மாடுலர் ஒர்க்ஃப்ளோ கட்டிடக்கலை மற்றும் AI முகவர்களுடன் அளவிடக்கூடிய மற்றும் நெறிமுறை AI- இயக்கப்படும் மென்பொருள் அமைப்புகளை வடிவமைத்தல்

அறிமுகம்

செயற்கை நுண்ணறிவு (AI) மற்றும் மென்பொருள் பொறியியலில் விரைவான முன்னேற்றங்கள் AI முகவர்கள் மற்றும் மட்டு வேலைப்பாய்வு கட்டமைப்பை ஒருங்கிணைக்கும் சிக்கலான மென்பொருள் அமைப்புகளின் வளர்ச்சிக்கு வழிவகுத்தது. இந்த அமைப்புகள் நாம் DevOps ஆட்டோமேஷன் மற்றும் ஆர்கெஸ்ட்ரேஷனை அணுகும் விதத்தில் புரட்சியை ஏற்படுத்தும் ஆற்றலைக் கொண்டுள்ளன. இருப்பினும், அளவிடக்கூடிய மற்றும் நெறிமுறை AI-உந்துதல் மென்பொருள் அமைப்புகளை வடிவமைப்பதற்கு AI, மென்பொருள் பொறியியல் மற்றும் கட்டிடக்கலை ஆகியவற்றில் சமீபத்திய முன்னேற்றங்கள் பற்றிய ஆழமான புரிதல் தேவைப்படுகிறது.

இந்தக் கட்டுரையில், AI முகவர்கள் மற்றும் மட்டு வேலைப்பாய்வு கட்டமைப்பை ஒருங்கிணைக்கும் மட்டு, அளவிடக்கூடிய மற்றும் நெறிமுறை மென்பொருள் அமைப்புகளை உருவாக்குவதற்கான வடிவமைப்புக் கோட்பாடுகள் மற்றும் சிறந்த நடைமுறைகளை ஆராய்வோம். AI (Large Language Models (LLMs), Retrieval-Augmented Generation (RAG)), மென்பொருள் பொறியியல் (Python, Rust, Go) மற்றும் கட்டிடக்கலை ஆகியவற்றில் சமீபத்திய முன்னேற்றங்களை ஒன்றிணைத்து வலுவான மற்றும் பராமரிக்கக்கூடிய அமைப்புகளை உருவாக்குவதில் கவனம் செலுத்துவோம்.

மாடுலர் ஒர்க்ஃப்ளோ ஆர்கிடெக்சர்

மாடுலர் ஒர்க்ஃப்ளோ ஆர்கிடெக்சர் என்பது ஒரு வடிவமைப்பு வடிவமாகும், இது சிக்கலான அமைப்புகளை சிறிய, சுயாதீன தொகுதிகளாக உடைக்கிறது, அவை எளிதாக பராமரிக்கப்படலாம், புதுப்பிக்கப்படலாம் மற்றும் அளவிடலாம். ஒவ்வொரு தொகுதியும் ஒரு குறிப்பிட்ட பணி அல்லது செயல்பாட்டிற்கு பொறுப்பாகும், மேலும் அவை நன்கு வரையறுக்கப்பட்ட இடைமுகங்கள் மூலம் ஒருவருக்கொருவர் தொடர்பு கொள்கின்றன.

பைத்தானில் உள்ள மட்டு பணிப்பாய்வு கட்டமைப்பின் எளிய எடுத்துக்காட்டு இங்கே:

# workflow.py
வகுப்பு வேலைப்பாய்வு:
    def __init__(self):
        self.modules = []

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

    டெஃப் ரன்(சுய):
        self.modules இல் தொகுதிக்கு:
            module.run()

# module1.py
வகுப்பு தொகுதி 1:
    டெஃப் ரன்(சுய):
        அச்சு ("தொகுதி 1 இயங்குகிறது")

# module2.py
வகுப்பு தொகுதி 2:
    டெஃப் ரன்(சுய):
        அச்சு ("தொகுதி 2 இயங்குகிறது")

# main.py
__பெயர்__ == "__முதன்மை__" என்றால்:
    பணிப்பாய்வு = பணிப்பாய்வு()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    workflow.run()

