Модульдік жұмыс үрдісінің архитектурасы және AI агенттері бар масштабталатын және этикалық AI басқаратын бағдарламалық жүйелерді жобалау | B4N1

Модульдік жұмыс үрдісінің архитектурасы және AI агенттері бар масштабталатын және этикалық AI басқаратын бағдарламалық жүйелерді жобалау

5 months ago · b4n1 Read time: 4 min

Кіріспе

Жасанды интеллект (AI) және бағдарламалық қамтамасыз ету инженериясындағы жылдам жетістіктер AI агенттері мен модульдік жұмыс үрдісінің архитектурасын біріктіретін күрделі бағдарламалық жүйелердің дамуына әкелді. Бұл жүйелердің DevOps автоматтандыруы мен оркестріне деген көзқарасымызды түбегейлі өзгерту мүмкіндігі бар. Дегенмен, ауқымды және этикалық AI басқаратын бағдарламалық жасақтама жүйелерін жобалау AI, бағдарламалық қамтамасыз ету және архитектурадағы соңғы жетістіктерді терең түсінуді талап етеді.

Бұл мақалада біз AI агенттері мен модульдік жұмыс үрдісінің архитектурасын біріктіретін модульдік, масштабталатын және этикалық бағдарламалық қамтамасыз ету жүйелерін құрудың жобалау принциптері мен үздік тәжірибелерін зерттейміз. Біз сенімді және техникалық қызмет көрсетуге болатын жүйелерді жасау үшін AI (Үлкен тіл үлгілері (LLM), іздеу арқылы кеңейтілген ұрпақ (RAG)), бағдарламалық қамтамасыз ету (Python, Rust, Go) және архитектурадағы соңғы жетістіктерді біріктіруге назар аударамыз.

Модульдік жұмыс үрдісінің архитектурасы

Модульдік жұмыс үрдісінің архитектурасы күрделі жүйелерді оңай ұстауға, жаңартуға және масштабтауға болатын кішірек, тәуелсіз модульдерге бөлетін дизайн үлгісі болып табылады. Әрбір модуль белгілі бір тапсырмаға немесе функцияға жауап береді және олар бір-бірімен жақсы анықталған интерфейстер арқылы байланысады.

Мұнда Python-дағы модульдік жұмыс процесі архитектурасының қарапайым мысалы келтірілген:

# workflow.py
сыныптың жұмыс барысы:
    Def __init__(өзіндік):
        self.modules = []

    def add_module(өзіндік, модуль):
        self.modules.append(модуль)

    Def run(self):
        self.modules ішіндегі модуль үшін:
            module.run()

# module1.py
Модуль 1:
    Def run(self):
        print («1-модуль жұмыс істейді»)

# module2.py
Модуль 2:
    Def run(self):
        print («2-модуль жұмыс істейді»)

# main.py
егер __аты__ == "__негізгі__":
    жұмыс процесі = Жұмыс процесі()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    workflow.run()

Бұл мысалда бізде модульдер тізімін басқаратын «Жұмыс процесі» сыныбы бар. Әрбір модуль белгілі бір тапсырмаға жауап береді және олар add_module әдісі арқылы жұмыс процесіне қосылады. Жұмыс үрдісіндегі әрбір модульді орындау үшін «іске қосу» әдісі қолданылады.

AI агенттері

AI агенттері - жүйеде шешімдер қабылдау және әрекеттерді орындау үшін машиналық оқыту алгоритмдерін пайдаланатын бағдарламалық құрал құрамдас бөліктері. Оларды тапсырмаларды автоматтандыру, пайдаланушы тәжірибесін жақсарту және жүйе өнімділігін оңтайландыру үшін пайдалануға болады.

AI агенттерінің бірнеше түрлері бар, соның ішінде:

  • Ережеге негізделген агенттер: Бұл агенттер шешім қабылдау үшін алдын ала анықталған ережелерді пайдаланады.
  • Машинаны оқыту агенттері: Бұл агенттер деректерден үйрену және шешім қабылдау үшін машиналық оқыту алгоритмдерін пайдаланады.
  • Гибридті агенттер: Бұл агенттер шешім қабылдау үшін ережеге негізделген және машиналық оқыту тәсілдерін біріктіреді.

Мұнда машиналық оқыту алгоритмін қолданатын Python тіліндегі қарапайым AI агентінің мысалы келтірілген:

# agent.py
sklearn.ensemble ішінен RandomForestClassifier импорттау
sklearn.model_selection импорттау train_test_split
sklearn.datasets ішінен load_iris импорттау

сынып агенті:
    Def __init__(өзіндік):
        self.model = RandomForestClassifier()

    def пойызы (өзіндік, X, y):
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0,2, кездейсоқ_күй=42)
        self.model.fit(X_train, y_train)

    Def tahmin (өзіндік, X):
        self.model.predict(X) қайтару

# main.py
егер __аты__ == "__негізгі__":
    ирис = load_iris()
    X = iris.data
    y = iris.target
    агент = Агент()
    agent.train(X, y)
    болжамдар = agent.predict(X)
    басып шығару (болжамдар)

Бұл мысалда болжам жасау үшін кездейсоқ орман классификаторын қолданатын қарапайым AI агенті бар. Агент ирис деректер жиынында оқытылады және сол деректер жиынында болжам жасайды.

AI агенттері мен модульдік жұмыс үрдісінің архитектурасын біріктіру

AI агенттері мен модульдік жұмыс үрдісінің архитектурасын біріктіру AI негізіндегі шешім қабылдауды модульдік, масштабталатын архитектурамен біріктіретін күрделі жүйелерді құруға мүмкіндік береді.

