پیژندنه
په مصنوعي استخباراتو (AI) او سافټویر انجینرۍ کې ګړندي پرمختګونه د پیچلي سافټویر سیسټمونو پراختیا لامل شوي چې د AI اجنټان او ماډلر کاري فلو جوړښت مدغم کوي. دا سیسټمونه د دې وړتیا لري چې هغه لارې ته انقلاب راولي چې موږ د DevOps اتومات او آرکیسټریشن ته نږدې کیږو. په هرصورت ، د توزیع وړ او اخلاقي AI لخوا پرمخ وړل شوي سافټویر سیسټمونو ډیزاین کول د AI ، سافټویر انجینرۍ ، او معمارۍ کې وروستي پرمختګونو ژورې پوهې ته اړتیا لري.
پدې مقاله کې ، موږ به د ماډلر ، توزیع وړ ، او اخلاقي سافټویر سیسټمونو رامینځته کولو لپاره د ډیزاین اصول او غوره عملونه وپلټو چې د AI اجنټانو او ماډلر کاري فلو جوړښت مدغم کوي. موږ به په AI (لوی ژبی موډلونه (LLMs)، د بیا ترلاسه کولو-Augmented Generation (RAG)، سافټویر انجینرۍ (Python، Rust، Go)، او معمارۍ کې د وروستي پرمختګونو په یوځای کولو تمرکز وکړو ترڅو پیاوړي او ساتلو وړ سیسټمونه رامینځته کړي.
ماډلر کاري فلو جوړښت
د ماډلر کاري فلو جوړښت د ډیزاین نمونه ده چې پیچلي سیسټمونه په کوچنیو، خپلواکو ماډلونو ماتوي چې په اسانۍ سره ساتل کیدی شي، تازه او اندازه کیدی شي. هر ماډل د یوې ځانګړې دندې یا فعالیت لپاره مسؤل دی، او دوی د ښه تعریف شوي انٹرفیس له لارې یو بل سره اړیکه نیسي.
دلته په پایتون کې د ماډلر کاري فلو جوړښت یوه ساده بیلګه ده: ``پېتون
workflow.py
ټولګي کاري جریان: def init(ځان): self.modules = []
def add_module (ځان، ماډل):
self.modules.append(ماډول)
def run (ځان):
په self.modules کې د ماډل لپاره:
module.run()
module1.py
ټولګي ماډل 1: def run (ځان): چاپ ("ماډول 1 روان دی")
module2.py
ټولګي ماډل 2: def run (ځان): چاپ ("ماډول 2 روان دی")
main.py
که نوم == "مین":
کاري جریان = کاري جریان()
workflow.add_module(Module1())
workflow.add_module(Module2())
workflow.run()
``
په دې مثال کې، موږ د 'کار فلو' ټولګي لرو چې د ماډلونو لیست اداره کوي. هر ماډل د یو ځانګړي کار لپاره مسؤل دی، او دوی د 'add_module' میتود په کارولو سره د کاري فلو ته اضافه کیږي. د رن طریقه د کاري جریان کې د هر ماډل اجرا کولو لپاره کارول کیږي.
د AI اجنټان
د AI اجنټان د سافټویر برخې دي چې د ماشین زده کړې الګوریتمونه کاروي ترڅو پریکړې وکړي او په سیسټم کې عمل وکړي. دوی د دندو اتومات کولو ، د کارونکي تجربې ښه کولو ، او د سیسټم فعالیت غوره کولو لپاره کارول کیدی شي.
د AI استازو ډیری ډولونه شتون لري، په شمول:
- د اصولو پر بنسټ استازي: دا اجنټان د پریکړو کولو لپاره له مخکې ټاکل شوي مقرراتو څخه کار اخلي. ** د ماشین زده کړې اجنټان**: دا اجنټان د ماشین زده کړې الګوریتمونه کاروي ترڅو له ډیټا زده کړي او پریکړې وکړي.
- هایبرډ ایجنټان: دا اجنټان د پریکړې کولو لپاره د قواعدو پراساس او ماشین زده کړې طریقې سره یوځای کوي.
دلته په Python کې د ماشین زده کړې الګوریتم په کارولو سره د ساده AI اجنټ مثال دی: ``پېتون
agent.py
له sklearn.ensemble وارد شوي RandomForestClassifier څخه له sklearn.model_selection import train_test_split څخه له sklearn.datasets واردولو load_iris
د ټولګي استازی: def init(ځان): self.model = RandomForestClassifier()
def ټرین (ځان، X، y):
X_train, X_test, y_train, y_test = د اورګاډي_ټیسټ_سپلیټ(X, y, test_size=0.2, random_state=42)
self.model.fit(X_train, y_train)
def وړاندوینه (ځان، ایکس):
بیرته راستنیدنه self.model.predict(X)
main.py
که نوم == "مین": iris = load_iris() X = iris.data y = iris.target اجنټ = اجنټ() agent.train(X,y) وړاندوینې = agent.predict(X) چاپ ( وړاندوینې ) `` په دې مثال کې، موږ یو ساده AI اجنټ لرو چې د وړاندوینې کولو لپاره د ځنګل تصادفي طبقه بندي کاروي. اجنټ د آیرس ډیټاسیټ په اړه روزل شوی او په ورته ډیټاسیټ کې وړاندوینې کوي.
د AI اجنټانو او ماډلر کاري فلو جوړښت ترکیب کول
د AI اجنټانو او ماډلر کاري فلو جوړښت ترکیب موږ ته اجازه راکوي پیچلي سیسټمونه رامینځته کړو چې د AI لخوا پرمخ وړل شوي پریکړې کول د ماډلر ، توزیع وړ جوړښت سره مدغم کړي.
