الاستفادة من أدوات التنسيق في هندسة البرامج التي تعمل بالذكاء الاصطناعي

مقدمة

أدى الطلب المتزايد على هندسة البرمجيات التي تعمل بالذكاء الاصطناعي إلى تطوير أدوات التنسيق المختلفة التي تتيح التكامل السلس لقدرات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) في أنظمة البرمجيات. في هذه المقالة، سنستكشف تنفيذ بنية البرامج المعتمدة على الذكاء الاصطناعي باستخدام أدوات التنسيق مثل LangChain وDSPy، مع التركيز على دمج إمكانات RAG (الرسم البياني للاستدلال والإجراء) وLLM (نموذج اللغة الكبير) لتحسين قابلية التوسع والأداء والأمان.

ما هي أدوات التنسيق؟

أدوات التنسيق هي أطر برمجية تتيح أتمتة سير العمل والعمليات المعقدة من خلال دمج خدمات وتطبيقات وأنظمة متعددة. وهي توفر منصة مركزية لإدارة وتنسيق التفاعلات بين المكونات المختلفة، مما يضمن تنفيذ المهام بكفاءة وقابلية للتطوير.

LangChain: أداة تنسيق تعتمد على لغة Python

LangChain هي مكتبة Python مفتوحة المصدر توفر إطارًا شاملاً لبناء بنية برمجية مدعومة بالذكاء الاصطناعي. ويقدم مجموعة من الميزات، بما في ذلك:

• تكامل RAG (الاستدلال والرسم البياني للعمل): توفر LangChain تطبيق RAG مدمجًا، مما يتيح إنشاء تفكير معقد ورسوم بيانية للإجراءات يمكن استخدامها لنمذجة وتنفيذ سير العمل القائم على الذكاء الاصطناعي.
• تكامل LLM (نموذج اللغة الكبيرة): يدعم LangChain تكامل LLMs، مثل LLaMA وBERT، لمعالجة اللغة الطبيعية ومهام الإنشاء.
• قابلية التوسع والأداء: تم تصميم LangChain للتعامل مع أعباء عمل الذكاء الاصطناعي واسعة النطاق، مما يوفر تنفيذًا فعالاً وقابلاً للتطوير للمهام.

تنفيذ هندسة البرمجيات المعتمدة على الذكاء الاصطناعي باستخدام LangChain

لتوضيح تنفيذ بنية البرامج المعتمدة على الذكاء الاصطناعي باستخدام LangChain، دعنا نفكر في مثال بسيط لروبوت الدردشة الذي يستخدم RAG للتفكير في استفسارات المستخدم وإنشاء استجابات.

import langchain
من langchain.chains استيراد LLM


خرقة = لانجشين.RAG(
    الاسم = "chatbot_rag"،
    العقد=[
        {"name": "greeting"، "text": "مرحبًا، كيف يمكنني مساعدتك؟"},
        {"name": "وداعًا"، "text": "وداعًا، لقد سررت بالدردشة معك."},
    ]،
    الحواف=[
        {"من": "تحية"، "إلى": "وداعًا"، "الحالة": "user_says_goodbye"},
    ]،
)

# إنشاء LLM
llm = llm.LLM(
    الاسم = "chatbot_llm"،
    نموذج = "اللاما"،
    max_tokens=100,
)

# إنشاء سلسلة chatbot
السلسلة = لانجشين.تشين(
    الاسم = "chatbot_chain"،
    ماجستير في القانون = ماجستير في القانون،
    خرقة = خرقة،
)

#اختبار الشات بوت
user_input = "مرحبًا، كيف حالك؟"
الاستجابة = chain.run (user_input)
طباعة (رد)

DSPy: أداة تنسيق قائمة على الصدأ

DSPy هي أداة تنسيق قائمة على Rust توفر إطار عمل عالي الأداء وقابل للتطوير لبناء بنية برمجية مدعومة بالذكاء الاصطناعي. ويقدم مجموعة من الميزات، بما في ذلك:

• تكامل RAG (الاستدلال والرسم البياني للعمل): يوفر DSPy تطبيق RAG مدمجًا، مما يتيح إنشاء تفكير معقد ورسوم بيانية للإجراءات يمكن استخدامها لنمذجة وتنفيذ مسارات العمل المستندة إلى الذكاء الاصطناعي.
• تكامل LLM (نموذج اللغة الكبيرة): يدعم DSPy تكامل LLMs، مثل LLaMA وBERT، لمعالجة اللغة الطبيعية ومهام الإنشاء.
• قابلية التوسع والأداء: تم تصميم DSPy للتعامل مع أعباء عمل الذكاء الاصطناعي واسعة النطاق، مما يوفر تنفيذًا فعالاً وقابلاً للتطوير للمهام.

تنفيذ هندسة البرمجيات المبنية على الذكاء الاصطناعي باستخدام DSPy

لتوضيح تنفيذ بنية البرامج التي تعتمد على الذكاء الاصطناعي باستخدام DSPy، دعنا نفكر في مثال بسيط لروبوت الدردشة الذي يستخدم RAG للتفكير في استعلامات المستخدم وإنشاء استجابات.

