Dizajnimi i sistemeve softuerike të shkallëzuara dhe etike të drejtuara nga AI me arkitekturë modulare të rrjedhës së punës dhe agjentë të AI | B4N1

Dizajnimi i sistemeve softuerike të shkallëzuara dhe etike të drejtuara nga AI me arkitekturë modulare të rrjedhës së punës dhe agjentë të AI

5 months ago · b4n1 Read time: 6 min

Hyrje

Përparimet e shpejta në Inteligjencën Artificiale (AI) dhe inxhinierinë e softuerit kanë çuar në zhvillimin e sistemeve komplekse softuerike që integrojnë agjentët e AI dhe arkitekturën modulare të rrjedhës së punës. Këto sisteme kanë potencialin për të revolucionarizuar mënyrën se si i qasemi automatizimit dhe orkestrimin e DevOps. Sidoqoftë, dizajnimi i sistemeve të softuerit të shkallëzuar dhe etik të drejtuar nga AI kërkon një kuptim të thellë të përparimeve më të fundit në AI, inxhinierinë e softuerit dhe arkitekturën.

Në këtë artikull, ne do të shqyrtojmë parimet e projektimit dhe praktikat më të mira për krijimin e sistemeve softuerike modulare, të shkallëzuara dhe etike që integrojnë agjentët e AI dhe arkitekturën modulare të rrjedhës së punës. Ne do të fokusohemi në kombinimin e avancimeve më të fundit në AI (Modele të Mëdha të Gjuhës (LLM), Gjeneratë e Shtuar me Rikthim (RAG)), inxhinieri softuerike (Python, Rust, Go) dhe arkitekturë për të krijuar sisteme të fuqishme dhe të mirëmbajtura.

Arkitektura modulare e rrjedhës së punës

Arkitektura modulare e rrjedhës së punës është një model projektimi që zbërthen sistemet komplekse në module më të vogla dhe të pavarura që mund të mirëmbahen, përditësohen dhe shkallëzohen lehtësisht. Secili modul është përgjegjës për një detyrë ose funksion specifik dhe ata komunikojnë me njëri-tjetrin përmes ndërfaqeve të mirëpërcaktuara.

Këtu është një shembull i thjeshtë i një arkitekture modulare të rrjedhës së punës në Python:

# workflow.py
Rrjedha e punës së klasës:
    përcaktoj __fillim__(vetë):
        vetë.modulet = []

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

    def run (vetë):
        për modulin në vetë.modulet:
            module.run()

# module1.py
Moduli 1 i klasës:
    def run (vetë):
        print ("Moduli 1 po funksionon")

# module2.py
Moduli 2 i klasës:
    def run (vetë):
        print ("Moduli 2 po funksionon")

# kryesore.py
nëse __name__ == "__kryesore__":
    rrjedha e punës = Rrjedha e punës ()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    workflow.run()

Në këtë shembull, ne kemi një klasë Workflow që menaxhon një listë modulesh. Çdo modul është përgjegjës për një detyrë specifike dhe ato shtohen në rrjedhën e punës duke përdorur metodën "add_module". Metoda 'run' përdoret për të ekzekutuar çdo modul në rrjedhën e punës.

Agjentët e AI

Agjentët e AI janë komponentë softuerësh që përdorin algoritme të mësimit të makinerive për të marrë vendime dhe për të ndërmarrë veprime në një sistem. Ato mund të përdoren për të automatizuar detyrat, për të përmirësuar përvojën e përdoruesit dhe për të optimizuar performancën e sistemit.

Ekzistojnë disa lloje të agjentëve të AI, duke përfshirë:

  • Agjentët e bazuar në rregulla: Këta agjentë përdorin rregulla të paracaktuara për të marrë vendime.
  • Agjentët e mësimit të makinës: Këta agjentë përdorin algoritme të mësimit të makinerive për të mësuar nga të dhënat dhe për të marrë vendime.
  • Agjentët hibridë: Këta agjentë kombinojnë qasjet e bazuara në rregulla dhe të mësimit të makinës për të marrë vendime.

Këtu është një shembull i një agjenti të thjeshtë të AI në Python duke përdorur një algoritëm të mësimit të makinës:

# agjent.py
nga sklearn.ensemble importoj RandomForestClassifier
nga sklearn.model_selection import train_test_split
nga sklearn.datasets importojnë load_iris

Agjenti i klasës:
    përcaktoj __fillim__(vetë):
        self.model = RandomForestClassifier()

    def treni (vetë, X, y):
        X_train, X_test, y_train, y_test = treni_test_ndarje(X, y, madhësia e_provës=0.2, gjendja_rastësore=42)
        self.model.fit (X_train, y_train)

    parashikoj (vetë, X):
        kthej vetë.model.predict(X)

# kryesore.py
nëse __name__ == "__kryesore__":
    iris = ngarkesë_iris()
    X = iris.të dhëna
    y = iris.cak
    agjent = Agjent()
    agjent.train(X, y)
    parashikime = agjent.parashikoj(X)
    print (parashikime)

Në këtë shembull, ne kemi një agjent të thjeshtë të AI që përdor një klasifikues të rastësishëm pyjor për të bërë parashikime. Agjenti është trajnuar për grupin e të dhënave të irisit dhe bën parashikime në të njëjtin grup të dhënash.

Kombinimi i agjentëve të AI dhe arkitekturës modulare të rrjedhës së punës

Kombinimi i agjentëve të AI dhe arkitekturës modulare të rrjedhës së punës na lejon të krijojmë sisteme komplekse që integrojnë vendimmarrjen e drejtuar nga AI me arkitekturën modulare dhe të shkallëzueshme.

