ai-agents-for-beginners
AI ఏజెంట్ల కోసం మెమొరీ
AI ఏజెంట్లు సృష్టించడం యొక్క ప్రత్యేక లాభాలను చర్చిస్తున్నప్పుడు, ప్రధానంగా రెండు విషయాలు చర్చించబడతాయి: పనులను పూర్తి చేయడానికి టూల్స్ని పిలవగల సామర్ధ్యం మరియు సమయం గడిచేకొద్దీ మెరుగుపడే సామర్థ్యం. మెమొరీ అనేది స్వీయ మెరుగుచేసుకునే ఏజెంట్లను సృష్టించే ఆధారం, ఇవి మన వినియోగదారులకు మెరుగైన అనుభవాలను సృష్టించగలవు.
ఈ పాఠంలో, AI ఏజెంట్ల కోసం మెమొరీ అంటే ఏమిటి మరియు దీన్ని ఎలా నిర్వహించి మన అప్లికేషన్ల లాభార్థం ఉపయోగించుకోవచ్చో పరిశీలించబోతున్నాం.
పరిచయం
ఈ పాఠం కవర్ చేసే అంశాలు:
• AI ఏజెంట్ మెమొరీ అర్థం చేసుకోవడం: మెమొరీ అంటే ఏమిటి మరియు ఏజెంట్లకు ఇది ఎందుకు అవసరం.
• మెమొరీ అమలు మరియు నిల్వ: మీ AI ఏజెంట్లలో షార్ట్-టర్మ్ మరియు లాంగ్-టర్మ్ మెమొరీ సామర్థ్యాలు ఎలా జోడించాలో అనుసరణీయ విధానాలు.
• AI ఏజెంట్లను స్వయంగా మెరుగుపర్చుకునే విధానం: గత పరస్పరక్రియల నుంచి నేర్చుకుని సమయం తో మెరుగవ్వడానికి మెమొరీ ఎలా సహాయపడుతుందని.
అందుబాటులో ఉన్న అమలు విధానాలు
ఈ పాఠంలో రెండు విశదమైన నోట్బుక్ ట్యుటోజియల్స్ ఉన్నాయి:
• 13-agent-memory.ipynb: Mem0 మరియు Azure AI Search ను Semantic Kernel ఫ్రేమ్వర్క్తో ఉపయోగించి మెమొరీని అమలు చేయడం
• 13-agent-memory-cognee.ipynb: Cognee ఉపయోగించి నిర్మాణబద్ధమైన మెమొరీని అమలు చేయడం, embeddings ఆధారిత జ్ఞాన గ్రాఫ్ని ఆటోమేటిగ్గా సృష్టించడం, గ్రాఫ్ను దృశ్యీకరించడం మరియు తెలివైన రిట్రీవల్
నేర్చుకొనాల్సిన లక్ష్యాలు
ఈ పాఠం పూర్తిచేసిన తర్వాత, మీరు తెలుసుకొంటారు:
• విభిన్న రకాల AI ఏజెంట్ మెమొరీని విడదీసుకోగలగడం, ఇందులో వర్కింగ్, షార్ట్-టర్మ్, లాంగ్-టర్మ్ మెమొరీ మరియు ప్రత్యేక రకాలుగా వ్యక్తిత్వ మరియు ఎపిసోడిక్ మెమొరీ ఉన్నాయి.
• Semantic Kernel ఫ్రేమ్వర్క్ ఉపయోగించి AI ఏజెంట్ల కోసం షార్ట్-టర్మ్ మరియు లాంగ్-టర్మ్ మెమొరీని అమలు చేసి నిర్వహించడం, ఇందులో Mem0, Cognee, Whiteboard మెమొరీ వంటి టూల్స్ ఉపయోగించడం మరియు Azure AI Search తో ఇంటిగ్రేటు చేయడం.
• స్వయంగా మెరుగుపడే AI ఏజెంట్ల వెనుక ఉన్న సిద్దాంతాలను అర్థం చేసుకోవడం మరియు బలమైన మెమొరీ నిర్వహణ వ్యవస్థలు క్రమంతరగత నేర్చుకోవడాన్ని మరియు అనుకూలతను ఎలా స్ఫూర్తిదాయకం చేస్తాయో తెలుసుకోవడం.
