AI බලයෙන් ක්‍රියාත්මක වන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය සඳහා වාද්‍ය වෘන්දය මෙවලම් භාවිතා කිරීම

හැඳින්වීම

AI බලයෙන් ක්‍රියාත්මක වන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය සඳහා වැඩිවන ඉල්ලුම නිසා කෘත්‍රිම බුද්ධිය (AI) සහ යන්ත්‍ර ඉගෙනීමේ (ML) හැකියාවන් බාධාවකින් තොරව මෘදුකාංග පද්ධති වෙත ඒකාබද්ධ කිරීමට හැකි වන පරිදි විවිධ වාද්‍ය වෘන්දීය මෙවලම් සංවර්ධනය කිරීමට හේතු වී ඇත. මෙම ලිපියෙන්, අපි වැඩි දියුණු කළ පරිමාණය, කාර්ය සාධනය සහ ආරක්ෂාව සඳහා RAG (තර්කනය සහ ක්‍රියාකාරී ප්‍රස්තාරය) සහ LLM (විශාල භාෂා ආකෘතිය) හැකියාවන් ඒකාබද්ධ කිරීම කෙරෙහි අවධානය යොමු කරමින්, LangChain සහ DSPy වැනි වාද්‍ය වෘන්ද මෙවලම් භාවිතයෙන් AI-ධාවන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය ක්‍රියාත්මක කිරීම ගවේෂණය කරන්නෙමු.

ඕකෙස්ට්‍රේෂන් මෙවලම් යනු මොනවාද?

වාද්‍ය වෘන්දය මෙවලම් යනු බහුවිධ සේවා, යෙදුම් සහ පද්ධති ඒකාබද්ධ කිරීමෙන් සංකීර්ණ කාර්ය ප්‍රවාහ සහ ක්‍රියාවලි ස්වයංක්‍රීය කිරීම සක්‍රීය කරන මෘදුකාංග රාමු වේ. ඔවුන් විවිධ සංරචක අතර අන්තර්ක්‍රියා කළමනාකරණය සහ සම්බන්ධීකරණය සඳහා මධ්‍යගත වේදිකාවක් සපයයි, කාර්යක්‍ෂම සහ පරිමාණය කළ හැකි කාර්යයන් ක්‍රියාත්මක කිරීම සහතික කරයි.

LangChain: පයිතන් පාදක වාද්‍ය වෘන්ද මෙවලමක්

LangChain යනු විවෘත මූලාශ්‍ර Python පුස්තකාලයක් වන අතර එය AI බලයෙන් ක්‍රියාත්මක වන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය ගොඩනැගීම සඳහා පුළුල් රාමුවක් සපයයි. එය ඇතුළුව විශේෂාංග රාශියක් ඉදිරිපත් කරයි:

RAG (තර්ක කිරීම සහ ක්‍රියා ප්‍රස්තාරය) ඒකාබද්ධ කිරීම: LangChain විසින් ගොඩනඟන ලද RAG ක්‍රියාවට නැංවීමක් සපයයි, AI මත ධාවනය වන කාර්ය ප්‍රවාහයන් ආදර්ශනය කිරීමට සහ ක්‍රියාත්මක කිරීමට භාවිතා කළ හැකි සංකීර්ණ තර්ක සහ ක්‍රියා ප්‍රස්ථාර නිර්මාණය කිරීමට හැකි වේ.
LLM (විශාල භාෂා ආකෘතිය) අනුකලනය: LangChain ස්වභාවික භාෂා සැකසුම් සහ උත්පාදන කාර්යයන් සඳහා LLMA සහ BERT වැනි LLMs ඒකාබද්ධ කිරීමට සහය දක්වයි.
** පරිමාණය සහ කාර්ය සාධනය**: LangChain නිර්මාණය කර ඇත්තේ විශාල පරිමාණයේ AI කාර්ය භාරයන් හැසිරවීමට, කාර්යක්‍ෂම සහ පරිමාණය කළ හැකි කාර්යයන් ක්‍රියාත්මක කිරීම සඳහා ය.

LangChain සමඟ AI මත ධාවනය වන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය ක්‍රියාත්මක කිරීම

LangChain භාවිතයෙන් AI-ධාවනය වන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය ක්‍රියාත්මක කිරීම නිරූපණය කිරීම සඳහා, පරිශීලක විමසුම් ගැන තර්ක කිරීමට සහ ප්‍රතිචාර උත්පාදනය කිරීමට RAG භාවිතා කරන chatbot එකක සරල උදාහරණයක් සලකා බලමු.

langchain ආනයනය කරන්න
langchain.chains වෙතින් llm ආනයනය කරන්න


rag = langchain.RAG(
    name="chatbot_rag",
    නෝඩ් =[
        {"නම": "ආචාර කිරීම", "පෙළ": "ආයුබෝවන්, මම ඔබට උදව් කරන්නේ කෙසේද?"},
        {"නම": "ආයුබෝවන්", "පෙළ": "ආයුබෝවන්, ඔබ සමඟ කතාබස් කිරීම සතුටක්."},
    ],
    දාර =[
        {"සිට": "ආචාර කිරීම", "වෙත": "ආයුබෝවන්", "කොන්දේසිය": "පරිශීලක_සයිස්_ගුඩ්බායි"},
    ],
)

