Modulli ish jarayoni arxitekturasi va AI agentlari bilan kengaytiriladigan va axloqiy sun'iy intellektga asoslangan dasturiy ta'minot tizimlarini loyihalash | B4N1

Modulli ish jarayoni arxitekturasi va AI agentlari bilan kengaytiriladigan va axloqiy sun'iy intellektga asoslangan dasturiy ta'minot tizimlarini loyihalash

5 months ago · b4n1 Read time: 5 min

Kirish

Sun'iy intellekt (AI) va dasturiy ta'minot injiniringidagi jadal yutuqlar AI agentlari va modulli ish oqimi arxitekturasini birlashtiradigan murakkab dasturiy ta'minot tizimlarini ishlab chiqishga olib keldi. Ushbu tizimlar DevOps avtomatizatsiyasi va orkestratsiyasiga yondashuvimizni inqilob qilish potentsialiga ega. Biroq, kengaytiriladigan va axloqiy AI tomonidan boshqariladigan dasturiy ta'minot tizimlarini loyihalash AI, dasturiy injiniring va arxitekturadagi so'nggi yutuqlarni chuqur tushunishni talab qiladi.

Ushbu maqolada biz AI agentlari va modulli ish oqimi arxitekturasini birlashtirgan modulli, kengaytiriladigan va axloqiy dasturiy ta'minot tizimlarini yaratish uchun dizayn tamoyillari va eng yaxshi amaliyotlarini o'rganamiz. Biz mustahkam va texnik xizmat ko‘rsatish mumkin bo‘lgan tizimlarni yaratish uchun sun’iy intellekt (katta til modellari (LLM), qidiruvni kengaytirilgan avlod (RAG)), dasturiy ta’minot muhandisligi (Python, Rust, Go) va arxitekturadagi so‘nggi yutuqlarni birlashtirishga e’tibor qaratamiz.

Modulli ish oqimi arxitekturasi

Modulli ish oqimi arxitekturasi - bu murakkab tizimlarni osonlik bilan saqlash, yangilash va o'lchash mumkin bo'lgan kichikroq, mustaqil modullarga ajratadigan dizayn namunasidir. Har bir modul ma'lum bir vazifa yoki funksiya uchun mas'uldir va ular bir-biri bilan aniq belgilangan interfeyslar orqali muloqot qiladi.

Python-da modulli ish oqimi arxitekturasining oddiy misoli:

# workflow.py
sinf ish jarayoni:
    def __init__ (o'z-o'zidan):
        self.modules = []

    def add_module (self, modul):
        self.modules.append(modul)

    def run(self):
        self.modulesdagi modul uchun:
            module.run()

# modul1.py
1-sinf moduli:
    def run(self):
        print ("1-modul ishlamoqda")

# modul2.py
2-sinf moduli:
    def run(self):
        chop etish ("2-modul ishlamoqda")

# main.py
agar __name__ == "__asosiy__":
    ish oqimi = Ish oqimi()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    workflow.run()

Ushbu misolda biz modullar ro'yxatini boshqaradigan "Ish oqimi" sinfiga egamiz. Har bir modul ma'lum bir vazifa uchun javobgardir va ular "add_module" usuli yordamida ish jarayoniga qo'shiladi. Ish jarayonidagi har bir modulni bajarish uchun “Run” usuli qo'llaniladi.

AI agentlari

AI agentlari - bu tizimda qarorlar qabul qilish va harakatlarni amalga oshirish uchun mashinani o'rganish algoritmlaridan foydalanadigan dasturiy komponentlar. Ular vazifalarni avtomatlashtirish, foydalanuvchi tajribasini yaxshilash va tizim ish faoliyatini optimallashtirish uchun ishlatilishi mumkin.

AI agentlarining bir necha turlari mavjud, jumladan:

  • Qoidaga asoslangan agentlar: Bu agentlar qaror qabul qilish uchun oldindan belgilangan qoidalardan foydalanadilar.
  • Mashinani oʻrganish agentlari: Bu agentlar maʼlumotlardan oʻrganish va qarorlar qabul qilish uchun mashinani oʻrganish algoritmlaridan foydalanadi.
  • Gibrid agentlar: Bu agentlar qaror qabul qilish uchun qoidalarga asoslangan va mashina o‘rganish yondashuvlarini birlashtiradi.

Mashinani o'rganish algoritmidan foydalangan holda Python-da oddiy AI agentiga misol:

# agent.py
sklearn.ensemble import RandomForestClassifier dan
sklearn.model_selection import train_test_split dan
sklearn.datasets dan import load_iris

sinf agenti:
    def __init__ (o'z-o'zidan):
        self.model = RandomForestClassifier()

    def poezd (self, X, y):
        X_poezd, X_test, y_poezd, y_test = poezdni_test_split(X, y, test_size=0,2, tasodifiy_state=42)
        self.model.fit(X_poezd, y_poezd)

    def bashorat qilish (self, X):
        self.model.predict(X) ni qaytarish

# main.py
agar __name__ == "__asosiy__":
    iris = load_iris()
    X = iris.data
    y = iris.target
    agent = Agent()
    agent.poezd(X, y)
    bashorat = agent.predict(X)
    chop etish (bashorat)

Ushbu misolda bizda bashorat qilish uchun tasodifiy o'rmon tasniflagichidan foydalanadigan oddiy AI agenti mavjud. Agent iris ma'lumotlar to'plami bo'yicha o'qitiladi va xuddi shu ma'lumotlar to'plamida bashorat qiladi.

AI agentlari va modulli ish oqimi arxitekturasini birlashtirish

AI agentlari va modulli ish oqimi arxitekturasini birlashtirish bizga AI tomonidan boshqariladigan qarorlarni modulli, kengaytiriladigan arxitektura bilan birlashtiradigan murakkab tizimlarni yaratishga imkon beradi.

