آشنایی با عامل‌های هوش مصنوعی و توسعه هوشمند ایستگاه زمینی ماهواره
از معماری Agentها و NLP تا پایش و تحلیل خودکار تله‌متری فضایی
آموزش جامع آشنایی و توسعه عامل های هوشمند(AI Agents) و ساخت عامل هوشمند مکالمه ای (Chatbot) با قابلیت سرچ در وب با فریم ورک Rasa و LangChain، توسعه API و اتصال به عامل هوشمند و تست عامل.توسعه هوشمند ایستگاه زمینی با استفاده از AI Agent ها و اتصال به دیتابیس جهت پایش ماهواره در نهایت عیب یابی و تحلیل هوشمند داده های تلمتری ماهواره در ایستگاه زمینی توسعه داده شده.
محورهای کلیدی دوره:
مفاهیم و معماری عامل‌های هوش مصنوعی (AI Agents)
توسعه و پردازش زبان طبیعی و طراحی Chatbot هوشمند با قابلیت سرچ در نت
ساخت Agent مکالمه‌ای با Rasa و LangChain
آشنایی مقدماتی با API نویسی و اتصال آن به عامل هوشمند
توسعه و تکمیل پروژه عملی با استفاده از Coding Agent
-پروژه عملی: توسعه ایستگاه زمینی ماهواره و اتصال آن به AI Agent
ایستگاه زمینی ماهواره مجموعه‌ای از تجهیزات و نرم‌افزارهاست که امکان ارتباط با ماهواره را از روی زمین فراهم می‌کند. این ارتباط از طریق آنتن و امواج رادیویی انجام می‌شود؛ به‌طوری‌که داده‌های ماهواره، مانند وضعیت باتری، دما، موقعیت و عملکرد سیستم‌ها از طریق telemetry، دریافت شده و وارد نرم‌افزار ایستگاه زمینی می‌شوند. این نرم‌افزار به ما اجازه می‌دهد اطلاعات ماهواره را ذخیره و در یک داشبورد مانیتور کنیم، وضعیت‌های غیرعادی را تشخیص دهیم و در صورت نیاز فرمان‌هایی را نیز از زمین برای ماهواره ارسال کنیم. در این کارگاه به منظور هوشمندسازی و توسعه نرم افزار ایستگاه زمینی، ابتدا یک عامل هوشمند را توسعه داده و سپس به کمک آن و سایر عامل ها به توسعه این نرم افزار میپردازیم.
مدت زمان:
۶ ساعت
تاریخ برگزاری:
14 آبان 1405
ساعت برگزاری:
9:00 الی 16:00
محل برگزاری:
دانشکده هوافضا
مدرس دوره:
مهندس فرزانه مجد
قیمت دوره:
2,500,000 تومان
15% تخفیف مخصوص دانشجویان
30% تخفیف مخصوص دانشجویان دانشگاه صنعتی شریف
سرفصل‌های آموزشی کارگاه
بخش اول: آشنایی با عامل‌های هوش مصنوعی و تعامل هوشمند
در این بخش ابتدا با مفهوم AI Agent، تفاوت آن با Chatbot و دستیارهای هوش مصنوعی و نحوه تعامل Agent با کاربر، محیط و داده‌ها آشنا می‌شویم. سپس انواع Agentها، اجزای اصلی آن‌ها و نقش روش‌هایی مانند Rule، Machine Learning و Reinforcement Learning در تصمیم‌گیری و عملکرد Agent بررسی می‌شود. در ادامه وارد مباحث پردازش زبان طبیعی یا NLP می‌شویم و مفاهیمی مانند Intent، Entity و Context را برای درک پیام کاربر و حفظ جریان مکالمه بررسی می‌کنیم. پس از آن با استفاده از Python، Rasa و LangChain یک Agent مکالمه‌ای ساده طراحی و اجرا می‌کنیم و با مفاهیمی مانند Story، Rule، Response و Action آشنا می‌شویم. در پایان نیز با API، FastAPI، Endpoint، روش دریافت و ارسال داده و تست API با Swagger آشنا می‌شویم تا بتوانیم Agent را به نرم‌افزار، مدل‌های زبانی و منابع داده خارجی متصل کنیم.
