(इस पाठ का वीडियो देखने के लिए ऊपर दी गई छवि पर क्लिक करें)

"AI एजेंट्स फॉर बिगिनर्स" कोर्स में आपका स्वागत है! यह कोर्स AI एजेंट्स बनाने के लिए बुनियादी ज्ञान और व्यावहारिक उदाहरण प्रदान करता है।

इस कोर्स में अन्य शिक्षार्थियों और AI एजेंट बिल्डर्स से जुड़ें और कोर्स से संबंधित अपने सवाल पूछें।

इस कोर्स की शुरुआत हम AI एजेंट्स को बेहतर तरीके से समझने और यह जानने से करेंगे कि हम उन्हें अपने एप्लिकेशन और वर्कफ़्लो में कैसे उपयोग कर सकते हैं।

इस पाठ में शामिल हैं:

• AI एजेंट्स क्या हैं और उनके विभिन्न प्रकार क्या हैं?
• कौन से उपयोग के मामले AI एजेंट्स के लिए सबसे उपयुक्त हैं और वे हमारी कैसे मदद कर सकते हैं?
• एजेंटिक समाधान डिज़ाइन करते समय कुछ बुनियादी निर्माण खंड क्या हैं?

इस पाठ को पूरा करने के बाद, आप:

• AI एजेंट्स की अवधारणाओं को समझ पाएंगे और यह जान पाएंगे कि वे अन्य AI समाधानों से कैसे भिन्न हैं।
• AI एजेंट्स का कुशलतापूर्वक उपयोग कर पाएंगे।
• उपयोगकर्ताओं और ग्राहकों के लिए उत्पादक एजेंटिक समाधान डिज़ाइन कर पाएंगे।

AI एजेंट्स वे सिस्टम हैं जो लार्ज लैंग्वेज मॉडल्स (LLMs) को कार्रवाइयां करने में सक्षम बनाते हैं, उनकी क्षमताओं को बढ़ाते हैं, और LLMs को टूल्स और ज्ञान तक पहुंच प्रदान करते हैं।

आइए इस परिभाषा को छोटे हिस्सों में विभाजित करें:

• सिस्टम - एजेंट्स को केवल एक घटक के रूप में नहीं, बल्कि कई घटकों के एक सिस्टम के रूप में सोचना महत्वपूर्ण है। AI एजेंट्स के बुनियादी घटक हैं:
  • पर्यावरण - वह परिभाषित स्थान जहां AI एजेंट कार्य कर रहा है। उदाहरण के लिए, यदि हमारे पास एक ट्रैवल बुकिंग AI एजेंट है, तो पर्यावरण वह ट्रैवल बुकिंग सिस्टम हो सकता है जिसका उपयोग AI एजेंट कार्यों को पूरा करने के लिए करता है।
  • सेंसर - पर्यावरण में जानकारी और फीडबैक होता है। AI एजेंट्स सेंसर का उपयोग करके पर्यावरण की वर्तमान स्थिति की जानकारी एकत्र और व्याख्या करते हैं। ट्रैवल बुकिंग एजेंट के उदाहरण में, ट्रैवल बुकिंग सिस्टम होटल की उपलब्धता या फ्लाइट की कीमतों जैसी जानकारी प्रदान कर सकता है।
  • एक्चुएटर्स - एक बार जब AI एजेंट पर्यावरण की वर्तमान स्थिति प्राप्त कर लेता है, तो वह कार्य निर्धारित करता है कि पर्यावरण को बदलने के लिए कौन सी कार्रवाई करनी है। ट्रैवल बुकिंग एजेंट के लिए, यह उपयोगकर्ता के लिए उपलब्ध कमरे को बुक करना हो सकता है।

लार्ज लैंग्वेज मॉडल्स - एजेंट्स की अवधारणा LLMs के निर्माण से पहले भी मौजूद थी। LLMs के साथ AI एजेंट्स बनाने का लाभ यह है कि वे मानव भाषा और डेटा की व्याख्या कर सकते हैं। यह क्षमता LLMs को पर्यावरणीय जानकारी की व्याख्या करने और पर्यावरण को बदलने की योजना बनाने में सक्षम बनाती है।

