Mērogojamu un ētisku mākslīgā intelekta vadītu programmatūras sistēmu projektēšana ar modulāru darbplūsmas arhitektūru un AI aģentiem | B4N1

Mērogojamu un ētisku mākslīgā intelekta vadītu programmatūras sistēmu projektēšana ar modulāru darbplūsmas arhitektūru un AI aģentiem

3 months ago · b4n1 Read time: 4 min

Ievads

Straujais mākslīgā intelekta (AI) un programmatūras inženierijas sasniegums ir novedis pie sarežģītu programmatūras sistēmu izstrādes, kas integrē AI aģentus un modulāro darbplūsmas arhitektūru. Šīm sistēmām ir potenciāls mainīt veidu, kā mēs pieejam DevOps automatizācijai un orķestrēšanai. Tomēr, lai izstrādātu mērogojamu un ētisku AI vadītu programmatūras sistēmu, ir nepieciešama dziļa izpratne par jaunākajiem sasniegumiem AI, programmatūras inženierijā un arhitektūrā.

Šajā rakstā mēs izpētīsim projektēšanas principus un labāko praksi, lai izveidotu modulāras, mērogojamas un ētiskas programmatūras sistēmas, kurās integrēti AI aģenti un modulāra darbplūsmas arhitektūra. Mēs koncentrēsimies uz jaunāko sasniegumu apvienošanu AI (Lielo valodu modeļi (LLM), Retrieval-Augmented Generation (RAG)), programmatūras inženierijā (Python, Rust, Go) un arhitektūrā, lai izveidotu stabilas un apkopjamas sistēmas.

Modulārā darbplūsmas arhitektūra

Modulārās darbplūsmas arhitektūra ir dizaina modelis, kas sarežģītas sistēmas sadala mazākos, neatkarīgos moduļos, kurus var viegli uzturēt, atjaunināt un mērogot. Katrs modulis ir atbildīgs par konkrētu uzdevumu vai funkciju, un tie sazinās viens ar otru, izmantojot labi definētas saskarnes.

Šeit ir vienkāršs Python modulārās darbplūsmas arhitektūras piemērs:

# workflow.py
klases darbplūsma:
    def __init__(self):
        self.modules = []

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

    def run (self):
        modulim self.modules:
            module.run()

# module1.py
klases 1. modulis:
    def run (self):
        print("Modulis 1 darbojas")

# module2.py
klases 2. modulis:
    def run (self):
        print("Modulis 2 darbojas")

# main.py
if __name__ == "__main__":
    darbplūsma = darbplūsma()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    workflow.run()

Šajā piemērā mums ir klase Workflow, kas pārvalda moduļu sarakstu. Katrs modulis ir atbildīgs par konkrētu uzdevumu, un tie tiek pievienoti darbplūsmai, izmantojot metodi "add_module". Metode "palaist" tiek izmantota, lai izpildītu katru darbplūsmas moduli.

AI aģenti

AI aģenti ir programmatūras komponenti, kas izmanto mašīnmācīšanās algoritmus, lai pieņemtu lēmumus un veiktu darbības sistēmā. Tos var izmantot, lai automatizētu uzdevumus, uzlabotu lietotāju pieredzi un optimizētu sistēmas veiktspēju.

Ir vairāki AI aģentu veidi, tostarp:

  • Uz kārtulām balstīti aģenti: šie aģenti lēmumu pieņemšanai izmanto iepriekš definētus noteikumus.
  • Mašīnmācīšanās aģenti: šie aģenti izmanto mašīnmācīšanās algoritmus, lai mācītos no datiem un pieņemtu lēmumus.
  • Hibrīda aģenti: šie aģenti lēmumu pieņemšanā apvieno uz noteikumiem balstītas un mašīnmācīšanās pieejas.

Šeit ir piemērs vienkāršam AI aģentam Python, izmantojot mašīnmācīšanās algoritmu:

# agent.py
no sklearn.ensemble importa RandomForestClassifier
no sklearn.model_selection importēšanas train_test_split
no sklearn.datasets importa load_iris

klases aģents:
    def __init__(self):
        self.model = RandomForestClassifier()

    def vilciens (self, X, y):
        X_vilciens, X_tests, y_vilciens, y_tests = vilciena_pārbaudes_dalījums(X, y, testa_izmērs = 0,2, nejaušības_stāvoklis = 42)
        self.model.fit(X_train, y_train)

    def prognozēt(pats, X):
        atgriezties self.model.predict(X)

# main.py
if __name__ == "__main__":
    varavīksnene = load_iris()
    X = varavīksnene.dati
    y = varavīksnene.mērķis
    aģents = aģents()
    aģents.vilciens(X, y)
    prognozes = agent.predict(X)
    drukāt (prognozes)

Šajā piemērā mums ir vienkāršs AI aģents, kas prognožu veikšanai izmanto nejaušu meža klasifikatoru. Aģents ir apmācīts par varavīksnenes datu kopu un veic prognozes tajā pašā datu kopā.

AI aģentu un modulārās darbplūsmas arhitektūras apvienošana

AI aģentu un modulārās darbplūsmas arhitektūras apvienošana ļauj mums izveidot sarežģītas sistēmas, kas integrē AI vadītu lēmumu pieņemšanu ar modulāru, mērogojamu arhitektūru.

