تونۇشتۇرۇش
سۈنئىي ئىدراك (AI) ۋە يۇمشاق دېتال قۇرۇلۇشىنىڭ تېز تەرەققىي قىلىشى سۈنئىي ئەقىل ۋاكالەتچىسى ۋە مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسىنى بىرلەشتۈرگەن مۇرەككەپ يۇمشاق دېتال سىستېمىسىنىڭ تەرەققىياتىغا تۈرتكە بولدى. بۇ سىستېمىلارنىڭ DevOps ئاپتوماتلاشتۇرۇش ۋە ئوركېستىرلاش ئۇسۇلىغا ئىنقىلاب قىلىش يوشۇرۇن كۈچى بار. قانداقلا بولمىسۇن ، كۆلەملەشكەن ۋە ئەخلاقلىق سۈنئىي ئەقىل ئارقىلىق قوزغىتىلغان يۇمشاق دېتال سىستېمىسىنى لايىھىلەش سۈنئىي ئەقىل ، يۇمشاق دېتال قۇرۇلۇشى ۋە بىناكارلىق ساھەسىدىكى ئەڭ يېڭى ئىلگىرلەشلەرنى چوڭقۇر چۈشىنىشكە موھتاج.
بۇ ماقالىدە سۈنئىي ئەقىل ۋاكالەتچىسى ۋە مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسىنى بىرلەشتۈرگەن مودۇللۇق ، كېڭەيتىشچان ۋە ئەخلاقلىق يۇمشاق دېتال سىستېمىسى قۇرۇشنىڭ لايىھىلەش پرىنسىپى ۋە ئەڭ ياخشى تەجرىبىلىرى ئۈستىدە ئىزدىنىمىز. بىز سۈنئىي ئەقىل (چوڭ تىل مودېللىرى) ، ئەسلىگە كەلتۈرۈش-كۈچەيتىلگەن ئەۋلاد (RAG) ، يۇمشاق دېتال قۇرۇلۇشى (Python, Rust, Go) ۋە بىناكارلىق ساھەسىدىكى ئەڭ يېڭى ئىلگىرلەشلەرنى بىرلەشتۈرۈپ ، پۇختا ۋە سىجىل سىستېما بەرپا قىلىمىز.
مودېل خىزمەت ئېقىمى قۇرۇلمىسى
مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسى مۇرەككەپ سىستېمىلارنى كىچىك ، مۇستەقىل مودۇللارغا پارچىلايدىغان لايىھىلەش ئەندىزىسى بولۇپ ، ئاسان ئاسرىغىلى ، يېڭىلىغىلى ۋە كېڭەيتكىلى بولىدۇ. ھەر بىر بۆلەك مەلۇم بىر ۋەزىپە ياكى ئىقتىدارغا مەسئۇل بولۇپ ، ئۇلار ئېنىق كۆرۈنمە يۈزى ئارقىلىق ئۆز-ئارا ئالاقە قىلىدۇ.
بۇ يەردە Python دىكى مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسىنىڭ ئاددىي بىر مىسالى: `` python
workflow.py
class Workflow: def __init __ (ئۆزى): self.modules = []
def add_module (ئۆزى ، مودۇل):
self.modules.append (module)
def run (self):
ئۆزىدىكى مودۇل ئۈچۈن.
module.run ()
module1.py
class Module1: def run (self): print ("Module 1 is running")
module2.py
class Module2: def run (self): print ("Module 2 is running")
main.py
if name == "main":
workflow = Workflow ()
workflow.add_module (Module1 ())
workflow.add_module (Module2 ())
workflow.run ()
``
بۇ مىسالدا بىزدە «خىزمەت ئېقىمى» سىنىپى بار ، ئۇ بۆلەكلەرنىڭ تىزىملىكىنى باشقۇرىدۇ. ھەر بىر بۆلەك مەلۇم بىر ئىشقا مەسئۇل بولىدۇ ، ئۇلار add_module ئۇسۇلى ئارقىلىق خىزمەت ئېقىمىغا قوشۇلىدۇ. «Run» ئۇسۇلى خىزمەت ئېقىمىدىكى ھەر بىر بۆلەكنى ئىجرا قىلىشتا ئىشلىتىلىدۇ.
AI ۋاكالەتچىلىرى
سۈنئىي ئەقىل ۋاكالەتچىلىرى ماشىنا ئۆگىنىش ھېسابلاش ئۇسۇلى ئارقىلىق سىستېمىدا قارار چىقىرىش ۋە ھەرىكەت قوللىنىدىغان يۇمشاق دېتال زاپچاسلىرى. ئۇلار ۋەزىپىلەرنى ئاپتوماتلاشتۇرۇش ، ئىشلەتكۈچى تەجرىبىسىنى ياخشىلاش ۋە سىستېما ئىقتىدارىنى ئەلالاشتۇرۇشقا ئىشلىتىلىدۇ.
سۈنئىي ئەقىل ۋاكالەتچىلىرىنىڭ بىر قانچە خىللىرى بار ، بۇلار:
- ** قائىدىنى ئاساس قىلغان ۋاكالەتچىلەر **: بۇ ۋاكالەتچىلەر ئالدىن بەلگىلىگەن قائىدىلەرنى ئىشلىتىپ قارار چىقىرىدۇ.