AI ఏజెంట్ మెమొరీ అర్థం చేసుకోవడం
మూలంగా, AI ఏజెంట్ల కోసం మెమొరీ అంటే వారిని సమాచారాన్ని నిలుపుకుని గుర్తుంచుకునే మెకానిజాల్ని సూచిస్తుంది. ఈ సమాచారం సంభాషణలోని ప్రత్యేక వివరాలు, వినియోగదారి అభిరుచులు, గత చర్యలు లేదా నేర్చుకున్న నమూనాలు కావచ్చు.
మెమొరీ లేకపోతే, AI అప్లికేషన్లు సాధారణంగా స్థితిలేని(Stateless)వలా ఉంటాయి, అంటే ప్రతి పరస్పర చర్య కొత్తగా మొదలవుతుంది. దీనివల్ల ఏజెంటు గత సందర్భం లేదా అభిరుచులు మరచిపోయినట్లుగా ఉండటం వలన పునరావృతమైన మరియు నిరాశ కలిగించే ఉపయోగదారు అనుభవం ఏర్పడుతుంది.
మెమొరీ ఎందుకు ముఖ్యమైనది?
ఏజెంట్ యొక్క బుద్ధినిష్టత దాని గత సమాచారాన్ని గుర్తుంచి ఉపయోగించు సామర్థ్యంతో పటిష్టంగా అనుసంధానమై ఉంటుంది. మెమొరీ ఏజెంట్లను ఇది చేయగలగిస్తుంది:
• పరిశీలనాత్మకంగా: గత చర్యలు మరియు ఫలితాల నుంచి నేర్చుకోగలగడం.
• ఇంటరాక్టివ్గా: కొనసాగుతున్న సంభాషణలో సందర్భాన్ని నిలుపుకునేటట్లు.
• ప్రత్యుత్తరకారికంగా మరియు ప్రతిస్పందన కలిగించేటట్లు: చరిత్రాత్మక డేటాతో అనుసంధానంగా అవసరాలను ఊహించి లేదా తగిన విధంగా స్పందించడం.
• స్వతంత్రంగా: నిల్వ చేసిన జ్ఞానాన్ని ఆధారంగా తీసుకుని స్వయం ప్రతిపాలన చేయడం.
మెమొరీ అమలు లక్ష్యం ఏజెంట్లను మరింత నమ్మకమైన మరియు సామర్థ్యవంతమైనవిగా చేయడమే.
మెమొరీ రకాలు
వర్కింగ్ మెమొరీ
ఇది ఏజెంట్ ఒక సారి నడిచే పని లేదా ఆలోచనా ప్రక్రియలో ఉపయోగించే తాత్కాలిక కాగితం లాంటిది. తదుపరి దశను లెక్కించేందుకు అవసరమైన తక్షణ సమాచారాన్ని ఇక్కడ నిలుపుకుంటారు.
AI ఏజెంట్ల కోసం వర్కింగ్ మెమొరీ సాధారణంగా సంభాషణలో అత్యంత సంబంధిత సమాచారం ను గ్రహిస్తుంది, చాట్ పూర్తిగా పొడవైనదైనా లేదా సంక్షిప్తమైనదైనా. ఇది అవసరాలు, ప్రతిపాదనలు, నిర్ణయాలు మరియు చర్యల వంటి ముఖ్య అంశాలను వెలికి తీయడానికి దృష్టి పెట్టుతుంది.
వర్కింగ్ మెమొరీ ఉదాహరణ
యాత్రా బుకింగ్ ఏజెంట్లో, వర్కింగ్ మెమొరీ వినియోగదారు ప్రస్తుత అభ్యర్థనను “నేను పారిస్ కి ప్రయాణం బుక్ చేసుకోవాలనుకుంటున్నాను” అని పట్టుకోవచ్చు. ఈ నిర్దిష్ట అవసరం ఏజెంట్ తక్షణ సందర్భంలో నిల్వ చేయబడుతుంది, ప్రస్తుత పరస్పర చర్యను మార్గనిర్దేశం చేస్తుంది.
షార్ట్ టర్మ్ మెమొరీ
ఈ రకం మెమొరీ ఒకే సంభాషణ కాలం లేదా సెషన్ పాటు సమాచారాన్ని నిలుపుతుంది. ఇది ప్రస్తుత చాట్ సదస్సు యొక్క సందర్భం, ఏజెంట్ సంభాషణలో పూర్వ చరణాలను గుర్తుకు తేల్చుకోవడానికి సహాయపడుతుంది.
