Hanna skalanleg og siðferðileg gervigreindardrifin hugbúnaðarkerfi með mátvinnuflæðisarkitektúr og gervigreindarmiðlum

Inngangur

Hinar öru framfarir í gervigreind (AI) og hugbúnaðarverkfræði hafa leitt til þróunar flókinna hugbúnaðarkerfa sem samþætta gervigreind umboðsmenn og mátvinnuflæðisarkitektúr. Þessi kerfi hafa tilhneigingu til að gjörbylta því hvernig við nálgumst DevOps sjálfvirkni og hljómsveit. Hins vegar, að hanna stigstærð og siðferðileg gervigreindardrifin hugbúnaðarkerfi krefst djúps skilnings á nýjustu framförum í gervigreind, hugbúnaðarverkfræði og byggingarlist.

Í þessari grein munum við kanna hönnunarreglur og bestu starfsvenjur til að búa til mát, stigstærð og siðferðileg hugbúnaðarkerfi sem samþætta gervigreindarmiðla og mátvinnuflæðisarkitektúr. Við munum einbeita okkur að því að sameina nýjustu framfarirnar í gervigreind (Large Language Models (LLM), Retrieval-Augmented Generation (RAG)), hugbúnaðarverkfræði (Python, Rust, Go) og arkitektúr til að búa til öflug og viðhaldshæf kerfi.

Modular Workflow Architecture

Modular workflow arkitektúr er hönnunarmynstur sem brýtur niður flókin kerfi í smærri, sjálfstæðar einingar sem auðvelt er að viðhalda, uppfæra og skala. Hver eining ber ábyrgð á ákveðnu verkefni eða hlutverki og þau hafa samskipti sín á milli í gegnum vel skilgreind viðmót.

Hér er einfalt dæmi um einingavinnuflæðisarkitektúr í Python:

# workflow.py
Class Workflow:
    def __init__(sjálf):
        self.modules = []

    def add_module (sjálf, mát):
        self.modules.append(modules)

    def run (sjálf):
        fyrir mát í self.modules:
            module.run()

# mát1.py
flokkur Module1:
    def run (sjálf):
        print("Eining 1 er í gangi")

# mát2.py
flokkur Module2:
    def run (sjálf):
        print("Eining 2 er í gangi")

# aðal.py
ef __nafn__ == "__aðal__":
    workflow = Workflow()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    workflow.run()

Í þessu dæmi erum við með Workflow flokk sem heldur utan um lista yfir einingar. Hver eining ber ábyrgð á ákveðnu verkefni og þeim er bætt við verkflæðið með því að nota add_module aðferðina. Run aðferðin er notuð til að keyra hverja einingu í verkflæðinu.

gervigreind umboðsmenn

AI umboðsmenn eru hugbúnaðaríhlutir sem nota vélræna reiknirit til að taka ákvarðanir og grípa til aðgerða í kerfi. Hægt er að nota þau til að gera sjálfvirk verkefni, bæta notendaupplifun og hámarka afköst kerfisins.

Það eru nokkrar gerðir gervigreindarefna, þar á meðal:

• Rule-based agents: Þessir umboðsmenn nota fyrirfram skilgreindar reglur til að taka ákvarðanir.
• Vélanámsmiðlar: Þessir umboðsmenn nota vélanámsreiknirit til að læra af gögnum og taka ákvarðanir.
• Hybrid agents: Þessir umboðsmenn sameina reglubundnar og vélrænar aðferðir til að taka ákvarðanir.

Hér er dæmi um einfaldan gervigreind umboðsmann í Python sem notar vélrænt reiknirit:

# umboðsmaður.py
frá sklearn.ensemble flytur inn RandomForestClassifier
frá sklearn.model_selection import train_test_split
frá sklearn.datasets import load_iris

flokks umboðsmaður:
    def __init__(sjálf):
        self.model = RandomForestClassifier()

    def lest(sjálf, 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 spá(sjálf, X):
        skila self.model.predict(X)

# aðal.py
ef __nafn__ == "__aðal__":
    iris = load_iris()
    X = iris.data
    y = iris.target
    umboðsmaður = umboðsmaður()
    agent.train(X, y)
    spár = umboðsmaður.spá(X)
    prenta (spár)

Í þessu dæmi höfum við einfaldan gervigreindarmiðil sem notar tilviljunarkenndan skógarflokkara til að spá. Umboðsmaðurinn er þjálfaður á lithimnu gagnasafninu og gerir spár um sama gagnasafn.

Sameinar gervigreindarmiðlar og mátvinnuflæðisarkitektúr

Með því að sameina gervigreind umboðsmenn og mátvinnuflæðisarkitektúr gerir okkur kleift að búa til flókin kerfi sem samþætta gervigreindardrifna ákvarðanatöku við máta, skalanlegan arkitektúr.