بلوک ۱: مفاهیم و معماری AI Agentها
تعریف AI Agent و بررسی تفاوت آن با Chatbot و دستیار هوش مصنوعی
آشنایی با نحوه تعامل Agent با کاربر، محیط و داده‌ها
بررسی انواع Agentهای Reactive، Deliberative و مبتنی بر یادگیری
آشنایی با اجزای اصلی یک Agent شامل ورودی، دانش، تصمیم‌گیری، ابزار و خروجی
بررسی محیط‌های کاری Static، Dynamic، Deterministic و Stochastic
آشنایی مقدماتی با Agentهای مبتنی بر Rule و Agentهای یادگیرنده
معرفی مفاهیم Machine Learning و Reinforcement Learning در Agentها
بررسی چند نمونه واقعی از کاربرد AI Agent در سیستم‌های نرم‌افزاری
آشنایی با نقش پردازش زبان طبیعی در Agentهای مکالمه‌ای
بلوک ۲: پردازش زبان طبیعی و طراحی Chatbot هوشمند
آشنایی با مفهوم پردازش زبان طبیعی (NLP) و نقش آن در تعامل انسان و Agent
معرفی مدل‌های زبانی و معماری Transformer
آشنایی با ساختار کلی Chatbot و تفاوت Chatbot مبتنی بر Rule با Chatbot هوشمند
آشنایی با مفهوم Intent و تشخیص منظور کاربر
آشنایی با Entity و استخراج اطلاعات مهم از ورودی کاربر
بررسی Context و نقش آن در حفظ جریان مکالمه
آشنایی با Context-Aware Chatbotها
طراحی یک جریان ساده مکالمه بین کاربر و Agent
آشنایی مقدماتی با اتصال Agent به مدل‌های زبانی
بررسی نحوه نگهداری سابقه مکالمه و استفاده از Context در پاسخ‌های بعدی
بلوک ۳: ساخت Agent مکالمه‌ای با Rasa
معرفی Rasa و کاربرد آن در ساخت Agent و Chatbot
نصب و ایجاد پروژه اولیه Rasa
آشنایی با ساختار فایل‌ها و بخش‌های اصلی پروژه
تعریف Intentها برای تشخیص درخواست‌های مختلف کاربر
تعریف Entityها برای استخراج اطلاعات موردنیاز
آشنایی با Response و نحوه پاسخ‌دهی Agent
تعریف Story برای مشخص‌کردن جریان مکالمه
تعریف Rule برای رفتارهای مشخص Agent
آشنایی با Action و اجرای عملیات بر اساس درخواست کاربر
بررسی فایل Config و تنظیمات اصلی Agent
اجرای Agent و آزمایش چند سناریوی نمونه
بلوک ۴: API نویسی و اتصال Agent به نرم‌افزار
آشنایی با مفهوم API و کاربرد آن در سیستم‌های مبتنی بر AI Agent
معرفی FastAPI و ساخت یک API ساده
آشنایی با Route، Endpoint و متدهای اصلی HTTP
دریافت ورودی و ارسال Response در API
آشنایی مقدماتی با Validation داده‌های ورودی
ایجاد Endpoint برای ارتباط نرم‌افزار با Agent
آشنایی با ساختار ماژولار API
اجرای API روی Localhost و آزمایش Endpointها
آشنایی با Swagger و تست API
اتصال Agent به یک سرویس یا منبع داده خارجی
آشنایی با Environment Variable و نگهداری امن تنظیمات و API Keyها
بخش دوم: توسعه ایستگاه زمینی ماهواره با کمک Agentها