షార్ట్ టర్మ్ మెమొరీ ఉదాహరణ
వినియోగదారు “పారిస్ కు ఫ్లైట్ ధర ఎంత?” అని అడగగా, తదుపరి “అక్కడ ఉండే స్థలాల గురించి ఏమిటి?” అని అడిగితే, షార్ట్ టర్మ్ మెమొరీ ఆ సంభాషణలో “అక్కడ” అంటే “పారిస్” అని ఏజెంట్ కి తెలియజేస్తుంది.
లాంగ్ టర్మ్ మెమొరీ
ఇది అనేక సంభాషణల లేదా సెషన్లుగా దాటుకుని నిలిచే సమాచారం. ఇది ఏజెంట్లు వినియోగదారి అభిరుచులు, చారిత్రక పరస్పర చర్యలు లేదా విస్తృత కాలం పాటు సాధారణ జ్ఞానం గుర్తుంచుకోవడానికి సహాయపడుతుంది. వ్యక్తిగతీకరణకి ఇది అవసరం.
లాంగ్ టర్మ్ మెమొరీ ఉదాహరణ
లాంగ్ టర్మ్ మెమొరీ “బెన్ స్కీయింగ్ మరియు బాహ్య కార్యకలాపాలను ఇష్టపడతాడు, కొండ దృশ্যం ఉన్న కాఫీ ఇష్టం, గత గాయానికి కారణంగా అడ్వాన్స్డ్ స్కీ స్లోప్లనుతరగించే పని వద్దని కోరుకుంటాడు” అని నిలుపుకోవచ్చు. గత పరస్పర చర్యల నించి నేర్చుకున్న ఈ సమాచారం, భవిష్యత్తులో యాత్రా ప్రణాళికలలో సలహాలు ఇస్తున్నప్పుడు క్లిష్టమైన వ్యక్తిగతీకరణ అందిస్తుంది.
పర్సోనా మెమొరీ
ఈ ప్రత్యేక మెమొరీ రకం ఏజెంట్ కు సమర్పితమైన “వ్యక్తిత్వం” లేదా “పర్సోనా”ని అభివృద్ధి చేయడానికి సహాయపడుతుంది. ఇది ఏజెంట్ తన గురించి లేదా తాను పోషించాలనుకొనే పాత్ర గురించి వివరాలను గుర్తుంచుకొంటుంది, పరస్పర క్రియలలో మరింత ప్రవాహం మరియు దృష్టి పెరుగుతుంది.
పర్సోనా మెమొరీ ఉదాహరణ
యాత్రా ఏజెంట్ “నిపుణుడు స్కీ ప్రణాళిక అధికారి”గా డిజైన్ చేయబడినట్లయితే, పర్సోనా మెమొరీ ఈ పాత్రను బలోపేతం చేస్తుంది, దీని ప్రతిస్పందనలు నిపుణుల శైలికి మరియు జ్ఞానానికి సరిపోయేలా మారుస్తుంది.
వర్క్ఫ్లో / ఎపిసోడిక్ మెమొరీ
ఈ మెమొరీ ఏజెంట్ ఒక కఠిన పని సమయంలో తీసుకునే స్టెప్పుల వరుసను నిలుపుతుంది, విజయాలు మరియు వైఫల్యాలు సహా. ఇది ప్రత్యేక “ఎపిసోడ్”లు లేదా గత అనుభవాలను గుర్తు చేసుకుని వాటి నుండి నేర్చుకోవడం లాంటిది.
ఎపిసోడిక్ మెమొరీ ఉదాహరణ
ఏజెంట్ నిర్దిష్ట ఫ్లైట్ బుకింగ్ చేయాలని ప్రయత్నించగా అందుబాటులో లేకపోవడంతో విఫలమైతే, ఎపిసోడిక్ మెమొరీ ఆ వైఫల్యాన్ని రికార్డ్ చేసి తర్వాత ప్రయత్నంలో ప్రత్యామ్నాయ ఫ్లైట్లను ప్రయత్నించడానికి లేదా వినియోగదారుకి పరిస్థితిని తెలివిగా అర్థం చేసుకొని తెలియజేయడానికి సహాయం చేస్తుంది.
ఎంటిటీ మెమొరీ
సంభాషణల నుంచి ప్రత్యేక ఎంటిటీలను (పేర్కొందే వ్యక్తులు, ప్రదేశాలు లేదా వస్తువులు) మరియు ఈవెంట్లను ఎక్కి గుర్తుంచడం. ఇది ఏజెంట్ కు ముఖ్య అంశాల నిర్మాణాత్మక అవగాహన కలిగింపకు సహాయపడుతుంది.
