ai-agents-for-beginners
(या धड्यातील व्हिडिओ पाहण्यासाठी वरील प्रतिमा क्लिक करा)
मल्टी-एजंट डिझाईन पॅटर्न
जेव्हा तुम्ही मल्टिपल एजंट्स असलेल्या प्रकल्पावर काम सुरू करता, तेव्हा तुम्हाला मल्टी-एजंट डिझाईन पॅटर्न लक्षात घ्यावा लागेल. मात्र, कबूल तेव्हा मल्टी-एजंटवर स्विच करायचे आणि याचे फायदे काय आहेत हे लगेच कळू शकत नाही.
परिचय
या धड्यात, आपण खालील प्रश्नांची उत्तरे पाहण्याचा प्रयत्न करू:
- कोणत्या परिस्थितींमध्ये मल्टी-एजंट्स लागू शकतात?
- एकट्या एजंटपेक्षा मल्टी-एजंट वापरण्याचे काय फायदे आहेत जे अनेक कर्तव्ये पार पाडू शकतो?
- मल्टी-एजंट डिझाईन पॅटर्न अमलात आणण्यासाठी कोणते घटक आवश्यक आहेत?
- एकापेक्षा अधिक एजंट्स कसे परस्पर क्रिया करतात याचे दृश्य कसे मिळवू?
शिकण्याचे उद्दिष्टे
या धड्यानंतर, तुम्ही खालील गोष्टी करू शकाल:
- मल्टी-एजंट लागू होणाऱ्या परिस्थिती ओळखणे
- एकट्या एजंटच्या तुलनेत मल्टी-एजंट वापरण्याचे फायदे ओळखणे.
- मल्टी-एजंट डिझाईन पॅटर्न अमलात आणण्यासाठी घटक समजून घेणे.
याचा मोठा अर्थ काय आहे?
मल्टी एजंट हे एक डिझाईन पॅटर्न आहे जे अनेक एजंट्सना सामाईक उद्दिष्ट साध्य करण्यासाठी एकत्र काम करण्याची परवानगी देते.
हा पॅटर्न रोबोटिक्स, स्वयंचलित प्रणाली आणि वितरित संगणन अशा विविध क्षेत्रांमध्ये मोठ्या प्रमाणावर वापरला जातो.
जिथे मल्टी-एजंट्स लागू होतात अशा परिस्थिती
तर मल्टी-एजंट्स वापरण्यासाठी कोणती परिस्थिती चांगली आहे? उत्तर असे की अनेक परिस्थिती आहेत जिथे अनेक एजंट्सचा वापर फायदेशीर आहे, विशेषतः खालील बाबतीत:
- मोठे कार्यभार: मोठ्या कार्यभारांना लहान भागांमध्ये विभागून वेगवेगळ्या एजंट्सना दिले जाऊ शकते, ज्यामुळे समांतर प्रक्रिया करता येते आणि काम लवकर होते. याचे एक उदाहरण म्हणजे मोठ्या प्रमाणावर डेटा प्रक्रिया करणे.
- कठीण कार्ये: मोठ्या कार्यभारांसारखीच, कठीण कामे लहान उपकार्यांमध्ये विभागली जाऊ शकतात आणि वेगवेगळ्या एजंट्सना दिली जातात, प्रत्येक एका विशिष्ट कार्यात तज्ज्ञ. याचे एक चांगले उदाहरण स्वयंचलित वाहनांमध्ये आहे, जिथे वेगवेगळ्या एजंट्स नेव्हिगेशन, अडथळा शोध, आणि इतर वाहनांशी संवाद यांचे व्यवस्थापन करतात.
- विविध तज्ञता: वेगवेगळ्या एजंट्सकडे विविध तज्ञता असू शकते, ज्यामुळे ते एका एका एजंटच्या तुलनेत कार्याच्या विविध पैलूंवर अधिक प्रभावीपणे हाताळू शकतात. उदाहरणार्थ, आरोग्य सेवेत वेगवेगळ्या एजंट्स निदान, उपचार योजना आणि रुग्ण निरीक्षण यांचे व्यवस्थापन करू शकतात.
