Apẹrẹ Iṣawọn ati Awọn ọna sọfitiwia AI-Iwakọ ti iṣe pẹlu Iṣagbese Ise-iṣẹ Modular ati Awọn Aṣoju AI | B4N1

Apẹrẹ Iṣawọn ati Awọn ọna sọfitiwia AI-Iwakọ ti iṣe pẹlu Iṣagbese Ise-iṣẹ Modular ati Awọn Aṣoju AI

3 months ago · b4n1 Read time: 6 min

Ifihan

Awọn ilọsiwaju iyara ni Imọ-ọgbọn Artificial (AI) ati imọ-ẹrọ sọfitiwia ti yori si idagbasoke ti awọn eto sọfitiwia eka ti o ṣepọ awọn aṣoju AI ati faaji iṣan-iṣẹ modular. Awọn ọna ṣiṣe wọnyi ni agbara lati ṣe iyipada ọna ti a sunmọ adaṣe DevOps ati orchestration. Bibẹẹkọ, ṣiṣe apẹrẹ iwọn ati awọn ọna ṣiṣe sọfitiwia AI-iwa nilo oye ti o jinlẹ ti awọn ilọsiwaju tuntun ni AI, imọ-ẹrọ sọfitiwia, ati faaji.

Ninu nkan yii, a yoo ṣawari awọn ipilẹ apẹrẹ ati awọn iṣe ti o dara julọ fun ṣiṣẹda apọjuwọn, iwọn, ati awọn eto sọfitiwia ti iṣe ti o ṣepọ awọn aṣoju AI ati faaji iṣan-iṣẹ modular. A yoo dojukọ lori pipọpọ awọn ilọsiwaju tuntun ni AI (Awọn awoṣe Ede nla (LLMs), Iran Augmented Retrieval (RAG)), imọ-ẹrọ sọfitiwia (Python, Rust, Go), ati faaji lati ṣẹda awọn ọna ṣiṣe to lagbara ati mimu.

Apọjuwọn Bisesenlo Architecture

Itumọ iṣan-iṣẹ adaṣe apọjuwọn jẹ apẹrẹ apẹrẹ ti o fọ awọn ọna ṣiṣe eka sinu kekere, awọn modulu ominira ti o le ṣe itọju ni irọrun, imudojuiwọn, ati iwọn. Kọọkan module jẹ lodidi fun kan pato iṣẹ-ṣiṣe tabi iṣẹ, ati awọn ti wọn ibasọrọ pẹlu kọọkan miiran nipasẹ daradara-telẹ atọkun.

Eyi ni apẹẹrẹ ti o rọrun ti faaji iṣiṣẹ iṣiṣẹ modular ni Python: `` Python

bisesenlo.py

Ṣiṣan iṣẹ kilasi: defi init(ara): self.modules = []

def add_module (ara, module):
    ara.modules.append(modulu)

def run (ara):
    fun module ni self.modules:
        module.run ()

module1.py

Module 1 kilasi: def run (ara): tẹjade ("Module 1 nṣiṣẹ")

module2.py

Module2 kilasi: def run (ara): tẹjade ("Module 2 nṣiṣẹ")

akọkọ.py

ti name == "akọkọ": Sisan iṣẹ = Sisan iṣẹ () workflow.add_module(Module1()) workflow.add_module(Module2()) workflow.run ()

Ninu apẹẹrẹ yii, a ni kilaasi `Ise-iṣẹ` ti o ṣakoso atokọ ti awọn modulu. Kọọkan module jẹ lodidi fun kan pato iṣẹ-ṣiṣe, ati awọn ti wọn wa ni afikun si awọn bisesenlo lilo awọn `add_module` ọna. Ọna `run` ni a lo lati ṣiṣẹ module kọọkan ninu ṣiṣan iṣẹ.

## Awọn aṣoju AI

Awọn aṣoju AI jẹ awọn paati sọfitiwia ti o lo awọn algoridimu ikẹkọ ẹrọ lati ṣe awọn ipinnu ati ṣe awọn iṣe ninu eto kan. Wọn le ṣee lo lati ṣe adaṣe awọn iṣẹ ṣiṣe, ilọsiwaju iriri olumulo, ati mu iṣẹ ṣiṣe eto ṣiṣẹ.

