ai-agents-for-beginners
(برای مشاهده ویدیوی این درس روی تصویر بالا کلیک کنید)
معرفی عاملهای هوش مصنوعی و موارد استفاده از عاملها
به دوره «عاملهای هوش مصنوعی برای مبتدیان» خوشآمدید! این دوره دانش پایه و نمونههای کاربردی برای ساخت عاملهای هوش مصنوعی را ارائه میدهد.
به انجمن دیسکورد Azure AI بپیوندید تا با دیگر یادگیرندگان و سازندگان عاملهای هوش مصنوعی ملاقات کنید و هر سوالی در مورد این دوره دارید بپرسید.
برای شروع این دوره، ابتدا بهتر است درک بهتری از اینکه عاملهای هوش مصنوعی چه هستند و چگونه میتوانیم از آنها در برنامهها و گردشهای کاری که میسازیم استفاده کنیم، بهدست آوریم.
مقدمه
این درس شامل موارد زیر است:
- عاملهای هوش مصنوعی چه هستند و انواع مختلف عاملها کداماند؟
- بهترین موارد استفاده برای عاملهای هوش مصنوعی چه هستند و چگونه میتوانند به ما کمک کنند؟
- برخی از اجزای پایه هنگام طراحی راهحلهای عاملی چه هستند؟
اهداف یادگیری
پس از تکمیل این درس، شما باید بتوانید:
- مفاهیم عاملهای هوش مصنوعی را درک کنید و تفاوت آنها را با سایر راهحلهای هوش مصنوعی بدانید.
- عاملهای هوش مصنوعی را به صورت بهینه بهکار ببرید.
- راهحلهای عاملی را بهصورت تولیدی برای کاربران و مشتریان طراحی کنید.
تعریف عاملهای هوش مصنوعی و انواع عاملها
عاملهای هوش مصنوعی چیستند؟
عاملهای هوش مصنوعی سیستمهایی هستند که به مدلهای زبانی بزرگ (LLMs) اجازه میدهند تا با گسترش قابلیتهایشان و دادن دسترسی به ابزارها و دانش، عملها را انجام دهند.
بیایید این تعریف را به بخشهای کوچکتر تقسیم کنیم:
- سیستم - مهم است که به عاملها فقط بهعنوان یک مؤلفه منفرد فکر نکنیم، بلکه بهعنوان یک سیستم متشکل از اجزای متعدد. در سطح پایه، اجزای یک عامل هوش مصنوعی عبارتاند از:
- محیط - فضای تعریفشدهای که عامل هوش مصنوعی در آن عمل میکند. بهعنوان مثال، اگر عامل هوش مصنوعی رزرو سفر داشته باشیم، محیط میتواند سیستم رزرو سفر باشد که عامل برای انجام وظایف از آن استفاده میکند.
- حسگرها - محیطها اطلاعات دارند و بازخورد ارائه میدهند. عاملهای هوش مصنوعی از حسگرها برای جمعآوری و تفسیر این اطلاعات در مورد وضعیت فعلی محیط استفاده میکنند. در مثال عامل رزرو سفر، سیستم رزرو میتواند اطلاعاتی مانند موجودی هتل یا قیمت بلیتها را ارائه کند.
- عملگرها (Actuators) - هنگامی که عامل هوش مصنوعی وضعیت فعلی محیط را دریافت میکند، برای انجام وظیفه جاری، تعیین میکند چه عملی را باید انجام دهد تا محیط را تغییر دهد. برای عامل رزرو سفر، ممکن است رزرو یک اتاق موجود برای کاربر باشد.
مدلهای زبانی بزرگ - مفهوم عاملها قبل از ایجاد مدلهای زبانی بزرگ نیز وجود داشت. مزیت ساخت عاملهای هوش مصنوعی با LLMها توانایی آنها در تفسیر زبان انسان و دادههاست. این توانایی به LLMها امکان میدهد اطلاعات محیطی را تفسیر کرده و برنامهای برای تغییر محیط تعریف کنند.
انجام عملها - خارج از سیستمهای عاملی، LLMها محدود به موقعیتهایی هستند که اقدام موردنظر تولید محتوا یا اطلاعات بر اساس درخواست کاربر است. در درون سیستمهای عاملی، LLMها میتوانند با تفسیر درخواست کاربر و استفاده از ابزارهای موجود در محیط خود، وظایف را انجام دهند.
