##تعارف

مصنوعي ذهانت (AI) ۽ سافٽ ويئر انجنيئرنگ ۾ تيز رفتار ترقي پيچيده سافٽ ويئر سسٽم جي ترقي جو سبب بڻيا آهن جيڪي AI ايجنٽ ۽ ماڊيولر ڪم فلو فن تعمير کي ضم ڪن ٿا. انهن سسٽم ۾ انقلاب آڻڻ جي صلاحيت آهي جنهن طريقي سان اسين DevOps آٽوميشن ۽ آرڪيسٽريشن تائين پهچون ٿا. جڏهن ته، اسپيبلبل ۽ اخلاقي AI تي هلندڙ سافٽ ويئر سسٽم کي ڊزائين ڪرڻ جي ضرورت آهي AI، سافٽ ويئر انجنيئرنگ، ۽ فن تعمير ۾ جديد ترقيات جي گهڻي ڄاڻ.

هن آرٽيڪل ۾، اسان ماڊلر، اسپيبلبل، ۽ اخلاقي سافٽ ويئر سسٽم ٺاهڻ لاء ڊزائين جا اصول ۽ بهترين طريقا ڳوليندا سين جيڪي AI ايجنٽ ۽ ماڊيولر ورڪ فلو فن تعمير کي ضم ڪن ٿا. اسان AI (Large Language Models (LLMs)، Retrieval-Augmented Generation (RAG))، سافٽ ويئر انجنيئرنگ (Python، Rust، Go) ۽ فن تعمير ۾ جديد ترقيات کي گڏ ڪرڻ تي ڌيان ڏينداسين ته جيئن مضبوط ۽ برقرار رکڻ لائق سسٽم ٺاهي سگهون.

ماڊيولر ڪم فلو آرڪيٽيڪچر

ماڊيولر ڪم فلو آرڪيٽيڪچر هڪ ڊزائن جو نمونو آهي جيڪو پيچيده سسٽم کي ٽوڙي ٿو ننڍڙن، آزاد ماڊلز ۾ جيڪو آساني سان برقرار رکي سگهجي ٿو، اپڊيٽ ڪيو وڃي ٿو، ۽ ماپ ڪري سگهجي ٿو. هر ماڊل هڪ مخصوص ڪم يا فنڪشن لاءِ ذميوار هوندو آهي، ۽ اهي هڪ ٻئي سان چڱي طرح بيان ڪيل انٽرفيس ذريعي رابطو ڪندا آهن.

هتي پٿون ۾ ماڊلر ڪم فلو فن تعمير جو هڪ سادي مثال آهي: ``پٿون

workflow.py

ڪلاس ورڪ فلو: def init (پاڻ): self.modules = []

def add_module (پاڻ، ماڊل):
    self.modules.append(ماڊيول)

def run (خود):
    self.modules ۾ ماڊل لاءِ:
        module.run()

module1.py

ڪلاس ماڊل 1: def run (خود): پرنٽ ("ماڊل 1 هلي رهيو آهي")

module2.py

ڪلاس ماڊل 2: def run (خود): پرنٽ ("ماڊل 2 هلي رهيو آهي")

main.py

جيڪڏھن name == "main": ڪم فلو = ڪم فلو () workflow.add_module(Module1()) workflow.add_module(Module2()) workflow.run() `` هن مثال ۾، اسان وٽ هڪ 'ڪم فلو' ڪلاس آهي جيڪو ماڊلز جي فهرست کي منظم ڪري ٿو. هر ماڊل هڪ مخصوص ڪم لاءِ ذميوار هوندو آهي، ۽ اهي ڪم فلو ۾ شامل ڪيا ويندا آهن 'add_module' طريقو استعمال ڪندي. 'رن' طريقو استعمال ڪيو ويندو آهي ڪم جي فلو ۾ هر ماڊل تي عمل ڪرڻ لاء.

AI ايجنٽ

AI ايجنٽ سافٽ ويئر جا حصا آهن جيڪي مشين لرننگ الگورتھم استعمال ڪن ٿا فيصلا ڪرڻ ۽ سسٽم ۾ عمل ڪرڻ لاءِ. اهي ڪمن کي خودڪار ڪرڻ، صارف جي تجربي کي بهتر ڪرڻ، ۽ سسٽم جي ڪارڪردگي کي بهتر ڪرڻ لاء استعمال ڪري سگھجن ٿيون.