Awọn oriṣi pupọ ti awọn aṣoju AI wa, pẹlu:

** Awọn aṣoju ti o da lori ofin ***: Awọn aṣoju wọnyi lo awọn ofin asọye tẹlẹ lati ṣe awọn ipinnu.
** Awọn aṣoju ẹkọ ẹrọ ***: Awọn aṣoju wọnyi lo awọn algoridimu ikẹkọ ẹrọ lati kọ ẹkọ lati data ati ṣe awọn ipinnu.
** Awọn aṣoju arabara ***: Awọn aṣoju wọnyi ṣajọpọ ipilẹ-ofin ati awọn ọna ikẹkọ ẹrọ lati ṣe awọn ipinnu.

Eyi jẹ apẹẹrẹ ti aṣoju AI ti o rọrun ni Python nipa lilo algorithm ikẹkọ ẹrọ kan:
`` Python
# aṣoju.py
lati sklearn.ensemble gbe wọle RandomForestClassifier
lati sklearn.model_selection gbe wọle train_test_split
lati sklearn.datasets gbe wọle load_iris

Aṣoju kilasi:
    defi __init__(ara):
        self.model = RandomForestClassifier ()

    ọkọ oju irin (ara, X, y):
        X_train, X_test, y_train, y_test = train_test_split (X, y, test_size=0.2, random_state=42)
        self.model.fit (X_train, y_train)

    def asọtẹlẹ (ara, X):
        da ara-ẹni pada.awoṣe.sọtẹlẹ (X)

# akọkọ.py
ti __name__ == "__akọkọ__":
    iris = load_iris ()
    X = iris.data
    y = iris.afojusun
    aṣoju = Aṣoju ()
    agent.train(X, y)
    awọn asọtẹlẹ = agent.predict(X)
    tẹjade (awọn asọtẹlẹ)

Ni apẹẹrẹ yii, a ni oluranlowo AI ti o rọrun ti o nlo iyasọtọ igbo laileto lati ṣe awọn asọtẹlẹ. Aṣoju naa ti ni ikẹkọ lori iris dataset ati ṣe awọn asọtẹlẹ lori dataset kanna.

Iṣakojọpọ Awọn aṣoju AI ati Iṣagbekale Ise-iṣẹ Modular

Apapọ awọn aṣoju AI ati faaji iṣan-iṣẹ apọjuwọn gba wa laaye lati ṣẹda awọn ọna ṣiṣe ti o nipọn ti o ṣepọ ṣiṣe ipinnu-iwakọ AI pẹlu apọjuwọn, faaji iwọn.

Eyi jẹ apẹẹrẹ ti eto kan ti o ṣajọpọ awọn aṣoju AI ati faaji iṣan-iṣẹ apọjuwọn: `` Python

bisesenlo.py

Ṣiṣan iṣẹ kilasi: defi init(ara): self.modules = [] self.agent = Kò

def add_module (ara, module):
    ara.modules.append(modulu)

def add_agent (ara, aṣoju):
    self.agent = oluranlowo

def run (ara):
    fun module ni self.modules:
        module.run ()
    ti ara ẹni.agent:
        ara-ẹni.asọtẹlẹ ()

module1.py

Module 1 kilasi: def run (ara): tẹjade ("Module 1 nṣiṣẹ")

module2.py

Module2 kilasi: def run (ara): tẹjade ("Module 2 nṣiṣẹ")

aṣoju.py

lati sklearn.ensemble gbe wọle RandomForestClassifier lati sklearn.model_selection gbe wọle train_test_split lati sklearn.datasets gbe wọle load_iris

Aṣoju kilasi: defi init(ara): self.model = RandomForestClassifier ()

ọkọ oju irin (ara, X, y): X_train, X_test, y_train, y_test = train_test_split (X, y, test_size=0.2, random_state=42) self.model.fit (X_train, y_train)

def asọtẹlẹ (ara, X):
    da ara-ẹni pada.awoṣe.sọtẹlẹ (X)

akọkọ.py

ti name == "akọkọ": Sisan iṣẹ = Sisan iṣẹ () workflow.add_module(Module1()) workflow.add_module(Module2()) aṣoju = Aṣoju () agent.train(X, y) workflow.add_agent(aṣoju) workflow.run ()

Ninu apẹẹrẹ yii, a ni eto kan ti o ṣajọpọ awọn aṣoju AI ati faaji iṣan-iṣẹ apọjuwọn. Eto naa ni awọn modulu meji ati aṣoju AI ti o nlo iyasọtọ igbo laileto lati ṣe awọn asọtẹlẹ. Aṣoju naa ni afikun si ṣiṣan iṣẹ nipa lilo ọna `add_agent`, ati pe o ṣe awọn asọtẹlẹ lẹhin ti awọn modulu ti ṣiṣẹ.