एकट्या एजंटच्या तुलनेत मल्टी-एजंट वापरण्याचे फायदे
एकट्या एजंट प्रणाली सोप्या कामांसाठी प्रभावी ठरू शकते, पण अधिक जटिल कामांसाठी अनेक एजंट्स वापरणे अनेक फायदे देऊ शकते:
- विशेषीकरण: प्रत्येक एजंट एखाद्या विशिष्ट कामासाठी विशेषज्ञ असू शकतो. एकट्या एजंटमध्ये तज्ज्ञतेचा अभाव असतो, ज्यामुळे जटिल कामांना सामोरे जाताना तो काय करायचे हे गोंधळलेला असू शकतो. तो कदाचित त्या कामासाठी नाही असा काम करू लागेल.
- मापनक्षम्यता: प्रणालींना मोठे करण्यासाठी अधिक एजंट्स जोडणे सोपे आहे, एकट्या एजंटवर जास्त भार टाकण्यापेक्षा.
- दोष सहनशीलता: जर एक एजंट अयशस्वी झाला, तर इतर अजूनही कार्यरत राहू शकतात, ज्यामुळे प्रणालीचे विश्वसनीयता राखली जाते.
उदाहरण म्हणून, एखाद्या वापरकर्त्यासाठी ट्रिप बुक करुया. एकट्या एजंट प्रणालीला प्रवास बुकिंगच्या सगळ्याच टप्प्यांना हाताळावे लागेल, फ्लाइट शोधायला, हॉटेल आणि रेंटल कार बुक करायला. हे एकट्या एजंटने करण्यासाठी त्याच्याकडे सगळ्या टास्कसाठी साधने असावी लागतील. यामुळे एक जटिल आणि मोनोलिथिक प्रणाली तयार होईल जी देखभाल आणि विस्तार करणे कठीण आहे. परंतु मल्टी-एजंट सिस्टममध्ये वेगवेगळे एजंट्स असतील जे फ्लाइट शोधणे, हॉटेल, आणि रेंटल कार बुक करणे यामध्ये तज्ज्ञ असतील. यामुळे प्रणाली अधिक विभागीय, सोपी आणि मापनक्षम होईल.
याची तुलना करा एका प्रवास कार्यालयाशी जे मॅम-अँड-पॉप स्टोअर म्हणून चालवले जाते आणि जे फ्रँचायझी म्हणून चालवले जाते. मॅम-अँड-पॉप स्टोअरमध्ये सगळे ट्रिप बुकिंग टास्क एकट्या एजंटकडे असतील, तर फ्रँचायझीमध्ये वेगवेगळ्या एजंट्स विविध टास्क हाताळतील.
मल्टी-एजंट डिझाईन पॅटर्न अमलात आणण्यासाठी घटक
मल्टी-एजंट डिझाईन पॅटर्न अमलात आणण्याआधी, तुम्हाला या पॅटर्नचे घटक समजून घ्यावे लागतील.
परत एकदा वापरकर्त्यासाठी ट्रिप बुक करताना उदाहरण घेऊ. या प्रकरणात, घटकांमध्ये समाविष्ट असतील:
- एजंट संवाद: फ्लाइट शोधणे, हॉटेल बुक करणे, आणि रेंटल कार एजंट्सना वापरकर्त्यांच्या प्राधान्ये आणि बंधने याबाबत माहिती देणे आणि घेतले जाणे आवश्यक आहे. यासाठी संवादाचे प्रोटोकॉल आणि पद्धती ठरवाव्या लागतील. वास्तविक उदाहरण म्हणून, फ्लाइट शोधणारा एजंट हॉटेल बुकिंग एजंटशी संवाद साधतो ज्यामुळे हॉटेल फ्लाइटच्या तारखांना तंतोतंत जुळवून बुक होते. याचा अर्थ असा की एजंट्सना प्रवासाच्या तारखा याबाबत माहिती शेअर करावी लागेल, म्हणजे तुम्हाला ठरवावे लागेल कोणते एजंट्स कोणाशी माहिती शेअर करत आहेत आणि कशी शेअर करत आहेत.
- संपर्क समन्वय: एजंट्सनी आपले कृती समन्वयित कराव्यात ज्यामुळे वापरकर्त्यांच्या प्राधान्ये आणि बंधने पूर्ण होतील. उदाहरणार्थ, वापरकर्त्याला हॉटेल हवे आहे जे एअरपोर्टजवळ असेल तर रेंटल कार फक्त एअरपोर्टवर उपलब्ध आहे, असे बंधन असू शकते. त्यामुळे हॉटेल बुकिंग एजंटने रेंटल कार बुकिंग एजंटशी समन्वय साधावा लागेल. याचा अर्थ असा की तुम्हाला ठरवावे लागेल एजंट्स आपल्या कृती कशा समन्वयित करत आहेत.
