ai-agents-for-beginners
(اوپر دی گئی تصویر پر کلک کریں تاکہ اس سبق کی ویڈیو دیکھ سکیں)
AI ایجنٹس اور ان کے استعمال کے کیسز کا تعارف
“AI ایجنٹس برائے مبتدیان” کورس میں خوش آمدید! یہ کورس AI ایجنٹس بنانے کے لیے بنیادی معلومات اور عملی نمونے فراہم کرتا ہے۔
دیگر سیکھنے والوں اور AI ایجنٹ بنانے والوں سے ملنے اور اس کورس کے بارے میں اپنے سوالات پوچھنے کے لیے Azure AI Foundry Discord میں شامل ہوں۔
اس کورس کا آغاز ہم AI ایجنٹس کو بہتر طور پر سمجھنے اور یہ جاننے سے کریں گے کہ ہم انہیں اپنی ایپلیکیشنز اور ورک فلو میں کیسے استعمال کر سکتے ہیں۔
تعارف
یہ سبق درج ذیل موضوعات کا احاطہ کرتا ہے:
- AI ایجنٹس کیا ہیں اور ان کی مختلف اقسام کیا ہیں؟
- کون سے استعمال کے کیسز AI ایجنٹس کے لیے بہترین ہیں اور وہ ہماری کیسے مدد کر سکتے ہیں؟
- ایجنٹک حل ڈیزائن کرتے وقت بنیادی اجزاء کیا ہیں؟
سیکھنے کے مقاصد
اس سبق کو مکمل کرنے کے بعد، آپ کو درج ذیل پر عبور حاصل ہوگا:
- AI ایجنٹ کے تصورات کو سمجھنا اور انہیں دیگر AI حلوں سے مختلف کرنا۔
- AI ایجنٹس کو مؤثر طریقے سے استعمال کرنا۔
- صارفین اور گاہکوں کے لیے ایجنٹک حل کو مؤثر طریقے سے ڈیزائن کرنا۔
AI ایجنٹس کی تعریف اور ان کی اقسام
AI ایجنٹس کیا ہیں؟
AI ایجنٹس وہ سسٹمز ہیں جو بڑے زبان کے ماڈلز (LLMs) کو عمل انجام دینے کے قابل بناتے ہیں، ان کی صلاحیتوں کو بڑھا کر اور انہیں ٹولز اور علم تک رسائی دے کر۔
آئیے اس تعریف کو چھوٹے حصوں میں تقسیم کرتے ہیں:
- سسٹم - ایجنٹس کو صرف ایک جزو کے طور پر نہیں بلکہ کئی اجزاء کے نظام کے طور پر سوچنا ضروری ہے۔ AI ایجنٹ کے بنیادی اجزاء درج ذیل ہیں:
- ماحول - وہ متعین جگہ جہاں AI ایجنٹ کام کر رہا ہو۔ مثال کے طور پر، اگر ہمارے پاس ایک ٹریول بکنگ AI ایجنٹ ہو، تو ماحول وہ ٹریول بکنگ سسٹم ہوگا جسے AI ایجنٹ کام مکمل کرنے کے لیے استعمال کرتا ہے۔
- سینسرز - ماحول میں معلومات اور فیڈبیک موجود ہوتا ہے۔ AI ایجنٹس سینسرز کا استعمال کرتے ہوئے ماحول کی موجودہ حالت کے بارے میں معلومات اکٹھا کرتے ہیں اور ان کی تشریح کرتے ہیں۔ ٹریول بکنگ ایجنٹ کی مثال میں، ٹریول بکنگ سسٹم ہوٹل کی دستیابی یا پروازوں کی قیمتوں جیسی معلومات فراہم کر سکتا ہے۔
- ایکچیویٹرز - جب AI ایجنٹ ماحول کی موجودہ حالت وصول کرتا ہے، تو وہ موجودہ کام کے لیے یہ طے کرتا ہے کہ ماحول کو تبدیل کرنے کے لیے کون سا عمل انجام دینا ہے۔ ٹریول بکنگ ایجنٹ کے لیے، یہ صارف کے لیے دستیاب کمرہ بک کرنا ہو سکتا ہے۔
بڑے زبان کے ماڈلز - ایجنٹس کا تصور LLMs کی تخلیق سے پہلے موجود تھا۔ LLMs کے ساتھ AI ایجنٹس بنانے کا فائدہ یہ ہے کہ وہ انسانی زبان اور ڈیٹا کی تشریح کرنے کی صلاحیت رکھتے ہیں۔ یہ صلاحیت LLMs کو ماحولیاتی معلومات کی تشریح کرنے اور ماحول کو تبدیل کرنے کے لیے ایک منصوبہ بنانے کے قابل بناتی ہے۔
عمل انجام دینا - AI ایجنٹ سسٹمز کے باہر، LLMs صرف ان حالات تک محدود ہیں جہاں عمل صارف کے پرامپٹ کی بنیاد پر مواد یا معلومات تیار کرنا ہو۔ AI ایجنٹ سسٹمز کے اندر، LLMs صارف کی درخواست کی تشریح کرکے اور اپنے ماحول میں دستیاب ٹولز کا استعمال کرکے کام انجام دے سکتے ہیں۔
