(वरील प्रतिमेवर क्लिक करून या धड्याचा व्हिडिओ पहा)
"AI Agents for Beginners" कोर्समध्ये आपले स्वागत आहे! हा कोर्स AI एजंट्स तयार करण्यासाठी मूलभूत ज्ञान आणि लागू नमुने प्रदान करतो.
या कोर्समध्ये सहभागी व्हा, इतर शिकणाऱ्यांना आणि AI एजंट बिल्डर्सना भेटा आणि या कोर्सबद्दल तुम्हाला असलेल्या कोणत्याही प्रश्नांची उत्तरे मिळवा.
या कोर्सची सुरुवात आपण AI एजंट्स काय आहेत आणि आपण तयार करत असलेल्या अनुप्रयोगांमध्ये आणि कार्यप्रवाहांमध्ये त्यांचा कसा उपयोग करू शकतो हे समजून घेऊन करतो.
या धड्यात आपण शिकणार आहोत:
- AI एजंट्स म्हणजे काय आणि वेगवेगळ्या प्रकारचे एजंट्स कोणते आहेत?
- कोणते उपयोग प्रकरणे AI एजंट्ससाठी सर्वोत्तम आहेत आणि ते आपल्याला कसे मदत करू शकतात?
- एजंटिक सोल्यूशन्स डिझाइन करताना मूलभूत घटक कोणते आहेत?
हा धडा पूर्ण केल्यानंतर, तुम्ही:
- AI एजंट्सची संकल्पना समजून घेऊ शकता आणि ती इतर AI सोल्यूशन्सपेक्षा कशी वेगळी आहे हे ओळखू शकता.
- AI एजंट्स अधिक कार्यक्षमतेने लागू करू शकता.
- वापरकर्त्यांसाठी आणि ग्राहकांसाठी उत्पादकपणे एजंटिक सोल्यूशन्स डिझाइन करू शकता.
AI एजंट्स हे सिस्टम्स आहेत जे Large Language Models (LLMs) ला क्रिया करण्यास सक्षम करतात, त्यांची क्षमता वाढवून LLMs ला टूल्स आणि ज्ञान उपलब्ध करून देतात.
या व्याख्येचे छोटे भाग करून समजून घेऊया:
- सिस्टम - एजंट्सला एकच घटक म्हणून न पाहता अनेक घटकांच्या प्रणाली म्हणून विचार करणे महत्त्वाचे आहे. AI एजंट्सच्या मूलभूत स्तरावर घटक आहेत:
- पर्यावरण - AI एजंट कार्यरत असलेली परिभाषित जागा. उदाहरणार्थ, जर आपल्याकडे प्रवास बुकिंग AI एजंट असेल, तर पर्यावरण म्हणजे प्रवास बुकिंग प्रणाली असेल ज्याचा उपयोग AI एजंट कार्य पूर्ण करण्यासाठी करतो.
- सेन्सर्स - पर्यावरणामध्ये माहिती असते आणि फीडबॅक प्रदान करते. AI एजंट्स सेन्सर्सचा उपयोग करून पर्यावरणाच्या वर्तमान स्थितीबद्दल माहिती गोळा करतात आणि ती समजून घेतात. प्रवास बुकिंग एजंटच्या उदाहरणात, प्रवास बुकिंग प्रणाली हॉटेल उपलब्धता किंवा फ्लाइटच्या किंमती यासारखी माहिती प्रदान करू शकते.
- अॅक्च्युएटर्स - AI एजंटला पर्यावरणाची वर्तमान स्थिती मिळाल्यानंतर, सध्याच्या कार्यासाठी एजंट पर्यावरण बदलण्यासाठी कोणती क्रिया करायची ते ठरवतो. प्रवास बुकिंग एजंटसाठी, ते वापरकर्त्यासाठी उपलब्ध खोली बुक करणे असू शकते.
Large Language Models - एजंट्सची संकल्पना LLMs तयार होण्यापूर्वी अस्तित्वात होती. LLMs वापरून AI एजंट्स तयार करण्याचा फायदा म्हणजे मानवी भाषा आणि डेटा समजण्याची त्यांची क्षमता. ही क्षमता LLMs ला पर्यावरणीय माहिती समजून घेण्यास आणि पर्यावरण बदलण्यासाठी योजना तयार करण्यास सक्षम करते.
क्रिया करणे - AI एजंट सिस्टम्सच्या बाहेर, LLMs वापरकर्त्याच्या प्रॉम्प्टवर आधारित सामग्री किंवा माहिती तयार करण्याच्या परिस्थितीपुरते मर्यादित असतात. AI एजंट सिस्टम्सच्या आत, LLMs टूल्स वापरून आणि पर्यावरणातील उपलब्ध संसाधनांचा उपयोग करून कार्य पूर्ण करू शकतात.
