Yapay Zeka (AI) Temsilcileri, Generative AI'deki heyecan verici bir gelişmeyi temsil eder, Büyük Dil Modelleri'nin (LLM'ler) yardımcılar olmaktan eylem yapabilen temsilcilere dönüşmesini sağlar. AI Temsilci çerçeveleri, geliştiricilerin LLM'lere araçlara ve durum yönetimine erişim sağlayan uygulamalar oluşturmasına olanak tanır. Bu çerçeveler ayrıca görünürlüğü artırarak kullanıcıların ve geliştiricilerin LLM'ler tarafından planlanan eylemleri izlemesine olanak tanır, böylece deneyim yönetimini iyileştirir.
Ders şu alanları kapsayacaktır:
- AI Temsilcisi nedir - AI Temsilcisi tam olarak nedir?
- Dört farklı AI Temsilci Çerçevesini keşfetmek - Onları benzersiz kılan nedir?
- Bu AI Temsilcilerini farklı kullanım senaryolarına uygulamak - AI Temsilcilerini ne zaman kullanmalıyız?
Bu dersi aldıktan sonra, şunları yapabileceksiniz:
- AI Temsilcilerinin ne olduğunu ve nasıl kullanılabileceklerini açıklayın.
- Popüler AI Temsilci Çerçevelerinden bazılarının farklarını ve nasıl farklılaştıklarını anlayın.
- AI Temsilcilerinin nasıl işlediğini anlayarak onlarla uygulamalar oluşturun.
AI Temsilcileri, Generative AI dünyasında çok heyecan verici bir alan. Bu heyecan bazen terimlerin ve uygulamalarının karışmasına neden olur. İşleri basit ve AI Temsilcilerine atıfta bulunan çoğu aracı kapsayıcı hale getirmek için şu tanımı kullanacağız:
AI Temsilcileri, Büyük Dil Modellerinin (LLM'ler) durum ve araçlara erişim sağlayarak görevleri yerine getirmesine olanak tanır.
Bu terimleri tanımlayalım:
Büyük Dil Modelleri - Bu kurs boyunca bahsedilen modeller, GPT-3.5, GPT-4, Llama-2, vb. gibi modellerdir.
Durum - Bu, LLM'nin çalıştığı bağlamı ifade eder. LLM, geçmiş eylemlerinin ve mevcut bağlamın rehberliğinde sonraki eylemler için karar verme sürecini yönlendirir. AI Temsilci Çerçeveleri, geliştiricilerin bu bağlamı daha kolay korumasına olanak tanır.
Araçlar - Kullanıcının talep ettiği ve LLM'nin planladığı görevi tamamlamak için LLM'nin araçlara erişimi olması gerekir. Araçlara bazı örnekler, bir veritabanı, bir API, harici bir uygulama veya başka bir LLM olabilir!
Bu tanımlar, uygulamalarının nasıl gerçekleştirildiğini inceleyeceğimiz için ileriye dönük olarak size iyi bir temel sağlamayı umuyor. Birkaç farklı AI Temsilci çerçevesini inceleyelim:
LangChain Temsilcileri, yukarıda verdiğimiz tanımların bir uygulamasıdır.
Durumu yönetmek için, AgentExecutor adlı yerleşik bir işlev kullanır. Bu, tanımlanan agent ve kendisine sunulan tools kabul eder.
Agent Executor ayrıca sohbet geçmişini saklayarak sohbetin bağlamını sağlar.
LangChain, LLM'nin erişebileceği uygulamanıza dahil edilebilecek araçlar kataloğu sunar. Bunlar topluluk ve LangChain ekibi tarafından oluşturulmuştur.
Bu araçları tanımlayabilir ve Agent Executor'e aktarabilirsiniz.
Görünürlük, AI Temsilcilerinden bahsederken önemli bir başka konudur. Uygulama geliştiricilerinin LLM'nin hangi aracı kullandığını ve neden kullandığını anlaması önemlidir. Bunun için LangChain ekibi LangSmith'i geliştirmiştir.
Bir sonraki AI Temsilci çerçevesi, AutoGen. AutoGen'in ana odak noktası sohbetlerdir. Temsilciler hem konuşabilir hem de özelleştirilebilir.
Konuşabilir - LLM'ler, bir görevi tamamlamak için başka bir LLM ile bir sohbet başlatabilir ve sürdürebilir. Bu, AssistantAgents oluşturularak ve onlara belirli bir sistem mesajı verilerek yapılır.
autogen.AssistantAgent( name="Coder", llm_config=llm_config, ) pm = autogen.AssistantAgent( name="Product_manager", system_message="Creative in software product ideas.", llm_config=llm_config, )Özelleştirilebilir - Temsilciler yalnızca LLM olarak değil, kullanıcı veya araç olarak da tanımlanabilir. Bir geliştirici olarak, bir görevi tamamlamak için geri bildirim almak amacıyla kullanıcıyla etkileşimde bulunan bir UserProxyAgent tanımlayabilirsiniz. Bu geri bildirim, görevin yürütülmesine devam edebilir veya durdurabilir.
user_proxy = UserProxyAgent(name="user_proxy")Durumu değiştirmek ve yönetmek için, bir yardımcı Temsilci görevi tamamlamak için Python kodu oluşturur.
