Réamhrá
Mar thoradh ar an dul chun cinn tapa in Intleacht Shaorga (AI) agus innealtóireacht bogearraí tá forbairt ar chórais bogearraí casta a chomhtháthaíonn gníomhairí AI agus ailtireacht sreafa oibre modúlach. Tá an poitéinseal ag na córais seo an bealach a théimid i ngleic le huathoibriú agus ceolfhoireann DevOps a athrú ó bhonn. Mar sin féin, teastaíonn tuiscint dhomhain ar na dul chun cinn is déanaí in AI, innealtóireacht bogearraí agus ailtireacht chun córais bogearraí inscálaithe agus eiticiúla a dhearadh atá faoi thiomáint ag AI.
San Airteagal seo, déanfaimid iniúchadh ar na prionsabail dearaidh agus na cleachtais is fearr chun córais bogearraí modúlach, inscálaithe agus eiticiúla a chruthú a chomhtháthaíonn gníomhairí AI agus ailtireacht sreafa oibre modúlach. Díreoimid ar na dul chun cinn is déanaí in AI (Samhlacha Móra Teanga (LLManna), Giniúint Mhéadaithe Aisghabhála (RAG)), innealtóireacht bogearraí (Python, Rust, Go), agus ailtireacht a chomhcheangal chun córais láidre agus inchothaithe a chruthú.
Ailtireacht Shreabhadh Oibre Mhodúil
Is patrún dearaidh é ailtireacht sreafa oibre modúlach a bhriseann córais chasta síos i modúil níos lú, neamhspleácha ar féidir iad a chothabháil, a nuashonrú agus a scála go héasca. Tá gach modúl freagrach as tasc nó feidhm ar leith, agus déanann siad cumarsáid lena chéile trí chomhéadain dea-shainithe.
Seo sampla simplí d’ailtireacht modúlach sreabhadh oibre i Python:
# sreabhadh oibre.py
Sreabhadh Oibre ranga:
def __init__(féin):
féin.modúil = []
def add_module(féin, modúl):
féin.modúil.aguisín(modúl)
rith def(féin):
le haghaidh modúl i féin.modúil:
modúl.run()
# modúl1.py
Modúl Aicme1:
rith def(féin):
print ("Tá Modúl 1 ar siúl")
# modúl2.py
Modúl Aicme2:
rith def(féin):
print ("Tá Modúl 2 ar siúl")
# príomh.py
má tá __name__ == "__main__":
sreabhadh oibre = Workflow()
workflow.add_module(Modúl1())
workflow.add_module(Modúl2())
sreabhadh oibre.run()
Sa sampla seo, tá rang Sreabhadh Oibre againn a bhainistíonn liosta modúl. Tá gach modúl freagrach as tasc ar leith, agus cuirtear leis an sreabhadh oibre iad ag baint úsáide as an modh add_module. Úsáidtear an modh rith chun gach modúl a rith sa sreabhadh oibre.
Gníomhairí AI
Is comhpháirteanna bogearraí iad gníomhairí AI a úsáideann halgartaim meaisínfhoghlama chun cinntí a dhéanamh agus gníomhartha a dhéanamh i gcóras. Is féidir iad a úsáid chun tascanna a uathoibriú, taithí úsáideora a fheabhsú, agus feidhmíocht an chórais a bharrfheabhsú.
Tá roinnt cineálacha gníomhairí AI ann, lena n-áirítear:
- Gníomhairí bunaithe ar rialacha: Úsáideann na gníomhairí seo rialacha réamhshainithe chun cinntí a dhéanamh.
- ** Gníomhairí foghlama meaisín**: Úsáideann na gníomhairí seo halgartaim meaisínfhoghlama chun foghlaim ó shonraí agus chun cinntí a dhéanamh.
- Gníomhairí hibrideacha: Comhcheanglaíonn na gníomhairí seo cineálacha cur chuige bunaithe ar rialacha agus meaisínfhoghlama chun cinntí a dhéanamh.
Seo sampla de ghníomhaire AI simplí i Python ag baint úsáide as algartam meaisínfhoghlama:
# gníomhaire.py
ó allmhairiú sklearn.ensemble RandomForestClassifier
ó iompórtáil sklearn.model_selection train_test_split
ó sklearn.datasets allmhairiú load_iris
gníomhaire ranga:
def __init__(féin):
self.model = Rangaitheoir RandomForest()
traein def (féin, 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 tuar(féin, X):
tabhair ar ais self.model.predict(X)
# príomh.py
má tá __name__ == "__main__":
iris = load_iris()
X = iris.data
y = iris.target
gníomhaire = Gníomhaire()
gníomhaire.train(X,y)
tuar = gníomhaire.predict(X)
cló (tuartha)
Sa sampla seo, tá gníomhaire AI simplí againn a úsáideann aicmitheoir foraoise randamach chun tuar a dhéanamh. Cuirtear oiliúint ar an ngníomhaire ar an tacar sonraí in iris agus déanann sé tuar ar an tacar sonraí céanna.
Gníomhairí AI agus Ailtireacht Shreabhadh Oibre Mhodúil a Chomhcheangal
Trí ghníomhairí AI agus ailtireacht sreafa oibre mhodúlach a chomhcheangal, is féidir linn córais chasta a chruthú a chomhtháthaíonn cinnteoireacht atá á thiomáint ag AI le hailtireacht modúlach inscálaithe.
