(ویڈیو دیکھنے کے لیے اوپر دی گئی تصویر پر کلک کریں)
"AI ایجنٹس برائے نو آموز" کورس میں خوش آمدید! یہ کورس AI ایجنٹس بنانے کے لیے بنیادی معلومات اور عملی مثالیں فراہم کرتا ہے۔
دیگر سیکھنے والوں اور AI ایجنٹ بنانے والوں سے ملنے کے لئے Azure AI Discord Community میں شامل ہوں اور اس کورس کے بارے میں اپنے کسی بھی سوالات پوچھیں۔
اس کورس کا آغاز کرتے ہوئے، ہم AI ایجنٹس کیا ہیں اور ہم انہیں اپنی ایپلیکیشنز اور ورک فلووز میں کیسے استعمال کر سکتے ہیں کو بہتر سمجھنے کی کوشش کریں گے۔
یہ سبق درج ذیل موضوعات پر گفتگو کرتا ہے:
- AI ایجنٹس کیا ہیں اور ایجنٹس کی مختلف اقسام کیا ہیں؟
- AI ایجنٹس کے لیے کون سے استعمال کے کیسز بہترین ہیں اور یہ ہماری مدد کیسے کر سکتے ہیں؟
- ایجنٹک حل ڈیزائن کرتے وقت کچھ بنیادی تعمیراتی اجزاء کیا ہیں؟
اس سبق کو مکمل کرنے کے بعد، آپ کو قابل ہونا چاہیے کہ:
- AI ایجنٹ کے تصورات کو سمجھیں اور انہیں دیگر AI حل سے کیسے مختلف ہیں۔
- AI ایجنٹس کو مؤثر طریقے سے استعمال کریں۔
- صارفین اور گاہکوں دونوں کے لیے ایجنٹک حل مؤثر طریقے سے ڈیزائن کریں۔
AI ایجنٹس ایسی سسٹمز ہیں جو بڑے زبان کے ماڈلز (LLMs) کو عمل انجام دینے کے قابل بناتی ہیں، ان کی صلاحیتوں کو بڑھاتے ہوئے LLMs کو آلات تک رسائی اور علم فراہم کرتی ہیں۔
آئیے اس تعریف کو چھوٹے حصوں میں تقسیم کرتے ہیں:
- سسٹم - ایجنٹس کو محض ایک حصہ کے طور پر نہیں بلکہ کئی اجزاء کے نظام کے طور پر سوچنا اہم ہے۔ بنیادی سطح پر، AI ایجنٹ کے اجزاء یہ ہیں:
- ماحول - وہ مخصوص جگہ جہاں AI ایجنٹ کام کر رہا ہوتا ہے۔ مثال کے طور پر، اگر ہمارے پاس ایک سفر بکنگ AI ایجنٹ ہے، تو ماحول وہ سفر بکنگ نظام ہو سکتا ہے جسے AI ایجنٹ کام مکمل کرنے کے لیے استعمال کرتا ہے۔
- سینسرز - ماحول میں معلومات ہوتی ہیں اور فیڈبیک فراہم کی جاتی ہے۔ AI ایجنٹس سینسرز کے ذریعہ ماحول کی موجودہ حالت کے بارے میں معلومات حاصل اور ان کی تشریح کرتے ہیں۔ سفر بکنگ ایجنٹ کی مثال میں، بکنگ نظام ہوٹل کی دستیابی یا پروازوں کی قیمتوں کی معلومات فراہم کر سکتا ہے۔
- ایکچیوئٹرز - جب AI ایجنٹ کو ماحول کی موجودہ حالت معلوم ہو جاتی ہے، تو وہ اس کام کے لیے فیصلہ کرتا ہے کہ ماحول میں تبدیلی کے لیے کیا عمل انجام دینا ہے۔ سفر بکنگ ایجنٹ کے لیے، یہ صارف کے لیے دستیاب کمرہ بک کروانا ہو سکتا ہے۔
بڑے زبان کے ماڈلز - ایجنٹس کا تصور بڑے زبان کے ماڈلز (LLMs) کے وجود سے پہلے بھی موجود تھا۔ LLMs کے ساتھ AI ایجنٹس بنانے کا فائدہ یہ ہے کہ یہ انسانی زبان اور ڈیٹا کی تشریح کر سکتے ہیں۔ یہ صلاحیت LLMs کو ماحول کی معلومات کی تشریح کرنے اور ماحول کو تبدیل کرنے کے لیے منصوبہ بنانے کے قابل بناتی ہے۔
عمل انجام دینا - AI ایجنٹ سسٹمز کے باہر، LLMs کی صلاحیت محدود ہوتی ہے جہاں عمل صرف صارف کے پرامپٹ کی بنیاد پر مواد یا معلومات تیار کرنا ہوتا ہے۔ AI ایجنٹ سسٹمز کے اندر، LLMs صارف کی درخواست کی تشریح کرکے اور اپنے ماحول میں دستیاب ٹولز استعمال کرکے کام مکمل کر سکتے ہیں۔
