کتاب Data Engineering for Multimodal AI: Architecting Scalable Systems for Next-Generation AI Applications (مهندسی داده برای هوش مصنوعی چندوجهی: معماری سیستم‌های مقیاس‌پذیر برای کاربردهای هوش مصنوعی نسل بعد) از انتشارات O'Reilly، یکی از نخستین راهنماهای عملی است که به مهندسان داده، مهندسان یادگیری ماشین و متخصصان MLOps کمک می‌کند تا زیرساخت‌های داده مقیاس‌پذیر و قدرتمندی برای سیستم‌های هوش مصنوعی چندوجهی (چندوجهی به معنای پردازش همزمان متن، تصویر، صوت و ویدئو) بسازند.
جهت دانلود کتاب Data Engineering for Multimodal AI می‌توانید از لینک زیر استفاده کنید:
faghatketab.ir/product/data-engineering-for-multimodal-ai/
مقدمه‌ای بر کتاب Data Engineering for Multimodal AI:
هوش مصنوعی تنها به همان اندازه که زمینه (Context) در اختیارش قرار می‌گیرد توانمند است، و زمینه قبل از اینکه یک مسئله مربوط به مدل باشد، یک مسئله مهندسی داده است. با پیچیده‌تر و تشنه‌تر شدن سیستم‌ها و برنامه‌های کاربردی هوش مصنوعی چندوجهی، زیرساختی که این زمینه را تولید و مدیریت می‌کند باید همگام با آن تکامل یابد.
کتاب «مهندسی داده برای هوش مصنوعی چندوجهی» یکی از نخستین راهنماهای عملی برای مهندسان داده، مهندسان یادگیری ماشین و متخصصان MLOps است که به دنبال تسلط سریع بر مهارت‌های مورد نیاز برای ساخت زیرساخت‌های داده‌ی مقاوم و مقیاس‌پذیر هستند؛ زیرساخت‌هایی که سیستم‌ها و برنامه‌های کاربردی هوش مصنوعی چندوجهی برای مهندسی زمینه مؤثر به آن‌ها وابسته‌اند. شما در این کتاب کل چرخه عمر مهندسی داده‌ی مبتنی بر هوش مصنوعی را دنبال خواهید کرد؛ از مفهومی‌سازی معماری‌های داده گرفته تا پیاده‌سازی پایپ‌لاین‌های داده‌ی بهینه‌سازی‌شده برای یادگیری چندوجهی در هر دو محیط بستر ابری (Cloud-native) و محلی (On-premises). همچنین هر فصل شامل راهنماهای گام‌به‌گام و بهترین روش‌ها برای پیاده‌سازی مفاهیم کلیدی است.
طراحی و پیاده‌سازی معماری‌های داده‌ی بستر ابری بهینه‌سازی‌شده برای بارهای کاری هوش مصنوعی چندوجهی
ساخت فرآیندهای ETL کارآمد و مقیاس‌پذیر برای آماده‌سازی داده‌های آموزشی متنوع هوش مصنوعی
پیاده‌سازی پایپ‌لاین‌های پردازش داده‌ی لحظه‌ای (Real-time) برای استنتاج هوش مصنوعی چندوجهی
توسعه و مدیریت انبارهای ویژگی (Feature stores) که از چندین وجه داده پشتیبانی می‌کنند
اعمال رویه‌های حاکمیت داده و امنیت مختص پروژه‌های هوش مصنوعی چندوجهی
بهینه‌سازی ذخیره‌سازی و بازیابی داده‌ها برای انواع مختلف مدل‌های یادگیری ماشین چندوجهی
یکپارچه‌سازی نسخه‌سازی داده‌ها و ردیابی خط‌مشی (Lineage) در ورک‌فلوهای هوش مصنوعی چندوجهی
پیاده‌سازی چارچوب‌های کیفیت داده برای اطمینان از نتایج قابل اعتماد در انواع داده‌ها
طراحی پایپ‌لاین‌های داده‌ای که از رویه‌های مسئولانه هوش مصنوعی در یک زمینه چندوجهی پشتیبانی می‌کنند
