ai-agents-for-beginners
(برای مشاهده ویدئوی این درس، روی تصویر بالا کلیک کنید)
معرفی عوامل هوش مصنوعی و موارد استفاده از آن‌ها
به دوره “عوامل هوش مصنوعی برای مبتدیان” خوش آمدید! این دوره دانش پایه و نمونه‌های کاربردی برای ساخت عوامل هوش مصنوعی را ارائه می‌دهد.
به Azure AI Foundry Discord بپیوندید تا با دیگر یادگیرندگان و سازندگان عوامل هوش مصنوعی آشنا شوید و هر سوالی که درباره این دوره دارید بپرسید.
برای شروع این دوره، ابتدا باید درک بهتری از عوامل هوش مصنوعی و نحوه استفاده از آن‌ها در برنامه‌ها و فرآیندهای کاری که می‌سازیم، پیدا کنیم.
مقدمه
این درس شامل موارد زیر است:
- عوامل هوش مصنوعی چیستند و چه انواعی دارند؟
- چه موارد استفاده‌ای برای عوامل هوش مصنوعی مناسب‌تر است و چگونه می‌توانند به ما کمک کنند؟
- برخی از اجزای اصلی در طراحی راه‌حل‌های عامل‌محور چیستند؟
اهداف یادگیری
پس از اتمام این درس، شما باید بتوانید:
- مفاهیم عوامل هوش مصنوعی را درک کنید و تفاوت آن‌ها با دیگر راه‌حل‌های هوش مصنوعی را توضیح دهید.
- عوامل هوش مصنوعی را به صورت کارآمد به کار بگیرید.
- راه‌حل‌های عامل‌محور را به صورت مؤثر برای کاربران و مشتریان طراحی کنید.
تعریف عوامل هوش مصنوعی و انواع آن‌ها
عوامل هوش مصنوعی چیستند؟
عوامل هوش مصنوعی سیستم‌هایی هستند که به مدل‌های زبانی بزرگ (LLMs) امکان می‌دهند تا با گسترش قابلیت‌هایشان از طریق دسترسی به ابزارها و دانش، اقداماتی را انجام دهند.
بیایید این تعریف را به بخش‌های کوچک‌تر تقسیم کنیم:
- سیستم - مهم است که به عوامل به عنوان یک جزء واحد نگاه نکنیم، بلکه به عنوان سیستمی از اجزای مختلف در نظر بگیریم. در سطح پایه، اجزای یک عامل هوش مصنوعی عبارتند از:
- محیط - فضای تعریف‌شده‌ای که عامل هوش مصنوعی در آن فعالیت می‌کند. به عنوان مثال، اگر یک عامل هوش مصنوعی برای رزرو سفر داشته باشیم، محیط می‌تواند سیستم رزرو سفری باشد که عامل از آن برای انجام وظایف استفاده می‌کند.
- حسگرها - محیط‌ها اطلاعات و بازخورد ارائه می‌دهند. عوامل هوش مصنوعی از حسگرها برای جمع‌آوری و تفسیر این اطلاعات درباره وضعیت فعلی محیط استفاده می‌کنند. در مثال عامل رزرو سفر، سیستم رزرو می‌تواند اطلاعاتی مانند در دسترس بودن هتل یا قیمت پروازها ارائه دهد.
- عملگرها - پس از دریافت وضعیت فعلی محیط، عامل هوش مصنوعی برای وظیفه فعلی تصمیم می‌گیرد که چه اقدامی برای تغییر محیط انجام دهد. برای عامل رزرو سفر، این اقدام می‌تواند رزرو یک اتاق موجود برای کاربر باشد.
مدل‌های زبانی بزرگ - مفهوم عوامل پیش از ایجاد LLMها وجود داشت. مزیت ساخت عوامل هوش مصنوعی با استفاده از LLMها توانایی آن‌ها در تفسیر زبان انسانی و داده‌ها است. این توانایی به LLMها امکان می‌دهد اطلاعات محیطی را تفسیر کرده و برنامه‌ای برای تغییر محیط تعریف کنند.
انجام اقدامات - خارج از سیستم‌های عامل هوش مصنوعی، LLMها به تولید محتوا یا اطلاعات بر اساس درخواست کاربر محدود هستند. در داخل سیستم‌های عامل هوش مصنوعی، LLMها می‌توانند وظایفی را با تفسیر درخواست کاربر و استفاده از ابزارهای موجود در محیط خود انجام دهند.