Šeit ir sistēmas piemērs, kas apvieno AI aģentus un modulāro darbplūsmas arhitektūru:

# workflow.py
klases darbplūsma:
    def __init__(self):
        self.modules = []
        self.agent = nav

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

    def add_agent(self, agent):
        self.agent = aģents

    def run (self):
        modulim self.modules:
            module.run()
        ja self.agent:
            self.agent.predict()

# module1.py
klases 1. modulis:
    def run (self):
        print("Modulis 1 darbojas")

# module2.py
klases 2. modulis:
    def run (self):
        print("Modulis 2 darbojas")

# agent.py
no sklearn.ensemble importa RandomForestClassifier
no sklearn.model_selection importēšanas train_test_split
no sklearn.datasets importa load_iris

klases aģents:
    def __init__(self):
        self.model = RandomForestClassifier()

def vilciens (self, X, y):
        X_vilciens, X_tests, y_vilciens, y_tests = vilciena_pārbaudes_dalījums(X, y, testa_izmērs = 0,2, nejaušības_stāvoklis = 42)
        self.model.fit(X_train, y_train)

    def prognozēt(pats, X):
        atgriezties self.model.predict(X)

# main.py
if __name__ == "__main__":
    darbplūsma = darbplūsma()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    aģents = aģents()
    aģents.vilciens(X, y)
    workflow.add_agent(agent)
    workflow.run()

Šajā piemērā mums ir sistēma, kas apvieno AI aģentus un moduļu darbplūsmas arhitektūru. Sistēmai ir divi moduļi un AI aģents, kas prognožu veikšanai izmanto nejaušu meža klasifikatoru. Aģents tiek pievienots darbplūsmai, izmantojot metodi “add_agent”, un tas veic prognozes pēc moduļu palaišanas.

5–10 populārākās komandas/fragmenti

Šeit ir dažas no visbiežāk izmantotajām komandām un fragmentiem, lai izstrādātu mērogojamu un ētisku AI vadītu programmatūras sistēmu ar modulāru darbplūsmas arhitektūru un AI aģentiem.

1. Python: "importēt pandas kā pd" (pandu bibliotēkas importēšana) 2. Python: pd.read_csv('data.csv')' (CSV faila lasīšana pandas datu rāmī) 3. **Python**: "agent.train(X, y)" (MI aģenta apmācība par datu kopu) 4. **Python**: "agent.predict(X)" (prognožu veikšana, izmantojot AI aģentu) 5. **Rust**: "let mut agent = Agent::new()" (jauna AI aģenta izveide programmā Rust) 6. **Rust**: "agent.train(X, y)" (AI aģenta apmācība par datu kopu Rust) 7. **Go**: agent := NewAgent()(jauna AI aģenta izveide lietotnē Go) 8. **Go**: "agent.Train(X, y)" (MI aģenta apmācība par datu kopu pakalpojumā Go) 9. **Chart.js**:const chart = new Chart(ctx, { type: 'bar', data: { labels: ['Label 1', 'Label 2'], datasets: [{ label: 'Dataset 1', data: [10, 20] }] } });(Chart.js joslu diagramma 10. **Chart.js**:chart.data.datasets[0].data.push(30)` (jauna datu punkta pievienošana diagrammai, izmantojot Chart.js)

Vizualizācija

Šeit ir joslu diagrammas piemērs, izmantojot Chart.js:

{
  "tips": "josla",
  "dati": {
    "labels": ["Label 1", "Label 2"],
    "datu kopas": [
      {
        "label": "Dataset 1",
        "dati": [10, 20]
      }
    ]
  }
}

Šai diagrammai ir divas etiķetes un viena datu kopa ar diviem datu punktiem. Diagrammu var pielāgot, izmantojot dažādas opcijas un iestatījumus.

Secinājums

Lai izstrādātu mērogojamas un ētiskas mākslīgā intelekta vadītas programmatūras sistēmas ar modulāru darbplūsmas arhitektūru un AI aģentiem, ir nepieciešama dziļa izpratne par jaunākajiem sasniegumiem AI, programmatūras inženierijā un arhitektūrā. Apvienojot AI aģentus un moduļu darbplūsmas arhitektūru, mēs varam izveidot sarežģītas sistēmas, kas integrē AI vadītu lēmumu pieņemšanu ar modulāru, mērogojamu arhitektūru.

Šajā rakstā mēs esam izpētījuši projektēšanas principus un labāko praksi, lai izveidotu modulāras, mērogojamas un ētiskas programmatūras sistēmas, kurās ir integrēti AI aģenti un modulāra darbplūsmas arhitektūra. Mēs esam nodrošinājuši arī vienkāršu AI aģentu un modulārās darbplūsmas arhitektūras piemērus programmās Python, Rust un Go, kā arī vizualizācijas piemēru, izmantojot Chart.js.

Ievērojot šajā rakstā izklāstītās vadlīnijas un paraugpraksi, izstrādātāji var izveidot stabilas un uzturējamas ar AI vadītas programmatūras sistēmas, kas atbilst mūsdienu lietojumprogrammu un nozaru vajadzībām.

Have Questions?

Let's Talk

Contact me on LinkedIn