ఎంటిటీ మెమొరీ ఉదాహరణ
గత యాత్ర గురించి సంభాషణలో, ఏజెంట్ “పారిస్”, “ఐఫెల్ టవర్”, եւ “Le Chat Noir రెస్టారెంట్ వద్ద డిన్నర్” వంటి ఎంటిటీలను గ్రహించి, భవిష్యత్ ఇంటరాక్షన్ లో “Le Chat Noir” గుర్తుచేసి అక్కడ కొత్త రిజర్వేషన్ చేయగలదు.
నిర్మాణబద్ధ RAG (Retrieval Augmented Generation)
RAG ఒక విస్తృత విధానం అయినా, “నిర్మాణబద్ధ RAG” శక్తివంతమైన మెమొరీ సాంకేతికతగా ప్రత్యేకంగా గమనించబడింది. ఇది వివిధ మూలాల నుండి (సంభాషణలు, ఇమెయిల్స్, చిత్రాలు) ఘనమైన, నిర్మాణాత్మక సమాచారాన్ని సేకరించి, సమాధానాల్లో ఖచ్చితత్వం, మళ్ళీ గుర్తింపును వేగవంతం చేస్తుంది. సాంప్రదాయ RAG semantics సమానం పై ఆధారపడి పనిచేసే పద్ధతిని మించినది, నిర్మాణబద్ధ RAG సమాచార నిర్మాణాన్ని స్వభావంగా ఉపయోగిస్తుంది.
నిర్మాణబద్ధ RAG ఉదాహరణ
కీవర్డ్లతో సరిపోల్చడమేకాకుండా, నిర్మాణబద్ధ RAG ఒక ఇమెయిల్ నుండి ఫ్లైట్ వివరాలు (గమ్యం, తేదీ, సమయం, ఎయిర్లైన్) గుణాత్మకంగా విడదీసి దాన్ని నిర్మాణాత్మకంగా నిల్వ చేస్తుంది. ఇది “నారుణివారం పారిస్కి నేను ఏ ఫ్లైట్ బుక్ చేసుకున్నాను?” అని ఖచ్చితమైన ప్రశ్నలకు పూర్వాభాసంగా సమాధానాలివ్వగలదు.
మెమొరీ అమలు మరియు నిల్వ
AI ఏజెంట్లకు మెమొరీని అమలు చేయడం అనేది మెమొరీ నిర్వహణ అనే సమగ్ర ప్రక్రియను కలిగి ఉంటుంది, ఇందులో తయారీ, నిల్వ, రిట్రీవల్, ఇంటిగ్రేషన్, నవీకరణ, మరియు మరచిపోవడం (లేదా తొలగించడం) కూడా ఉన్నాయి. ఈ రిట్రీవల్ ముఖ్యాంశంగా ఉంటుంది.
ప్రత్యేకమైన మెమొరీ టూల్స్
Mem0
ఏజెంట్ మెమొరీని నిల్వ చేసి నిర్వహించడానికి ఒక మార్గం Mem0 వంటి ప్రత్యేక టూల్స్ ఉపయోగించడం. Mem0 పీసిస్టెంట్ మెమొరీ లేయర్గా పని చేస్తుంది, ఏజెంట్లు సంబంధిత పరస్పర చర్యలను గుర్తుంచుకొనేందుకు, వినియోగదారి అభిరుచులు మరియు వాస్తవిక సందర్భాలు నిల్వ చేసుకొనేందుకు, విజయం మరియు వైఫల్యాల నుండి నేర్చుకొనేందుకు వీలు కల్పిస్తుంది. ఈ ఆలోచన ఏమంటే స్టేట్లెస్ ఏజెంట్లు స్థేట్ఫుల్ ఏజెంట్లుగా మారతాయి.
