01 / FOUNDATIONاولین سیستم شما، از صفر.
از ایده تا اولین ایجنت
صورت‌بندی مسئله، کار با مدل، اتصال ابزار و ساخت یک دستیار مبتنی بر اسناد.
خروجی مسیریک دستیار قابل آزمایش + گزارش ارزیابی
آزمایشگاه یادگیری و ساخت هوش مصنوعی
هوش مصنوعی،
با نگاه سیستمی.
فقط یک ایجنت نسازید.
سیستمی بسازید که رفتار آن را می‌فهمید.
از آموزش پروژه‌محور تا طراحی ایجنت برای کسب‌وکار؛ با نگاه فیزیک، ریاضیات و سیستم‌های پیچیده، ایده‌ها را به ابزارهای قابل ارزیابی تبدیل می‌کنیم.
برای دانشجوها، متخصص‌ها و مدیران · ویژهٔ ۱۸ سال به بالا
THE AGENT SYSTEM از جزء به کل
پیچیدگی کمتر. کنترل بیشتر.FIG. 01 / SYSTEM VIEW
فهمیدن، پیش از ساختن↗ یادگیری با پروژه واقعی◎ ارزیابی، پیش از اعتماد✳ انسان در حلقه تصمیم
۰۱ آکادمی مَدار
از «کجا شروع کنم؟»
تا «خودم می‌سازم.»
یک نقطهٔ شروع برای هر مسیر.
مفاهیم را بفهمید، بسازید، آزمایش کنید و
نتیجه را با معیار روشن بسنجید.
02 / ENGINEERINGاتصال هوشمند، با دلیل.
مهندسی سیستم‌های ایجنتی
هماهنگی ایجنت‌ها، مدیریت وضعیت، تحلیل خطا و انتخاب معماری با نگاه سیستم‌های پیچیده.
خروجی مسیرمقایسهٔ تک‌ایجنت و چندایجنت با داده
03 / DECISION MAKINGتصمیم بهتر، پیش از سرمایه‌گذاری.
هوش مصنوعی برای تصمیم‌گیران
تشخیص فرصت‌های واقعی، برآورد ارزش، انتخاب پایلوت و تعریف معیار پذیرش پروژه.
خروجی مسیرنقشهٔ فرصت‌ها + طرح یک پایلوت اجرایی
یادگیری به سبک آزمایشگاه. هر مسیر با پروژه، بازخورد و ارزیابی همراه می‌شود.برای انتخاب مسیر راهنمایی می‌خواهم
لنز ما: فیزیک و سیستم‌های پیچیده
پشت هر پاسخ خوب،
یک سیستم خوب است.
پیشینهٔ تیم ما در فیزیک و پژوهش است. این نگاه را به مدل‌سازی مسئله، تحلیل رفتار و اندازه‌گیری تبدیل می‌کنیم؛ جایی که شهود علمی، به یک روش عملی برای ساختن می‌رسد.
دریافت نقشه راه و چیتشیتمسئله را دقیق تعریف می‌کنیم
ورودی، محدودیت و معیار موفقیت را پیش از انتخاب ابزار روشن می‌کنیم.
از ساده‌ترین معماری شروع می‌کنیم
چندایجنتی زمانی اضافه می‌شود که مزیت آن در آزمایش دیده شود.
کیفیت و پایداری را می‌سنجیم
موفقیت، هزینه، زمان پاسخ و رفتار سیستم در برابر خطا را کنار هم می‌بینیم.
۰۲ استودیو ایجنت
یک مسئلهٔ واقعی.
یک ایجنتِ کاربردی.
از یک فرآیند مشخص شروع می‌کنیم،
یک پایلوت می‌سازیم و با داده تصمیم می‌گیریم
که توسعهٔ آن ارزش دارد یا نه.
نمای یک گردش‌کارنمونهٔ مفهومی
ورودی
«شرایط مرخصی در آیین‌نامهٔ داخلی چیست؟»
▤بازیابی از اسنادمنابع مجاز سازمان
✳ساخت پاسخهمراه با ارجاع
✓کنترل کیفیتبررسی شواهد پاسخ
معیار ارزیابی پیشنهادی
درستی پاسخ، دقت ارجاع و نرخ «نمی‌دانم» در نبود شواهد.
دادهٔ نمونه؛ به مدل واقعی متصل نیست.HUMAN IN THE LOOP
۰۱
←کشف مسئله
دامنه و معیار پذیرش
۰۲
←ساخت پایلوت
یک جریان کاری محدود
۰۳
←ارزیابی مشترک
کیفیت، هزینه و کنترل
۰۴
توسعه و پشتیبانی
پس از تأیید نتیجه
پیش از شروع
سؤال‌های خوب،
شروع‌های بهتر.
برای یادگیری یا همکاری،
از همین‌جا تصویر روشن‌تری بسازید.
برای شروع باید برنامه‌نویسی بلد باشم؟
مسیر مدیران به کدنویسی نیاز ندارد. در مسیر ساخت، آشنایی مقدماتی با پایتون کمک می‌کند و بخش مرور مبانی پیشنهاد شده است. برای دورهٔ پیشرفته، کار با پایتون و API پیش‌نیاز است.
تفاوت رویکرد شما در آموزش چیست؟
تمرکز بر فهم رفتار سیستم و آزمایش است. پروژه را فقط اجرا نمی‌کنید؛ کیفیت، هزینه، تأخیر و رفتار آن در مواجهه با خطا را اندازه می‌گیرید. نگاه سیستم‌های پیچیده در معماری و تحلیل این رفتار به کار می‌آید.
هر مسئله‌ای به چند ایجنت نیاز دارد؟
خیر. ابتدا راه‌حل ساده، گردش‌کار یا تک‌ایجنت را بررسی می‌کنیم. معماری چندایجنتی برای زیرمسئله‌های قابل تفکیک و زمانی که بهبود قابل سنجش داشته باشد انتخاب می‌شود.
زمان، هزینه و نحوهٔ برگزاری دوره‌ها چیست؟
کارت‌های فعلی طرح پیشنهادی دوره‌ها هستند. برنامهٔ زمانی، مدرس، قیمت و شرایط ثبت‌نام پس از نهایی شدن منتشر می‌شوند. اکنون می‌توانید یک فایل درخواست علاقه‌مندی بسازید.
برای شروع پروژهٔ سازمانی چه چیزی لازم است؟
یک فرآیند مشخص، چند ورودی و خروجی نمونه، وضعیت دسترسی به داده و معیار موفقیت. ابتدا دامنهٔ یک پایلوت کوچک را تعیین می‌کنیم و توسعه را به نتیجهٔ ارزیابی وابسته می‌گذاریم.
قدم بعدی شما
از یک گفتگوی خوب
شروع می‌کنیم.
می‌خواهید یاد بگیرید یا مسئله‌ای را حل کنید؟
چند خط دربارهٔ هدف‌تان بنویسید.
نسخهٔ نمایشی
این فرم فایل درخواست شما را می‌سازد؛ اطلاعات به سرور ارسال نمی‌شود. راه تماس رسمی پس از نهایی شدن سایت اضافه خواهد شد.