دسترسی به ابزارها - اینکه LLM به چه ابزارهایی دسترسی دارد توسط 1) محیطی که در آن عمل میکند و 2) توسعهدهنده عامل هوش مصنوعی تعیین میشود. برای مثال عامل رزرو سفر، ابزارهای عامل محدود به عملیات موجود در سیستم رزرو هستند، و/یا توسعهدهنده میتواند دسترسی ابزار عامل را به بلیطها محدود کند.
حافظه+دانش - حافظه میتواند در زمینهٔ مکالمه بین کاربر و عامل کوتاهمدت باشد. در بلندمدت، علاوه بر اطلاعات ارائهشده توسط محیط، عاملهای هوش مصنوعی میتوانند دانش را از سیستمها، خدمات، ابزارها و حتی سایر عاملها بازیابی کنند. در مثال عامل رزرو سفر، این دانش میتواند اطلاعات ترجیحات سفر کاربر باشد که در یک پایگاه داده مشتری ذخیره شده است.
انواع مختلف عاملها
حالا که تعریف کلی از عاملهای هوش مصنوعی داریم، بیایید به برخی از انواع خاص عاملها و چگونگی کاربرد آنها برای یک عامل رزرو سفر نگاه کنیم.
| نوع عامل | توضیحات | مثال |
|---|---|---|
| عاملهای واکنشی ساده | اقدامات فوری را بر اساس قوانین از پیش تعریفشده انجام میدهند. | عامل رزرو سفر زمینهٔ ایمیل را تفسیر میکند و شکایات مربوط به سفر را به پشتیبانی مشتری ارجاع میدهد. |
| عاملهای واکنشی مبتنی بر مدل | اقدامات را بر اساس مدل جهان و تغییرات آن مدل انجام میدهند. | عامل رزرو سفر مسیرهایی با تغییرات قیمتی قابل توجه را با توجه به دسترسی به دادههای تاریخی قیمت، اولویتبندی میکند. |
| عاملهای مبتنی بر هدف | با تفسیر هدف و تعیین اقدامات برای رسیدن به آن، برنامههایی برای دستیابی به اهداف خاص ایجاد میکنند. | عامل رزرو سفر با تعیین ترتیبات لازم سفر (ماشین، حملونقل عمومی، پروازها) از مکان فعلی تا مقصد، یک سفر را رزرو میکند. |
| عاملهای مبتنی بر سودمندی | ترجیحات را در نظر میگیرند و موازنههای رقابتی را بهصورت عددی وزن میکنند تا تعیین کنند چگونه اهداف را محقق سازند. | عامل رزرو سفر با سنجش راحتی در برابر هزینه هنگام رزرو، سودمندی را به حداکثر میرساند. |
| عاملهای یادگیرنده | با پاسخ به بازخورد و تنظیم اقدامات بهمرور زمان بهبود مییابند. | عامل رزرو سفر با استفاده از بازخورد مشتریان از نظرسنجیهای پس از سفر، برای رزروهای آینده تنظیماتی انجام میدهد. |
| عاملهای سلسلهمراتبی | شامل چندین عامل در یک سیستم طبقهبندیشده هستند، بهطوری که عاملهای سطح بالاتر وظایف را به زیروظایفی تقسیم میکنند تا عاملهای سطح پایینتر آنها را کامل کنند. | عامل رزرو سفر یک سفر را با تقسیم وظیفه به زیروظایف (برای مثال، لغو رزروهای خاص) لغو میکند و عاملهای سطح پایینتر آنها را کامل کرده و به عامل سطح بالاتر گزارش میدهند. |
| سیستمهای چندعاملی (MAS) | عاملها بهصورت مستقل، یا بهطور همکاری یا رقابتی، وظایف را انجام میدهند. | همکاری: چندین عامل خدمات خاص سفر مانند هتلها، پروازها و سرگرمی را رزرو میکنند. رقابتی: چندین عامل مدیریت و رقابت بر سر تقویم رزرو هتل مشترک دارند تا مشتریان را در هتل ثبت کنند. |
چه زمانی از عاملهای هوش مصنوعی استفاده کنیم
در بخش قبل، از مورد استفاده عامل رزرو سفر برای توضیح نحوهٔ استفاده انواع مختلف عاملها در سناریوهای مختلف رزرو سفر استفاده کردیم. در طول دوره همچنان از این برنامه بهعنوان مثال استفاده خواهیم کرد.