Seo sampla de chóras a chomhcheanglaíonn gníomhairí AI agus ailtireacht sreafa oibre modúlach:
# sreabhadh oibre.py
Sreabhadh Oibre ranga:
def __init__(féin):
féin.modúil = []
self.agent = Níl aon cheann
def add_module(féin, modúl):
féin.modúil.aguisín(modúl)
def add_agent(féin, gníomhaire):
féin.agent = gníomhaire
rith def(féin):
le haghaidh modúl i féin.modúil:
modúl.run()
más féin.ghníomhaire:
féin.gníomhaire.tuar()
# modúl1.py
Modúl Aicme1:
rith def(féin):
print ("Tá Modúl 1 ar siúl")
# modúl2.py
Modúl Aicme2:
rith def(féin):
print ("Tá Modúl 2 ar siúl")
# gníomhaire.py
ó allmhairiú sklearn.ensemble RandomForestClassifier
ó iompórtáil sklearn.model_selection train_test_split
ó sklearn.datasets allmhairiú load_iris
gníomhaire ranga:
def __init__(féin):
self.model = Rangaitheoir RandomForest()
traein def (féin, 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 tuar(féin, X):
tabhair ar ais self.model.predict(X)
# príomh.py
má tá __name__ == "__main__":
sreabhadh oibre = Workflow()
workflow.add_module(Modúl1())
workflow.add_module(Modúl2())
gníomhaire = Gníomhaire()
gníomhaire.train(X,y)
workflow.add_agent(gníomhaire)
sreabhadh oibre.run()
Sa sampla seo, tá córas againn a chomhcheanglaíonn gníomhairí AI agus ailtireacht sreafa oibre modúlach. Tá dhá mhodúl sa chóras agus gníomhaire AI a úsáideann aicmitheoir foraoise randamach chun tuar a dhéanamh. Cuirtear an gníomhaire leis an sreabhadh oibre ag baint úsáide as an modh add_agent, agus déanann sé réamh-mheastacháin tar éis na modúil a rith.
Na 5-10 nOrd/Blúire is Mó Úsáidte
Seo a leanas roinnt de na horduithe agus na gearrthóga is coitianta a úsáidtear chun córais bogearraí inscálaithe agus eiticiúla faoi thiomáint AI a dhearadh le hailtireacht modúlach sreabhadh oibre agus gníomhairí AI:
- Python:
allmhairiú pandas mar pd(leabharlann na pandas á iompórtáil) - Python:
pd.read_csv('data.csv')(comhad CSV á léamh i bhfráma sonraí pandas) - Python:
agent.train(X, y)(gníomhaire AI a oiliúint ar thacar sonraí) - Python:
agent.predict(X)(tuar a dhéanamh ag baint úsáide as gníomhaire AI) - Meirge:
let mut agent = Gníomhaire::nua()(ag cruthú gníomhaire AI nua i Rust) - Meirge:
agent.train(X, y)(gníomhaire AI a thraenáil ar thacar sonraí i Rust) - Téigh:
gníomhaire := NewAgent()(ag cruthú gníomhaire AI nua in Go) - Téigh:
agent.Train(X, y)(gníomhaire AI a thraenáil ar thacar sonraí in Go) - Chart.js:
const chart = Cairt nua(ctx, { cineál: 'barra', sonraí: { lipéid: ['Lipéad 1', 'Lipéad 2'], tacair shonraí: [{ lipéad: 'Stácar Sonraí 1', sonraí: [10, 20] }] } });(barrachairt á chruthú ag baint úsáide as Cairt.j. - Chart.js:
chart.data.datasets[0].data.push(30)(pointe sonraí nua á chur le cairt ag baint úsáide as Chart.js)
Amharcléiriú
Seo sampla de bharrachairt a úsáideann Chart.js:
{
"cineál": "barra",
"sonraí": {
"lipéid": ["Lipéad 1", "Lipéad 2"],
"tacair sonraí": [
{
"label" : "Tacar Sonraí 1",
"sonraí": [10, 20]
}
]
}
}
Tá dhá lipéad ar an gcairt seo agus tacar sonraí amháin le dhá phointe sonraí. Is féidir an chairt a shaincheapadh trí roghanna agus socruithe éagsúla a úsáid.
Conclúid
Teastaíonn tuiscint dhomhain ar na dul chun cinn is déanaí in AI, innealtóireacht bogearraí agus ailtireacht chun córais bogearraí AI-tiomáinte inscálaithe agus eiticiúil a dhearadh le hailtireacht modúlach sreabhadh oibre agus gníomhairí AI. Trí ghníomhairí AI agus ailtireacht sreafa oibre mhodúlach a chomhcheangal, is féidir linn córais chasta a chruthú a chomhtháthaíonn cinnteoireacht atá á thiomáint ag AI le hailtireacht modúlach inscálaithe.
San Airteagal seo, rinneamar iniúchadh ar na prionsabail dearaidh agus na cleachtais is fearr chun córais bogearraí modúlach, inscálaithe agus eiticiúla a chruthú a chomhtháthaíonn gníomhairí AI agus ailtireacht sreafa oibre modúlach. Tá samplaí de ghníomhairí AI simplí agus ailtireacht sreafa oibre modúlach curtha ar fáil againn freisin i Python, Rust, and Go, chomh maith le sampla léirshamhlaithe ag baint úsáide as Chart.js.
Trí na treoirlínte agus na cleachtais is fearr a leagtar amach san Airteagal seo a leanúint, is féidir le forbróirí córais bogearraí atá láidir agus inchothaithe a chruthú faoi stiúir AI a fhreastalaíonn ar riachtanais na bhfeidhmchlár agus na dtionscal nua-aimseartha.