۱۲ اپلیکیشن Agentic AI در سطح Enterprise ساخته که تعدادی از آنها در محیط Production مورد استفاده قرار گرفتهاند. تخصص او شامل Amazon Bedrock، معماریهای RAG، Generative AI، Agentic AI، Cloud Architecture و تبدیل نمونههای اولیه AI به سیستمهای Production-Ready است. او دارای ۹ گواهی تخصصی AWS و عضو AWS Community Builders است و آموزشهای او در زمینه Generative AI و Agentic AI روی AWS توسط دهها هزار دانشجو دنبال شده است. رویکرد آموزشی Rahul بر پر کردن فاصله میان آموزشهای تئوری و ساخت سیستمهای واقعی متمرکز است؛ بهطوریکه توسعهدهندگان و معماران بتوانند مفاهیم AI را در معماریهای عملی و مقیاسپذیر AWS پیادهسازی کنند.
از کجا میاد؟
Udemy یکی از بزرگترین و محبوبترین پلتفرمهای آموزشی آنلاین در جهان است که در سال ۲۰۱۰ تأسیس شد. این سایت به کاربران امکان میدهد تا از طریق دسترسی به هزاران دوره آموزشی متنوع، مهارتهای جدید را یاد بگیرند، از افراد متخصص و ماهر در زمینههای مختلف آموزش ببینند و به اشتراک بگذارند. ویژگیهای برجسته Udemy عبارتند از: ۱. تنوع در موضوعات: Udemy دورههایی در حوزههای مختلفی از جمله تکنولوژی، کسب و کار، طراحی، توسعه فردی، زبانها، موسیقی، و غیره ارائه میدهد. ۲. کیفیت محتوا: این پلتفرم از محتوای آموزشی با کیفیت و با استفاده از اساتید و متخصصان معتبر استفاده میکند. ۳. آموزش تعاملی: Udemy از ویدئوهای آموزشی، تمرینات عملی، تستهای آزمایشی و دیگر ابزارهای تعاملی استفاده میکند تا به کاربران کمک کند تا مطالب را بهتر درک کنند و مهارتهای خود را تقویت کنند. ۴. امکان انعطافپذیری زمانی: Udemy به کاربران امکان میدهد که به صورت خودآموز و در زمانی که برایشان مناسب است، به دورههای آموزشی دسترسی پیدا کنند. ۵. قیمت مناسب: بسیاری از دورههای Udemy با قیمتی مناسب و گاهی حتی تخفیفهای قابل توجهی در اختیار کاربران قرار میگیرند. با توجه به این ویژگیها، Udemy به عنوان یک پلتفرم آموزشی آنلاین بسیار موثر و قابل اعتماد شناخته میشود که به میلیونها افراد در سراسر جهان کمک کرده است تا مهارتهای جدید یاد بگیرند و به رشد حرفهای خود بپردازند.
بلیت این سفر