Міне, AI агенттері мен модульдік жұмыс үрдісінің архитектурасын біріктіретін жүйенің мысалы:

# workflow.py
сыныптың жұмыс барысы:
    Def __init__(өзіндік):
        self.modules = []
        self.agent = Жоқ

    def add_module(өзіндік, модуль):
        self.modules.append(модуль)

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

    Def run(self):
        self.modules ішіндегі модуль үшін:
            module.run()
        егер self.agent:
            self.agent.predict()

# module1.py
Модуль 1:
    Def run(self):
        print («1-модуль жұмыс істейді»)

# module2.py
Модуль 2:
    Def run(self):
        print («2-модуль жұмыс істейді»)

# agent.py
sklearn.ensemble ішінен RandomForestClassifier импорттау
sklearn.model_selection импорттау train_test_split
sklearn.datasets ішінен load_iris импорттау

сынып агенті:
    Def __init__(өзіндік):
        self.model = RandomForestClassifier()

    def пойызы (өзіндік, X, y):
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0,2, кездейсоқ_күй=42)
        self.model.fit(X_train, y_train)

    Def tahmin (өзіндік, X):
        self.model.predict(X) қайтару

# main.py
егер __аты__ == "__негізгі__":
    жұмыс процесі = Жұмыс процесі()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    агент = Агент()
    agent.train(X, y)
    workflow.add_agent(агент)
    workflow.run()

Бұл мысалда бізде AI агенттері мен модульдік жұмыс үрдісінің архитектурасын біріктіретін жүйе бар. Жүйеде екі модуль және болжау жасау үшін кездейсоқ орман классификаторын пайдаланатын AI агенті бар. Агент жұмыс процесіне add_agent әдісі арқылы қосылады және ол модульдер іске қосылғаннан кейін болжам жасайды.

Ең көп қолданылатын 5-10 пәрмендер/үзінділер

Мұнда модульдік жұмыс үрдісінің архитектурасы және AI агенттері бар масштабталатын және этикалық AI басқаратын бағдарламалық қамтамасыз ету жүйелерін жобалауға арналған ең жиі қолданылатын командалар мен үзінділер берілген:

  1. Python: пандаларды pd ретінде импорттау (пандалар кітапханасын импорттау)
  2. Python: pd.read_csv('data.csv') (CSV файлын pandas деректер фрейміне оқу)
  3. Python: agent.train(X, y) (деректер жиынында AI агентін оқыту)
  4. Python: agent.predict(X) (AI агентін пайдаланып болжам жасау)
  5. Rust: mut agent болсын = Agent::new() (Rust қолданбасында жаңа AI агентін жасау)
  6. Rust: agent.train(X, y) (Rust бағдарламасындағы деректер жиынында AI агентін оқыту)
  7. Go: агент := NewAgent() (Go қызметінде жаңа AI агентін жасау)
  8. Go: agent.Train(X, y) (Go жүйесіндегі деректер жиынында AI агентін оқыту)
  9. Chart.js: const диаграмма = жаңа Диаграмма(ctx, {түрі: 'жолақ', деректер: { белгілер: ['1-белгі', '2-белгі'], деректер жиындары: [{белгі: 'Деректер жинағы 1', деректер: [10, 20] }] } }}); (диаграмма жолағын жасау.
  10. Chart.js: chart.data.datasets[0].data.push(30) (Chart.js арқылы диаграммаға жаңа деректер нүктесін қосу)

Визуализация

Міне, Chart.js көмегімен бағаналы диаграмманың мысалы:

{
  "түрі": "бар",
  «деректер»: {
    "labels": ["1-жапсырма", "2-таңба"],
    "деректер жинағы": [
      {
        "label": "1-деректер жинағы",
        "деректер": [10, 20]
      }
    ]
  }
}

Бұл диаграммада екі белгі және екі деректер нүктесі бар бір деректер жиыны бар. Диаграмманы әртүрлі опциялар мен параметрлер арқылы теңшеуге болады.

Қорытынды

Модульдік жұмыс үрдісі архитектурасы және AI агенттері бар масштабталатын және этикалық AI басқаратын бағдарламалық қамтамасыз ету жүйелерін жобалау AI, бағдарламалық жасақтама және архитектурадағы соңғы жетістіктерді терең түсінуді талап етеді. AI агенттері мен модульдік жұмыс үрдісінің архитектурасын біріктіру арқылы біз AI негізіндегі шешім қабылдауды модульдік, масштабталатын архитектурамен біріктіретін күрделі жүйелер жасай аламыз.

Бұл мақалада біз AI агенттері мен модульдік жұмыс үрдісінің архитектурасын біріктіретін модульдік, масштабталатын және этикалық бағдарламалық қамтамасыз ету жүйелерін құрудың жобалау принциптері мен үздік тәжірибелерін зерттедік. Біз сондай-ақ Python, Rust және Go бағдарламаларында қарапайым AI агенттері мен модульдік жұмыс үрдісі архитектурасының мысалдарын, сондай-ақ Chart.js көмегімен визуализация үлгісін ұсындық.

Осы мақалада баяндалған нұсқаулар мен үздік тәжірибелерді орындау арқылы әзірлеушілер заманауи қолданбалар мен салалардың қажеттіліктерін қанағаттандыратын сенімді және техникалық қызмет көрсететін AI басқаратын бағдарламалық қамтамасыз ету жүйелерін жасай алады.

Have Questions?

Let's Talk

Contact me on LinkedIn