AI ايجنٽ جا ڪيترائي قسم آھن، جن ۾ شامل آھن:

** ضابطي تي ٻڌل ايجنٽ**: اهي ايجنٽ فيصلا ڪرڻ لاءِ اڳواٽ بيان ڪيل ضابطا استعمال ڪندا آهن.

• مشين لرننگ ايجنٽ: اهي ايجنٽ ڊيٽا مان سکڻ ۽ فيصلا ڪرڻ لاءِ مشين لرننگ الگورٿم استعمال ڪندا آهن.
• هائبرڊ ايجنٽ: اهي ايجنٽ فيصلا ڪرڻ لاءِ اصولن تي ٻڌل ۽ مشين لرننگ جي طريقن کي گڏ ڪن ٿا.

هتي هڪ سادي AI ايجنٽ جو هڪ مثال آهي Python ۾ مشين لرننگ الگورٿم استعمال ڪندي: ``پٿون

agent.py

sklearn.ensemble مان درآمد ڪريو RandomForestClassifier sklearn.model_selection import train_test_split کان مان sklearn.datasets درآمد ڪريو load_iris

ڪلاس ايجنٽ: def init (پاڻ): self.model = RandomForestClassifier()

def ٽرين (خود، X، y):
    X_train, X_test, y_train, y_test = ٽرين_test_split(X, y, test_size=0.2, random_state=42)
    self.model.fit(X_train, y_train)

def اڳڪٿي (خود، ايڪس):
    واپسي self.model.predict(X)

main.py

جيڪڏھن name == "main": iris = load_iris() X = iris.data y = iris.target ايجنٽ = ايجنٽ () agent.train(X,y) اڳڪٿيون = ايجنٽ. اڳڪٿي (X) پرنٽ (پيشگوئي) `` ھن مثال ۾، اسان وٽ ھڪڙو سادو AI ايجنٽ آھي جيڪو اڳڪٿيون ڪرڻ لاءِ بي ترتيب ٻيلو طبقي کي استعمال ڪري ٿو. ايجنٽ کي تربيت ڏني وئي آهي iris dataset تي ۽ اڳڪٿي ڪري ٿو ساڳي ڊيٽا سيٽ تي.

گڏ ڪرڻ AI ايجنٽ ۽ ماڊلر ورڪ فلو آرڪيٽيڪچر

AI ايجنٽن ۽ ماڊيولر ورڪ فلو آرڪيٽيڪچر کي گڏ ڪرڻ اسان کي پيچيده سسٽم ٺاهڻ جي اجازت ڏئي ٿو جيڪي AI-هلندڙ فيصلي سازي کي ماڊلر، اسڪيلبل آرڪيٽيڪچر سان گڏ ڪن ٿا.

هتي هڪ سسٽم جو هڪ مثال آهي جيڪو AI ايجنٽ ۽ ماڊل ڪم فلو فن تعمير کي گڏ ڪري ٿو: ``پٿون

workflow.py

ڪلاس ورڪ فلو: def init (پاڻ): self.modules = [] self.agent = ڪوبه نه

def add_module (پاڻ، ماڊل):
    self.modules.append(ماڊيول)

def add_agent (پاڻ، ايجنٽ):
    خود ايجنٽ = ايجنٽ

def run (خود):
    self.modules ۾ ماڊل لاءِ:
        module.run()
    جيڪڏهن self.agent:
        self.agent.predict()

module1.py

ڪلاس ماڊل 1: def run (خود): پرنٽ ("ماڊل 1 هلي رهيو آهي")

module2.py

ڪلاس ماڊل 2: def run (خود): پرنٽ ("ماڊل 2 هلي رهيو آهي")

agent.py

sklearn.ensemble مان درآمد ڪريو RandomForestClassifier sklearn.model_selection import train_test_split کان مان sklearn.datasets درآمد ڪريو load_iris

ڪلاس ايجنٽ: def init (پاڻ): self.model = RandomForestClassifier()

def ٽرين (خود، X، y):
    X_train, X_test, y_train, y_test = ٽرين_test_split(X, y, test_size=0.2, random_state=42)
    self.model.fit(X_train, y_train)

def اڳڪٿي (خود، ايڪس):
    واپسي self.model.predict(X)

main.py

جيڪڏھن name == "main": ڪم فلو = ڪم فلو () workflow.add_module(Module1()) workflow.add_module(Module2()) ايجنٽ = ايجنٽ () agent.train(X,y) workflow.add_agent(ايجنٽ) workflow.run() `` هن مثال ۾، اسان وٽ هڪ سسٽم آهي جيڪو AI ايجنٽ ۽ ماڊل ڪم فلو فن تعمير کي گڏ ڪري ٿو. سسٽم ۾ ٻه ماڊلز ۽ هڪ AI ايجنٽ آهي جيڪو اڳڪٿيون ڪرڻ لاءِ بي ترتيب جنگل جي درجه بندي کي استعمال ڪندو آهي. ايجنٽ کي ڪم فلو ۾ شامل ڪيو ويو آهي 'add_agent' طريقو استعمال ڪندي، ۽ اهو ماڊلز جي هلڻ کان پوءِ اڳڪٿي ڪري ٿو.

