Dylunio Systemau Meddalwedd Scalable a Moesegol a Yrrir gan AI gyda Phensaernïaeth Llif Gwaith Modiwlaidd ac Asiantau AI | B4N1

Dylunio Systemau Meddalwedd Scalable a Moesegol a Yrrir gan AI gyda Phensaernïaeth Llif Gwaith Modiwlaidd ac Asiantau AI

5 months ago · b4n1 Read time: 5 min

Rhagymadrodd

Mae'r datblygiadau cyflym mewn Deallusrwydd Artiffisial (AI) a pheirianneg meddalwedd wedi arwain at ddatblygiad systemau meddalwedd cymhleth sy'n integreiddio asiantau AI a phensaernïaeth llif gwaith modiwlaidd. Mae gan y systemau hyn y potensial i chwyldroi'r ffordd yr ydym yn ymdrin ag awtomeiddio ac offeryniaeth DevOps. Fodd bynnag, mae dylunio systemau meddalwedd graddadwy a moesegol sy'n cael eu gyrru gan AI yn gofyn am ddealltwriaeth ddofn o'r datblygiadau diweddaraf mewn AI, peirianneg meddalwedd, a phensaernïaeth.

Yn yr erthygl hon, byddwn yn archwilio'r egwyddorion dylunio a'r arferion gorau ar gyfer creu systemau meddalwedd modiwlaidd, graddadwy a moesegol sy'n integreiddio asiantau AI a phensaernïaeth llif gwaith modiwlaidd. Byddwn yn canolbwyntio ar gyfuno’r datblygiadau diweddaraf mewn AI (Modelau Iaith Mawr (LLMs), Retrieval-Augmented Generation (RAG)), peirianneg meddalwedd (Python, Rust, Go), a phensaernïaeth i greu systemau cadarn a chynaladwy.

Pensaernïaeth Llif Gwaith Modiwlaidd

Mae pensaernïaeth llif gwaith modiwlaidd yn batrwm dylunio sy'n rhannu systemau cymhleth yn fodiwlau llai, annibynnol y gellir eu cynnal, eu diweddaru a'u graddio'n hawdd. Mae pob modiwl yn gyfrifol am dasg neu swyddogaeth benodol, ac maent yn cyfathrebu â'i gilydd trwy ryngwynebau wedi'u diffinio'n dda.

Dyma enghraifft syml o bensaernïaeth llif gwaith modiwlaidd yn Python:

# llif gwaith.py
Llif gwaith dosbarth:
    def __init__(hunan):
        self.modules = []

    def add_module(hunan, modiwl):
        hunan.modiwlau.atodiad(modiwl)

    rhedeg def (hunan):
        ar gyfer modiwl yn hunan.modiwlau:
            modiwl.rhedeg()

# modiwl1.py
Modiwl dosbarth 1:
    rhedeg def (hunan):
        print ("Mae Modiwl 1 yn rhedeg")

# modiwl2.py
Modiwl dosbarth 2:
    rhedeg def (hunan):
        print ("Mae Modiwl 2 yn rhedeg")

# prif.py
os __name__ == "__main__":
    llif gwaith = llif gwaith ()
    workflow.add_module(Modiwl1())
    workflow.add_module(Modiwl2())
    llif gwaith.rhedeg()

Yn yr enghraifft hon, mae gennym ddosbarth ‘Llif Gwaith’ sy’n rheoli rhestr o fodiwlau. Mae pob modiwl yn gyfrifol am dasg benodol, ac maent yn cael eu hychwanegu at y llif gwaith gan ddefnyddio'r dull ychwanegu_modiwl. Defnyddir y dull rhedeg i weithredu pob modiwl yn y llif gwaith.

Asiantau AI

Mae asiantau AI yn gydrannau meddalwedd sy'n defnyddio algorithmau dysgu peiriant i wneud penderfyniadau a chymryd camau mewn system. Gellir eu defnyddio i awtomeiddio tasgau, gwella profiad y defnyddiwr, a gwneud y gorau o berfformiad system.