- ** ماشىنا ئۆگىنىش ۋاكالەتچىسى **: بۇ ۋاكالەتچىلەر ماشىنا ئۆگىنىش ھېسابلاش ئۇسۇلىنى ئىشلىتىپ سانلىق مەلۇماتتىن ئۆگىنىدۇ ۋە قارار چىقىرىدۇ.
- ** ئارىلاشما ماددىلار **: بۇ ۋاكالەتچىلەر قائىدىگە ئاساسلانغان ۋە ماشىنا ئۆگىنىش ئۇسۇلىنى بىرلەشتۈرۈپ قارار چىقىرىدۇ.
بۇ يەردە Python دىكى ئاددىي AI ۋاكالەتچىسىنىڭ ماشىنا ئۆگىنىش ئالگورىتمىسىنى ئىشلىتىشىنىڭ بىر مىسالى: `` python
agent.py
sklearn.ensemble ئىمپورت RandomForestClassifier sklearn.model_selection ئىمپورت پويىزى_ سىناق_ sklearn.datasets دىن load_iris ئىمپورت قىلىدۇ
سىنىپ ۋاكالەتچىسى: def __init __ (ئۆزى): self.model = RandomForestClassifier ()
def پويىز (ئۆزى ، X ، y):
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 predict (self, X):
return self.model.predict (X)
main.py
if name == "main": iris = load_iris () X = iris.data y = iris.target ۋاكالەتچى = ۋاكالەتچى () agent.train (X, y) predictions = agent.predict (X) بېسىپ چىقىرىش (پەرەز) `` بۇ مىسالدا بىزدە ئاددىي سۈنئىي ئەقىل ۋاكالەتچىسى بار ، ئۇ تاسادىپىي ئورمان تۈرگە ئايرىش ئارقىلىق ئالدىن پەرەز قىلىدۇ. ۋاكالەتچى پىچەكگۈل سانلىق مەلۇمات جەدۋىلىدە تەربىيەلەنگەن ۋە ئوخشاش سانلىق مەلۇمات جەدۋىلىدە ئالدىن پەرەز قىلغان.
سۈنئىي ئەقىل ۋاكالەتچىسى ۋە مودېل خىزمەت ئېقىمى قۇرۇلمىسىنى بىرلەشتۈرۈش
سۈنئىي ئەقىل ۋاكالەتچىسى بىلەن مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسىنى بىرلەشتۈرگەندە ، سۈنئىي ئەقىل ئارقىلىق تەدبىر بەلگىلەشنى مودۇللۇق ، كېڭەيتىشچان بىناكارلىق بىلەن بىرلەشتۈرگەن مۇرەككەپ سىستېمىلارنى بارلىققا كەلتۈرەلەيمىز.
بۇ يەردە سۈنئىي ئەقىل ۋاكالەتچىسى بىلەن مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسىنى بىرلەشتۈرگەن سىستېمىنىڭ مىسالى: `` python
workflow.py
class Workflow: def __init __ (ئۆزى): self.modules = [] self.agent = None
def add_module (ئۆزى ، مودۇل):
self.modules.append (module)
def add_agent (ئۆزى ، ۋاكالەتچىسى):
self.agent = ۋاكالەتچى
def run (self):
ئۆزىدىكى مودۇل ئۈچۈن.
module.run ()
if self.agent:
self.agent.predict ()
module1.py
class Module1: def run (self): print ("Module 1 is running")
module2.py
class Module2: def run (self): print ("Module 2 is running")
agent.py
sklearn.ensemble ئىمپورت RandomForestClassifier sklearn.model_selection ئىمپورت پويىزى_ سىناق_ sklearn.datasets دىن load_iris ئىمپورت قىلىدۇ
سىنىپ ۋاكالەتچىسى: def __init __ (ئۆزى): self.model = RandomForestClassifier ()
def پويىز (ئۆزى ، X ، y):
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 predict (self, X):
return self.model.predict (X)
main.py
if name == "main": workflow = Workflow () workflow.add_module (Module1 ()) workflow.add_module (Module2 ()) ۋاكالەتچى = ۋاكالەتچى () agent.train (X, y) workflow.add_agent (ۋاكالەتچى) workflow.run () `` بۇ مىسالدا بىزدە سۈنئىي ئەقىل ۋاكالەتچىسى بىلەن مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسىنى بىرلەشتۈرگەن سىستېما بار. بۇ سىستېمىدا ئىككى مودۇل ۋە سۈنئىي ئەقىل ۋاكالەتچىسى بار ، ئۇ ئىختىيارى ئورمان تۈرگە ئايرىش ئارقىلىق ئالدىن پەرەز قىلىدۇ. ۋاكالەتچى «add_agent» ئۇسۇلى ئارقىلىق خىزمەت ئېقىمىغا قوشۇلدى ، ئۇ مودۇللار ئىجرا بولغاندىن كېيىن ئالدىن پەرەز قىلىدۇ.