टूल्सचा प्रवेश - LLM ला कोणते टूल्स उपलब्ध आहेत हे 1) ते कार्यरत असलेल्या पर्यावरणाने आणि 2) AI एजंटच्या विकसकाने परिभाषित केले जाते. आमच्या प्रवास एजंटच्या उदाहरणात, एजंटचे टूल्स बुकिंग सिस्टममध्ये उपलब्ध ऑपरेशन्सने मर्यादित असतात, आणि/किंवा विकसक एजंटच्या टूल्सचा प्रवेश फ्लाइट्सपुरता मर्यादित करू शकतो.
मेमरी+ज्ञान - मेमरी संवादाच्या संदर्भात अल्पकालीन असू शकते, जिथे वापरकर्ता आणि एजंट यांच्यात संवाद होतो. दीर्घकालीन, पर्यावरणाद्वारे प्रदान केलेल्या माहितीच्या बाहेर, AI एजंट्स इतर सिस्टम्स, सेवा, टूल्स, आणि अगदी इतर एजंट्सकडूनही ज्ञान मिळवू शकतात. प्रवास एजंटच्या उदाहरणात, हे ज्ञान ग्राहक डेटाबेसमध्ये असलेल्या वापरकर्त्याच्या प्रवासाच्या प्राधान्यांबद्दलची माहिती असू शकते.
आता आपल्याला AI एजंट्सची सामान्य व्याख्या मिळाली आहे, चला काही विशिष्ट एजंट प्रकार आणि प्रवास बुकिंग AI एजंटसाठी ते कसे लागू केले जातील ते पाहूया.
| एजंट प्रकार | वर्णन | उदाहरण |
|---|---|---|
| सिंपल रिफ्लेक्स एजंट्स | पूर्वनिर्धारित नियमांवर आधारित त्वरित क्रिया करतात. | प्रवास एजंट ईमेलचा संदर्भ समजून प्रवासाच्या तक्रारी ग्राहक सेवेकडे पाठवतो. |
| मॉडेल-बेस्ड रिफ्लेक्स एजंट्स | जगाच्या मॉडेलवर आणि त्या मॉडेलमधील बदलांवर आधारित क्रिया करतात. | प्रवास एजंट ऐतिहासिक किंमतींच्या डेटावर आधारित महत्त्वपूर्ण किंमत बदल असलेल्या मार्गांना प्राधान्य देतो. |
| गोल-बेस्ड एजंट्स | विशिष्ट उद्दिष्टे साध्य करण्यासाठी योजना तयार करतात, उद्दिष्ट समजून त्यापर्यंत पोहोचण्यासाठी क्रिया ठरवतात. | प्रवास एजंट प्रवासाची व्यवस्था (कार, सार्वजनिक वाहतूक, फ्लाइट्स) सध्याच्या स्थानापासून गंतव्यस्थानापर्यंत ठरवून प्रवास बुक करतो. |
| युटिलिटी-बेस्ड एजंट्स | प्राधान्ये विचारात घेतात आणि संख्यात्मकदृष्ट्या व्यापार-तोल ठरवून उद्दिष्टे साध्य करण्याचा मार्ग ठरवतात. | प्रवास एजंट प्रवास बुक करताना सोयीसुविधा विरुद्ध खर्च यांचा व्यापार-तोल ठरवून युटिलिटी वाढवतो. |
| लर्निंग एजंट्स | फीडबॅकला प्रतिसाद देऊन आणि त्यानुसार क्रिया समायोजित करून वेळोवेळी सुधारणा करतात. | प्रवास एजंट पोस्ट-ट्रिप सर्व्हे मधून ग्राहक फीडबॅक वापरून भविष्यातील बुकिंगमध्ये सुधारणा करतो. |
| हायरार्किकल एजंट्स | टियरड सिस्टममध्ये अनेक एजंट्स असतात, उच्च-स्तरीय एजंट्स कार्यांना उपकार्यांमध्ये विभागतात आणि त्यांना पूर्ण करण्यासाठी निम्न-स्तरीय एजंट्सना देतात. | प्रवास एजंट प्रवास रद्द करण्याचे कार्य उपकार्यांमध्ये विभागतो (उदाहरणार्थ, विशिष्ट बुकिंग रद्द करणे) आणि निम्न-स्तरीय एजंट्सना ते पूर्ण करण्यासाठी देतो, उच्च-स्तरीय एजंटला अहवाल देतो. |
| मल्टी-एजंट सिस्टम्स (MAS) | एजंट्स स्वतंत्रपणे कार्य पूर्ण करतात, सहकारी किंवा स्पर्धात्मक पद्धतीने. | सहकारी: अनेक एजंट्स विशिष्ट प्रवास सेवा जसे की हॉटेल्स, फ्लाइट्स, आणि मनोरंजन बुक करतात. स्पर्धात्मक: अनेक एजंट्स सामायिक हॉटेल बुकिंग कॅलेंडर व्यवस्थापित करतात आणि ग्राहकांना हॉटेलमध्ये बुक करण्यासाठी स्पर्धा करतात. |
पूर्वीच्या विभागात, प्रवास एजंट उपयोग प्रकरणाचा उपयोग करून वेगवेगळ्या प्रकारच्या एजंट्स प्रवास बुकिंगच्या विविध परिस्थितींमध्ये कसे वापरले जाऊ शकतात हे स्पष्ट केले. आम्ही या कोर्समध्ये संपूर्ण अनुप्रयोगासाठी हे उदाहरण वापरणार आहोत.
