Destpêk

Pêşkeftinên bilez ên di Zanistiya Hunerî (AI) û endezyariya nermalavê de rê li pêşkeftina pergalên nermalava tevlihev ên ku ajanên AI-ê û mîmariya xebata modular vedihewîne, kiriye. Van pergalan xwedan potansiyel in ku riya ku em nêzikî otomasyon û orkestrasyona DevOps dibin şoreş bikin. Lêbelê, sêwirana pergalên nermalava AI-ê-rêvekirî yên berbelav û exlaqî têgihîştinek kûr a pêşkeftinên herî dawî yên di AI, endezyariya nermalavê, û mîmariyê de hewce dike.

Di vê gotarê de, em ê prensîbên sêwiranê û pratîkên çêtirîn ên ji bo afirandina pergalên nermalava modular, berbelav û exlaqî yên ku ajanên AI-ê û mîmariya xebata modular a yekbûyî vedikolin. Em ê balê bikişînin ser hevgirtina pêşkeftinên herî dawî yên di AI (Modelên Zimanên Mezin (LLM), Nifşa Vegerandin-Zêdekirî (RAG)), endezyariya nermalavê (Python, Rust, Go), û mîmariyê da ku pergalên zexm û domdar biafirînin.

Mîmariya Workflow Modular

Mîmariya karûbarê modular nimûneyek sêwiranê ye ku pergalên tevlihev di nav modulên piçûktir, serbixwe de vediqetîne ku dikarin bi hêsanî bêne parastin, nûvekirin û pîvandin. Her modul ji bo karek an fonksiyonek taybetî berpirsiyar e, û ew bi navbeynkarên baş-pênaskirî bi hevûdu re têkilî daynin.

Li vir mînakek hêsan a mîmariya xebata modular a li Python heye: `` python

workflow.py

Xebata polê: def destpêk(xwe): self.modules = []

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

def run (xwe):
    ji bo module li self.modules:
        module.run()

module1.py

Modula pola 1: def run (xwe): çap bike ("Modula 1 dimeşe")

module2.py

Modula pola 2: def run (xwe): çap bike ("Modula 2 dimeşe")

main.py

heke name == "sereke": karûbar = Karûbar () workflow.add_module(Module1()) workflow.add_module(Module2()) workflow.run()

Di vê nimûneyê de, me çînek `Workflow` heye ku navnîşek modulan birêve dibe. Her modul ji karek taybetî berpirsiyar e, û ew bi karanîna rêbaza `add_module` li karûbar têne zêdekirin. Rêbaza `run` tê bikar anîn da ku her modulek di herika xebatê de bimeşîne.

## Nûnerên AI

Nûnerên AI-ê hêmanên nermalavê ne ku algorîtmayên fêrbûna makîneyê bikar tînin da ku di pergalê de biryar bidin û çalakiyan bikin. Ew dikarin ji bo otomatîkkirina peywiran, baştirkirina ezmûna bikarhêner, û xweşbînkirina performansa pergalê werin bikar anîn.

Gelek celeb nûnerên AI-ê hene, di nav de:

* **Ajanên bingeh-qanûn **: Ev ajan ji bo ku biryaran bidin qaîdeyên pêşwext bikar tînin.
* **Ajanên fêrbûna makîneyê **: Van ajan algorîtmayên fêrbûna makîneyê bikar tînin da ku ji daneyan fêr bibin û biryaran bidin.
* ** Nûnerên Hîbrid **: Van ajanan nêzîkatiyên fêrbûna makîneyê û rêgez-bingehîn hev dikin da ku biryaran bidin.

Li vir mînakek karmendek AI-ya hêsan a di Python de ye ku algorîtmayek fêrbûna makîneyê bikar tîne:
`` python
# agent.py
ji sklearn.ensemble import RandomForestClassifier
ji sklearn.model_selection import train_test_split
ji sklearn.datasets import load_iris

Nûnerê polê:
    def __destpêk__(xwe):
        self.model = RandomForestClassifier()

    trêna def(xwe, X, y):
        X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, rewşa_random=42)
        self.model.fit(X_train, y_train)

    def pêşbînî (xwe, X):
        return self.model.predict(X)

# main.py
heke __name__ == "__sereke__":
    iris = load_iris()
    X = iris.data
    y = iris.target
    agent = Agent()
    agent.train(X, y)
    pêşbîniyên = agent.predict(X)
    çapkirin (pêşbînî)

Di vê nimûneyê de, me karmendek AI-ya hêsan heye ku ji bo pêşbîniyan dabeşkerek daristanek rasthatî bikar tîne. Ajan li ser databasa irisê tê perwerde kirin û li ser heman databasê pêşbîniyan dike.

Karkerên AI û Mîmariya Xebatê ya Modular Tevhev

Tevhevkirina ajanên AI-ê û mîmariya xebata modular rê dide me ku em pergalên tevlihev biafirînin ku biryara-biryar-a AI-ê bi mîmariya modular, berbelavkirî re yek dikin.