بیایید به انواع موارد استفادهای که عاملهای هوش مصنوعی برای آنها مناسبترند نگاه کنیم:
- مسائل با جواب باز - اجازه دادن به LLM برای تعیین گامهای لازم برای تکمیل یک وظیفه، زیرا همیشه نمیتوان آنها را در یک گردش کار بهصورت سختکد درآورد.
- فرآیندهای چندمرحلهای - وظایفی که نیاز به سطحی از پیچیدگی دارند که در آن عامل هوش مصنوعی باید در چندین مرحله از ابزارها یا اطلاعات استفاده کند بهجای بازیابی تکمرحلهای.
- بهبود در طول زمان - وظایفی که عامل میتواند با دریافت بازخورد از محیط یا کاربران، در طول زمان بهبود یابد تا ارائهٔ سودمندی بهتری داشته باشد.
ما ملاحظات بیشتری در مورد استفاده از عاملهای هوش مصنوعی را در درس «ساخت عاملهای هوش مصنوعی قابل اعتماد» پوشش میدهیم.
مبانی راهحلهای عاملی
توسعه عامل
اولین گام در طراحی یک سیستم عامل هوش مصنوعی، تعریف ابزارها، اقدامات و رفتارهاست. در این دوره، ما بر استفاده از Azure AI Agent Service برای تعریف عاملهایمان تمرکز میکنیم. این سرویس ویژگیهایی مانند:
- انتخاب مدلهای باز مانند OpenAI، Mistral و Llama
- استفاده از دادههای دارای مجوز از طریق ارائهدهندگانی مانند Tripadvisor
- استفاده از ابزارهای استانداردشده OpenAPI 3.0
الگوهای عاملی
ارتباط با LLMها از طریق پرامپتها انجام میشود. با توجه به طبیعت نیمهخودمختار عاملها، همیشه ممکن یا لازم نیست که پس از تغییر در محیط بهصورت دستی دوباره از LLM پرامپت گرفته شود. ما از الگوهای عاملی استفاده میکنیم که به ما امکان میدهد تا LLM را در چندین مرحله بهصورت مقیاسپذیرتر پرامپت کنیم.
این دوره به چندی از الگوهای عاملی محبوب فعلی تقسیم شده است.
چارچوبهای عاملی
چارچوبهای عاملی به توسعهدهندگان اجازه میدهند الگوهای عاملی را از طریق کد پیادهسازی کنند. این چارچوبها قالبها، افزونهها و ابزارهایی برای همکاری بهتر عاملها ارائه میدهند. این مزایا تواناییهایی برای مشاهدهپذیری بهتر و اشکالزدایی سیستمهای عامل هوش مصنوعی فراهم میآورند.
در این دوره، ما چارچوب عامل مایکروسافت (Microsoft Agent Framework (MAF)) را برای ساخت عاملهای آمادهٔ تولید بررسی خواهیم کرد.
نمونه کدها
- Python: چارچوب عامل
- .NET: چارچوب عامل
سوالات بیشتری در مورد عاملهای هوش مصنوعی دارید؟
به دیسکورد Microsoft Foundry بپیوندید تا با دیگر یادگیرندگان ملاقات کنید، در ساعات کاری شرکت کنید و سوالات خود درباره عاملهای هوش مصنوعی را پاسخ بگیرید.
درس قبلی
درس بعدی
سلب مسئولیت: این سند با استفاده از سرویس ترجمهٔ هوش مصنوعی Co-op Translator (https://github.com/Azure/co-op-translator) ترجمه شده است. اگرچه ما در تلاش برای افزایش دقت هستیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است حاوی خطاها یا نادرستیهایی باشند. سند اصلی به زبان مبدأ باید بهعنوان منبع معتبر در نظر گرفته شود. برای اطلاعات مهم، ترجمهٔ حرفهای انسانی توصیه میشود. ما در قبال هرگونه سوءتفاهم یا تفسیر نادرستی که از استفاده از این ترجمه ناشی شود، مسئولیتی نداریم.