Smíði sjálfgræðandi hugbúnaðarkerfi með fjölmiðla gervigreindararkitektúr og Langkeðju
Kynning
Í hraðskreiðum hugbúnaðarþróunarlandslagi nútímans er bygging sjálfgræðandi hugbúnaðarkerfa orðin mikilvæg krafa til að tryggja áreiðanleika, sveigjanleika og seiglu flókinna hugbúnaðarkerfa. Hefðbundin einhæf arkitektúr dugar ekki lengur til að mæta kröfum nútíma hugbúnaðarþróunar þar sem kerfi verða að geta lagað sig að breyttum kröfum, séð um óvæntar bilanir og endurheimt villur fljótt. Þetta er þar sem fjölmiðla gervigreindararkitektúr og LangChain koma við sögu, sem býður upp á öfluga lausn til að byggja upp sjálfgræðandi hugbúnaðarkerfi sem geta lært, aðlagast og brugðist við breyttum aðstæðum.
Hvað eru Multi-Agent AI arkitektúr?
Multi-agent AI arkitektúr er tegund dreifðs AI kerfis sem samanstendur af mörgum sjálfstæðum umboðsmönnum sem hafa samskipti sín á milli og umhverfi sitt til að ná sameiginlegu markmiði. Hver umboðsmaður hefur sína eigin ákvarðanatökugetu, þekkingu og úrræði og þeir geta átt samskipti sín á milli til að miðla upplýsingum, samræma aðgerðir og laga sig að breyttum aðstæðum.
Í samhengi hugbúnaðarkerfa er hægt að nota fjölmiðla gervigreindararkitektúr til að byggja upp sjálfgræðandi kerfi sem geta greint og brugðist við villum, bilunum og öðrum frávikum í rauntíma. Með því að dreifa ákvarðanatökuferlinu á marga aðila geta þessi kerfi lært af reynslunni, lagað sig að breyttum aðstæðum og jafnað sig fljótt eftir villur.
Hvað er LangChain?
LangChain er opið Python bókasafn til að byggja upp gervigreindarkerfi með mörgum umboðsmönnum. Það veitir einfaldan, sveigjanlegan og stigstærðan ramma til að byggja upp flókin gervigreind kerfi sem geta lært, aðlagast og brugðist við breyttum aðstæðum. LangChain er hannað til að vinna með fjölbreytt úrval gervigreindarramma, þar á meðal TensorFlow, PyTorch og Keras, og er hægt að nota til að byggja kerfi sem samþættast ýmsum gagnaveitum, þar á meðal gagnagrunna, API og IoT tæki.
Smíði sjálfgræðandi hugbúnaðarkerfi með LangChain
Til að byggja upp sjálfgræðandi hugbúnaðarkerfi með LangChain þurfum við að hanna fjölmiðla gervigreindararkitektúr sem getur greint og brugðist við villum, bilunum og öðrum frávikum í rauntíma. Hér er yfirlit á háu stigi yfir arkitektúrinn:
- Hönnun umboðsmanns: Við þurfum að hanna hóp sjálfstæðra umboðsmanna sem geta haft samskipti sín á milli og umhverfi sitt til að ná sameiginlegu markmiði. Hver umboðsmaður ætti að hafa sína eigin ákvarðanatökugetu, þekkingu og úrræði.
- Þekkingargraf: Við þurfum að búa til þekkingargraf sem sýnir tengslin milli aðilanna, umhverfisins og markmiða kerfisins. Þetta línurit er hægt að nota til að rökræða um stöðu kerfisins og taka ákvarðanir.
- Ákvarðanataka: Við þurfum að innleiða ákvarðanatökuferli sem gerir umboðsmönnum kleift að rökræða um stöðu kerfisins og taka ákvarðanir út frá þekkingargrafinu.
- Framkvæmd aðgerða: Við þurfum að innleiða framkvæmd aðgerðaferli sem gerir umboðsmönnum kleift að framkvæma ákvarðanir sínar og hafa samskipti við umhverfið.