ٹولز تک رسائی - LLM کو کون سے ٹولز تک رسائی حاصل ہے، یہ 1) اس کے کام کرنے کے ماحول اور 2) AI ایجنٹ کے ڈویلپر کے ذریعے متعین کیا جاتا ہے۔ ہمارے ٹریول ایجنٹ کی مثال میں، ایجنٹ کے ٹولز بکنگ سسٹم میں دستیاب آپریشنز تک محدود ہیں، اور/یا ڈویلپر ایجنٹ کے ٹول تک رسائی کو پروازوں تک محدود کر سکتا ہے۔
یادداشت + علم - یادداشت گفتگو کے سیاق و سباق میں قلیل مدتی ہو سکتی ہے جو صارف اور ایجنٹ کے درمیان ہو رہی ہو۔ طویل مدتی طور پر، ماحول کے ذریعے فراہم کردہ معلومات کے علاوہ، AI ایجنٹس دیگر سسٹمز، سروسز، ٹولز، اور یہاں تک کہ دیگر ایجنٹس سے بھی علم حاصل کر سکتے ہیں۔ ٹریول ایجنٹ کی مثال میں، یہ علم صارف کے سفر کی ترجیحات کے بارے میں معلومات ہو سکتی ہے جو کسی کسٹمر ڈیٹا بیس میں موجود ہو۔
ایجنٹس کی مختلف اقسام
اب جب کہ ہمارے پاس AI ایجنٹس کی عمومی تعریف موجود ہے، آئیے کچھ مخصوص ایجنٹ کی اقسام اور یہ دیکھتے ہیں کہ انہیں ٹریول بکنگ AI ایجنٹ پر کیسے لاگو کیا جا سکتا ہے۔
| ایجنٹ کی قسم | تفصیل | مثال |
|---|---|---|
| سادہ ریفلیکس ایجنٹس | پہلے سے متعین قواعد کی بنیاد پر فوری عمل انجام دیتے ہیں۔ | ٹریول ایجنٹ ای میل کے سیاق و سباق کی تشریح کرتا ہے اور سفر کی شکایات کو کسٹمر سروس کو فارورڈ کرتا ہے۔ |
| ماڈل پر مبنی ریفلیکس ایجنٹس | دنیا کے ماڈل اور اس ماڈل میں تبدیلیوں کی بنیاد پر عمل انجام دیتے ہیں۔ | ٹریول ایجنٹ تاریخی قیمتوں کے ڈیٹا تک رسائی کی بنیاد پر قیمت میں نمایاں تبدیلیوں والے راستوں کو ترجیح دیتا ہے۔ |
| گول پر مبنی ایجنٹس | مخصوص اہداف حاصل کرنے کے لیے منصوبے بناتے ہیں، مقصد کی تشریح کرتے ہیں اور اسے حاصل کرنے کے لیے اقدامات طے کرتے ہیں۔ | ٹریول ایجنٹ موجودہ مقام سے منزل تک ضروری سفری انتظامات (کار، پبلک ٹرانزٹ، پروازیں) طے کرکے سفر بک کرتا ہے۔ |
| یوٹیلیٹی پر مبنی ایجنٹس | ترجیحات پر غور کرتے ہیں اور اہداف حاصل کرنے کے لیے عددی طور پر تجارتی مواقع کا وزن کرتے ہیں۔ | ٹریول ایجنٹ سفر بک کرتے وقت سہولت بمقابلہ لاگت کا وزن کرکے زیادہ سے زیادہ افادیت حاصل کرتا ہے۔ |
| سیکھنے والے ایجنٹس | وقت کے ساتھ بہتر ہوتے ہیں، فیڈبیک کا جواب دے کر اور اس کے مطابق عمل کو ایڈجسٹ کرتے ہیں۔ | ٹریول ایجنٹ بعد از سفر سروے سے صارف کے فیڈبیک کا استعمال کرکے مستقبل کی بکنگز میں ایڈجسٹمنٹ کرتا ہے۔ |
| درجہ بندی والے ایجنٹس | ایک ٹائرڈ سسٹم میں متعدد ایجنٹس کی خصوصیت رکھتے ہیں، جہاں اعلیٰ سطح کے ایجنٹس کاموں کو ذیلی کاموں میں تقسیم کرتے ہیں تاکہ نچلی سطح کے ایجنٹس انہیں مکمل کریں۔ | ٹریول ایجنٹ ایک سفر کو منسوخ کرتا ہے، کام کو ذیلی کاموں میں تقسیم کرتا ہے (مثال کے طور پر، مخصوص بکنگز کو منسوخ کرنا) اور نچلی سطح کے ایجنٹس کو انہیں مکمل کرنے دیتا ہے، اور اعلیٰ سطح کے ایجنٹ کو رپورٹ کرتا ہے۔ |
| ملٹی ایجنٹ سسٹمز (MAS) | ایجنٹس آزادانہ طور پر کام مکمل کرتے ہیں، یا تو تعاون کے ساتھ یا مسابقتی طور پر۔ | تعاون: متعدد ایجنٹس مخصوص سفری خدمات جیسے ہوٹل، پروازیں، اور تفریح بک کرتے ہیں۔ مسابقتی: متعدد ایجنٹس مشترکہ ہوٹل بکنگ کیلنڈر کا انتظام کرتے ہیں اور صارفین کو ہوٹل میں بک کرنے کے لیے مقابلہ کرتے ہیں۔ |