- एजंट आर्किटेक्चर: एजंट्सना अंतर्गत रचना असावी लागते ज्यामुळे ते निर्णय घेऊ शकतील आणि वापरकर्त्याशी संवादातून शिकतील. उदाहरणार्थ, फ्लाइट शोधणाऱ्या एजंटकडे अंतर्गत रचना असावी ज्यामुळे तो वापरकर्त्याला कोणत्या फ्लाइट शिफारस करायच्या हे ठरवू शकेल. म्हणजे तुम्हाला ठरवावे लागेल एजंट्स कशा प्रकारे निर्णय घेतात आणि वापरकर्त्याशी संवादातून शिकतात. एका एजंटच्या शिकण्याचे उदाहरण म्हणजे फ्लाइट शोधणारा एजंट मशीन लर्निंग मॉडेल वापरू शकतो जो वापरकर्त्याच्या मागील प्राधान्यांवर आधारित शिफारसी करतो.
- मल्टी-एजंट परस्परक्रियांचे दृश्य: तुम्हाला एकापेक्षा अधिक एजंट्स एकमेकांशी कसे संवाद साधत आहेत याचे दृश्य पाहिजे. यासाठी तुम्हाला एजंट क्रियाकलाप आणि संवाद ट्रॅक करण्यासाठी साधने आणि पद्धती असाव्यात. यामध्ये लॉगिंग व निरीक्षण उपकरणे, व्हिज्युअलायझेशन टूल्स, आणि कार्यक्षमतेची मोजणी असू शकते.
- मल्टी-एजंट पॅटर्न्स: मल्टी-एजंट प्रणाली अमलात आणण्यासाठी वेगवेगळे पॅटर्न्स आहेत, जसे केंद्रित, विसेंद्रित, आणि हायब्रिड आर्किटेक्चर. तुमच्या वापरासाठी सर्वोत्तम पॅटर्न ठरवा.
- मानव सहभाग: बहुतांश वेळा तुम्हाला मानव सहभाग हवा असतो आणि तुम्हाला एजंट्सना सांगावे लागते की मानवी हस्तक्षेप कधी विचारायचा. उदा. वापरकर्ता विशिष्ट हॉटेल किंवा फ्लाइट मागतो जो एजंट्सनी सुचवलेला नाही किंवा फ्लाइट अथवा हॉटेल बुक करण्यापूर्वी पुष्टी मागतो.
मल्टी-एजंट परस्परक्रियांचे दृश्य
अनेक एजंट्स एकमेकांशी कसे संवाद साधत आहेत हे जाणून घेणे महत्त्वाचे आहे. हे दृश्य डिबगिंग, ऑप्टिमायझेशन, आणि संपूर्ण प्रणालीच्या कार्यक्षमतेसाठी आवश्यक आहे. यासाठी तुम्हाला एजंट क्रियाकलाप व संवाद ट्रॅक करणे आवश्यक आहे. यामध्ये लॉगिंग व निरीक्षण उपकरणे, व्हिज्युअलायझेशन साधने, आणि कार्यप्रदर्शन मेट्रिक्स यांचा समावेश असू शकतो.
उदाहरणार्थ, वापरकर्त्यासाठी ट्रिप बुक करताना, तुम्हाला एक डॅशबोर्ड असू शकतो जो प्रत्येक एजंटची स्थिती, वापरकर्त्याच्या प्राधान्ये व बंधने, आणि एजंट्समधील परस्परसंबंध दाखवतो. हा डॅशबोर्ड वापरकर्त्याच्या प्रवासाच्या तारखा, फ्लाइट एजंटने शिफारस केलेली फ्लाइट्स, हॉटेल एजंटने शिफारस केलेली हॉटेल्स, आणि रेंटल कार एजंटने शिफारस केलेली कार्स दाखवेल. त्यामुळे तुम्हाला कसे एजंट्स एकमेकांशी संवाद साधत आहेत आणि वापरकर्त्याच्या प्राधान्ये व बंधने पूर्ण होतात का याचा स्पष्ट आढावा मिळेल.
या प्रत्येक पैलूचा तपशीलवार आढावा घेऊया.