مٿيون 5-10 سڀ کان وڌيڪ استعمال ٿيل ڪمانڊ/ٽڪرا

ھتي آھن ڪجھ عام طور تي استعمال ٿيل حڪمن ۽ اسپيپٽس کي ڊزائين ڪرڻ لاءِ اسپيبلبل ۽ اخلاقي AI تي ھلندڙ سافٽ ويئر سسٽم کي ماڊلر ورڪ فلو آرڪيٽيڪچر ۽ AI ايجنٽن سان:

1. Python: import pandas as pd (درآمد پانڊاس لائبريري)
2. Python: pd.read_csv('data.csv') (هڪ CSV فائل کي پنڊاس ڊيٽا فريم ۾ پڙهڻ)
3. Python: agent.train(X, y) (ڊيٽا سيٽ تي AI ايجنٽ کي تربيت ڏيڻ)
4. Python: agent.predict(X) (AI ايجنٽ استعمال ڪندي اڳڪٿيون ڪرڻ)
5. Rust: let mut agent = Agent::new() (Rust ۾ نئون AI ايجنٽ ٺاهڻ)
6. Rust: agent.train(X, y) (Rust ۾ ڊيٽا سيٽ تي AI ايجنٽ کي تربيت ڏيڻ)
7. Go: agent := NewAgent() (Go ۾ نئون AI ايجنٽ ٺاهڻ)
8. Go: agent.Train(X, y) (Training a AI ايجنٽ کي گو ۾ ڊيٽا سيٽ تي)
9. Chart.js: const chart = new Chart(ctx, { type: 'bar', data: { labels: ['Label 1', 'Label 2'], datasets: [{ label: 'Dataset 1', data: [10, 20] }] } });t استعمال ڪندي چارٽ s.)
10. Chart.js: chart.data.datasets[0].data.push(30) (چارٽ ۾ نئين ڊيٽا پوائنٽ شامل ڪرڻ چارٽ.js استعمال ڪندي)

بصري

هتي Chart.js استعمال ڪندي بار چارٽ جو هڪ مثال آهي: جيسن { "قسم": "بار"، "ڊيٽا": { "ليبل": ["ليبل 1"، "ليبل 2"], "ڊيٽا سيٽس": [ { "label": "ڊيٽا سيٽ 1", "ڊيٽا": [10، 20] } ] } } `` ھن چارٽ ۾ ٻه ليبل آھن ۽ ھڪڙو ڊيٽا سيٽ ٻن ڊيٽا پوائنٽن سان. چارٽ مختلف اختيارن ۽ سيٽنگون استعمال ڪندي ترتيب ڏئي سگھجي ٿو.

نتيجو

ماڊلر ورڪ فلو آرڪيٽيڪچر ۽ AI ايجنٽن سان اسپيبلبل ۽ اخلاقي AI تي هلندڙ سافٽ ويئر سسٽم کي ڊزائين ڪرڻ AI، سافٽ ويئر انجنيئرنگ، ۽ آرڪيٽيڪچر ۾ جديد ترقيات جي تمام گهڻي ڄاڻ جي ضرورت آهي. AI ايجنٽن ۽ ماڊيولر ورڪ فلو آرڪيٽيڪچر کي گڏ ڪرڻ سان، اسان پيچيده سسٽم ٺاهي سگهون ٿا جيڪي AI-هلندڙ فيصلي سازي کي ماڊل، اسڪيلبل آرڪيٽيڪچر سان ضم ڪن ٿا.

هن آرٽيڪل ۾، اسان ماڊلر، اسپيبلبل، ۽ اخلاقي سافٽ ويئر سسٽم ٺاهڻ لاء ڊزائين جا اصول ۽ بهترين طريقا ڳوليا آهن جيڪي AI ايجنٽن ۽ ماڊلر ورڪ فلو فن تعمير کي ضم ڪن ٿا. اسان Python، Rust، ۽ Go ۾ سادي AI ايجنٽن ۽ ماڊيولر ورڪ فلو آرڪيٽيڪچر جا مثال پڻ مهيا ڪيا آهن، انهي سان گڏ Chart.js استعمال ڪندي هڪ بصري مثال.

ھن آرٽيڪل ۾ بيان ڪيل ھدايتن ۽ بھترين عملن تي عمل ڪندي، ڊولپرز مضبوط ۽ برقرار رکڻ لائق AI-driven سافٽ ويئر سسٽم ٺاھي سگھن ٿا جيڪي جديد ايپليڪيشنن ۽ صنعتن جي ضرورتن کي پورا ڪن ٿا.