دسترسی به ابزارها - ابزارهایی که LLM به آن‌ها دسترسی دارد توسط ۱) محیطی که در آن فعالیت می‌کند و ۲) توسعه‌دهنده عامل هوش مصنوعی تعریف می‌شود. برای مثال عامل سفر، ابزارهای عامل به عملیات موجود در سیستم رزرو محدود می‌شود و/یا توسعه‌دهنده می‌تواند دسترسی عامل به ابزارها را محدود کند.
حافظه + دانش - حافظه می‌تواند در کوتاه‌مدت در زمینه مکالمه بین کاربر و عامل باشد. در بلندمدت، خارج از اطلاعات ارائه‌شده توسط محیط، عوامل هوش مصنوعی می‌توانند دانش را از سیستم‌ها، خدمات، ابزارها و حتی عوامل دیگر بازیابی کنند. در مثال عامل سفر، این دانش می‌تواند اطلاعاتی درباره ترجیحات سفر کاربر باشد که در یک پایگاه داده مشتری ذخیره شده است.
انواع مختلف عوامل
اکنون که تعریف کلی از عوامل هوش مصنوعی داریم، بیایید به برخی از انواع خاص عوامل و نحوه استفاده از آن‌ها در یک عامل رزرو سفر نگاهی بیندازیم.
| نوع عامل | توضیحات | مثال |
|---|---|---|
| عوامل بازتابی ساده | اقدامات فوری بر اساس قوانین از پیش تعریف‌شده انجام می‌دهند. | عامل سفر زمینه ایمیل را تفسیر کرده و شکایات سفر را به خدمات مشتریان ارسال می‌کند. |
| عوامل بازتابی مبتنی بر مدل | اقدامات را بر اساس مدلی از جهان و تغییرات آن مدل انجام می‌دهند. | عامل سفر مسیرهایی با تغییرات قابل توجه قیمت را بر اساس دسترسی به داده‌های تاریخی قیمت‌ها اولویت‌بندی می‌کند. |
| عوامل مبتنی بر هدف | برنامه‌هایی برای دستیابی به اهداف خاص ایجاد می‌کنند و با تفسیر هدف و تعیین اقدامات لازم برای رسیدن به آن عمل می‌کنند. | عامل سفر با تعیین ترتیبات لازم سفر (ماشین، حمل و نقل عمومی، پروازها) از مکان فعلی به مقصد، یک سفر را رزرو می‌کند. |
| عوامل مبتنی بر سودمندی | ترجیحات را در نظر گرفته و با وزن‌دهی به مبادلات به صورت عددی تعیین می‌کنند که چگونه به اهداف برسند. | عامل سفر با وزن‌دهی به راحتی در مقابل هزینه، سودمندی را در هنگام رزرو سفر به حداکثر می‌رساند. |
| عوامل یادگیرنده | با پاسخ به بازخورد و تنظیم اقدامات خود به مرور زمان بهبود می‌یابند. | عامل سفر با استفاده از بازخورد مشتری از نظرسنجی‌های پس از سفر، تنظیماتی برای رزروهای آینده انجام می‌دهد. |
| عوامل سلسله‌مراتبی | شامل چندین عامل در یک سیستم لایه‌ای هستند، که عوامل سطح بالاتر وظایف را به زیر وظایف تقسیم می‌کنند تا عوامل سطح پایین‌تر آن‌ها را انجام دهند. | عامل سفر با تقسیم وظیفه لغو سفر به زیر وظایف (مانند لغو رزروهای خاص) و واگذاری آن‌ها به عوامل سطح پایین‌تر، که به عامل سطح بالاتر گزارش می‌دهند، یک سفر را لغو می‌کند. |
| سیستم‌های چندعاملی (MAS) | عوامل به صورت مستقل وظایف را انجام می‌دهند، چه به صورت همکاری و چه به صورت رقابتی. | همکاری: چندین عامل خدمات خاص سفر مانند هتل‌ها، پروازها و سرگرمی‌ها را رزرو می‌کنند. رقابت: چندین عامل یک تقویم رزرو هتل مشترک را مدیریت کرده و برای رزرو مشتریان در هتل رقابت می‌کنند. |
چه زمانی از عوامل هوش مصنوعی استفاده کنیم؟
در بخش قبلی، از مورد استفاده عامل سفر برای توضیح نحوه استفاده از انواع مختلف عوامل در سناریوهای مختلف رزرو سفر استفاده کردیم. در طول دوره، به استفاده از این برنامه ادامه خواهیم داد.