İşte sürecin bir örneği:
system_message="For weather related tasks, only use the functions you have been provided with. Reply TERMINATE when the task is done."Bu sistem mesajı, bu belirli LLM'yi görevine uygun işlevlere yönlendirir. AutoGen ile farklı sistem mesajlarına sahip birden fazla AssistantAgent tanımlayabileceğinizi unutmayın.
user_proxy.initiate_chat( chatbot, message="I am planning a trip to NYC next week, can you help me pick out what to wear? ", )Bu kullanıcı_proxy (İnsan) mesajı, Temsilcinin hangi işlevleri gerçekleştirmesi gerektiğini araştırma sürecini başlatacaktır.
chatbot (to user_proxy):
***** Suggested tool Call: get_weather ***** Arguments: {"location":"New York City, NY","time_periond:"7","temperature_unit":"Celsius"} ******************************************************** --------------------------------------------------------------------------------
>>>>>>>> EXECUTING FUNCTION get_weather... user_proxy (to chatbot): ***** Response from calling function "get_weather" ***** 112.22727272727272 EUR ****************************************************************
İlk sohbet işlendiğinde, Temsilci önerilen aracı çağıracaktır. Bu durumda, get_weather. Depending on your configuration, this function can be automatically executed and read by the Agent or can be executed based on user input.
You can find a list of AutoGen code samples to further explore how to get started building.
The next agent framework we will explore is Taskweaver. It is known as a "code-first" agent because instead of working strictly with strings , it can work with DataFrames in Python. This becomes extremely useful for data analysis and generation tasks. This can be things like creating graphs and charts or generating random numbers.
To manage the state of the conversation, TaskWeaver uses the concept of a Planner. The Planner is a LLM that takes the request from the users and maps out the tasks that need to be completed to fulfill this request.
To complete the tasks the Planner is exposed to the collection of tools called Plugins adlı bir işlevdir. Bu, Python sınıfları veya genel bir kod yorumlayıcı olabilir. Bu eklentiler, LLM'nin doğru eklentiyi daha iyi arayabilmesi için gömülü olarak saklanır.
İşte anomali tespitiyle başa çıkmak için bir eklenti örneği:
class AnomalyDetectionPlugin(Plugin): def __call__(self, df: pd.DataFrame, time_col_name: str, value_col_name: str):Kod, yürütülmeden önce doğrulanır. Taskweaver'da bağlamı yönetmek için başka bir özellik, experience. Experience allows for the context of a conversation to be stored over to the long term in a YAML file. This can be configured so that the LLM improves over time on certain tasks given that it is exposed to prior conversations.
The last agent framework we will explore is JARVIS. What makes JARVIS unique is that it uses an LLM to manage the state konuşmanın durumu ve tools diğer AI modelleridir. Her AI modeli, nesne algılama, transkripsiyon veya görüntü açıklaması gibi belirli görevleri yerine getiren uzmanlaşmış modellerdir.
LLM, genel amaçlı bir model olarak, kullanıcının isteğini alır ve belirli görevi ve görevi tamamlamak için gereken herhangi bir argümanı/veriyi belirler.
[{"task": "object-detection", "id": 0, "dep": [-1], "args": {"image": "e1.jpg" }}]LLM, isteği özel AI modelinin yorumlayabileceği bir biçimde, örneğin JSON olarak düzenler. AI modeli, görevine dayalı tahminini geri döndürdüğünde, LLM yanıtı alır.
Görevi tamamlamak için birden fazla model gerekiyorsa, bu modellerden gelen yanıtları da yorumlayarak kullanıcıya yanıt oluşturur.
Aşağıdaki örnek, bir kullanıcının bir resimdeki nesnelerin açıklamasını ve sayısını istediğinde nasıl çalışacağını gösterir:
AI Temsilcileri hakkında öğreniminizi sürdürmek için AutoGen ile şunları yapabilirsiniz:
- Bir eğitim girişiminin farklı departmanlarıyla iş toplantısını simüle eden bir uygulama oluşturun.
- LLM'lerin farklı kişilikleri ve öncelikleri anlamasına rehberlik eden sistem mesajları oluşturun ve kullanıcının yeni bir ürün fikrini sunmasını sağlayın.
- LLM, ardından her departmandan takip soruları üreterek sunumu ve ürün fikrini rafine edip geliştirmelidir.
Bu dersi tamamladıktan sonra, Generative AI bilginizi geliştirmeye devam etmek için Generative AI Öğrenme koleksiyonumuzu inceleyin!
Feragatname:
Bu belge, Co-op Translator adlı AI çeviri hizmeti kullanılarak çevrilmiştir. Doğruluk için çaba sarf etsek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini unutmayın. Orijinal belgenin kendi dilindeki hali yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalardan sorumlu değiliz.