Ro-ràdh
Tha na h-adhartasan luath ann an Artificial Intelligence (AI) agus innleadaireachd bathar-bog air leantainn gu leasachadh siostaman bathar-bog iom-fhillte a bhios ag amalachadh riochdairean AI agus ailtireachd sruth-obrach modular. Tha comas aig na siostaman sin cruth-atharrachadh a dhèanamh air an dòigh sa bheil sinn a’ dèiligeadh ri fèin-ghluasad agus orcastra DevOps. Ach, le bhith a’ dealbhadh shiostaman bathar-bog scalable agus beusach air an stiùireadh le AI feumaidh tuigse dhomhainn air na h-adhartasan as ùire ann an AI, innleadaireachd bathar-bog, agus ailtireachd.
San artaigil seo, nì sinn sgrùdadh air na prionnsapalan dealbhaidh agus na cleachdaidhean as fheàrr airson siostaman bathar-bog modular, scalable agus beusanta a chruthachadh a bhios ag amalachadh riochdairean AI agus ailtireachd sruth-obrach modular. Cuiridh sinn fòcas air a bhith a’ cothlamadh na h-adhartasan as ùire ann an AI (Modalan Cànain Mòr (LLMn), Ginealach Meudaichte Ath-lorg (RAG)), innleadaireachd bathar-bog (Python, Rust, Go), agus ailtireachd gus siostaman làidir agus seasmhach a chruthachadh.
Ailtireachd Sruth-obrach Modular
Tha ailtireachd sruth-obrach modular na phàtran dealbhaidh a bhios a’ briseadh sìos siostaman iom-fhillte gu modalan nas lugha, neo-eisimeileach a tha furasta an cumail suas, ùrachadh agus sgèile. Tha uallach air gach modal airson gnìomh no gnìomh sònraichte, agus bidh iad a’ conaltradh ri chèile tro eadar-aghaidh air a dheagh mhìneachadh.
Seo eisimpleir shìmplidh de ailtireachd sruth-obrach modular ann am Python:
# sruth-obrach.py
Sruth-obrach clas:
def __init__(fèin):
self.modules = []
def add_module (fèin, modal):
fèin.modalan.append(modal)
def run (fèin):
airson modal ann an self.modules:
modal.run()
#modal1.py
modal clas 1:
def run (fèin):
print ("Tha modal 1 a' ruith")
#modal2.py
modal clas 2:
def run (fèin):
print ("Tha modal 2 a' ruith")
#prìomh.py
ma tha __name__ == "__main__":
sruth-obrach = sruth-obrach ()
workflow.add_module(Module1())
workflow.add_module(Module2())
sruth-obrach.run()
San eisimpleir seo, tha clas 'Sruth-obrach' againn a bhios a' stiùireadh liosta de mhodalan. Tha uallach air gach modal airson gnìomh sònraichte, agus thèid an cur ris an t-sruth-obrach a’ cleachdadh an dòigh add_module. Tha an dòigh ruith air a chleachdadh gus gach modal a chuir an gnìomh san t-sruth-obrach.
Gnìomhaichean AI
Tha riochdairean AI nam pàirtean bathar-bog a bhios a’ cleachdadh algorithms ionnsachadh inneal gus co-dhùnaidhean a dhèanamh agus gnìomhan a ghabhail ann an siostam. Faodar an cleachdadh gus gnìomhan a dhèanamh fèin-ghluasadach, eòlas luchd-cleachdaidh adhartachadh, agus coileanadh siostam a bharrachadh.
Tha grunn sheòrsaichean de riochdairean AI ann, nam measg:
- ** riochdairean stèidhichte air riaghailt **: Bidh na riochdairean sin a’ cleachdadh riaghailtean ro-mhìnichte gus co-dhùnaidhean a dhèanamh.
- ** Luchd-ionaid ionnsachaidh inneal **: Bidh na riochdairean sin a’ cleachdadh algorithms ionnsachadh inneal gus ionnsachadh bho dhàta agus gus co-dhùnaidhean a dhèanamh.
- ** riochdairean tar-chinealach **: Bidh na riochdairean sin a’ cothlamadh dòighean-obrach stèidhichte air riaghailtean agus ionnsachadh innealan gus co-dhùnaidhean a dhèanamh.
Seo eisimpleir de àidseant AI sìmplidh ann am Python a’ cleachdadh algairim ionnsachaidh inneal:
# àidseant.py
bho in-mhalairt sklearn.ensemble RandomForestClassifier
bho sklearn.model_selection import train_test_split
bho sklearn.datasets import load_iris
Àidseant clas:
def __init__(fèin):
self.model = RandomForestClassifier()
trèana def (fèin, 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)
ro-innse def (fèin, X):
tilleadh self.model.predict(X)
#prìomh.py
ma tha __name__ == "__main__":
iris = load_iris()
X = iris.data
y = iris.target
àidseant = àidseant()
àidseant.train(X,y)
ro-innse = àidseant.predict(X)
clò-bhualadh (predictions)
San eisimpleir seo, tha àidseant AI sìmplidh againn a bhios a’ cleachdadh seòrsaiche coille air thuaiream gus ro-innse a dhèanamh. Tha an neach-ionaid air a thrèanadh air an dàta iris agus a 'dèanamh ro-innse air an aon stòr-dàta.
A’ cothlamadh riochdairean AI agus Ailtireachd Sruth-obrach Modular
Le bhith a’ cothlamadh àidseantan AI agus ailtireachd sruth-obrach modular leigidh sin leinn siostaman iom-fhillte a chruthachadh a bhios ag aonachadh co-dhùnaidhean air an stiùireadh le AI le ailtireachd modular, scalable.