AI ایجنٹس کا استعمال کب کریں؟
پچھلے حصے میں، ہم نے مختلف ایجنٹ کی اقسام کو سمجھانے کے لیے ٹریول ایجنٹ کے استعمال کے کیس کا استعمال کیا۔ ہم اس ایپلیکیشن کو کورس کے دوران جاری رکھیں گے۔
آئیے ان قسم کے استعمال کے کیسز پر نظر ڈالیں جن کے لیے AI ایجنٹس بہترین ہیں:
- اوپن اینڈڈ مسائل - LLM کو یہ طے کرنے کی اجازت دینا کہ کام مکمل کرنے کے لیے کون سے اقدامات کی ضرورت ہے کیونکہ یہ ہمیشہ ورک فلو میں ہارڈ کوڈ نہیں کیا جا سکتا۔
- ملٹی اسٹیپ پروسیسز - ایسے کام جو ایک سطح کی پیچیدگی کا تقاضا کرتے ہیں جس میں AI ایجنٹ کو ایک سے زیادہ مراحل میں ٹولز یا معلومات کا استعمال کرنا پڑتا ہے بجائے اس کے کہ ایک ہی بار میں معلومات حاصل کی جائیں۔
- وقت کے ساتھ بہتری - ایسے کام جہاں ایجنٹ اپنے ماحول یا صارفین سے فیڈبیک حاصل کرکے وقت کے ساتھ بہتر ہو سکتا ہے تاکہ بہتر افادیت فراہم کی جا سکے۔
AI ایجنٹس کے استعمال پر مزید غور و فکر ہم “قابل اعتماد AI ایجنٹس بنانا” سبق میں کریں گے۔
ایجنٹک حل کی بنیادی باتیں
ایجنٹ کی ترقی
AI ایجنٹ سسٹم ڈیزائن کرنے کا پہلا قدم ٹولز، اعمال، اور رویوں کی وضاحت کرنا ہے۔ اس کورس میں، ہم اپنے ایجنٹس کی وضاحت کے لیے Azure AI Agent Service کے استعمال پر توجہ مرکوز کرتے ہیں۔ یہ درج ذیل خصوصیات پیش کرتا ہے:
- اوپن ماڈلز کا انتخاب جیسے OpenAI، Mistral، اور Llama
- لائسنس یافتہ ڈیٹا کا استعمال جیسے Tripadvisor کے فراہم کنندگان کے ذریعے
- معیاری OpenAPI 3.0 ٹولز کا استعمال
ایجنٹک پیٹرنز
LLMs کے ساتھ مواصلت پرامپٹس کے ذریعے ہوتی ہے۔ AI ایجنٹس کی نیم خودمختار نوعیت کی وجہ سے، یہ ہمیشہ ممکن یا ضروری نہیں ہوتا کہ ماحول میں تبدیلی کے بعد LLM کو دستی طور پر دوبارہ پرامپٹ کیا جائے۔ ہم ایجنٹک پیٹرنز استعمال کرتے ہیں جو ہمیں LLM کو ایک سے زیادہ مراحل میں زیادہ قابل توسیع طریقے سے پرامپٹ کرنے کی اجازت دیتے ہیں۔
یہ کورس موجودہ مقبول ایجنٹک پیٹرنز میں سے کچھ پر تقسیم ہے۔
ایجنٹک فریم ورکس
ایجنٹک فریم ورکس ڈویلپرز کو کوڈ کے ذریعے ایجنٹک پیٹرنز کو نافذ کرنے کی اجازت دیتے ہیں۔ یہ فریم ورکس ٹیمپلیٹس، پلگ انز، اور ٹولز پیش کرتے ہیں تاکہ AI ایجنٹس کے درمیان بہتر تعاون ہو۔ یہ فوائد AI ایجنٹ سسٹمز کی بہتر مشاہدہ اور خرابیوں کا سراغ لگانے کی صلاحیت فراہم کرتے ہیں۔
اس کورس میں، ہم تحقیق پر مبنی AutoGen فریم ورک اور Semantic Kernel سے پروڈکشن کے لیے تیار ایجنٹ فریم ورک کو دریافت کریں گے۔
AI ایجنٹس کے بارے میں مزید سوالات ہیں؟
دیگر سیکھنے والوں سے ملنے، آفس آورز میں شرکت کرنے، اور اپنے AI ایجنٹس کے سوالات کے جوابات حاصل کرنے کے لیے Azure AI Foundry Discord میں شامل ہوں۔
پچھلا سبق
اگلا سبق
ڈس کلیمر:
یہ دستاویز AI ترجمہ سروس Co-op Translator کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے پوری کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا عدم درستگی ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے لیے ہم ذمہ دار نہیں ہیں۔