Модульчлагдсан ажлын урсгалын архитектур ба AI агентууд бүхий масштабтай, ёс зүйтэй хиймэл оюун ухаанд суурилсан програм хангамжийн системийг зохион бүтээх

Танилцуулга

Хиймэл оюун ухаан (AI) болон програм хангамжийн инженерчлэлийн хурдацтай дэвшил нь хиймэл оюун ухааны агентууд болон модульчлагдсан ажлын урсгалын архитектурыг нэгтгэсэн нарийн төвөгтэй програм хангамжийн системийг хөгжүүлэхэд хүргэсэн. Эдгээр системүүд нь бидний DevOps автоматжуулалт, зохион байгуулалтад хандах хандлагыг өөрчлөх чадвартай. Гэсэн хэдий ч өргөжүүлэх боломжтой, ёс зүйтэй хиймэл оюун ухаанд суурилсан програм хангамжийн системийг зохион бүтээх нь хиймэл оюун ухаан, програм хангамжийн инженерчлэл, архитектурын хамгийн сүүлийн үеийн дэвшлийн талаар гүнзгий ойлголттой байхыг шаарддаг.

Энэ нийтлэлд бид AI агентууд болон модульчлагдсан ажлын урсгалын архитектурыг нэгтгэсэн модульчлагдсан, өргөтгөх боломжтой, ёс зүйтэй програм хангамжийн системийг бий болгох дизайны зарчим, шилдэг туршлагуудыг судлах болно. Бид AI (Том хэлний загварууд (LLMs), Retrieval-Augmented Generation (RAG)), програм хангамжийн инженерчлэл (Python, Rust, Go) болон архитектурын хамгийн сүүлийн үеийн дэвшлийг хослуулан бат бөх, засвар үйлчилгээ хийх боломжтой системийг бий болгоход анхаарлаа хандуулах болно.

Модульчлагдсан ажлын урсгалын архитектур

Модульчлагдсан ажлын урсгалын архитектур нь нарийн төвөгтэй системийг хялбархан засварлаж, шинэчилж, өргөжүүлж болохуйц жижиг бие даасан модулиуд болгон задалдаг дизайны загвар юм. Модуль бүр нь тодорхой даалгавар эсвэл функцийг хариуцдаг бөгөөд тэдгээр нь сайн тодорхойлсон интерфейсээр дамжуулан хоорондоо харилцдаг.

Python дахь модульчлагдсан ажлын урсгалын архитектурын энгийн жишээ энд байна.

# ажлын урсгал.py
ангийн ажлын урсгал:
    def __init__(өөрөө):
        self.modules = []

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

    Def run(өөрөө):
        self.modules дахь модулийн хувьд:
            module.run()

# module1.py
Модуль 1:
    Def run(өөрөө):
        хэвлэх("Модуль 1 ажиллаж байна")

# module2.py
ангийн модуль 2:
    Def run(өөрөө):
        хэвлэх("Модуль 2 ажиллаж байна")

# main.py
хэрэв __нэр__ == "__үндсэн__":
    ажлын урсгал = Ажлын урсгал()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    workflow.run()

Энэ жишээнд бид модулиудын жагсаалтыг удирддаг Workflow ангитай байна. Модуль бүр нь тодорхой ажлыг хариуцдаг бөгөөд add_module аргыг ашиглан ажлын урсгалд нэмдэг. Ажлын урсгал дахь модуль бүрийг ажиллуулахын тулд "ажиллуулах" аргыг ашигладаг.

AI агентууд

AI агентууд нь системд шийдвэр гаргах, үйлдэл хийхэд машин сургалтын алгоритмыг ашигладаг програм хангамжийн бүрэлдэхүүн хэсэг юм. Эдгээрийг даалгавруудыг автоматжуулах, хэрэглэгчийн туршлагыг сайжруулах, системийн ажиллагааг оновчтой болгоход ашиглаж болно.