Li vir mînakek pergalek e ku nûnerên AI-ê û mîmariya xebata modularî li hev dike: `` python

workflow.py

Xebata polê: def destpêk(xwe): self.modules = [] xwe.agent = Tune

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

def add_agent (xwe, agent):
    xwe.agent = agent

def run (xwe):
    ji bo module li self.modules:
        module.run()
    heke xwe.agent:
        self.agent.predict()

module1.py

Modula pola 1: def run (xwe): çap bike ("Modula 1 dimeşe")

module2.py

Modula pola 2: def run (xwe): çap bike ("Modula 2 dimeşe")

agent.py

ji sklearn.ensemble import RandomForestClassifier ji sklearn.model_selection import train_test_split ji sklearn.datasets import load_iris

Nûnerê polê: def destpêk(xwe): self.model = RandomForestClassifier()

trêna def(xwe, X, y):
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, rewşa_random=42)
    self.model.fit(X_train, y_train)

def pêşbînî (xwe, X):
    return self.model.predict(X)

main.py

heke name == "sereke": karûbar = Karûbar () workflow.add_module(Module1()) workflow.add_module(Module2()) agent = Agent() agent.train(X, y) workflow.add_agent(agent) workflow.run()

Di vê nimûneyê de, me pergalek heye ku ajanên AI-ê û mîmariya xebata modularî li hev dike. Pergal du modul û karmendek AI-yê heye ku ji bo pêşbîniyan dabeşkerek daristanek rasthatî bikar tîne. Agent bi karanîna rêbaza `add_agent` li herikîna xebatê tê zêdekirin, û piştî ku modul têne xebitandin ew pêşbîniyan dike.

## Serê 5-10 Ferman/Parçeyên Herî Bikaranîn

Li vir ji bo sêwirana pergalên nermalava berbelavbûyî û exlaqî yên AI-ê yên bi mîmariya xebata modular û ajanên AI-ê ve, çend ferman û perçeyên herî gelemperî têne bikar anîn hene:

1. **Python**: `pandayan wekî pd derxînin` (îxalata pirtûkxaneya pandayan)
2. **Python**: `pd.read_csv('data.csv')` (xwendina pelek CSV di çarçoveyek daneya panda de)
3. **Python**: `agent.train(X, y)` (perwerdekirina karmendek AI-ê li ser danegehek)
4. **Python**: `agent.predict(X)` (bi karanîna karmendek AI-ê pêşbîniyan dike)
5. **Rust**: `bila mut agent = Agent::new()` (avakirina karmendek nû ya AI-ê li Rust)
6. **Rust**: `agent.train(X, y)` (perwerdekirina karmendek AI-ê li ser danehevek li Rust)
7. **Go**: `agent := NewAgent()` (avakirina karmendek nû ya AI-ê li Go)
8. **Go**: `agent.Train(X, y)` (perwerdekirina karmendek AI-ê li ser danehevek li Go)
9. **Chart.js**: `const chart = nexşeya nû(ctx, { type: 'bar', data: { label: ['Label 1', 'Label 2'], datasets: [{ label: 'Dataset 1', data: [10, 20] }] } });' (çêkirina nexşeyek bar.
10. **Chart.js**: `chart.data.datasets[0].data.push(30)` (zêdekirina nuqteyek daneya nû li nexşeyek bi karanîna Chart.js)

## Visualization

Li vir mînakek nexşeyek barkê ye ku Chart.js bikar tîne:
```json
{
  "type": "bar",
  "dane": {
    "labels": ["Label 1", "Label 2"],
    "daneyên": [
      {
        "label": "Dataset 1",
        "dane": [10, 20]
      }
    ]
  }
}

Vê nexşeyê du etîket û yek daneya bi du xalên daneyê hene. Nexşe dikare bi karanîna vebijark û mîhengên cihêreng were xweş kirin.

Encam

Sêwirana pergalên nermalava berbelavkirî û exlaqî yên AI-ê bi mîmariya xebata modular û ajanên AI-ê re têgihîştinek kûr a pêşkeftinên herî dawî yên di AI, endezyariya nermalavê, û mîmariyê de hewce dike. Bi berhevkirina ajanên AI-ê û mîmariya xebata modularî, em dikarin pergalên tevlihev biafirînin ku biryara-biryar-a AI-ê bi mîmariya modular, berbelavkirî re yek dikin.

Di vê gotarê de, me prensîbên sêwiranê û pratîkên çêtirîn ji bo afirandina pergalên nermalava modular, berbelav û exlaqî yên ku ajanên AI-ê û mîmariya xebata modularî yek dikin vekolandine. Me di heman demê de nimûneyên ajanên AI-ê yên hêsan û mîmariya xebata modular a li Python, Rust, û Go, û her weha mînakek dîtbarî bi karanîna Chart.js peyda kiriye.

Bi şopandina rêwerz û pratîkên çêtirîn ên ku di vê gotarê de hatine destnîşan kirin, pêşdebir dikarin pergalên nermalava AI-ê-rêveber a bihêz û domdar biafirînin ku hewcedariyên serîlêdan û pîşesaziyên nûjen bicîh tîne.