🚀 در رقابت امروز برای استفاده از Generative AI، خیلی از تیم‌ها هنوز با این چالش درگیرن که چطور این ابزارهای پیشرفته رو وارد سیستم‌های کسب‌وکارشون کنن. پلتفرم‌هایی مثل GPT-4 و Google Gemini قدرتمندن، اما همیشه دقیقاً برای نیازهای خاص هر کسب‌وکار تنظیم نشده‌اند. این کتاب یک راهنمای عملی برای ساخت راهکارهای AI سفارشی و مقیاس‌پذیر ارائه میده؛ با استفاده از ظرفیت کامل معماری Data Lakehouse.

📘 نویسنده کتاب، بنی هیلن، همه‌چیز رو پوشش میده؛ از دیپلوی کردن مدل‌های ML و GenAI در Databricks گرفته تا بهینه‌سازی پرفورمنس با Best Practiceها. اگر با داده کار میکنی، این کتاب واقعاً خواندنیه، چون ابزارهایی بهت میده تا قدرت مدل‌های زبانی بزرگ یا LLMها رو آزاد کنی؛ با ترکیب روان مهندسی داده و علم داده برای ساخت راهکارهایی که واقعاً اثر میذارن.

🎯 چیزهایی که یاد میگیری

🛠️ یاد میگیری چطور مدل‌های ML و GenAI رو روی معماری Data Lakehouse با استفاده از Databricks بسازی، دیپلوی کنی و مانیتور کنی

🧠 از LLMها استفاده میکنی تا از داده‌های کسب‌وکارت که داخل Lakehouse قرار دارن، اینسایت‌های عمیق‌تر و قابل‌اقدام استخراج کنی

🔗 میفهمی چطور مدل‌های سنتی ML و مدل‌های GenAI رو برای ساخت راهکارهای سفارشی و مقیاس‌پذیر با هم یکپارچه کنی

💸 از مدل‌های متن‌باز استفاده میکنی تا هزینه‌ها رو کنترل کنی، بدون اینکه پرفورمنس و کارایی مدل رو از دست بدی

⚙️ Best Practiceهای بهینه‌سازی مدل‌های ML و GenAI رو داخل پلتفرم Databricks پیاده‌سازی میکنی

📖 فهرست مطالب

فصل ۱. مروری بر یادگیری ماشین، AI و GenAI

فصل ۲. پلتفرم Data Intelligence در Databricks

فصل ۳. مقدمه‌ای بر ML در Databricks

فصل ۴. ML انتهابه‌انتها با MLflow

فصل ۵. مهندسی ویژگی در Unity Catalog

فصل ۶. ML در مقیاس بزرگ

فصل ۷. GenAI در Lakehouse: مبانی و معماری

فصل ۸. GenAI در محیط Databricks Lakehouse

فصل ۹. ایجنت‌های AI در Lakehouse

فصل ۱۰. پروتکل Model Context

فصل ۱۱. ارتباط ایجنت‌به‌ایجنت و فریم‌ورک DSPy

👤 درباره نویسنده

👨‍💼 بنی هیلن معمار ارشد در Insight است؛ شرکتی که شریک Microsoft و Databricks محسوب میشه. تمرکز اصلی او به‌عنوان معمار ارشد، روی انبارداری داده مدرن، یادگیری ماشین و Generative AI در پلتفرم‌های مختلف کلاد تجاریه. بنی در طول مسیر کاری خودش، پروژه‌های زیادی در حوزه داده و AI رو در دامنه‌های مختلف مدیریت کرده؛ از سلامت و انرژی گرفته تا اپلیکیشن‌های مالی. او همین‌طور راهکارهای Generative AI طراحی و تحویل داده که هم از مدل‌های تجاری استفاده میکنن، هم از مدل‌های متن‌باز.

In today's race to harness generative AI, many teams struggle to integrate these advanced tools into their business systems. While platforms like GPT-4 and Google's Gemini are powerful, they aren't always tailored to specific business needs. This book offers a practical guide to building scalable, customized AI solutions using the full potential of data lakehouse architecture.

Author Bennie Haelen covers everything from deploying ML and GenAI models in Databricks to optimizing performance with best practices. In this must-read for data professionals, you'll gain the tools to unlock the power of large language models (LLMs) by seamlessly combining data engineering and data science to create impactful solutions.

• Learn to build, deploy, and monitor ML and GenAI models on a data lakehouse architecture using Databricks
• Leverage LLMs to extract deeper, actionable insights from your business data residing in lakehouses
• Discover how to integrate traditional ML and GenAI models for customized, scalable solutions
• Utilize open source models to control costs while maintaining model performance and efficiency
• Implement best practices for optimizing ML and GenAI models within the Databricks platform

Table of Contents

Chapter 1. An Overview of Machine Learning, Al, and GenAI

Chapter 2. The Databricks Data Intelligence Platform

Chapter 3. An Introduction to ML on Databricks

Chapter 4. End-to-End ML with MLflow

Chapter 5. Feature Engineering in the Unity Catalog

Chapter 6. ML at Scale

Chapter 7. GenAI in the Lakehouse: Foundations and Architecture

Chapter 8. GenAI in a Databricks Lakehouse Environment

Chapter 9. Al Agents in the Lakehouse

Chapter 10. The Model Context Protocol

Chapter 11. Agent-to-Agent Communication and the DSPy Framework

About the Author

Bennie Haelen is a principal architect with Insight, a Microsoft and Databricks partner. As principal architect, his primary focus areas are modern data warehousing, machine learning, and generative AI on various commercial cloud platforms. Over his career, Bennie has overseen many data & AI projects in different application domains, such as healthcare, energy, and financial applications. He has also architected and delivered generative AI solutions that leverage both commercial and open source models.