AI агентуудын хэд хэдэн төрөл байдаг бөгөөд үүнд:

• Дүрэмд суурилсан агентууд: Эдгээр агентууд шийдвэр гаргахдаа урьдчилан тодорхойлсон дүрмийг ашигладаг.
• Машин сургалтын агентууд: Эдгээр агентууд нь өгөгдлөөс суралцаж, шийдвэр гаргахын тулд машин сургалтын алгоритмуудыг ашигладаг.
• Эрлийз агентууд: Эдгээр агентууд шийдвэр гаргахын тулд дүрэмд суурилсан болон машин сургалтын аргыг хослуулдаг.

Машин сургалтын алгоритмыг ашиглан Python-д энгийн AI агентын жишээ энд байна:

# agent.py
sklearn.ensemble-аас RandomForestClassifier импортлох
sklearn.model_selection импортын галт тэрэгний_test_split-ээс
sklearn.datasets-аас load_iris импортлох

ангийн агент:
    def __init__(өөрөө):
        self.model = RandomForestClassifier()

    def галт тэрэг (өөрөө, X, y):
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, санамсаргүй_төлөв=42)
        self.model.fit(X_train, y_train)

    def таамаглах (өөрийгөө, X):
        self.model.predict(X) буцаах

# main.py
хэрэв __нэр__ == "__үндсэн__":
    цахилдаг = ачаалал_цахилдаг()
    X = iris.data
    y = цахилдаг.зорилтот
    агент = Агент()
    agent.train(X, y)
    таамаглал = agent.predict(X)
    хэвлэх (урьдчилан таамаглал)

Энэ жишээнд бид санамсаргүй ой ангилагч ашиглан таамаглал дэвшүүлэх энгийн хиймэл оюун ухаантай агент байна. Агент нь цахилдаг мэдээллийн багц дээр сургагдсан бөгөөд ижил мэдээллийн багц дээр таамаглал гаргадаг.

AI агентууд болон модульчлагдсан ажлын урсгалын архитектурыг хослуулах

AI агентууд болон модульчлагдсан ажлын урсгалын архитектурыг хослуулсан нь хиймэл оюун ухаанд суурилсан шийдвэр гаргалтыг модульчлагдсан, өргөтгөх боломжтой архитектуртай нэгтгэсэн цогц системийг бий болгох боломжийг бидэнд олгодог.

AI агентууд болон модульчлагдсан ажлын урсгалын архитектурыг хослуулсан системийн жишээ энд байна.

# ажлын урсгал.py
ангийн ажлын урсгал:
    def __init__(өөрөө):
        self.modules = []
        self.agent = Байхгүй

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

    def add_agent (өөрийгөө, төлөөлөгч):
        өөрөө.агент = төлөөлөгч

    Def run(өөрөө):
        self.modules дахь модулийн хувьд:
            module.run()
        хэрэв self.agent:
            self.agent.predict()

# module1.py
Модуль 1:
    Def run(өөрөө):
        хэвлэх("Модуль 1 ажиллаж байна")

# module2.py
ангийн модуль 2:
    Def run(өөрөө):
        хэвлэх("Модуль 2 ажиллаж байна")

# agent.py
sklearn.ensemble-аас RandomForestClassifier импортлох
sklearn.model_selection импортын галт тэрэгний_test_split-ээс
sklearn.datasets-аас load_iris импортлох

ангийн агент:
    def __init__(өөрөө):
        self.model = RandomForestClassifier()

def галт тэрэг (өөрөө, X, y):
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, санамсаргүй_төлөв=42)
        self.model.fit(X_train, y_train)

    def таамаглах (өөрийгөө, X):
        self.model.predict(X) буцаах

# main.py
хэрэв __нэр__ == "__үндсэн__":
    ажлын урсгал = Ажлын урсгал()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    агент = Агент()
    agent.train(X, y)
    workflow.add_agent(агент)
    workflow.run()

Энэ жишээнд бид AI агентууд болон модульчлагдсан ажлын урсгалын архитектурыг хослуулсан системтэй. Уг систем нь хоёр модультай бөгөөд санамсаргүй ой ангилагч ашиглан таамаглал дэвшүүлдэг хиймэл оюун ухаантай. Агентийг add_agent аргыг ашиглан ажлын урсгалд нэмж, модулиудыг ажиллуулсны дараа таамаглал гаргадаг.

Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг

Модульчлагдсан ажлын урсгалын архитектур болон AI агентууд бүхий AI-д суурилсан, өргөжүүлэх боломжтой, ёс зүйтэй програм хангамжийн системийг зохион бүтээхэд хамгийн түгээмэл хэрэглэгддэг тушаалууд болон хэсгүүдийг энд оруулав.

1. Python: пандагуудыг pd хэлбэрээр импортлох (пандагийн номын санг импортлох)
2. Python: pd.read_csv('data.csv') (CSV файлыг панда дата фрейм болгон унших)
3. Python: agent.train(X, y) (өгөгдлийн багц дээр AI агентийг сургах)
4. Python: agent.predict(X) (AI агент ашиглан таамаглал гаргах)
5. Rust: mut agent = Agent::new() (Rust-д шинэ AI агент үүсгэх)
6. Rust: agent.train(X, y) (Rust дахь өгөгдлийн багц дээр AI агентийг сургах)
7. Go: агент := NewAgent() (Go дээр шинэ хиймэл оюун ухааны агент үүсгэх)
8. Go: agent.Train(X, y) (Го дахь датасет дээр хиймэл оюун ухааны агентийг сургах)
9. Chart.js: const chart = new Chart(ctx, { type: 'bar', data: { labels: ['Label 1', 'Label 2'], datasets: [{ label: 'Dataset 1', data: [10, 20] }] } } }); (chart-г ашиглан диаграмм үүсгэх.
10. Chart.js: chart.data.datasets[0].data.push(30) (Chart.js ашиглан графикт шинэ өгөгдлийн цэг нэмэх)

Дүрслэл

Chart.js ашиглан баганан диаграмын жишээ энд байна:

{
  "төрөл": "бар",
  "өгөгдөл": {
    "шошго": ["Шошго 1", "Шошго 2"],
    "өгөгдлийн багц": [
      {
        "label": "Өгөгдлийн багц 1",
        "өгөгдөл": [10, 20]
      }
    ]
  }
}

Энэ диаграм нь хоёр шошго, хоёр өгөгдлийн цэг бүхий нэг өгөгдлийн багцтай. Диаграмыг янз бүрийн сонголт, тохиргоог ашиглан өөрчилж болно.

Дүгнэлт

Модульчлагдсан ажлын урсгалын архитектур, хиймэл оюун ухаан агентууд бүхий өргөжүүлэх боломжтой, ёс зүйтэй хиймэл оюун ухаанд суурилсан програм хангамжийн системийг зохион бүтээх нь хиймэл оюун ухаан, програм хангамжийн инженерчлэл, архитектурын хамгийн сүүлийн үеийн дэвшлийн талаар гүнзгий ойлголттой байхыг шаарддаг. AI агентууд болон модульчлагдсан ажлын урсгалын архитектурыг хослуулснаар бид хиймэл оюун ухаанд суурилсан шийдвэр гаргалтыг модульчлагдсан, өргөтгөх боломжтой архитектуртай нэгтгэсэн цогц системийг бий болгож чадна.

Энэ нийтлэлд бид AI агентууд болон модульчлагдсан ажлын урсгалын архитектурыг нэгтгэсэн модульчлагдсан, өргөтгөх боломжтой, ёс зүйтэй програм хангамжийн системийг бий болгох дизайны зарчим, шилдэг туршлагуудыг судалсан. Мөн бид Python, Rust, Go дээрх энгийн AI агентууд болон модульчлагдсан ажлын урсгалын архитектурын жишээ, мөн Chart.js ашиглан дүрслэх жишээг өгсөн.

Энэхүү нийтлэлд дурдсан удирдамж, шилдэг туршлагыг дагаснаар хөгжүүлэгчид орчин үеийн хэрэглээ, салбарын хэрэгцээнд нийцсэн, хүчирхэг, засвар үйлчилгээ хийх боломжтой хиймэл оюун ухаанд суурилсан програм хангамжийн системийг бий болгож чадна.