कार्रवाइयां करना - AI एजेंट सिस्टम्स के बाहर, LLMs उपयोगकर्ता के प्रॉम्प्ट के आधार पर सामग्री या जानकारी उत्पन्न करने तक सीमित होते हैं। AI एजेंट सिस्टम्स के अंदर, LLMs उपयोगकर्ता के अनुरोध की व्याख्या करके और उनके पर्यावरण में उपलब्ध टूल्स का उपयोग करके कार्यों को पूरा कर सकते हैं।

टूल्स तक पहुंच - LLM को कौन से टूल्स तक पहुंच है, यह 1) उस पर्यावरण पर निर्भर करता है जिसमें वह कार्य कर रहा है और 2) AI एजेंट के डेवलपर पर निर्भर करता है। हमारे ट्रैवल एजेंट के उदाहरण में, एजेंट के टूल्स बुकिंग सिस्टम में उपलब्ध संचालन तक सीमित हैं, और/या डेवलपर एजेंट के टूल एक्सेस को फ्लाइट्स तक सीमित कर सकता है।

मेमोरी+ज्ञान - मेमोरी बातचीत के संदर्भ में अल्पकालिक हो सकती है। दीर्घकालिक रूप से, पर्यावरण द्वारा प्रदान की गई जानकारी के बाहर, AI एजेंट्स अन्य सिस्टम्स, सेवाओं, टूल्स, और यहां तक कि अन्य एजेंट्स से भी ज्ञान प्राप्त कर सकते हैं। ट्रैवल एजेंट के उदाहरण में, यह ज्ञान ग्राहक डेटाबेस में स्थित उपयोगकर्ता की यात्रा प्राथमिकताओं की जानकारी हो सकती है।

अब जब हमारे पास AI एजेंट्स की एक सामान्य परिभाषा है, तो आइए कुछ विशिष्ट प्रकार के एजेंट्स और ट्रैवल बुकिंग AI एजेंट पर उनके अनुप्रयोगों को देखें।

एजेंट प्रकार	विवरण	उदाहरण
सिंपल रिफ्लेक्स एजेंट्स	पूर्वनिर्धारित नियमों के आधार पर तुरंत कार्रवाई करते हैं।	ट्रैवल एजेंट ईमेल के संदर्भ की व्याख्या करता है और यात्रा शिकायतों को ग्राहक सेवा को अग्रेषित करता है।
मॉडल-आधारित रिफ्लेक्स एजेंट्स	दुनिया के एक मॉडल और उस मॉडल में बदलावों के आधार पर कार्रवाई करते हैं।	ट्रैवल एजेंट ऐतिहासिक मूल्य डेटा तक पहुंच के आधार पर महत्वपूर्ण मूल्य परिवर्तनों वाले मार्गों को प्राथमिकता देता है।
गोल-आधारित एजेंट्स	विशिष्ट लक्ष्यों को प्राप्त करने के लिए योजनाएं बनाते हैं, लक्ष्य की व्याख्या करते हैं और उसे प्राप्त करने के लिए कार्रवाई निर्धारित करते हैं।	ट्रैवल एजेंट वर्तमान स्थान से गंतव्य तक आवश्यक यात्रा व्यवस्थाओं (कार, सार्वजनिक परिवहन, फ्लाइट्स) को निर्धारित करके यात्रा बुक करता है।
यूटिलिटी-आधारित एजेंट्स	प्राथमिकताओं पर विचार करते हैं और लक्ष्यों को प्राप्त करने के लिए संख्यात्मक रूप से समझौते करते हैं।	ट्रैवल एजेंट यात्रा बुक करते समय सुविधा बनाम लागत को तौलकर उपयोगिता को अधिकतम करता है।
लर्निंग एजेंट्स	समय के साथ प्रतिक्रिया का जवाब देकर और तदनुसार कार्रवाई को समायोजित करके सुधार करते हैं।	ट्रैवल एजेंट पोस्ट-ट्रिप सर्वेक्षणों से ग्राहक प्रतिक्रिया का उपयोग करके भविष्य की बुकिंग में समायोजन करता है।
हायरार्किकल एजेंट्स	एक स्तरीय प्रणाली में कई एजेंट्स की विशेषता होती है, जिसमें उच्च-स्तरीय एजेंट्स कार्यों को उप-कार्य में विभाजित करते हैं ताकि निम्न-स्तरीय एजेंट्स उन्हें पूरा कर सकें।	ट्रैवल एजेंट एक यात्रा रद्द करता है, कार्य को उप-कार्य में विभाजित करता है (जैसे, विशिष्ट बुकिंग रद्द करना) और निम्न-स्तरीय एजेंट्स को उन्हें पूरा करने के लिए सौंपता है, जो उच्च-स्तरीय एजेंट को रिपोर्ट करते हैं।
मल्टी-एजेंट सिस्टम्स (MAS)	एजेंट्स स्वतंत्र रूप से कार्यों को पूरा करते हैं, या तो सहयोगात्मक या प्रतिस्पर्धात्मक रूप से।	सहयोगात्मक: कई एजेंट्स विशिष्ट यात्रा सेवाओं जैसे होटल, फ्लाइट्स, और मनोरंजन को बुक करते हैं। प्रतिस्पर्धात्मक: कई एजेंट्स साझा होटल बुकिंग कैलेंडर का प्रबंधन करते हैं और ग्राहकों को होटल में बुक करने के लिए प्रतिस्पर्धा करते हैं।