آلات تک رسائی - LLM کو کون سے آلات تک رسائی حاصل ہے، یہ 1) وہ ماحول جس میں وہ کام کر رہا ہے، اور 2) AI ایجنٹ کے ڈیولپر کے ذریعہ طے کیا جاتا ہے۔ ہمارے سفر ایجنٹ کی مثال میں، ایجنٹ کے آلات بکنگ نظام میں دستیاب عمل سے محدود ہیں، اور/یا ڈیولپر ایجنٹ کی رسائی کو پروازوں تک محدود کر سکتا ہے۔
یادداشت+علم - یادداشت مختصر مدت کی ہو سکتی ہے جیسا کہ صارف اور ایجنٹ کے درمیان گفتگو کے تناظر میں۔ طویل مدت کے لیے، ماحول کی معلومات کے علاوہ، AI ایجنٹس دیگر سسٹمز، سروسز، آلات، اور یہاں تک کہ دیگر ایجنٹس سے بھی علم حاصل کر سکتے ہیں۔ سفر ایجنٹ کی مثال میں، یہ علم صارف کے سفر کی ترجیحات کی معلومات ہو سکتی ہے جو کسٹمر ڈیٹا بیس میں موجود ہو۔
اب جب کہ ہمارے پاس AI ایجنٹس کی عمومی تعریف ہے، آئیے کچھ مخصوص ایجنٹ کی اقسام کو دیکھتے ہیں اور یہ سفر بکنگ AI ایجنٹ پر کیسے لگائی جاتی ہیں۔
| ایجنٹ کی قسم | تفصیل | مثال |
|---|---|---|
| سادہ ریفلیکس ایجنٹس | فوری عمل انجام دیتے ہیں جو پہلے سے مقرر کردہ قواعد کی بنیاد پر ہوتے ہیں۔ | سفر ایجنٹ ای میل کے سیاق و سباق کی تشریح کرتا ہے اور سفر کی شکایات کسٹمر سروس کو بھیج دیتا ہے۔ |
| ماڈل پر مبنی ریفلیکس ایجنٹس | دنیا کے ماڈل اور اس ماڈل میں تبدیلیوں کی بنیاد پر عمل انجام دیتے ہیں۔ | سفر ایجنٹ تاریخی قیمتوں کے ڈیٹا کی رسائی کی بنیاد پر قیمت میں نمایاں تبدیلیوں والے راستوں کو ترجیح دیتا ہے۔ |
| ہدف پر مبنی ایجنٹس | مخصوص اہداف کے حصول کے لیے منصوبے بناتے ہیں، ہدف کی تشریح کرتے ہیں اور اس تک پہنچنے کے لیے اقدامات طے کرتے ہیں۔ | سفر ایجنٹ موجودہ مقام سے منزل تک ضروری سفر کی ترتیبات (کار، پبلک ٹرانزٹ، پروازیں) کا تعین کرکے سفر کا بندوبست کرتا ہے۔ |
| یوٹیلیٹی پر مبنی ایجنٹس | ترجیحات کو مدنظر رکھتے ہوئے عددی تجزیہ کے ذریعے اہداف کی تکمیل کے لیے فیصلہ کرتے ہیں۔ | سفر ایجنٹ سفر کی بکنگ کے دوران سہولت بمقابلہ لاگت کے درمیان ایک توازٖن قائم کرتے ہوئے زیادہ سے زیادہ فائدہ حاصل کرتا ہے۔ |
| سیکھنے والے ایجنٹس | وقت کے ساتھ بہتر ہوتے ہیں، فیڈبیک کا جواب دے کر اور عمل کو مطابق تبدیل کر کے۔ | سفر ایجنٹ صارف کے سفر کے بعد سروے کے فیڈبیک کی بنیاد پر جہازوں کی آئندہ بکنگ میں بہتری کرتا ہے۔ |
| درجہ وار ایجنٹس | متعدد ایجنٹس ایک درجہ بندی نظام میں ہوتے ہیں، جہاں اعلی سطح کے ایجنٹ کاموں کو ذیلی کاموں میں تقسیم کرتے ہیں تاکہ نچلے سطح کے ایجنٹس مکمل کریں۔ | سفر ایجنٹ ایک ٹرپ کو منسوخ کرنے کے لیے کام کو ذیلی کاموں میں تقسیم کرتا ہے (مثلاً مخصوص بکنگ منسوخ کرنا) اور نچلے درجے کے ایجنٹس انہیں مکمل کرتے ہیں، اعلی درجے کے ایجنٹ کو رپورٹ کرتے ہیں۔ |
| کثیر ایجنٹ نظام (MAS) | ایجنٹس خود مختار طور پر کام مکمل کرتے ہیں، یا تو تعاون سے یا مقابلہ کرتے ہوئے۔ | تعاون: متعدد ایجنٹس مخصوص سفر کی خدمات جیسے ہوٹل، پرواز، اور تفریح بک کرتے ہیں۔ مقابلہ: متعدد ایجنٹس مشترکہ ہوٹل بکنگ کیلنڈر پر کنٹرول حاصل کرنے کے لیے مقابلہ کرتے ہیں تاکہ صارفین کو ہوٹل میں بک کریں۔ |