ఇది రెండు దఫా మెమొరీ పైప్లైన్: ఎక్స్ట్రాక్షన్ మరియు అప్డేట్ ద్వారా పనిచేస్తుంది. ముందుగా, ఏజెంట్ థ్రెడ్కు చేరిన సందేశాలు Mem0 సర్వీస్కు పంపబడతాయి, ఇది Large Language Model(LLM) ఉపయోగించి సంభాషణ చరిత్రను సారాంశం చేసి కొత్త మెమొరీలను తీసుకొస్తుంది. తరువాత, LLM ఆధారిత అప్డేట్ దశ ఈ మెమొరీలను జోడించవచ్చా, మార్చవచ్చా లేక తొలగించవచ్చా అని నిర్ణయించి, వాటిని వెక్టార్, గ్రాఫ్, మరియు కీ-వాల్యూ డేటాబేస్లను కలిగిన హైబ్రిడ్ డేటా స్టోర్లో నిల్వ చేస్తుంది. ఈ వ్యవస్థ వివిధ రకాల మెమొరీలను మద్దతు ఇస్తుంది మరియు ఎంటిటీ ల మధ్య సంబంధాలను నిర్వహించేందుకు గ్రాఫ్ మెమొరీని మిళితం చేస్తోంది.
Cognee
మరో శక్తివంతమైన విధానం Cognee ఉపయోగించడం, ఇది ఓపెన్-సోర్స్ స్మాంటిక్ మెమొరీ, AI ఏజెంట్ల కోసం నిర్మాణాత్మక మరియు నిర్మాణరహిత డేటాను ప్రశ్నీకరించదగిన జ్ఞాన గ్రాఫ్ల ఇంబెడ్డింగ్స్తోకి మార్చుతుంది. Cognee రెండు స్టోర్ నిర్మాణాన్ని అందిస్తుంది, ఇది వెక్టార్ సమానత శోధన మరియు గ్రాఫ్ సంబంధాలను కలిపి, ఏజెంట్లకు కేవలం సమాచార సమానత కాకుండా కన్సెప్ట్లు ఒకరితో ఒకరు ఎలా సంబంధించి ఉంటాయో అర్థం చేసుకునేందుకు వీలు ఇస్తుంది.
ఇది హైబ్రిడ్ రిట్రీవల్లో నైపుణ్యం కలిగి ఉంది, ఇది వెక్టార్ సమానత, గ్రాఫ్ నిర్మాణం మరియు LLM తర్కం మిళితం చేస్తుంది — ముడి చంక్ లుకప్ నుండి గ్రాఫ్ తెలుసుకునే ప్రశ్న సమాధానం వరకు. ఈ వ్యవస్థ జీవించు మెమొరీను నిర్వహిస్తుంది, ఇది అభివృద్ధి చెందుతూ, యూనిఫైడ్ గ్రాఫ్ గా ప్రశ్నించదగినదిగా ఉంటుంది, షార్ట్-టర్మ్ సెషన్ సందర్భం మరియు లాంగ్-టర్మ్ పీసిస్టెంట్ మెమొరీ రెండింటిని మద్దతు ఇస్తుంది.
Cognee నోట్బుక్ ట్యుటోరియల్ (13-agent-memory-cognee.ipynb) ఈ సమగ్ర మెమొరీ లేయర్ను నిర్మించడాన్ని చూపిస్తుంది, వివిధ డేటా మూలాలను ఇంజెస్ట్ చేసే, జ్ఞాన గ్రాఫ్ను దృశ్యీకరించే, మరియు ఏజెంట్ అవసరాలకు తగ్గట్టుగా భిన్న శోధన వ్యూహాలతో ప్రశ్నలను అడగడం వంటి ప్రాక్టికల్ ఉదాహరణలతో.
RAGతో మెమొరీ నిల్వ
Mem0 వంటి ప్రత్యేకమైన మెమొరీ టూల్స్ మించి, మీరు మెమొరీ నిల్వ మరియు రిట్రీవల్ కోసం బలమైన శోధన సేవలైన Azure AI Searchాయింట్బ్యాక్ఎండ్ గా ఉపయోగించవచ్చు, ముఖ్యంగా నిర్మాణబద్ధ RAG కోసం.
ఇది మీ ఏజెంట్ ప్రతిస్పందనలను మీ స్వంత డేటాతో ఆధారపడి ప్రామాణిక మరియు సంబంధిత సమాధానాలు అందించేలా చేస్తుంది. Azure AI Search వినియోగదారుకు సంబంధించిన ట్రావెల్ మెమొరీలు, ఉత్పత్తి క్యాటలాగ్లు లేదా ఏ ఇతర డొమైన్-ఖాతా జ్ఞానం నిల్వ చేసేందుకు ఉపయోగించవచ్చు.
