AI Ajanları, Büyük Dil Modellerinin (LLM'ler) asistanlardan eylem gerçekleştirebilen ajanlara dönüşmesini sağlayan Üretken AI'da heyecan verici bir gelişmeyi temsil eder. AI Ajanı çerçeveleri, geliştiricilerin LLM'lere araçlara ve durum yönetimine erişim sağlayan uygulamalar oluşturmasına olanak tanır. Bu çerçeveler ayrıca görünürlülüğü artırır, kullanıcıların ve geliştiricilerin LLM'lerin planladığı eylemleri izlemelerine olanak tanıyarak deneyim yönetimini iyileştirir.
Ders aşağıdaki alanları kapsayacaktır:
- AI Ajanının ne olduğunu anlama - AI Ajanı tam olarak nedir?
- Dört farklı AI Ajan Çerçevesini keşfetme - Onları benzersiz yapan nedir?
- Bu AI Ajanlarını farklı kullanım senaryolarına uygulama - Ne zaman AI Ajanları kullanmalıyız?
Bu dersi tamamladıktan sonra şunları yapabileceksiniz:
- AI Ajanlarının ne olduğunu ve nasıl kullanılabileceğini açıklamak.
- Bazı popüler AI Ajan Çerçeveleri arasındaki farkları anlamak ve bunların nasıl farklılaştığını kavramak.
- AI Ajanlarının nasıl çalıştığını anlayarak onlarla uygulamalar geliştirmek.
AI Ajanları, Üretken AI dünyasında çok heyecan verici bir alandır. Bu heyecan bazen terimlerin ve uygulamalarının karıştırılmasına yol açabilir. AI Ajanlarına atıfta bulunan çoğu aracı kapsayacak şekilde basit ve kapsayıcı tutmak için şu tanımı kullanacağız:
AI Ajanları, Büyük Dil Modellerinin (LLM'ler) duruma ve araçlara erişim vererek görevleri gerçekleştirmelerine olanak tanır.
Bu terimleri tanımlayalım:
Büyük Dil Modelleri - Bu kurs boyunca bahsedilen GPT-3.5, GPT-4, Llama-2 gibi modellerdir.
Durum - LLM'nin içinde çalıştığı bağlamı ifade eder. LLM, geçmiş eylemlerinin ve mevcut bağlamın bilgisini kullanarak sonraki eylemleri için karar verir. AI Ajanı Çerçeveleri, geliştiricilerin bu bağlamı daha kolay yönetmesini sağlar.
Araçlar - Kullanıcının talep ettiği ve LLM'nin planladığı görevi tamamlamak için LLM'nin araçlara erişmesi gerekir. Araç örnekleri, bir veritabanı, bir API, harici bir uygulama veya hatta başka bir LLM olabilir!
Bu tanımlar, uygulamada nasıl uygulandıklarını incelerken size sağlam bir temel sağlayacaktır. Şimdi birkaç farklı AI Ajan çerçevesini inceleyelim:
LangChain Ajanları, yukarıda verdiğimiz tanımların uygulanmasıdır.
Durum yönetmek için gömülü bir fonksiyon olan AgentExecutor kullanılır. Bu, tanımlanan ajanı ve ona erişilebilen araçları kabul eder.
Agent Executor ayrıca sohbet geçmişini depolar ve sohbete bağlam sağlar.
LangChain, LLM'nin erişebileceği bir araç kataloğu sunar. Bu araçlar topluluk ve LangChain ekibi tarafından yapılmıştır.
Ardından bu araçları tanımlayıp Agent Executor'a iletebilirsiniz.
Görünürlük, AI Ajanları hakkında konuşurken bir diğer önemli konudur. Uygulama geliştiricilerinin LLM'nin hangi aracı kullandığını ve neden kullandığını anlaması önemlidir. Bunun için LangChain ekibi LangSmith'i geliştirmiştir.
Bir sonraki tartışacağımız AI Ajan çerçevesi AutoGen olur. AutoGen’in ana odağı sohbetlerdir. Ajanlar hem konuşabilir hem de özelleştirilebilir.
Konuşabilir - LLM'ler, bir görevi tamamlamak için başka bir LLM ile sohbet başlatabilir ve sürdürebilir. Bu, AssistantAgents oluşturarak ve onlara belirli bir sistem mesajı vererek 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 - Ajanlar sadece LLM olarak değil, kullanıcı veya araç olarak da tanımlanabilir. Bir geliştirici olarak, görevin tamamlanmasında kullanıcıdan geri bildirim almakla sorumlu olan UserProxyAgent tanımlayabilirsiniz. Bu geri bildirim görev yürütülmesini sürdürebilir veya durdurabilir.
user_proxy = UserProxyAgent(name="user_proxy")Durumu değiştirmek ve yönetmek için bir asistan Ajan, görevi tamamlamak üzere Python kodu üretir.