Mae yna sawl math o asiantau AI, gan gynnwys:

  • Asiantau seiliedig ar reolau: Mae'r asiantau hyn yn defnyddio rheolau wedi'u diffinio ymlaen llaw i wneud penderfyniadau.
  • ** Asiantau dysgu peiriannau**: Mae'r asiantau hyn yn defnyddio algorithmau dysgu peiriant i ddysgu o ddata a gwneud penderfyniadau.
  • Asiantau hybrid: Mae'r asiantau hyn yn cyfuno dulliau seiliedig ar reolau a dulliau dysgu peirianyddol i wneud penderfyniadau.

Dyma enghraifft o asiant AI syml yn Python gan ddefnyddio algorithm dysgu peiriant:

# asiant.py
o mewnforio sklearn.ensemble RandomForestClassifier
o sklearn.model_selection mewnforio train_test_split
o sklearn.datasets mewnforio load_iris

Asiant dosbarth:
    def __init__(hunan):
        self.model = Dosbarthwr RandomForest()

    trên def (hunan, X, y):
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
        hunan.model.fit(X_train, y_train)

    rhagfynegi def (hunan, X):
        dychwelyd hunan.model.rhagweld(X)

# prif.py
os __name__ == "__main__":
    iris = load_iris()
    X = iris.data
    y = iris.target
    asiant = Asiant()
    asiant.train(X, y)
    rhagfynegiadau = agent.predict(X)
    print (rhagfynegiadau)

Yn yr enghraifft hon, mae gennym asiant AI syml sy'n defnyddio dosbarthwr coedwig ar hap i wneud rhagfynegiadau. Mae'r asiant wedi'i hyfforddi ar y set ddata iris ac yn gwneud rhagfynegiadau ar yr un set ddata.

Cyfuno Asiantau AI a Phensaernïaeth Llif Gwaith Modiwlaidd

Mae cyfuno asiantau AI a phensaernïaeth llif gwaith modiwlaidd yn ein galluogi i greu systemau cymhleth sy'n integreiddio gwneud penderfyniadau a yrrir gan AI â phensaernïaeth fodiwlaidd, y gellir ei graddio.

Dyma enghraifft o system sy'n cyfuno asiantau AI a phensaernïaeth llif gwaith modiwlaidd:

# llif gwaith.py
Llif gwaith dosbarth:
    def __init__(hunan):
        self.modules = []
        self.agent = Dim

    def add_module(hunan, modiwl):
        hunan.modiwlau.atodiad(modiwl)

    def add_agent(hunan, asiant):
        hunan.agent = asiant

    rhedeg def (hunan):
        ar gyfer modiwl yn hunan.modiwlau:
            modiwl.rhedeg()
        os yn hunan.asiant:
            hunan.asiant.rhagweld()

# modiwl1.py
Modiwl dosbarth 1:
    rhedeg def (hunan):
        print ("Mae Modiwl 1 yn rhedeg")

# modiwl2.py
Modiwl dosbarth 2:
    rhedeg def (hunan):
        print ("Mae Modiwl 2 yn rhedeg")

# asiant.py
o mewnforio sklearn.ensemble RandomForestClassifier
o sklearn.model_selection mewnforio train_test_split
o sklearn.datasets mewnforio load_iris

Asiant dosbarth:
    def __init__(hunan):
        self.model = Dosbarthwr RandomForest()

    trên def (hunan, X, y):
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
        hunan.model.fit(X_train, y_train)

    rhagfynegi def (hunan, X):
        dychwelyd hunan.model.rhagweld(X)

# prif.py
os __name__ == "__main__":
    llif gwaith = llif gwaith ()
    workflow.add_module(Modiwl1())
    workflow.add_module(Modiwl2())
    asiant = Asiant()
    asiant.train(X, y)
    workflow.add_agent(asiant)
    llif gwaith.rhedeg()

Yn yr enghraifft hon, mae gennym system sy'n cyfuno asiantau AI a phensaernïaeth llif gwaith modiwlaidd. Mae gan y system ddau fodiwl ac asiant AI sy'n defnyddio dosbarthwr coedwig ar hap i wneud rhagfynegiadau. Mae'r asiant yn cael ei ychwanegu at y llif gwaith gan ddefnyddio'r dull add_agent, ac mae'n gwneud rhagfynegiadau ar ôl i'r modiwlau redeg.