''''الصدأ استخدم dspy::chain; استخدم dspy::llm;

// قم بإنشاء RAG دع خرقة = سلسلة::RAG::new( "chatbot_rag"، علامة تجارية جديدة![ سلسلة::عقدة::جديد("تحية"، "مرحبًا، كيف يمكنني مساعدتك؟")، chain::Node::new("وداعا"، "وداعا، لقد سررت بالدردشة معك.")، ]، علامة تجارية جديدة![ السلسلة::Edge::new("greeting"، "goodbye"، "user_says_goodbye")، ]، );

// إنشاء ماجستير في القانون دع llm = llm::LLM::new( "chatbot_llm"، "اللاما"، 100، );

// أنشئ سلسلة روبوتات الدردشة دع السلسلة = سلسلة::سلسلة::جديد( "chatbot_chain"، , خرقة, );

// اختبر روبوت الدردشة Let user_input = "مرحبًا، كيف حالك؟"; دع الاستجابة = chain.run(user_input); println!("{}"، استجابة)؛

**أهم 5-10 أوامر/مقتطفات الأكثر استخدامًا**


فيما يلي بعض الأوامر والمقتطفات الأكثر استخدامًا لـ LangChain وDSPy:

* لانجشين:
    * `langchain.RAG()`: إنشاء مثيل RAG جديد.
    * `langchain.LLM()`: إنشاء مثيل LLM جديد.
    * `langchain.Chain()`: إنشاء نسخة سلسلة جديدة.
    * `rag.run()`: تشغيل RAG وإنشاء استجابة.
    * `llm.run()`: تشغيل LLM وإنشاء استجابة.
* دي إس بي:
    * `dspy::chain::RAG::new()`: إنشاء مثيل RAG جديد.
    * `dspy::llm::LLM::new()`: إنشاء مثيل LLM جديد.
    * `dspy::chain::Chain::new()`: إنشاء مثيل سلسلة جديد.
    * `chain.run()`: تشغيل السلسلة وإنشاء استجابة.

**التصور**


فيما يلي تصور بسيط لإمكانيات RAG وLLM باستخدام Chart.js:

```جافا سكريبت
const ctx = document.getElementById('myChart').getContext('2d');
مخطط ثابت = مخطط جديد (ctx، {
    النوع: "شريط"،
    البيانات: {
        التسميات: ["RAG"، "LLM"]،
        مجموعات البيانات: [{
            التسميات: 'القدرات',
            البيانات: [10، 20]،
            لون الخلفية: [
                "رغبا (255، 99، 132، 0.2)"،
                "رغبا (54، 162، 235، 0.2)"،
            ]،
            لون الحدود: [
                "رغبا (255، 99، 132، 1)"،
                'رغبا(54, 162, 235, 1)',
            ]،
            عرض الحدود: 1
        }]
    },
    الخيارات: {
        المقاييس: {
            ص: {
                beginAtZero: صحيح
            }
        }
    }
});

الخلاصة

تعد LangChain وDSPy من أدوات التنسيق القوية التي تتيح تنفيذ بنية البرامج المعتمدة على الذكاء الاصطناعي باستخدام إمكانات RAG وLLM. ومن خلال الاستفادة من هذه الأدوات، يمكن للمطورين إنشاء أنظمة برمجية قابلة للتطوير وفعالة وآمنة يمكنها التعامل مع أعباء عمل الذكاء الاصطناعي المعقدة. بفضل سهولة الاستخدام والمرونة، يعد LangChain وDSPy خيارين مثاليين لبناء بنية برمجية مدعومة بالذكاء الاصطناعي.

التوصيات

بناءً على المناقشة الواردة في هذه المقالة، إليك بعض التوصيات للمطورين الذين يرغبون في تنفيذ بنية برمجية تعتمد على الذكاء الاصطناعي باستخدام LangChain وDSPy:

• ابدأ بتعلم أساسيات LangChain وDSPy، بما في ذلك قدرات RAG وLLM الخاصة بهما.
• قم بتجربة أمثلة بسيطة، مثل مثال chatbot، للتعرف على كيفية عمل الأدوات.
• انتقل تدريجيًا إلى مشاريع أكثر تعقيدًا، مثل بناء نظام توصيات أو مسار معالجة اللغة الطبيعية.
• استخدم قسم أهم 5-10 أوامر/مقتطفات الأكثر استخدامًا كدليل مرجعي للأوامر والمقتطفات الشائعة.
• تصور قدرات RAG وLLM الخاصة بك باستخدام Chart.js للحصول على فهم أفضل للعلاقات بين المكونات المختلفة.

ومن خلال اتباع هذه التوصيات، يمكن للمطورين إطلاق العنان للإمكانات الكاملة لـ LangChain وDSPy وبناء بنية برمجية مدعومة بالذكاء الاصطناعي يمكنها التعامل مع أعباء العمل المعقدة وتوفير أداء استثنائي وقابلية للتوسع.