-
लॉगिंग व निरीक्षण उपकरणे: तुम्हाला प्रत्येक एजंटकडून केलेल्या कृतीचे लॉग नोंदवायचे आहे. लॉग एन्ट्रीमध्ये कृती करणाऱ्या एजंटची माहिती, कृती काय केली, केव्हा केली, आणि परिणाम काय झाला अशी माहिती असू शकते. हि माहिती नंतर डिबगिंग, ऑप्टिमायझेशन, आणि इतर उपयोगांसाठी वापरता येते.
-
व्हिज्युअलायझेशन उपकरणे: एजंट्समधील संवाद अधिक सहजपणे पाहण्यासाठी व्हिज्युअलायझेशन साधने उपयुक्त ठरतात. उदाहरणार्थ, तुम्हाला एजंट्समधील माहिती प्रवाह दाखवणारा ग्राफ तयार करता येईल. यामुळे सिस्टममधील अडथळे, कार्यक्षमतेतील किंचित त्रुटी, आणि इतर समस्या ओळखणे सोपे होते.
-
कार्यक्षमता मोजमाप: मल्टी-एजंट प्रणालीच्या परिणामकारकतेचा मागोवा घेण्यासाठी कार्यक्षमतेची मोजमापे उपयुक्त ठरतात. उदाहरणार्थ, एखाद्या कामाला पूर्ण करण्यासाठी लागलेला वेळ, प्रति एकक वेळात पूर्ण झालेले कार्ये, आणि एजंट्सकडून केलेल्या शिफारसींची अचूकता यांचा विचार करू शकता. हि माहिती तुम्हाला सुधारणा करण्यासाठी क्षेत्रे ओळखण्यात आणि प्रणाली ऑप्टिमाइझ करण्यात मदत करते.
मल्टी-एजंट पॅटर्न्स
मल्टी-एजंट अॅप तयार करण्यासाठी काही ठोस पॅटर्न्स तपासूया. येथे काही मनोरंजक पॅटर्न्स आहेत ज्यांचा विचार करणे योग्य आहे:
ग्रुप चॅट
जेव्हा तुम्हाला ग्रुप चॅट अॅप तयार करायचा असेल जिथे अनेक एजंट्स एकमेकांशी संवाद साधू शकतील, तेव्हा हा पॅटर्न उपयुक्त आहे. सामान्य वापरासाठी याचा उपयोग टीम सहयोग, ग्राहक समर्थन, आणि सोशल नेटवर्किंग यासाठी होतो.
या पॅटर्नमध्ये, प्रत्येक एजंट ग्रुप चॅटमधील वापरकर्त्याचा प्रतिनिधित्व करतो, आणि संदेशांना मेसेजिंग प्रोटोकॉल वापरून देवाणघेवाण केली जाते. एजंट्स ग्रुप चॅटमध्ये संदेश पाठवू शकतात, संदेश प्राप्त करू शकतात, आणि इतर एजंट्सकडून आलेल्या संदेशांना प्रतिसाद देऊ शकतात.
हा पॅटर्न केंद्रित आर्किटेक्चर वापरून अंमलात आणता येतो ज्यात सर्व संदेश मध्यवर्ती सर्व्हरमार्फत जातात, किंवा विसेंद्रित आर्किटेक्चर वापरून जिथे संदेश थेट विनिमय केले जातात.
हँड-ऑफ
जेव्हा तुम्हाला असा अॅप तयार करायचा असेल ज्यात अनेक एजंट्स एकमेकांमध्ये कामे हस्तांतरित करू शकतील, तेव्हा हा पॅटर्न उपयुक्त आहे.
सामान्य वापरासाठी याचा उपयोग ग्राहक समर्थन, काम व्यवस्थापन, आणि वर्कफ़्लो ऑटोमेशनसाठी होतो.
या पॅटर्नमध्ये, प्रत्येक एजंट काम किंवा वर्कफ़्लोचा एक टप्पा दर्शवतो, आणि एजंट्स पूर्वनिर्धारित नियमांनुसार काम एकमेकांना देऊ शकतात.
सहयोगात्मक फिल्टरिंग
जेव्हा तुम्हाला असा अॅप तयार करायचा असेल ज्यात अनेक एजंट्स एकत्र काम करून वापरकर्त्यांना शिफारस करू शकतील, तेव्हा हा पॅटर्न उपयुक्त आहे.
का तुम्हाला अनेक एजंट्सना सहकार्य करायला द्यावे लागेल, हे कारण प्रत्येक एजंटकडे वेगवेगळे कौशल्य असू शकते आणि तो शिफारस प्रक्रियेत भिन्न प्रकारे योगदान देऊ शकतो.