در این بخش وارد توسعه عملی ایستگاه زمینی می‌شویم و با کمک Coding Agent بخش‌های مختلف پروژه را بررسی و تکمیل می‌کنیم. داده‌های Telemetry ماهواره را تولید، دریافت، پردازش و در دیتابیس مورد استفاده یعنی InfluxDB ذخیره می‌کنیم و سپس آن‌ها را در داشبورد نرم افزار نمایش می‌دهیم. در ادامه AI Agent را به داده‌های ایستگاه زمینی متصل می‌کنیم تا وضعیت ماهواره را تحلیل کرده و شرایط عادی یا غیرعادی را مشخص کند. برای کنترل تغییرات پروژه نیز از Git استفاده می‌شود؛ Git ابزاری برای مدیریت نسخه‌های مختلف کد است و Git Diff تغییرات ایجادشده در فایل‌ها را نمایش می‌دهد تا بتوانیم خروجی Coding Agent را قبل از تأیید بررسی کنیم. ابزارهای اصلی این بخش شامل Next.js برای رابط کاربری و Dashboard، Backend و API برای پردازش و انتقال داده، InfluxDB برای ذخیره داده‌های زمان‌محور Telemetry، Git برای مدیریت تغییرات کد و Coding Agent برای تحلیل و تکمیل بخش‌های مختلف پروژه هستند
بلوک ۵: تحلیل و توسعه پروژه ایستگاه زمینی با Coding Agent
معرفی معماری کلی ایستگاه زمینی شامل دریافت، پردازش، ذخیره‌سازی و نمایش داده
معرفی ساختار پروژه پایه شامل Frontend، Backend، API و Database
استفاده از Coding Agent برای بررسی Codebase و شناسایی ساختار پروژه
شناسایی Dependencyهای موردنیاز و تکمیل بخش‌های ناقص پروژه
آشنایی با Telemetry Packet، Telemetry ID، Timestamp و داده خام
تولید داده‌های شبیه‌سازی‌شده شامل ولتاژ باتری، دمای پردازنده و وضعیت حسگرها
آشنایی با داده‌های زمان‌محور و ذخیره Telemetry در InfluxDB
استفاده از Coding Agent برای تکمیل API دریافت و پردازش Telemetry
نمایش اطلاعات ماهواره در Dashboard ایستگاه زمینی
بررسی تغییرات ایجادشده و اصلاح مرحله‌ای خروجی Agent
بلوک ۶: اتصال AI Agent به ایستگاه زمینی و تکمیل پروژه نهایی
تعریف وضعیت‌های Normal، Warning و Critical برای داده‌های Telemetry
شبیه‌سازی افت ولتاژ باتری، افزایش دما و قطع دریافت Telemetry
ایجاد Endpoint برای ارسال وضعیت ماهواره به AI Agent
اتصال Agent به داده‌های واقعی دریافت‌شده از پروژه
ایجاد دستیار هوشمند برای تحلیل و خلاصه‌سازی وضعیت ماهواره
تولید وضعیت، شواهد، علت‌های احتمالی و اقدامات پیشنهادی
استفاده از Coding Agent برای تکمیل و اصلاح قابلیت‌های پروژه
بررسی تغییرات ایجادشده با Git Diff
اجرای Type Check، Build و تست‌های پروژه
بررسی امنیت API Key، فایل‌های تنظیمات و اطلاعات محرمانه
اجرای سناریوی کامل از دریافت Telemetry تا تحلیل هوشمند آن
ارزیابی خروجی گروه‌ها و جمع‌بندی کارگاه
پیش‌نیازهای دوره
آشنایی مقدماتی با اصول برنامه‌نویسی پایتون (Python)
دانش تخصصی هوش مصنوعی الزامی نیست؛ پروژه پایه موردنیاز در اختیار شرکت‌کنندگان قرار می‌گیرد.
تجهیزات و نیازمندی‌ها
لپ‌تاپ شخصی
محیط توسعه Visual Studio Code
Git
ابزارها و کتابخانه‌های موردنیاز: Rasa, FastAPI, Next.js, InfluxDB