இந்த எடுத்துக்காட்டில், தொகுதிகளின் பட்டியலை நிர்வகிக்கும் வொர்க்ஃப்ளோ வகுப்பு உள்ளது. ஒவ்வொரு தொகுதியும் ஒரு குறிப்பிட்ட பணிக்கு பொறுப்பாகும், மேலும் அவை add_module முறையைப் பயன்படுத்தி பணிப்பாய்வுக்கு சேர்க்கப்படும். பணிப்பாய்வுகளில் ஒவ்வொரு தொகுதியையும் இயக்க ரன் முறை பயன்படுத்தப்படுகிறது.

AI முகவர்கள்

AI முகவர்கள் என்பது கணினியில் முடிவுகளை எடுக்கவும் செயல்களை செய்யவும் இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்தும் மென்பொருள் கூறுகள். பணிகளை தானியங்குபடுத்தவும், பயனர் அனுபவத்தை மேம்படுத்தவும், கணினி செயல்திறனை மேம்படுத்தவும் அவை பயன்படுத்தப்படலாம்.

AI முகவர்களில் பல வகைகள் உள்ளன, அவற்றுள்:

• விதி அடிப்படையிலான முகவர்கள்: இந்த முகவர்கள் முடிவுகளை எடுக்க முன் வரையறுக்கப்பட்ட விதிகளைப் பயன்படுத்துகின்றனர்.
• மெஷின் லேர்னிங் ஏஜெண்டுகள்: இந்த ஏஜெண்டுகள் தரவுகளிலிருந்து கற்றுக் கொள்ளவும், முடிவுகளை எடுக்கவும் இயந்திர கற்றல் வழிமுறைகளைப் பயன்படுத்துகின்றன.
• கலப்பின முகவர்கள்: இந்த முகவர்கள் முடிவெடுப்பதற்கு விதி அடிப்படையிலான மற்றும் இயந்திர கற்றல் அணுகுமுறைகளை இணைக்கின்றனர்.

இயந்திர கற்றல் அல்காரிதத்தைப் பயன்படுத்தி பைத்தானில் உள்ள எளிய AI ஏஜெண்டின் உதாரணம் இங்கே:

# agent.py
sklearn.ensemble இறக்குமதி RandomForestClassifier இலிருந்து
sklearn.model_selection இறக்குமதி train_test_split இலிருந்து
sklearn.datasets இலிருந்து load_iris ஐ இறக்குமதி செய்கிறது

வகுப்பு முகவர்:
    def __init__(self):
        self.model = RandomForestClassifier()

    டெஃப் ரயில்(சுய, எக்ஸ், ஒய்):
        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 கணிப்பு(சுய, X):
        திரும்ப self.model.predict(X)

# main.py
__பெயர்__ == "__முதன்மை__" என்றால்:
    கருவிழி = load_iris()
    X = iris.data
    y = கருவிழி.இலக்கு
    முகவர் = முகவர்()
    agent.train(X, y)
    கணிப்புகள் = agent.predict(X)
    அச்சு (கணிப்புகள்)

இந்த எடுத்துக்காட்டில், எங்களிடம் ஒரு எளிய AI ஏஜென்ட் உள்ளது, இது கணிப்புகளைச் செய்ய சீரற்ற வன வகைப்படுத்தியைப் பயன்படுத்துகிறது. முகவர் கருவிழியின் தரவுத்தொகுப்பில் பயிற்சி பெற்றவர் மற்றும் அதே தரவுத்தொகுப்பில் கணிப்புகளைச் செய்கிறார்.

AI முகவர்கள் மற்றும் மாடுலர் ஒர்க்ஃப்ளோ ஆர்கிடெக்சரை இணைத்தல்

AI முகவர்கள் மற்றும் மட்டு வேலைப்பாய்வு கட்டமைப்பை இணைப்பது, AI-உந்துதல் முடிவெடுப்பதை மட்டு, அளவிடக்கூடிய கட்டமைப்புடன் ஒருங்கிணைக்கும் சிக்கலான அமைப்புகளை உருவாக்க அனுமதிக்கிறது.