Azure AI Search నిర్మాణబద్ధ RAG వంటి సామర్థ్యాలను మద్దతు ఇస్తుంది, ఇది సంభాషణ చరిత్రలు, ఇమెయిల్స్ లేదా చిత్రాలు వంటి పెద్ద డేటాసెట్ల నుంచి సాంద్ర, నిర్మాణబద్ధ సమాచారాన్ని సేకరించి, retrievalలో అత్యున్నత ఖచ్చితత్వం మరియు recall ని అందిస్తుంది. ఇది సాంప్రదాయ టেক্স్ట్ చంకింగ్ మరియు ఇంబెడ్డింగ్ పద్ధతుల కంటే “మానవోత్తమ ఖచ్చితత్వాన్ని మరియు గుర్తింపును” అందిస్తుంది.
AI ఏజెంట్లను స్వయం మెరుగుపరచడం
స్వయంగా మెరుగుపడే ఏజెంట్ల సాధారణ నమూనా ఒక “జ్ఞాన ఏజెంట్” ప్రవేశపెట్టడమే. ఈ వేరే ఏజెంట్ వినియోగదారుతో ప్రాథమిక ఏజెంట్ మధ్య అసలు సంభాషణను గమనిస్తుంది. దాని పాత్ర:
-
మూల్యమైన సమాచారాన్ని గుర్తించడం: సంభాషణలో ఏ భాగాన్ని సాధారణ జ్ఞానంగా లేదా ప్రత్యేక వినియోగదారు అభిరుచిగా సేవ్ చేయవచ్చో నిర్ణయించడం.
-
ఎక్స్ట్రాక్ట్ చేసి సారాంశం చేయడం: సంభాషణలోని అవసరమైన నేర్చుకున్న విషయం లేదా అభిరుచిని తరిగి తీయడం.
-
జ్ఞాన భాండాగారంలో నిల్వ చేయడం: ఈ సమాచారాన్ని సాధారణంగా వెక్టర్ డేటాబేస్లో నిల్వ చేయడం, తద్వారా తర్వాత రిట్రీవ్ చేయగలగడం.
-
భవిష్యత్ ప్రశ్నలకి జోడించడం: వినియోగదారు కొత్త ప్రశ్నని ప్రారంభించినప్పుడు, జ్ఞాన ఏజెంట్ సంబంధిత నిల్వ సమాచారం తీసుకుని వినియోగదారి ప్రాంప్ట్లో చేర్చి ప్రాథమిక ఏజెంట్కు ప్రధాన సందర్భం అందించడం (RAG తరహాగా).
మెమొరీ కోసం ఆప్టిమైజేషన్లు
• లేటెన్సీ నిర్వహణ: వినియోగదారీ పరస్పర చర్యలను మందగింపజేయకుండా, మొదట తక్కువ ఖర్చు గల, వేగవంతమైన మోడల్ వాడి, సమాచారాన్ని నిల్వ చేయడం లేదా రిట్రీవ్ చేయడం అవసరమా అని త్వరగా తనిఖీ చేస్తుంది, అవసరాన్ని అనుసరించి మరింత సంక్లిష్ట ఎక్స్ట్రాక్షన్/రిట్రీవల్ ప్రక్రియ ప్రారంభిస్తుంది.
• జ్ఞాన భాండాగారం నిర్వహణ: పెరుగుతున్న జ్ఞాన భాండాగారంలో తక్కువగా ఉపయోగించే సమాచారాన్ని “కొల్ల తలాగా నిల్వ”కి మార్చడం ద్వారా ఖర్చులను నిర్వహిస్తారు.
ఏజెంట్ మెమొరీ గురించి ఇంకా ప్రశ్నలు వున్నాయా?
ఇతర అభ్యాసకులతో కలవడానికి, ఆఫీస్ అవర్స్తో పాల్గొనడానికి మరియు మీ AI ఏజెంట్ల ప్రశ్నలకు సమాధానాలు పొందడానికి Azure AI Foundry Discordలో చేరండి.
అసలు సమాచారం:
ఈ పత్రం AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము సరిగ్గా అనువదించడానికీ ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటిక్ అనువాదంలో పొరపాట్లు లేదా తప్పులుంటే ఉండవచ్చు. మూల పత్రం తన స్వంత భాషలోనే అధికారం కలిగి ఉంటుంది. కీలకమైన సమాచారం కోసం, వృత్తిపరమైన మనుష్యుల అనువాదాన్ని సూచించబడుతుంది. ఈ అనువాదాన్ని ఉపయోగించడంతో సంభవించే ఏవైనా అవగాహన లోపాలు లేదా తప్పు అర్థం చేసుకోవడంపై మేము బాధ్యత వహించము.