Y 5-10 Gorchymyn/Tamaid mwyaf poblogaidd

Dyma rai o'r gorchmynion a'r pytiau mwyaf cyffredin a ddefnyddir ar gyfer dylunio systemau meddalwedd graddadwy a moesegol sy'n cael eu gyrru gan AI gyda phensaernïaeth llif gwaith modiwlaidd ac asiantau AI:

  1. Python: mewnforio pandas fel pd (mewnforio'r llyfrgell pandas)
  2. Python: pd.read_csv('data.csv') (darllen ffeil CSV i ffrâm data pandas)
  3. Python: agent.train(X, y) (hyfforddi asiant AI ar set ddata)
  4. Python: asiant.predict(X) (gwneud rhagfynegiadau gan ddefnyddio asiant AI)
  5. Rust: let mut agent = Asiant::new() (creu asiant AI newydd yn Rust)
  6. Rust: agent.train(X, y) (hyfforddi asiant AI ar set ddata yn Rust)
  7. Ewch: asiant := NewAgent() (creu asiant AI newydd yn Go)
  8. Ewch: asiant.Train(X,y) (hyfforddi asiant AI ar set ddata yn Go)
  9. Chart.js: const chart = Siart newydd(ctx, { type: 'bar', data: { labeli: ['Label 1', 'Label 2'], setiau data: [{ label: 'Set data 1', data: [10, 20] }] } }); (creu siart bar gan ddefnyddio Siart.js)
  10. Chart.js: chart.data.datasets[0].data.push(30) (ychwanegu pwynt data newydd at siart gan ddefnyddio Chart.js)

Delweddu

Dyma enghraifft o siart bar yn defnyddio Chart.js:

{
  "type": "bar",
  "data": {
    "labels": ["Label 1", "Label 2"],
    "setiau data": [
      {
        " label " : " Set ddata 1 " ,
        "data": [10, 20]
      }
    ]
  }
}

Mae gan y siart hwn ddau label ac un set ddata gyda dau bwynt data. Gellir addasu'r siart gan ddefnyddio opsiynau a gosodiadau amrywiol.

Casgliad

Mae dylunio systemau meddalwedd graddadwy a moesegol sy'n cael eu gyrru gan AI gyda phensaernïaeth llif gwaith modiwlaidd ac asiantau AI yn gofyn am ddealltwriaeth ddofn o'r datblygiadau diweddaraf mewn AI, peirianneg meddalwedd, a phensaernïaeth. Trwy gyfuno asiantau AI a phensaernïaeth llif gwaith modiwlaidd, gallwn greu systemau cymhleth sy'n integreiddio gwneud penderfyniadau a yrrir gan AI â phensaernïaeth fodiwlaidd, y gellir ei graddio.

Yn yr erthygl hon, rydym wedi archwilio'r egwyddorion dylunio a'r arferion gorau ar gyfer creu systemau meddalwedd modiwlaidd, graddadwy a moesegol sy'n integreiddio asiantau AI a phensaernïaeth llif gwaith modiwlaidd. Rydym hefyd wedi darparu enghreifftiau o asiantau AI syml a phensaernïaeth llif gwaith modiwlaidd yn Python, Rust, and Go, yn ogystal ag enghraifft ddelweddu gan ddefnyddio Chart.js.

Trwy ddilyn y canllawiau a'r arferion gorau a amlinellir yn yr erthygl hon, gall datblygwyr greu systemau meddalwedd cadarn a chynaliadwy sy'n cael eu gyrru gan AI sy'n diwallu anghenion cymwysiadau a diwydiannau modern.

Have Questions?

Let's Talk

Contact me on LinkedIn