AI முகவர்கள் மற்றும் மட்டு பணிப்பாய்வு கட்டமைப்பை இணைக்கும் ஒரு அமைப்பின் எடுத்துக்காட்டு இங்கே:

# workflow.py
வகுப்பு வேலைப்பாய்வு:
    def __init__(self):
        self.modules = []
        self.agent = இல்லை

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

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

    டெஃப் ரன்(சுய):
        self.modules இல் தொகுதிக்கு:
            module.run()
        சுய முகவர் என்றால்:
            self.agent.predict()

# module1.py
வகுப்பு தொகுதி 1:
    டெஃப் ரன்(சுய):
        அச்சு ("தொகுதி 1 இயங்குகிறது")

# module2.py
வகுப்பு தொகுதி 2:
    டெஃப் ரன்(சுய):
        அச்சு ("தொகுதி 2 இயங்குகிறது")

# agent.py
sklearn.ensemble இறக்குமதி RandomForestClassifier இலிருந்து
sklearn.model_selection இறக்குமதி train_test_split இலிருந்து
sklearn.datasets இலிருந்து load_iris ஐ இறக்குமதி செய்கிறது

வகுப்பு முகவர்:
    def __init__(self):
        self.model = RandomForestClassifier()

டெஃப் ரயில்(சுய, எக்ஸ், ஒய்):
        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 கணிப்பு(சுய, X):
        திரும்ப self.model.predict(X)

# main.py
__பெயர்__ == "__முதன்மை__" என்றால்:
    பணிப்பாய்வு = பணிப்பாய்வு()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    முகவர் = முகவர்()
    agent.train(X, y)
    workflow.add_agent(முகவர்)
    workflow.run()

இந்த எடுத்துக்காட்டில், AI முகவர்கள் மற்றும் மட்டு பணிப்பாய்வு கட்டமைப்பை இணைக்கும் அமைப்பு உள்ளது. கணினியில் இரண்டு தொகுதிகள் மற்றும் ஒரு AI முகவர் கணிப்புகளைச் செய்ய சீரற்ற வன வகைப்படுத்தியைப் பயன்படுத்துகிறது. add_agent முறையைப் பயன்படுத்தி பணிப்பாய்வுக்கு முகவர் சேர்க்கப்படுகிறது, மேலும் இது தொகுதிகள் இயங்கிய பிறகு கணிப்புகளைச் செய்கிறது.

முதல் 5-10 அதிகம் பயன்படுத்தப்படும் கட்டளைகள்/துணுக்குகள்

மட்டு வேலைப்பாய்வு கட்டமைப்பு மற்றும் AI முகவர்களுடன் அளவிடக்கூடிய மற்றும் நெறிமுறை AI- இயக்கப்படும் மென்பொருள் அமைப்புகளை வடிவமைப்பதற்காக பொதுவாகப் பயன்படுத்தப்படும் சில கட்டளைகள் மற்றும் துணுக்குகள் இங்கே:

1. பைதான்: pd ஆக பாண்டாக்களை இறக்குமதி செய் (பாண்டாஸ் லைப்ரரியை இறக்குமதி செய்தல்)
2. பைதான்: pd.read_csv('data.csv') (பாண்டாஸ் டேட்டாஃப்ரேமில் CSV கோப்பைப் படித்தல்)
3. Python: agent.train(X, y) (ஒரு தரவுத்தொகுப்பில் AI முகவருக்குப் பயிற்சி அளித்தல்)
4. Python: agent.predict(X) (AI முகவரைப் பயன்படுத்தி கணிப்புகளை உருவாக்குதல்)
5. ரஸ்ட்: லெட் மட் ஏஜென்ட் = ஏஜென்ட்:: நியூ() (ரஸ்டில் ஒரு புதிய AI ஏஜென்ட்டை உருவாக்குதல்)
6. ரஸ்ட்: agent.train(X, y) (ரஸ்டில் உள்ள தரவுத்தொகுப்பில் AI முகவருக்குப் பயிற்சி அளித்தல்)
7. Go: agent := NewAgent() (Go இல் ஒரு புதிய AI முகவரை உருவாக்குதல்)
8. Go: agent.Train(X, y) (Go இல் உள்ள தரவுத்தொகுப்பில் AI முகவருக்குப் பயிற்சி அளித்தல்)
9. ** Chart.js**: `const chart = new Chart(ctx, { type: 'bar', data: { labels: ['Label 1', 'Label 2'], datasets: [{label: 'Dataset 1', data: [10, 20] }] t creating a chart ) ;
10. ** Chart.js**: chart.data.datasets[0].data.push(30) ( Chart.js ஐப் பயன்படுத்தி விளக்கப்படத்தில் புதிய தரவுப் புள்ளியைச் சேர்த்தல்)