# LLM එකක් සාදන්න
llm = llm.LLM(
    name="chatbot_llm",
    ආකෘතිය = "ල්ලමා",
    max_tokens=100,
)

# චැට්බෝට් දාමයක් සාදන්න
දාම = langchain. Chain(
    name="chatbot_chain",
    llm=llm,
    rag=කඩදාසිය,
)

# chatbot පරීක්ෂා කරන්න
user_input = "ආයුබෝවන්, ඔබට කොහොමද?"
ප්‍රතිචාරය = chain.run(user_input)
මුද්‍රණය (ප්‍රතිචාරය)

DSPy: මලකඩ මත පදනම් වූ වාද්‍ය වෘන්ද මෙවලමක්

DSPy යනු AI-බලවත් මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය ගොඩනැගීම සඳහා ඉහළ කාර්ය සාධනයක් සහ පරිමාණය කළ හැකි රාමුවක් සපයන මලකඩ මත පදනම් වූ වාද්‍ය වෘන්ද මෙවලමකි. එය ඇතුළුව විශේෂාංග රාශියක් ඉදිරිපත් කරයි:

RAG (තර්ක කිරීම සහ ක්‍රියා ප්‍රස්තාරය) ඒකාබද්ධ කිරීම: DSPy විසින් ගොඩනඟන ලද RAG ක්‍රියාත්මක කිරීමක් සපයයි, AI මත පදනම් වූ කාර්ය ප්‍රවාහයන් ආදර්ශනය කිරීමට සහ ක්‍රියාත්මක කිරීමට භාවිතා කළ හැකි සංකීර්ණ තර්ක සහ ක්‍රියා ප්‍රස්ථාර නිර්මාණය කිරීමට හැකි වේ.
LLM (විශාල භාෂා ආකෘතිය) අනුකලනය: DSPy ස්වභාවික භාෂා සැකසුම් සහ උත්පාදන කාර්යයන් සඳහා LLMA සහ BERT වැනි LLMs ඒකාබද්ධ කිරීමට සහය දක්වයි.
** පරිමාණය සහ කාර්ය සාධනය**: DSPy නිර්මාණය කර ඇත්තේ මහා පරිමාණ AI කාර්ය භාරයන් හැසිරවීමට, කාර්යක්‍ෂම සහ පරිමාණය කළ හැකි කාර්යයන් ක්‍රියාත්මක කිරීම සඳහා ය.

DSPy සමඟ AI-ධාවන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය ක්‍රියාත්මක කිරීම

DSPy භාවිතයෙන් AI-ධාවනය වන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය ක්‍රියාත්මක කිරීම නිරූපණය කිරීම සඳහා, පරිශීලක විමසුම් ගැන තර්ක කිරීමට සහ ප්‍රතිචාර උත්පාදනය කිරීමට RAG භාවිතා කරන chatbot එකක සරල උදාහරණයක් සලකා බලමු.

'''' මලකඩ dspy භාවිතා කරන්න:: chain; dspy භාවිතා කරන්න::llm;

// RAG එකක් සාදන්න ඉඩ කඩ = දාම::RAG::new( "chatbot_rag", vec![ chain::Node::new("ආචාර කිරීම", "ආයුබෝවන්, මම ඔබට උදව් කරන්නේ කෙසේද?"), chain::Node::new("ආයුබෝවන්", "ආයුබෝවන්, ඔබ සමඟ කතාබස් කිරීම සතුටක්."), ], vec![ chain::Edge::new("සුබපැතුම්", "ආයුබෝවන්", "user_says_goodbye"), ], );

// LLM එකක් සාදන්න llm = llm::LLM::new( "chatbot_llm", "ලාමා", 100, );

// චැට්බෝට් දාමයක් සාදන්න දාමයට ඉඩ දෙන්න = දාමය::දාමය::නව( "chatbot_chain", llm, කඩමාල්ල, );

// චැට්බෝට් පරීක්ෂා කරන්න ඉඩ user_input = "ආයුබෝවන්, ඔබට කොහොමද?"; ප්‍රතිචාරයට ඉඩ දෙන්න = chain.run (user_input); println!("{}", ප්‍රතිචාරය);


**ඉහළම 5-10 වැඩිපුරම භාවිතා කරන ලද විධාන/Snippets**
----------------------------------------

LangChain සහ DSPy සඳහා බහුලව භාවිතා වන විධාන සහ කොටස් කිහිපයක් මෙන්න:

* LangChain:
    * `langchain.RAG()`: නව RAG අවස්ථාවක් නිර්මාණය කරයි.
    * `langchain.LLM()`: නව LLM අවස්ථාවක් නිර්මාණය කරයි.
    * `langchain.Chain()`: නව දාම අවස්ථාවක් නිර්මාණය කරයි.
    * `rag.run()`: RAG ධාවනය කර ප්‍රතිචාරයක් ජනනය කරයි.
    * `llm.run()`: LLM ධාවනය කර ප්‍රතිචාරයක් ජනනය කරයි.
* DSPy:
    * `dspy::chain::RAG::new()`: නව RAG අවස්ථාවක් නිර්මාණය කරයි.
    * `dspy::llm::LLM::new()`: නව LLM අවස්ථාවක් නිර්මාණය කරයි.
    * `dspy::chain::Chain::new()`: නව දාම අවස්ථාවක් නිර්මාණය කරයි.
    * `chain.run()`: දාමය ධාවනය කර ප්‍රතිචාරයක් ජනනය කරයි.