پچھلے حصے میں، ہم نے سفر ایجنٹ کے استعمال کے کیس سے وضاحت کی کہ مختلف قسم کے ایجنٹس سفر بکنگ کے مختلف حالات میں کیسے استعمال ہو سکتے ہیں۔ ہم پورے کورس میں اسی ایپلیکیشن کو استعمال کرتے رہیں گے۔
آئیے دیکھیں کہ AI ایجنٹس کون سے استعمال کے کیسز کے لیے بہترین ہیں:
- کھلے مسائل (Open-Ended Problems) - LLM کو یہ فیصلہ کرنے دیں کہ کام مکمل کرنے کے لیے کون سے اقدامات درکار ہیں کیونکہ ہر حالت کو ورک فلو میں ہارڈ کوڈ نہیں کیا جا سکتا۔
- کئی مراحل کے عمل (Multi-Step Processes) - ایسے کام جن میں پیچیدگی کی ضرورت ہو اور AI ایجنٹ کو متعدد بار ٹولز یا معلومات استعمال کرنا پڑے نہ کہ صرف ایک مرتبہ بازیافت۔
- وقت کے ساتھ بہتری (Improvement Over Time) - ایسے کام جہاں ایجنٹ ماحول یا صارفین سے فیڈبیک لے کر بہتر خدمات فراہم کرنے کے لیے وقت کے ساتھ بہتر ہو سکے۔
ہم AI ایجنٹس کے استعمال کے مزید نکات "Building Trustworthy AI Agents" سبق میں کور کرتے ہیں۔
AI ایجنٹ نظام ڈیزائن کرنے کا پہلا مرحلہ آلات، عمل، اور رویوں کی تعریف ہے۔ اس کورس میں، ہم Azure AI Agent Service کے استعمال پر توجہ دیتے ہیں تاکہ اپنے ایجنٹس کو ڈیفائن کر سکیں۔ اس میں خصوصیات شامل ہیں:
- ایسے کھلے ماڈلز کا انتخاب جیسے OpenAI، Mistral، اور Llama
- فراہم کنندگان جیسے Tripadvisor کے ذریعے لائسنس یافتہ ڈیٹا کا استعمال
- معیاری OpenAPI 3.0 ٹولز کا استعمال
LLMs کے ساتھ رابطہ پرامپٹس کے ذریعے ہوتا ہے۔ AI ایجنٹس کی نیم خود مختار نوعیت کی وجہ سے، ضروری نہیں کہ ہر ماحول کی تبدیلی پر LLM کو دستی طور پر دوبارہ پرامپٹ کیا جائے۔ ہم ایجنٹک پیٹرنز استعمال کرتے ہیں جو متعدد مراحل میں LLM کو پرامپٹ کرنے کی اجازت دیتے ہیں، جو زیادہ پیمانے پر قابل عمل ہے۔
یہ کورس موجودہ مقبول ایجنٹک پیٹرنز میں تقسیم ہے۔
ایجنٹک فریم ورکس ڈویلپرز کو کوڈ کے ذریعے ایجنٹک پیٹرنز کو نافذ کرنے کی اجازت دیتے ہیں۔ یہ فریم ورکس ٹیمپلیٹس، پلگ انز، اور بہتر AI ایجنٹ تعاون کے لیے ٹولز فراہم کرتے ہیں۔ یہ فوائد AI ایجنٹ سسٹمز کی بہتر مشاہدہ پذیری اور مسائل کے حل کی صلاحیت فراہم کرتے ہیں۔
اس کورس میں، ہم تحقیق پر مبنی AutoGen فریم ورک اور Semantic Kernel کے تیار شدہ Agent فریم ورک کو دریافت کریں گے۔
- Python: Agent Framework
- .NET: Agent Framework
دوسرے سیکھنے والوں سے ملنے، آفس آورز میں شرکت کرنے اور اپنے AI ایجنٹس کے سوالات کا جواب حاصل کرنے کے لیے Microsoft Foundry Discord میں شامل ہوں۔
دستخطی ذمہ داری سے آزاد: یہ دستاویز AI ترجمہ سروس Co-op Translator استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ اگرچہ ہم درستگی کے لیے کوشاں ہیں، براہ کرم یہ بات ذہن میں رکھیں کہ خودکار ترجمے میں غلطیاں یا اغلاط ہو سکتی ہیں۔ اصل دستاویز اپنی مادری زبان میں مرکزی ماخذ سمجھی جانی چاہیے۔ اہم معلومات کے لیے پیشہ ور انسانی ترجمہ تجویز کیا جاتا ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والے کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