AI agentlari va modulli ish oqimi arxitekturasini birlashtirgan tizimga misol:

# workflow.py
sinf ish jarayoni:
    def __init__ (o'z-o'zidan):
        self.modules = []
        self.agent = Yo'q

    def add_module (self, modul):
        self.modules.append(modul)

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

    def run(self):
        self.modulesdagi modul uchun:
            module.run()
        agar self.agent:
            self.agent.predict()

# modul1.py
1-sinf moduli:
    def run(self):
        print("1-modul ishlamoqda")

# modul2.py
2-sinf moduli:
    def run(self):
        chop etish ("2-modul ishlamoqda")

# agent.py
sklearn.ensemble import RandomForestClassifier dan
sklearn.model_selection import train_test_split dan
sklearn.datasets dan import load_iris

sinf agenti:
    def __init__ (o'z-o'zidan):
        self.model = RandomForestClassifier()

    def poezd (self, X, y):
        X_poezd, X_test, y_poezd, y_test = poezdni_test_split(X, y, test_size=0,2, tasodifiy_state=42)
        self.model.fit(X_poezd, y_poezd)

    def bashorat qilish (self, X):
        self.model.predict(X) ni qaytarish

# main.py
agar __name__ == "__asosiy__":
    ish oqimi = Ish oqimi()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    agent = Agent()
    agent.poezd(X, y)
    workflow.add_agent(agent)
    workflow.run()

Ushbu misolda bizda AI agentlari va modulli ish oqimi arxitekturasini birlashtirgan tizim mavjud. Tizimda ikkita modul va bashorat qilish uchun tasodifiy o'rmon tasniflagichidan foydalanadigan AI agenti mavjud. Agent "add_agent" usuli yordamida ish jarayoniga qo'shiladi va modullar ishga tushgandan so'ng u bashorat qiladi.

Eng ko'p ishlatiladigan 5-10 ta buyruq/parchalar

Bu erda modulli ish oqimi arxitekturasi va AI agentlari bilan kengaytiriladigan va axloqiy AIga asoslangan dasturiy ta'minot tizimlarini loyihalash uchun eng ko'p ishlatiladigan buyruqlar va parchalar keltirilgan:

  1. Python: “pandalarni pd sifatida import qilish” (pandalar kutubxonasini import qilish)
  2. Python: pd.read_csv('data.csv') (CSV faylni pandalar ma'lumotlar ramkasida o'qish)
  3. Python: agent.train(X, y) (ma'lumotlar to'plamida AI agentini o'rgatish)
  4. Python: agent.predict(X) (AI agenti yordamida bashorat qilish)
  5. Rust: mut agentga ruxsat bering = Agent::new() (Rust-da yangi AI agentini yaratish)
  6. Rust: agent.train(X, y) (Rust-dagi ma'lumotlar to'plamida AI agentini o'rgatish)
  7. Go: agent := NewAgent() (Go-da yangi AI agentini yaratish)
  8. Go: agent.Train(X, y) (Go-dagi ma'lumotlar to'plamida AI agentini o'rgatish)
  9. Chart.js: const chart = new Chart(ctx, { type: 'bar', data: { labels: ['Label 1', 'Label 2'], ma'lumotlar to'plamlari: [{ label: 'Dataset 1', ma'lumotlar: [10, 20] }] } }}); (chart.j yordamida.
  10. Chart.js: chart.data.datasets[0].data.push(30) (Chart.js yordamida diagrammaga yangi maʼlumot nuqtasi qoʻshish)

Vizualizatsiya

Mana Chart.js yordamida shtrixli diagramma misoli:

{
  "turi": "bar",
  "ma'lumotlar": {
    "yorliqlar": ["Yorliq 1", "Yorliq 2"],
    "ma'lumotlar to'plami": [
      {
        "label": "1-ma'lumotlar to'plami",
        "ma'lumotlar": [10, 20]
      }
    ]
  }
}

Ushbu diagrammada ikkita yorliq va ikkita ma'lumot nuqtasi bo'lgan bitta ma'lumotlar to'plami mavjud. Diagramma turli xil variantlar va sozlamalar yordamida moslashtirilishi mumkin.

Xulosa

Modulli ish jarayoni arxitekturasi va AI agentlari bilan kengaytiriladigan va axloqiy AI tomonidan boshqariladigan dasturiy ta'minot tizimlarini loyihalash AI, dasturiy ta'minot muhandisligi va arxitekturadagi so'nggi yutuqlarni chuqur tushunishni talab qiladi. AI agentlari va modulli ish oqimi arxitekturasini birlashtirib, biz AI asosidagi qarorlar qabul qilishni modulli, kengaytiriladigan arxitektura bilan birlashtiradigan murakkab tizimlarni yaratishimiz mumkin.

Ushbu maqolada biz AI agentlari va modulli ish oqimi arxitekturasini birlashtirgan modulli, kengaytiriladigan va axloqiy dasturiy ta'minot tizimlarini yaratish uchun dizayn tamoyillari va eng yaxshi amaliyotlarini o'rganib chiqdik. Shuningdek, biz Python, Rust va Go-da oddiy AI agentlari va modulli ish oqimi arxitekturasining misollarini, shuningdek Chart.js yordamida vizualizatsiya misolini taqdim etdik.

Ushbu maqolada keltirilgan yo'riqnomalar va eng yaxshi amaliyotlarga rioya qilish orqali ishlab chiquvchilar zamonaviy ilovalar va sanoat ehtiyojlariga javob beradigan mustahkam va texnik xizmat ko'rsatadigan sun'iy intellektga asoslangan dasturiy ta'minot tizimlarini yaratishi mumkin.

Have Questions?

Let's Talk

Contact me on LinkedIn