**දෘෂ්‍යකරණය**
----------------

Chart.js භාවිතයෙන් RAG සහ LLM හැකියාවන් පිළිබඳ සරල දෘශ්‍යකරණයක් මෙන්න:

```javascript
const ctx = document.getElementById('myChart').getContext('2d');
const chart = නව ප්‍රස්ථාරය(ctx, {
    වර්ගය: 'බාර්',
    දත්ත: {
        ලේබල්: ['RAG', 'LLM'],
        දත්ත කට්ටල: [{
            ලේබලය: 'හැකියාවන්',
            දත්ත: [10, 20],
            පසුබිම් වර්ණය: [
                'rgba(255, 99, 132, 0.2)',
                'rgba(54, 162, 235, 0.2)',
            ],
            මායිම් වර්ණය: [
                'rgba(255, 99, 132, 1)',
                'rgba(54, 162, 235, 1)',
            ],
            මායිම් පළල: 1
        }]
    },
    විකල්ප: {
        පරිමාණයන්: {
            y: {
                startAtZero: ඇත්ත
            }
        }
    }
});

නිගමනය

අවසාන වශයෙන්, LangChain සහ DSPy යනු RAG සහ LLM හැකියාවන් භාවිතයෙන් AI-ධාවනය වන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය ක්‍රියාත්මක කිරීමට හැකි ප්‍රබල වාද්‍ය වෘන්ද මෙවලම් වේ. මෙම මෙවලම් භාවිතා කිරීමෙන්, සංවර්ධකයින්ට සංකීර්ණ AI කාර්ය භාරයන් හැසිරවිය හැකි පරිමාණ කළ හැකි, කාර්ය සාධනය සහ ආරක්ෂිත මෘදුකාංග පද්ධති නිර්මාණය කළ හැකිය. ඔවුන්ගේ භාවිතයේ පහසුව සහ නම්‍යශීලීභාවය සමඟින්, LangChain සහ DSPy AI-බලවත් මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය ගොඩනැගීම සඳහා කදිම තේරීම් වේ.

නිර්දේශ

මෙම ලිපියේ සාකච්ඡාව මත පදනම්ව, LangChain සහ DSPy භාවිතයෙන් AI-ධාවනය කරන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය ක්‍රියාත්මක කිරීමට අවශ්‍ය සංවර්ධකයින් සඳහා නිර්දේශ කිහිපයක් මෙන්න:

ඔවුන්ගේ RAG සහ LLM හැකියාවන් ඇතුළුව LangChain සහ DSPy හි මූලික කරුණු ඉගෙන ගැනීමෙන් ආරම්භ කරන්න.
මෙවලම් ක්‍රියා කරන ආකාරය පිළිබඳ හැඟීමක් ලබා ගැනීමට chatbot උදාහරණය වැනි සරල උදාහරණ සමඟ අත්හදා බලන්න.
නිර්දේශ පද්ධතියක් හෝ ස්වභාවික භාෂා සැකසුම් නල මාර්ගයක් ගොඩනැගීම වැනි වඩාත් සංකීර්ණ ව්‍යාපෘති වෙත ක්‍රමයෙන් ඉදිරියට යන්න.
පොදු විධාන සහ කොටස් සඳහා යොමු මාර්ගෝපදේශයක් ලෙස ඉහළම 5-10 වැඩිපුරම භාවිතා කරන ලද විධාන/Snippets කොටස භාවිතා කරන්න.
විවිධ සංරචක අතර සම්බන්ධතා පිළිබඳ වඩා හොඳ අවබෝධයක් ලබා ගැනීමට Chart.js භාවිතයෙන් ඔබේ RAG සහ LLM හැකියාවන් දෘශ්‍යමාන කරන්න.

මෙම නිර්දේශ අනුගමනය කිරීමෙන්, සංවර්ධකයින්ට LangChain සහ DSPy හි සම්පූර්ණ විභවය අගුළු හැරිය හැකි අතර සංකීර්ණ වැඩ බර හැසිරවිය හැකි සහ සුවිශේෂී කාර්ය සාධනය සහ පරිමාණය සැපයිය හැකි AI බලයෙන් ක්‍රියාත්මක වන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය ගොඩනගා ගත හැකිය.

RAG එකක් සාදන්න

** AI බලයෙන් ක්‍රියාත්මක වන මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය සඳහා වාද්‍ය වෘන්දය මෙවලම් භාවිතා කිරීම**