उदाहरण म्हणून, वापरकर्ता स्टॉक मार्केटमध्ये विकत घेण्यासाठी सर्वोत्तम स्टॉकबाबत शिफारस मागत आहे असे गृहीत धरा.
- उद्योग तज्ञ: एक एजंट विशिष्ट उद्योगाचा तज्ञ असू शकतो.
- तांत्रिक विश्लेषण: दुसरा एजंट तांत्रिक विश्लेषणात तज्ञ असू शकतो.
- मूलभूत विश्लेषण: आणखी एक एजंट मूलभूत विश्लेषणात तज्ञ असू शकतो. एकत्र येऊन हे एजंट्स वापरकर्त्यास अधिक संपूर्ण शिफारस देऊ शकतात.
परिस्थिती: परतावा प्रक्रिया
कल्पना करा की ग्राहक एखाद्या उत्पादनासाठी परतावा घेण्याचा प्रयत्न करत आहे, या प्रक्रियेत बर्याच एजंट्सचा सहभाग असू शकतो परंतु या प्रक्रियेसाठी विशिष्ट एजंट्स आणि सामान्य एजंट्स जे इतर प्रक्रियांमध्येही वापरता येतील अशा एजंट्समध्ये विभागणी करूया.
परतावा प्रक्रियेसाठी विशिष्ट एजंट्स:
परतावा प्रक्रियेत खालील एजंट्स सहभागी असू शकतात:
- ग्राहक एजंट: हा एजंट ग्राहकाचा प्रतिनिधीत्व करतो आणि परतावा प्रक्रिया सुरू करण्यासाठी जबाबदार आहे.
- विक्री एजंट: हा एजंट विक्रेता प्रतिनिधीत्व करतो आणि परतावा प्रक्रिया हाताळतो.
- देयक एजंट: हा एजंट पेमेंट प्रक्रियेचा प्रतिनिधी आहे आणि ग्राहकाच्या पेमेंटचा परतावा देण्यास जबाबदार आहे.
- निर्णय एजंट: हा एजंट कोणत्याही समस्यांचा निराकरण करण्यास जबाबदार आहे जे परतावा प्रक्रियेदरम्यान उद्भवू शकतात.
- अनुपालन एजंट: हा एजंट नियम व धोरणांचे पालन होईल याची खात्री करतो.
सामान्य एजंट्स:
हे एजंट्स तुमच्या व्यवसायाच्या इतर भागांमध्ये वापरता येऊ शकतात.
- शिपिंग एजंट: हा एजंट शिपिंग प्रक्रियेचा प्रतिनिधी आहे आणि उत्पादन परत विक्रेत्याकडे पाठवण्यास जबाबदार आहे. हा एजंट परतावा प्रक्रियेसाठी तसेच खरेदीद्वारे उत्पादनांच्या सामान्य शिपिंगसाठी वापरला जाऊ शकतो.
- प्रतिपुष्टी एजंट: हा एजंट ग्राहकाची फीडबॅक गोळा करण्यास जबाबदार आहे. फीडबॅक कोणत्याही वेळी घेता येऊ शकतो, फक्त परतावा प्रक्रियेच्या वेळीच नाही.
- एस्कलेशन एजंट: हा एजंट समस्या अधिक उच्च स्तरावर नेण्यास जबाबदार आहे. तुम्ही हे एजंट कोणत्याही प्रक्रियेमध्ये वापरू शकता जिथे समस्या पुढील स्तरावर नेणे आवश्यक आहे.
- सूचना एजंट: हा एजंट परतावा प्रक्रियेतील वेगवेगळ्या टप्प्यांवर ग्राहकाला सूचना पाठवतो.
- विश्लेषण एजंट: हा एजंट परतावा प्रक्रियेचा डेटा विश्लेषण करतो.
- लेखा तपासणी एजंट: हा एजंट परतावा प्रक्रिया योग्यरित्या चालते याची तपासणी करतो.
- अहवाल एजंट: हा एजंट परतावा प्रक्रियेवर अहवाल तयार करतो.
- ज्ञान एजंट: हा एजंट परतावा प्रक्रियेबद्दल तसेच व्यवसायाच्या इतर भागांबद्दल माहिती संचयित करतो.
- सुरक्षा एजंट: हा एजंट परतावा प्रक्रियेची सुरक्षा सुनिश्चित करतो.
- गुणवत्ता एजंट: हा एजंट परतावा प्रक्रियेची गुणवत्ता सुनिश्चित करतो.