## Top 5-10 Awọn aṣẹ ti a lo julọ / awọn snippets

Eyi ni diẹ ninu awọn aṣẹ ti o wọpọ julọ ati awọn snippets fun ṣiṣe apẹrẹ iwọn ati awọn eto sọfitiwia AI-iwakọ pẹlu ilana faaji iṣan-iṣẹ apọjuwọn ati awọn aṣoju AI:

1. **Python**: `akowọle pandas bi pd` (akowọle ile-ikawe pandas)
2. **Python**: `pd.read_csv('data.csv')` (kika faili CSV sinu pandas dataframe)
3. ** Python ***: `agent.train (X, y)` (ikẹkọ aṣoju AI kan lori dataset)
4. ** Python ***: `agent.predict (X)` (ṣe awọn asọtẹlẹ nipa lilo oluranlowo AI)
5. ** Ipata ***: ` jẹ ki mut oluranlowo = Aṣoju :: titun () ` (ṣẹda titun AI oluranlowo ni ipata)
6. ** Rust ***: `agent.train (X, y)` (ikẹkọ aṣoju AI kan lori dataset ni ipata)
7. **Lọ**: `aṣoju:= NewAgent()` (ṣẹda aṣoju AI tuntun ni Go)
8. ** Lọ **: `agent.Train (X, y)` (ikẹkọ aṣoju AI kan lori dataset ni Go)
9. **Chart.js**: `const chart = Chart tuntun (ctx, {type: 'bar', data: {aami: ['Label 1', 'Label 2'], datasets: [{aami: 'Dataset 1', data: [10, 20]}]]}}});' (Ṣiṣẹda aworan apẹrẹ.
10. ** Chart.js ***: `chart.data.datasets [0].data.push (30)` (fifi aaye data titun kun si aworan apẹrẹ nipa lilo Chart.js)

## Wiwo

Eyi ni apẹẹrẹ ti apẹrẹ igi ni lilo Chart.js:
`` json
{
  "type": "ọgọ",
  "data": {
    "aami": ["Àmì 1", "Àmì 2"],
    "awọn ipilẹ data": [
      {
        "label": "Àtòkọ data 1",
        "data": [10, 20]
      }
    ]
  }
}

Atẹ yii ni awọn aami meji ati ipilẹ data kan pẹlu awọn aaye data meji. Aworan naa le ṣe adani nipa lilo awọn aṣayan pupọ ati eto.

Ipari

Ṣiṣapẹrẹ iwọn ati awọn ọna ṣiṣe sọfitiwia AI-iwa pẹlu adaṣe iṣan-iṣẹ apọjuwọn ati awọn aṣoju AI nilo oye ti o jinlẹ ti awọn ilọsiwaju tuntun ni AI, imọ-ẹrọ sọfitiwia, ati faaji. Nipa apapọ awọn aṣoju AI ati faaji ṣiṣiṣẹsẹhin modular, a le ṣẹda awọn ọna ṣiṣe ti o nipọn ti o ṣepọ ṣiṣe ipinnu-iwakọ AI pẹlu apọjuwọn, faaji iwọn.

Ninu nkan yii, a ti ṣawari awọn ipilẹ apẹrẹ ati awọn iṣe ti o dara julọ fun ṣiṣẹda apọjuwọn, iwọn, ati awọn eto sọfitiwia ti iṣe ti o ṣepọ awọn aṣoju AI ati faaji iṣan-iṣẹ modular. A tun ti pese awọn apẹẹrẹ ti awọn aṣoju AI ti o rọrun ati faaji iṣan-iṣẹ apọjuwọn ni Python, Rust, ati Go, ati apẹẹrẹ iworan kan nipa lilo Chart.js.

Nipa titẹle awọn itọnisọna ati awọn iṣe ti o dara julọ ti a ṣe alaye ninu nkan yii, awọn olupilẹṣẹ le ṣẹda awọn ọna ṣiṣe sọfitiwia AI ti o lagbara ati mimu ti o pade awọn iwulo awọn ohun elo ati awọn ile-iṣẹ ode oni.

Have Questions?

Let's Talk

Contact me on LinkedIn