دلته د سیسټم یوه بیلګه ده چې د AI اجنټانو او ماډلر کاري فلو جوړښت ترکیب کوي: ``پېتون
workflow.py
ټولګي کاري جریان: def init(ځان): self.modules = [] self.agent = هیڅ نه
def add_module (ځان، ماډل):
self.modules.append(ماډول)
def add_agent (ځان، اجنټ):
self.agent = اجنټ
def run (ځان):
په self.modules کې د ماډل لپاره:
module.run()
که self.agent:
self.agent.predict()
module1.py
ټولګي ماډل 1: def run (ځان): چاپ ("ماډول 1 روان دی")
module2.py
ټولګي ماډل 2: def run (ځان): چاپ ("ماډول 2 روان دی")
agent.py
له sklearn.ensemble وارد شوي RandomForestClassifier څخه له sklearn.model_selection import train_test_split څخه له sklearn.datasets واردولو load_iris
د ټولګي استازی: def init(ځان): self.model = RandomForestClassifier()
def ټرین (ځان، X، y): X_train, X_test, y_train, y_test = د اورګاډي_ټیسټ_سپلیټ(X, y, test_size=0.2, random_state=42) self.model.fit(X_train, y_train)
def وړاندوینه (ځان، ایکس):
بیرته راستنیدنه self.model.predict(X)
main.py
که نوم == "مین":
کاري جریان = کاري جریان()
workflow.add_module(Module1())
workflow.add_module(Module2())
اجنټ = اجنټ()
agent.train(X,y)
workflow.add_agent(اجنټ)
workflow.run()
``
پدې مثال کې ، موږ یو سیسټم لرو چې د AI اجنټان او ماډلر کاري فلو جوړښت ترکیب کوي. سیسټم دوه ماډلونه او د AI اجنټ لري چې د وړاندوینې کولو لپاره د ځنګل تصادفي طبقه بندي کاروي. اجنټ د کار فلو ته د add_agent میتود په کارولو سره اضافه کیږي ، او دا د ماډلونو له چلیدو وروسته وړاندوینې کوي.
غوره 5-10 ډیری کارول شوي کمانډونه / ټوټې
دلته د ماډلر کاري فلو معمارۍ او AI اجنټانو سره د توزیع وړ او اخلاقي AI چلونکي سافټویر سیسټمونو ډیزاین کولو لپاره ځینې خورا عام کارول شوي کمانډونه او ټوټې دي:
- پیتون:
د pd په توګه پانډا وارد کړئ(د پانډا کتابتون واردول) - Python:
pd.read_csv('data.csv')(د پانډاس ډیټا فریم کې د CSV فایل لوستل) - Python:
agent.train(X, y)(په ډیټاسیټ کې د AI اجنټ روزنه) - Python:
agent.predict(X)(د AI اجنټ په کارولو سره وړاندوینې کول) - Rust:
let mut agent = Agent::new()(په زنګون کې د نوي AI ایجنټ جوړول) - Rust:
agent.train(X, y)(په زنګ کې د ډیټاسیټ په اړه د AI اجنټ روزنه) Go:agent := NewAgent()(په Go کې د نوي AI ایجنټ جوړول) - Go:
agent.Train(X, y)(په Go کې د ډیټاسیټ په اړه د AI اجنټ روزنه) - Chart.js:
const chart = new Chart(ctx, { type: 'bar', data: { labels: ['Label 1', 'Label 2'], datasets: [{ label: 'Dataset 1', data: [10, 20] }] } });(د چارټ چارټ په کارولو سره) - Chart.js:
chart.data.datasets[0].data.push(30)(د Chart.js په کارولو سره چارټ ته د نوي ډیټا پوائنټ اضافه کول)
لید
دلته د Chart.js په کارولو سره د بار چارټ یوه بیلګه ده:
json { "ډول": "بار" "ډاټا": { "labels": ["لیبل 1", "لیبل 2"], "ډاټاسایټ": [ { "label": "1 ډاټا سیټ", "ډاټا": [10، 20] } ] } }
دا چارټ دوه لیبلونه او یو ډیټاسیټ لري د دوه ډیټا پوائنټونو سره. چارټ د مختلف انتخابونو او ترتیباتو په کارولو سره تنظیم کیدی شي.
پایله
د ماډلر کاري فلو جوړښت او AI اجنټانو سره د توزیع وړ او اخلاقي AI پرمخ وړونکي سافټویر سیسټمونو ډیزاین کول د AI ، سافټویر انجینرۍ ، او معمارۍ کې د وروستي پرمختګونو ژورې پوهې ته اړتیا لري. د AI اجنټانو او ماډلر کاري فلو جوړښت سره یوځای کولو سره ، موږ کولی شو پیچلي سیسټمونه رامینځته کړو چې د AI لخوا پرمخ وړل شوي پریکړې کول د ماډلر ، توزیع وړ جوړښت سره مدغم کړي.
پدې مقاله کې ، موږ د ماډلر ، توزیع وړ ، او اخلاقي سافټویر سیسټمونو رامینځته کولو لپاره د ډیزاین اصول او غوره عملونه سپړلي چې د AI اجنټانو او ماډلر کاري فلو جوړښت مدغم کوي. موږ په Python، Rust، او Go کې د ساده AI اجنټانو او ماډلر کاري فلو جوړښت مثالونه هم وړاندې کړي، په بیله بیا د Chart.js په کارولو سره د لید مثال.
په دې مقاله کې د لارښوونو او غوره کړنو په تعقیب سره، پراختیا کونکي کولی شي قوي او د ساتلو وړ AI لخوا پرمخ وړل شوي سافټویر سیسټمونه رامینځته کړي چې د عصري غوښتنلیکونو او صنعتونو اړتیاوې پوره کړي.