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 mesajları, belirli LLM'ye görevine uygun fonksiyonların hangileri olduğunu yönlendirir. Unutmayın, AutoGen ile farklı sistem mesajlarına sahip birden fazla AssistantAgent tanımlayabilirsiniz.
user_proxy.initiate_chat( chatbot, message="I am planning a trip to NYC next week, can you help me pick out what to wear? ", )Kullanıcı_proxy (İnsan) tarafından gönderilen bu mesaj, Ajanın gerçekleştirmesi gereken olası fonksiyonları keşfetme 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, Ajan çağrılması önerilen aracı gönderir. Burada, get_weather adlı bir fonksiyondur. Yapılandırmanıza bağlı olarak, bu fonksiyon otomatik olarak yürütülebilir ve Ajan tarafından okunabilir veya kullanıcı girdisine bağlı olarak çalıştırılabilir.
Başlangıç yapmak için nasıl başlayacağınızı daha iyi keşfetmek için AutoGen kod örnekleri listesine bakabilirsiniz.
Bir sonraki ajan çerçevesi Taskweaver olacaktır. Bu çerçeve "ilk kod" ajanı olarak bilinir çünkü sadece stringlerle değil, Python'da DataFrame'ler ile de çalışabilir. Bu, veri analizi ve üretim görevleri için son derece kullanışlıdır. Örneğin grafik ve tablolar oluşturmak veya rastgele sayılar üretmek gibi.
Konuşmanın durumunu yönetmek için TaskWeaver Planner kavramını kullanır. Planner, kullanıcılardan gelen isteği alır ve bu isteği yerine getirmek için tamamlanması gereken görevleri haritalar.
Görevleri tamamlamak için Planner, Plugins olarak adlandırılan araç koleksiyonuna erişebilir. Bunlar Python sınıfları veya genel bir kod yorumlayıcısı olabilir. Bu eklentiler gömme olarak depolanır, böylece LLM doğru eklentiyi daha iyi arayabilir.
İşte anormallik tespiti 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 bir diğer özellik de experiencedır. Experience, bir sohbetin bağlamının uzun vadede YAML dosyasında saklanmasına olanak tanır. Bu, LLM'nin belirli görevlerde önceki sohbetlere maruz kaldıkça zamanla gelişmesini sağlayacak şekilde yapılandırılabilir.
İnceleyeceğimiz son ajan çerçevesi JARVIS olacaktır. JARVIS'i benzersiz yapan şey, konuşmanın durumunu yönetmek için bir LLM kullanması ve araçların diğer AI modelleri olmasıdır. Her AI modeli, nesne tanıma, transkripsiyon veya resim açıklaması gibi belirli görevleri gerçekleştiren uzmanlaşmış modellerdir.
Genel amaçlı bir model olan LLM, kullanıcıdan gelen isteği alır ve görevi ile görevin tamamlanması için gerekli argüman/verileri belirler.
[{"task": "object-detection", "id": 0, "dep": [-1], "args": {"image": "e1.jpg" }}]LLM daha sonra isteği, özel AI modelinin yorumlayabileceği şekilde (örneğin JSON olarak) biçimlendirir. AI modeli göreve göre tahminini döndürdüğünde, LLM yanıtı alır.
Görevi tamamlamak için birden fazla model gerekiyorsa, kullanıcıya yanıt oluşturmak üzere bunların yanıtlarını da yorumlar.
Aşağıdaki örnek, bir kullanıcının bir resimdeki nesnelerin açıklamasını ve sayısını istediğinde nasıl çalışacağını gösterir:
AI Ajanları ile öğrenmeye devam etmek için AutoGen ile aşağıdakileri oluşturabilirsiniz:
- Eğitim girişiminin farklı departmanlarıyla bir iş toplantısını simüle eden bir uygulama.
- LLM'leri farklı kişilikleri ve öncelikleri anlamaya yönlendiren sistem mesajları oluşturun ve kullanıcının yeni bir ürün fikrini sunmasına olanak tanıyın.
- Ardından, LLM her departmandan takip soruları üreterek fikri ve ürün önerisini iyileştirsin.
Bu dersi tamamladıktan sonra, Üretken AI bilginizi artırmaya devam etmek için Generative AI Learning koleksiyonumuzu inceleyin!
Feragatname: Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba gösterilse de, otomatik çevirilerin hata veya yanlışlık içerebileceğini lütfen unutmayın. Orijinal belge, kendi anadilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanılması sonucu oluşabilecek herhangi bir yanlış anlama veya yanlış yorumlamadan sorumlu değiliz.