Seo eisimpleir de shiostam a tha a’ cothlamadh àidseantan AI agus ailtireachd sruth-obrach modular:
# sruth-obrach.py
Sruth-obrach clas:
def __init__(fèin):
self.modules = []
self.agent = Chan eil gin
def add_module (fèin, modal):
fèin.modalan.append(modal)
def add_agent (fèin, àidseant):
fèin.agent = àidseant
def run (fèin):
airson modal ann an self.modules:
modal.run()
mas e fèin.àidseant:
fèin.àidseant.predict()
#modal1.py
modal clas 1:
def run (fèin):
print ("Tha modal 1 a' ruith")
#modal2.py
modal clas 2:
def run (fèin):
print ("Tha modal 2 a' ruith")
# àidseant.py
bho in-mhalairt sklearn.ensemble RandomForestClassifier
bho sklearn.model_selection import train_test_split
bho sklearn.datasets import load_iris
Àidseant clas:
def __init__(fèin):
self.model = RandomForestClassifier()
trèana def (fèin, 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)
ro-innse def (fèin, X):
tilleadh self.model.predict(X)
#prìomh.py
ma tha __name__ == "__main__":
sruth-obrach = sruth-obrach ()
workflow.add_module(Module1())
workflow.add_module(Module2())
àidseant = àidseant()
àidseant.train(X,y)
workflow.add_agent(àidseant)
sruth-obrach.run()
San eisimpleir seo, tha siostam againn a tha a’ cothlamadh àidseantan AI agus ailtireachd sruth-obrach modular. Tha dà mhodal aig an t-siostam agus àidseant AI a bhios a’ cleachdadh seòrsaiche coille air thuaiream gus ro-innse a dhèanamh. Tha an àidseant air a chur ris an t-sruth-obrach a’ cleachdadh an dòigh add_agent, agus bidh e a’ dèanamh ro-innse às deidh dha na modalan ruith.
Na 5-10 Òrdughan/Beagan as motha a chleachdar
Seo cuid de na h-òrdughan agus na criomagan as cumanta airson dealbhadh siostaman bathar-bog scalable agus beusach air an stiùireadh le AI le ailtireachd sruth-obrach modular agus riochdairean AI:
- Python: 'in-mhalairt pandathan mar pd' (a' toirt a-steach leabharlann nam pandathan)
- Python:
pd.read_csv ('data.csv')(a' leughadh faidhle CSV ann am frèam dàta pandathan) - Python:
agent.train(X, y)(trèanadh àidseant AI air stòr-dàta) - Python:
agent.predict(X)(a' dèanamh ro-innse a' cleachdadh àidseant AI) - ** Meirge **:
let mut agent = Agent :: new()(a’ cruthachadh àidseant AI ùr ann an Rust) - ** Meirge **:
agent.train(X, y)(trèanadh àidseant AI air stòr-dàta ann an Rust) - ** Rach **:
àidseant := NewAgent()(a’ cruthachadh àidseant AI ùr ann an Go) - ** Rach **:
agent.Train(X, y)(trèanadh àidseant AI air stòr-dàta ann an Go) - Chart.js:
const chart = cairt ùr(ctx, { seòrsa: 'bar', dàta: { bileagan: ['Label 1', 'Label 2'], stòran-dàta: [{ label: 'Data-dàta 1', dàta: [10, 20] }] } });(a' cruthachadh clàr-bàr a' cleachdadh Chart.js) - Chart.js:
chart.data.datasets[0].data.push(30)(a' cur puing dàta ùr ri cairt a' cleachdadh Chart.js)
Sealladh
Seo eisimpleir de chairt-bhàr a’ cleachdadh Chart.js:
{
"type": "bàr",
"dàta": {
"labels": ["Label 1", "Label 2"],
"stòr-dàta": [
{
"label": "Seata-dàta 1",
"dàta": [10, 20]
}
]
}
}
Tha dà leubail air a’ chairt seo agus aon stòr-dàta le dà phuing dàta. Faodar an clàr a ghnàthachadh le bhith a’ cleachdadh diofar roghainnean agus shuidheachaidhean.
Co-dhùnadh
Le bhith a’ dealbhadh shiostaman bathar-bog scalable agus beusach air an stiùireadh le AI le ailtireachd sruth-obrach modular agus riochdairean AI feumaidh tuigse dhomhainn air na h-adhartasan as ùire ann an AI, innleadaireachd bathar-bog, agus ailtireachd. Le bhith a’ cothlamadh àidseantan AI agus ailtireachd sruth-obrach modular, is urrainn dhuinn siostaman iom-fhillte a chruthachadh a bhios ag amalachadh co-dhùnaidhean air an stiùireadh le AI le ailtireachd modular, scalable.
San artaigil seo, tha sinn air na prionnsapalan dealbhaidh agus na cleachdaidhean as fheàrr a sgrùdadh airson siostaman bathar-bog modular, scalable agus beusanta a chruthachadh a bhios ag amalachadh riochdairean AI agus ailtireachd sruth-obrach modular. Tha sinn cuideachd air eisimpleirean a thoirt seachad de riochdairean AI sìmplidh agus ailtireachd sruth-obrach modular ann am Python, Rust, and Go, a bharrachd air eisimpleir fradharc a’ cleachdadh Chart.js.
Le bhith a’ leantainn an stiùiridh agus na cleachdaidhean as fheàrr a tha air am mìneachadh san artaigil seo, faodaidh luchd-leasachaidh siostaman bathar-bog làidir agus seasmhach a chruthachadh air an stiùireadh le AI a choinnicheas ri feumalachdan thagraidhean agus ghnìomhachasan an latha an-diugh.