بیایید به انواع موارد استفاده‌ای که عوامل هوش مصنوعی برای آن‌ها مناسب‌تر هستند نگاهی بیندازیم:
- مسائل باز و بدون ساختار - اجازه دادن به LLM برای تعیین مراحل لازم برای انجام یک وظیفه، زیرا همیشه نمی‌توان آن را به صورت سخت‌کد در یک فرآیند کاری تعریف کرد.
- فرآیندهای چندمرحله‌ای - وظایفی که نیاز به سطحی از پیچیدگی دارند که در آن عامل هوش مصنوعی باید از ابزارها یا اطلاعات در چندین مرحله استفاده کند، نه فقط بازیابی یکباره.
- بهبود در طول زمان - وظایفی که عامل می‌تواند با دریافت بازخورد از محیط یا کاربران خود به مرور زمان بهبود یابد تا سودمندی بهتری ارائه دهد.
ما ملاحظات بیشتری درباره استفاده از عوامل هوش مصنوعی را در درس ساخت عوامل هوش مصنوعی قابل اعتماد پوشش خواهیم داد.
اصول اولیه راه‌حل‌های عامل‌محور
توسعه عامل
اولین گام در طراحی یک سیستم عامل هوش مصنوعی، تعریف ابزارها، اقدامات و رفتارها است. در این دوره، ما بر استفاده از خدمات عامل هوش مصنوعی Azure برای تعریف عوامل خود تمرکز می‌کنیم. این سرویس ویژگی‌هایی مانند موارد زیر را ارائه می‌دهد:
- انتخاب مدل‌های باز مانند OpenAI، Mistral و Llama
- استفاده از داده‌های دارای مجوز از طریق ارائه‌دهندگانی مانند Tripadvisor
- استفاده از ابزارهای استاندارد شده OpenAPI 3.0
الگوهای عامل‌محور
ارتباط با LLMها از طریق درخواست‌ها (prompts) انجام می‌شود. با توجه به ماهیت نیمه‌خودمختار عوامل هوش مصنوعی، همیشه امکان یا نیاز به درخواست مجدد دستی از LLM پس از تغییر در محیط وجود ندارد. ما از الگوهای عامل‌محور استفاده می‌کنیم که به ما امکان می‌دهند LLM را در چندین مرحله به صورت مقیاس‌پذیر درخواست کنیم.
این دوره به برخی از الگوهای عامل‌محور محبوب فعلی تقسیم شده است.
چارچوب‌های عامل‌محور
چارچوب‌های عامل‌محور به توسعه‌دهندگان امکان می‌دهند الگوهای عامل‌محور را از طریق کد پیاده‌سازی کنند. این چارچوب‌ها قالب‌ها، افزونه‌ها و ابزارهایی برای همکاری بهتر عوامل هوش مصنوعی ارائه می‌دهند. این مزایا قابلیت‌هایی برای مشاهده‌پذیری بهتر و رفع اشکال سیستم‌های عامل هوش مصنوعی فراهم می‌کنند.
در این دوره، ما چارچوب AutoGen مبتنی بر تحقیق و چارچوب عامل آماده تولید از Semantic Kernel را بررسی خواهیم کرد.
سوالات بیشتری درباره عوامل هوش مصنوعی دارید؟
به Azure AI Foundry Discord بپیوندید تا با دیگر یادگیرندگان ملاقات کنید، در ساعات اداری شرکت کنید و سوالات خود درباره عوامل هوش مصنوعی را بپرسید.
درس قبلی
درس بعدی
سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما برای دقت تلاش می‌کنیم، لطفاً توجه داشته باشید که ترجمه‌های خودکار ممکن است شامل خطاها یا نادقتی‌هایی باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حساس، ترجمه حرفه‌ای انسانی توصیه می‌شود. ما هیچ مسئولیتی در قبال سوءتفاهم‌ها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.