Hér er dæmi um kerfi sem sameinar gervigreindarmiðla og mátvinnuflæðisarkitektúr:

# workflow.py
Class Workflow:
    def __init__(sjálf):
        self.modules = []
        self.agent = Enginn

    def add_module (sjálf, mát):
        self.modules.append(modules)

    def add_agent(sjálf, umboðsmaður):
        self.agent = umboðsmaður

    def run (sjálf):
        fyrir mát í self.modules:
            module.run()
        if self.agent:
            self.agent.predict()

# mát1.py
flokkur Module1:
    def run (sjálf):
        print("Eining 1 er í gangi")

# mát2.py
flokkur Module2:
    def run (sjálf):
        print("Eining 2 er í gangi")

# umboðsmaður.py
frá sklearn.ensemble flytur inn RandomForestClassifier
frá sklearn.model_selection import train_test_split
frá sklearn.datasets import load_iris

flokks umboðsmaður:
    def __init__(sjálf):
        self.model = RandomForestClassifier()

    def lest(sjálf, 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 spá(sjálf, X):
        skila self.model.predict(X)

# aðal.py
ef __nafn__ == "__aðal__":
    workflow = Workflow()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    umboðsmaður = umboðsmaður()
    agent.train(X, y)
    workflow.add_agent(agent)
    workflow.run()

Í þessu dæmi höfum við kerfi sem sameinar gervigreind umboðsmenn og mátvinnuflæðisarkitektúr. Kerfið hefur tvær einingar og AI umboðsmann sem notar tilviljunarkenndan skógarflokkara til að gera spár. Umboðsmaðurinn er bætt við verkflæðið með því að nota add_agent aðferðina og hann gerir spár eftir að einingarnar hafa keyrt.

Topp 5-10 mest notuðu skipanir/bútar

Hér eru nokkrar af algengustu skipunum og bútunum til að hanna stigstærð og siðferðileg gervigreindardrifin hugbúnaðarkerfi með einingavinnuflæðisarkitektúr og gervigreindarmiðlum:

1. Python: flytja inn panda sem pd (flytur inn pandasafnið)
2. Python: pd.read_csv('data.csv') (les CSV skrá inn í pandas gagnaramma)
3. Python: agent.train(X, y) (þjálfun gervigreindarfulltrúa á gagnasafni)
4. Python: agent.predict(X) (gerir spár með gervigreindarmiðli)
5. Rust: let mut agent = Agent::new() (býr til nýjan AI umboðsmann í Rust)
6. Rust: agent.train(X, y) (þjálfar gervigreind umboðsmann á gagnasafni í Rust)
7. Go: agent := NewAgent() (býr til nýjan AI umboðsmann í Go)
8. Go: agent.Train(X, y) (þjálfa gervigreind umboðsmann á gagnasafni í Go)
9. Chart.js: const chart = new Chart(ctx, { type: 'bar', data: { labels: ['Label 1', 'Label 2'], datasets: [{ label: 'Dataset 1', data: [10, 20] }] } }); (að búa til súlurit með Chart.js)
10. Chart.js: chart.data.datasets[0].data.push(30) (bætir nýjum gagnapunkti við myndrit með Chart.js)

Sjónræn

Hér er dæmi um súlurit sem notar Chart.js:

{
  "type": "bar",
  "gögn": {
    "labels": ["Label 1", "Label 2"],
    "gagnasett": [
      {
        "label": "Gagnasett 1",
        "gögn": [10, 20]
      }
    ]
  }
}

Þetta graf hefur tvö merki og eitt gagnasafn með tveimur gagnapunktum. Hægt er að aðlaga töfluna með ýmsum valkostum og stillingum.

Niðurstaða

Að hanna stigstærð og siðferðileg gervigreindardrifin hugbúnaðarkerfi með einingavinnuflæðisarkitektúr og gervigreindarmiðlum krefst djúps skilnings á nýjustu framförum í gervigreind, hugbúnaðarverkfræði og byggingarlist. Með því að sameina AI umboðsmenn og máta verkflæðisarkitektúr getum við búið til flókin kerfi sem samþætta gervigreindardrifna ákvarðanatöku við máta, skalanlegan arkitektúr.

Í þessari grein höfum við kannað hönnunarreglur og bestu starfsvenjur til að búa til mát, stigstærð og siðferðileg hugbúnaðarkerfi sem samþætta gervigreind umboðsmenn og mátvinnuflæðisarkitektúr. Við höfum einnig veitt dæmi um einfalda gervigreindarmiðla og einingavinnuflæðisarkitektúr í Python, Rust og Go, sem og sjónmyndardæmi með því að nota Chart.js.

Með því að fylgja leiðbeiningunum og bestu starfsvenjum sem lýst er í þessari grein geta verktaki búið til öflug og viðhaldanleg gervigreindardrifin hugbúnaðarkerfi sem uppfylla þarfir nútíma forrita og atvinnugreina.