Hér er einfalt dæmi um sjálfgræðandi hugbúnaðarkerfi sem byggt er með LangChain:
flytja inn langkeðju
frá langchain.agents import Agent
frá langchain.llms import LLM
línurit = {
'umboðsmaður': ['umboðsmaður1', 'umboðsmaður2', 'umboðsmaður3'],
'umhverfi': ['gagnagrunnur', 'API', 'IoT tæki'],
'markmið': ['greina villur', 'bregðast við mistökum', 'batna eftir villum']
}
# Skilgreindu ákvarðanatökuferlið
def ákvarðanatöku(umboðsmaður, þekkingarrit):
# Ástæða fyrir stöðu kerfisins
ástand = þekkingargraf['umboðsmenn'][umboðsmaður]
# Taktu ákvörðun út frá ríkinu
ákvörðun = 'svara við bilun'
ákvörðun um skil
# Skilgreindu framkvæmd aðgerðaferlisins
def action_execution (umboðsmaður, ákvörðun):
# Framkvæmdu ákvörðunina
ef ákvörðun == 'svara við bilun':
# Bregðast við bilun
print('Svara við bilun...')
skila
# Búðu til LangChain umboðsmann
umboðsmaður = umboðsmaður(
name='sjálf-heilandi-miðill',
ákvarðanataka=ákvarðanataka,
action_execution=action_execution,
þekkingargraf = línurit
)
# Búðu til LangChain LLM
llm = LLM(
name='self-healing-llm',
model='davinci'
)
# Búðu til LangChain kerfi
system = langchain.System(
umboðsmaður=umboðsmaður,
llm=llm
)
# Keyra kerfið
system.run()
Þetta dæmi sýnir einfalt sjálfgræðandi hugbúnaðarkerfi sem getur greint villur, brugðist við bilunum og endurheimt villur fljótt. Kerfið samanstendur af mengi sjálfstæðra aðila sem hafa samskipti sín á milli og umhverfi sitt til að ná sameiginlegu markmiði. Umboðsmenn nota þekkingargraf til að rökræða um stöðu kerfisins og taka ákvarðanir út frá línuritinu.
Top 5-10 mest notuðu skipanir/bútar
Hér eru 5-10 mest notuðu skipanir/bútar fyrir LangChain:
langchain.Agent(): Býr til nýjan LangChain umboðsmann.langchain.LLM(): Býr til nýja LangChain LLM.langchain.System(): Býr til nýtt LangChain kerfi.agent.decision_making(): Keyrir ákvarðanatökuferli umboðsmanns.agent.action_execution(): Keyrir aðgerðarferli fyrir umboðsmann.llm.predict(): Gerir spá með því að nota LLM.system.run(): Keyrir LangChain kerfið.graph.add_node(): Bætir nýjum hnút við þekkingargrafið.graph.add_edge(): Bætir nýrri brún við þekkingargrafið.graph.remove_node(): Fjarlægir hnút úr þekkingargrafinu.
Sjónræn
Hér er einföld mynd af þekkingargrafinu með því að nota Chart.js:
{
"type": "graf",
"gögn": {
"hnútar": [
{"id": "umboðsmaður1", "label": "Umboðsmaður 1"},
{"id": "umboðsmaður2", "label": "Umboðsmaður 2"},
{"id": "umboðsmaður3", "label": "Umboðsmaður 3"},
{"id": "gagnagrunnur", "label": "gagnagrunnur"},
{"id": "API", "label": "API"},
{"id": "IoT tæki", "label": "IoT tæki"}
],
"brúnir": [
{"source": "agent1", "target": "gagnagrunnur"},
{"source": "agent2", "target": "API"},
{"source": "agent3", "target": "IoT tæki"},
{"source": "agent1", "target": "agent2"},
{"source": "agent2", "target": "agent3"}
]
},
"valkostir": {
"skipulag": {
"type": "hringlaga"
},
"hnútar": {
"stærð": 50
},
"kantar": {
"breidd": 2
}
}
}
Þessi sjónmynd sýnir tengslin milli umboðsmanna, umhverfisins og markmiða kerfisins.
Niðurstaða
Að byggja upp sjálfgræðandi hugbúnaðarkerfi með fjölmiðla gervigreindararkitektúr og LangChain býður upp á öfluga lausn til að tryggja áreiðanleika, sveigjanleika og seiglu flókinna hugbúnaðarkerfa. Með því að dreifa ákvarðanatökuferlinu á marga aðila geta þessi kerfi lært af reynslunni, lagað sig að breyttum aðstæðum og jafnað sig fljótt eftir villur. Með LangChain geta verktaki smíðað flókin gervigreind kerfi sem samþættast margs konar gagnagjafa, þar á meðal gagnagrunna, API og IoT tæki. Með því að fylgja dæmikóðann og nota 5-10 mest notuðu skipanirnar/bútana, geta verktaki byggt upp sín eigin sjálfgræðandi hugbúnaðarkerfi með LangChain.