मागील यादीत अनेक एजंट्स आहेत, परतावा प्रक्रियेसाठी विशिष्ट एजंट्स सुद्धा, आणि ज्यांना तुमच्या व्यवसायातील इतर भागांमध्ये वापरता येईल, अशा सामान्य एजंट्स सुद्धा. आशा आहे की यामुळे तुम्हाला तुमच्या मल्टी-एजंट सिस्टमसाठी कोणते एजंट्स वापरायचे याबाबत कल्पना मिळेल.
कार्य
ग्राहक समर्थन प्रक्रियेसाठी मल्टी-एजंट प्रणाली डिझाइन करा. प्रक्रियेत सहभागी एजंट्स, त्यांची भूमिका आणि जबाबदाऱ्या, आणि ते एकमेकांशी कसे संवाद साधतात हे ओळखा. ग्राहक समर्थन प्रक्रियेसाठी विशिष्ट तसेच व्यवसायाच्या इतर भागात वापरता येणारे सामान्य एजंट्स विचारात घ्या.
पुढील उपाय वाचण्यापूर्वी एकदा विचार करा, आपल्याला अपेक्षेपेक्षा अधिक एजंट्सची आवश्यकता असू शकते.
TIP: ग्राहक आधार सेवा प्रक्रियेच्या विविध टप्प्यांविषयी विचार करा आणि कोणत्याही प्रणालीसाठी लागणाऱ्या एजंट्सचा विचार करा.
उपाय
ज्ञान चाचण्या
प्रश्न 1
कोणत्या परिस्थितीत मल्टि-एजंट प्रणाली सर्वात योग्य आहे?
- A1: एक सपोर्ट बॉट सामान्य प्रश्नांना एक ज्ञानभांडार आणि थोडक्याच टूल्सचा वापर करून उत्तर देते.
- A2: रिफंड वर्कफ्लोमध्ये वेगवेगळ्या फसवणूक, पेमेंट, आणि अनुपालन भूमिकांची गरज असते, प्रत्येकासाठी स्वतःचे टूल्स असतात आणि त्यांचे निकाल समन्वित करणे आवश्यक असते.
- A3: त्याच सोप्या वर्गीकरण विनंती हजारो वेळा प्रती तास येते.
प्रश्न 2
एकल एजंट हा कधी सहसा चांगला पर्याय असतो?
- A1: काम एका सूचनासंच व उपकरणांनी हाताळता येते, कोणत्याही विशेषज्ञ हस्तांतरणाशिवाय.
- A2: एजंटकडे एकापेक्षा जास्त टूल्सची प्रवेश आहे.
- A3: वर्कफ्लोमध्ये वेगळ्या भूमिकांसह वेगळ्या परवानग्या आणि स्वतंत्र ऑडिट ट्रेल्स आवश्यक असतात.
सारांश
या धड्यात, आपण मल्टि-एजंट डिझाईन पॅटर्न पाहिला आहे, ज्यामध्ये मल्टि-एजंट्स कुठल्या परिस्थितीत लागू होतात, एकल एजंटच्या तुलनेत मल्टि-एजंट वापरण्याचे फायदे, मल्टि-एजंट डिझाईन पॅटर्न अंमलबजावणीत येणारे घटक, आणि अनेक एजंट्स एकमेकांशी कसे संवाद साधतात यावर कसे दृष्टी ठेवावी हे समाविष्ट आहे.
मल्टि-एजंट डिझाईन पॅटर्नबाबत अजून प्रश्न आहेत का?
इतर शिकणाऱ्यांशी भेटण्यासाठी, ऑफिस तासात सहभागी होण्यासाठी आणि आपल्या AI एजंट प्रश्नांची उत्तरे मिळवण्यासाठी Microsoft Foundry Discord जोडा.
अतिरिक्त स्रोत
मागील धडा
पुढील धडा
अस्वीकरण: हा दस्तऐवज AI भाषांतर सेवा Co-op Translator चा वापर करून अनुवादित केला आहे. जरी आम्ही अचूकतेसाठी प्रयत्न करतो, तरी कृपया लक्षात घ्या की स्वयंचलित भाषांतरांमध्ये त्रुटी किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या मूळ भाषेत अधिकृत स्रोत मानला पाहिजे. महत्त्वाची माहिती असल्यास, व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराच्या वापरामुळे उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलावणीसाठी आम्ही जबाबदार नाही.