Këtu është një shembull i një sistemi që kombinon agjentët e AI dhe arkitekturën modulare të rrjedhës së punës:

# workflow.py
Rrjedha e punës së klasës:
    përcaktoj __fillim__(vetë):
        vetë.modulet = []
        vetë.agjent = Asnjë

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

    def add_agent (vetë, agjent):
        vetë.agjent = agjent

    def run (vetë):
        për modulin në vetë.modulet:
            module.run()
        nëse vetë.agjent:
            self.agent.predict()

# module1.py
Moduli 1 i klasës:
    def run (vetë):
        print ("Moduli 1 po funksionon")

# module2.py
Moduli 2 i klasës:
    def run (vetë):
        print ("Moduli 2 po funksionon")

# agjent.py
nga sklearn.ensemble importoj RandomForestClassifier
nga sklearn.model_selection import train_test_split
nga sklearn.datasets importojnë load_iris

Agjenti i klasës:
    përcaktoj __fillim__(vetë):
        self.model = RandomForestClassifier()

    def treni (vetë, X, y):
        X_train, X_test, y_train, y_test = treni_test_ndarje(X, y, madhësia e_provës=0.2, gjendja_rastësore=42)
        self.model.fit (X_train, y_train)

    parashikoj (vetë, X):
        kthej vetë.model.predict(X)

# kryesore.py
nëse __name__ == "__kryesore__":
    rrjedha e punës = Rrjedha e punës ()
    workflow.add_module(Module1())
    workflow.add_module(Module2())
    agjent = Agjent()
    agjent.train(X, y)
    workflow.add_agent(agent)
    workflow.run()

Në këtë shembull, ne kemi një sistem që kombinon agjentët e AI dhe arkitekturën modulare të rrjedhës së punës. Sistemi ka dy module dhe një agjent AI që përdor një klasifikues të rastësishëm të pyjeve për të bërë parashikime. Agjenti shtohet në rrjedhën e punës duke përdorur metodën "add_agent" dhe bën parashikime pasi modulet të jenë ekzekutuar.

Top 5-10 Komandat/Pjeset më të përdorura

Këtu janë disa nga komandat dhe pjesët më të përdorura për dizajnimin e sistemeve softuerike të shkallëzuara dhe etike të drejtuara nga AI me arkitekturë modulare të rrjedhës së punës dhe agjentë të AI:

  1. Python: importo pandat si pd (duke importuar bibliotekën e pandave)
  2. Python: pd.read_csv('data.csv') (duke lexuar një skedar CSV në një kornizë të dhënash panda)
  3. Python: agent.train(X, y) (trajnimi i një agjenti të AI në një grup të dhënash)
  4. Python: agent.predict(X) (duke bërë parashikime duke përdorur një agjent AI)
  5. Rust: let mut agent = Agent::new() (duke krijuar një agjent të ri AI në Rust)
  6. Rust: agent.train(X, y) (trajnimi i një agjenti të AI mbi një grup të dhënash në Rust)
  7. Go: agent := NewAgent() (duke krijuar një agjent të ri AI në Go)
  8. Go: agent.Train(X, y) (trajnimi i një agjenti të AI mbi një grup të dhënash në Go)
  9. Chart.js: const chart = new Chart(ctx, { type: 'bar', data: { labels: ['Label 1', 'Label 2'], grupet e të dhënave: [{ label: 'Dataset 1', data: [10, 20] }] } }); (krijimi i një grafiku me shirita.)
  10. Chart.js: chart.data.datasets[0].data.push(30) (duke shtuar një pikë të re të dhënash në një grafik duke përdorur Chart.js)

Vizualizimi

Këtu është një shembull i një grafiku me shtylla duke përdorur Chart.js:

{
  "lloj": "bar",
  "të dhënat": {
    "labels": ["Etiketa 1", "Etiketa 2"],
    "grupet e të dhënave": [
      {
        "label": "Të dhënat 1",
        "të dhënat": [10, 20]
      }
    ]
  }
}

Ky grafik ka dy etiketa dhe një grup të dhënash me dy pika të dhënash. Grafiku mund të personalizohet duke përdorur opsione dhe cilësime të ndryshme.

Përfundim

Dizajnimi i sistemeve të softuerit të shkallëzuar dhe etik të drejtuar nga AI me arkitekturë modulare të rrjedhës së punës dhe agjentë të AI kërkon një kuptim të thellë të përparimeve më të fundit në AI, inxhinierinë e softuerit dhe arkitekturën. Duke kombinuar agjentët e AI dhe arkitekturën modulare të rrjedhës së punës, ne mund të krijojmë sisteme komplekse që integrojnë vendimmarrjen e drejtuar nga AI me arkitekturën modulare dhe të shkallëzueshme.

Në këtë artikull, ne kemi eksploruar parimet e projektimit dhe praktikat më të mira për krijimin e sistemeve softuerike modulare, të shkallëzuara dhe etike që integrojnë agjentët e AI dhe arkitekturën modulare të rrjedhës së punës. Ne kemi dhënë gjithashtu shembuj të agjentëve të thjeshtë të AI dhe arkitekturës modulare të rrjedhës së punës në Python, Rust dhe Go, si dhe një shembull vizualizimi duke përdorur Chart.js.

Duke ndjekur udhëzimet dhe praktikat më të mira të përshkruara në këtë artikull, zhvilluesit mund të krijojnë sisteme softuerike të fuqishme dhe të mirëmbajtura të drejtuara nga AI që plotësojnë nevojat e aplikacioneve dhe industrive moderne.

Have Questions?

Let's Talk

Contact me on LinkedIn