चला AI एजंट्ससाठी सर्वोत्तम उपयोग प्रकरणांचे प्रकार पाहूया:
- ओपन-एंडेड समस्या - LLM ला कार्य पूर्ण करण्यासाठी आवश्यक पावले ठरवू देणे, कारण ती नेहमी कार्यप्रवाहात हार्डकोड केली जाऊ शकत नाहीत.
- मल्टी-स्टेप प्रक्रिया - ज्या कार्यांमध्ये AI एजंटला टूल्स किंवा माहितीचा उपयोग अनेक टर्न्समध्ये करावा लागतो, एकाच शॉटमध्ये पुनर्प्राप्ती करण्याऐवजी.
- वेळोवेळी सुधारणा - ज्या कार्यांमध्ये एजंट पर्यावरण किंवा वापरकर्त्यांकडून फीडबॅक मिळवून वेळोवेळी सुधारणा करू शकतो, जेणेकरून अधिक चांगली युटिलिटी प्रदान करता येईल.
AI एजंट्स वापरण्याच्या अधिक विचारांबद्दल आपण "Building Trustworthy AI Agents" धड्यात शिकणार आहोत.
AI एजंट सिस्टम डिझाइन करण्याचा पहिला टप्पा म्हणजे टूल्स, क्रिया, आणि वर्तन परिभाषित करणे. या कोर्समध्ये, आम्ही Azure AI Agent Service वापरून आमचे एजंट्स परिभाषित करण्यावर लक्ष केंद्रित करतो. यात खालील वैशिष्ट्ये आहेत:
- OpenAI, Mistral, आणि Llama सारख्या ओपन मॉडेल्सची निवड
- Tripadvisor सारख्या प्रदात्यांद्वारे लाइसन्स केलेल्या डेटाचा उपयोग
- OpenAPI 3.0 टूल्सचा मानक वापर
LLMs सोबत संवाद प्रॉम्प्ट्सद्वारे होतो. AI एजंट्सच्या अर्ध-स्वायत्त स्वरूपामुळे, पर्यावरणात बदल झाल्यानंतर LLM ला मॅन्युअली पुन्हा प्रॉम्प्ट करणे नेहमी शक्य किंवा आवश्यक नसते. आम्ही एजंटिक पॅटर्न्स वापरतो जे LLM ला अनेक टप्प्यांमध्ये अधिक स्केलेबल पद्धतीने प्रॉम्प्ट करण्यास परवानगी देतात.
हा कोर्स काही सध्याच्या लोकप्रिय एजंटिक पॅटर्न्समध्ये विभागलेला आहे.
एजंटिक फ्रेमवर्क्स विकसकांना कोडद्वारे एजंटिक पॅटर्न्स लागू करण्यास परवानगी देतात. हे फ्रेमवर्क्स टेम्पलेट्स, प्लगिन्स, आणि टूल्स प्रदान करतात जे AI एजंट्सच्या चांगल्या सहकार्यासाठी उपयुक्त ठरतात. या फायद्यांमुळे AI एजंट सिस्टम्सची चांगली निरीक्षणक्षमता आणि समस्या निवारण क्षमता मिळते.
या कोर्समध्ये, आपण संशोधन-चालित AutoGen फ्रेमवर्क आणि उत्पादन-तयार Agent फ्रेमवर्क Semantic Kernel मधून एक्सप्लोर करणार आहोत.
Azure AI Foundry Discord मध्ये सामील व्हा, इतर शिकणाऱ्यांना भेटा, ऑफिस तासांमध्ये सहभागी व्हा आणि तुमचे AI एजंट्सबद्दलचे प्रश्न सोडवा.
एजंटिक फ्रेमवर्क्स एक्सप्लोर करणे
अस्वीकरण:
हा दस्तऐवज AI भाषांतर सेवा Co-op Translator चा वापर करून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी, कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेचा अभाव असू शकतो. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर केल्यामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.