ئەڭ كۆپ ئىشلىتىلىدىغان 5-10 بۇيرۇق / ئۈزۈندىلەر
بۇ يەردە مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسى ۋە سۈنئىي ئەقىل ۋاكالەتچىسى بار كۆلەملەشكەن ۋە ئەخلاقلىق سۈنئىي ئەقىل ئارقىلىق قوزغىتىلغان يۇمشاق دېتال سىستېمىسىنى لايىھىلەشتە ئەڭ كۆپ ئىشلىتىلىدىغان بۇيرۇق ۋە پارچىلار بار:
- ** Python **: p pandas سۈپىتىدە pandas نى ئىمپورت قىلىڭ
- ** Python **:
agent.train (X, y)(AI ۋاكالەتچىسىنى سانلىق مەلۇمات جەدۋىلىدە تەربىيىلەش) - ** Python **:
agent.predict (X)(AI ۋاكالەتچىسى ئارقىلىق ئالدىن پەرەز قىلىش) - ** Rust **:
let mut agent = ۋاكالەتچى :: new ()(Rust دا يېڭى AI ۋاكالەتچىسى قۇرۇش) - ** Rust **:
agent.train (X, y)(AI ۋاكالەتچىسىنى Rust دىكى سانلىق مەلۇمات ئامبىرىدا تەربىيىلەش) - ** Go **:
agent: = NewAgent ()(Go دا يېڭى AI ۋاكالەتچىسى قۇرۇش) - ** Go **:
agent.Train (X, y)(AI ۋاكالەتچىسىنى Go دىكى سانلىق مەلۇمات جەدۋىلىدە تەربىيىلەش) - ** Chart.js **: `const chart = يېڭى Chart (ctx, {type: 'bar', data: {labels:
- ** Chart.js **:
chart.data.datasets [0] .data.push (30)(Chart.js ئارقىلىق دىئاگراممىغا يېڭى سانلىق مەلۇمات قوشۇش)
Visualization
بۇ يەردە Chart.js نى ئىشلىتىپ تاياقچە دىئاگراممىنىڭ مىسالى:
json { "type": "bar", "data": { "بەلگە": ["بەلگە 1" ، "بەلگە 2"] ، "datasets": [ { "label": "Dataset 1", "data": [10, 20] } ] } }
بۇ جەدۋەلدە ئىككى سانلىق مەلۇمات نۇقتىسى بار ئىككى بەلگە ۋە بىر سانلىق مەلۇمات جەدۋىلى بار. بۇ دىئاگراممىنى ھەر خىل تاللاش ۋە تەڭشەكلەر ئارقىلىق خاسلاشتۇرغىلى بولىدۇ.
خۇلاسە
مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسى ۋە سۈنئىي ئەقىل ۋاكالەتچىسى بىلەن كۆلەملەشكەن ۋە ئەخلاقلىق سۈنئىي ئەقىل ئارقىلىق قوزغىتىلغان يۇمشاق دېتال سىستېمىسىنى لايىھىلەش سۈنئىي ئەقىل ، يۇمشاق دېتال قۇرۇلۇشى ۋە بىناكارلىق ساھەسىدىكى ئەڭ يېڭى ئىلگىرىلەشلەرنى چوڭقۇر چۈشىنىشكە موھتاج. سۈنئىي ئەقىل ۋاكالەتچىسى بىلەن مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسىنى بىرلەشتۈرۈش ئارقىلىق ، سۈنئىي ئەقىل ئارقىلىق تەدبىر بەلگىلەشنى مودۇللۇق ، كېڭەيتىشچان بىناكارلىق بىلەن بىرلەشتۈرگەن مۇرەككەپ سىستېمىلارنى قۇرالايمىز.
بۇ ماقالىدە سۈنئىي ئەقىل ۋاكالەتچىسى ۋە مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسىنى بىرلەشتۈرگەن مودۇللۇق ، كېڭەيتىشچان ۋە ئەخلاقلىق يۇمشاق دېتال سىستېمىسىنى لايىھىلەشنىڭ لايىھىلەش پرىنسىپى ۋە ئەڭ ياخشى تەجرىبىلىرىنى تەتقىق قىلدۇق. بىز يەنە Python ، Rust ۋە Go دىكى ئاددىي سۈنئىي ئەقىل ۋاكالەتچىلىرى ۋە مودۇللۇق خىزمەت ئېقىمى قۇرۇلمىسىنىڭ مىسالى ، شۇنداقلا Chart.js نى ئىشلىتىپ تەسۋىرلەش مىسالى بىلەن تەمىنلىدۇق.
بۇ ماقالىدە بايان قىلىنغان كۆرسەتمە ۋە ئەڭ ياخشى تەجرىبىلەرگە ئاساسەن ، پروگراممېرلار زامانىۋى قوللىنىشچان پروگراممىلار ۋە كەسىپلەرنىڭ ئېھتىياجىنى قاندۇرىدىغان سۈنئىي ئەقىل قوزغاتقۇچ يۇمشاق دېتال سىستېمىسىنى قۇرالايدۇ.