காட்சிப்படுத்தல்

Chart.js ஐப் பயன்படுத்தும் பார் விளக்கப்படத்தின் எடுத்துக்காட்டு இங்கே:

{
  "வகை": "பார்",
  "தரவு": {
    "லேபிள்கள்": ["லேபிள் 1", "லேபிள் 2"],
    "தரவுத்தொகுப்புகள்": [
      {
        "லேபிள்": "டேட்டாசெட் 1",
        "தரவு": [10, 20]
      }
    ]
  }
}

இந்த விளக்கப்படத்தில் இரண்டு லேபிள்கள் மற்றும் இரண்டு தரவு புள்ளிகளுடன் ஒரு தரவுத்தொகுப்பு உள்ளது. பல்வேறு விருப்பங்கள் மற்றும் அமைப்புகளைப் பயன்படுத்தி விளக்கப்படத்தை தனிப்பயனாக்கலாம்.

முடிவு

மாடுலர் ஒர்க்ஃப்ளோ ஆர்கிடெக்சர் மற்றும் AI முகவர்களுடன் அளவிடக்கூடிய மற்றும் நெறிமுறை AI-உந்துதல் மென்பொருள் அமைப்புகளை வடிவமைக்க, AI, மென்பொருள் பொறியியல் மற்றும் கட்டிடக்கலை ஆகியவற்றில் சமீபத்திய முன்னேற்றங்கள் பற்றிய ஆழமான புரிதல் தேவைப்படுகிறது. AI முகவர்கள் மற்றும் மட்டு பணிப்பாய்வு கட்டமைப்பை இணைப்பதன் மூலம், AI-உந்துதல் முடிவெடுப்பதை மட்டு, அளவிடக்கூடிய கட்டமைப்புடன் ஒருங்கிணைக்கும் சிக்கலான அமைப்புகளை நாம் உருவாக்க முடியும்.

இந்தக் கட்டுரையில், AI முகவர்கள் மற்றும் மட்டு பணிப்பாய்வு கட்டமைப்பை ஒருங்கிணைக்கும் மட்டு, அளவிடக்கூடிய மற்றும் நெறிமுறை மென்பொருள் அமைப்புகளை உருவாக்குவதற்கான வடிவமைப்புக் கோட்பாடுகள் மற்றும் சிறந்த நடைமுறைகளை நாங்கள் ஆராய்ந்தோம். Python, Rust மற்றும் Go இல் எளிய AI முகவர்கள் மற்றும் மட்டு வேலைப்பாய்வு கட்டமைப்பின் எடுத்துக்காட்டுகளையும், Chart.js ஐப் பயன்படுத்தி காட்சிப்படுத்தல் உதாரணத்தையும் வழங்கியுள்ளோம்.

இந்தக் கட்டுரையில் விவரிக்கப்பட்டுள்ள வழிகாட்டுதல்கள் மற்றும் சிறந்த நடைமுறைகளைப் பின்பற்றுவதன் மூலம், டெவலப்பர்கள் நவீன பயன்பாடுகள் மற்றும் தொழில்களின் தேவைகளைப் பூர்த்தி செய்யும் வலுவான மற்றும் பராமரிக்கக்கூடிய AI- உந்துதல் மென்பொருள் அமைப்புகளை உருவாக்க முடியும்.