पिछले खंड में, हमने ट्रैवल एजेंट उपयोग के मामले का उपयोग करके समझाया कि विभिन्न प्रकार के एजेंट्स को यात्रा बुकिंग के विभिन्न परिदृश्यों में कैसे उपयोग किया जा सकता है। हम इस एप्लिकेशन का उपयोग पूरे कोर्स में जारी रखेंगे।

आइए उन प्रकार के उपयोग के मामलों को देखें जिनके लिए AI एजेंट्स सबसे उपयुक्त हैं:

• खुले-अंत वाले समस्याएं - LLM को कार्य पूरा करने के लिए आवश्यक कदम निर्धारित करने की अनुमति देना क्योंकि इसे हमेशा वर्कफ़्लो में हार्डकोड नहीं किया जा सकता।
• बहु-चरणीय प्रक्रियाएं - ऐसे कार्य जिनमें जटिलता का स्तर होता है, जिसमें AI एजेंट को एकल प्रयास पुनर्प्राप्ति के बजाय कई चरणों में टूल्स या जानकारी का उपयोग करना होता है।
• समय के साथ सुधार - ऐसे कार्य जहां एजेंट अपने पर्यावरण या उपयोगकर्ताओं से प्रतिक्रिया प्राप्त करके समय के साथ सुधार कर सकता है ताकि बेहतर उपयोगिता प्रदान की जा सके।

AI एजेंट्स का उपयोग करने पर अधिक विचारों को हम "ट्रस्टवर्दी AI एजेंट्स बनाना" पाठ में कवर करेंगे।

AI एजेंट सिस्टम डिज़ाइन करने का पहला कदम टूल्स, कार्रवाइयों, और व्यवहारों को परिभाषित करना है। इस कोर्स में, हम अपने एजेंट्स को परिभाषित करने के लिए Azure AI Agent Service का उपयोग करने पर ध्यान केंद्रित करते हैं। यह निम्नलिखित सुविधाएँ प्रदान करता है:

• OpenAI, Mistral, और Llama जैसे ओपन मॉडल्स का चयन
• Tripadvisor जैसे प्रदाताओं के माध्यम से लाइसेंस प्राप्त डेटा का उपयोग
• OpenAPI 3.0 टूल्स का मानकीकृत उपयोग

LLMs के साथ संचार प्रॉम्प्ट्स के माध्यम से होता है। AI एजेंट्स की अर्ध-स्वायत्त प्रकृति के कारण, पर्यावरण में बदलाव के बाद हमेशा मैन्युअल रूप से LLM को पुनः प्रॉम्प्ट करना संभव या आवश्यक नहीं होता। हम एजेंटिक पैटर्न्स का उपयोग करते हैं जो हमें LLM को कई चरणों में अधिक स्केलेबल तरीके से प्रॉम्प्ट करने की अनुमति देते हैं।

यह कोर्स कुछ वर्तमान लोकप्रिय एजेंटिक पैटर्न्स में विभाजित है।

एजेंटिक फ्रेमवर्क्स डेवलपर्स को कोड के माध्यम से एजेंटिक पैटर्न्स को लागू करने की अनुमति देते हैं। ये फ्रेमवर्क्स टेम्पलेट्स, प्लगइन्स, और टूल्स प्रदान करते हैं जो AI एजेंट्स के बेहतर सहयोग के लिए उपयोगी होते हैं। ये लाभ AI एजेंट सिस्टम्स की बेहतर निगरानी और समस्या निवारण की क्षमताएं प्रदान करते हैं।

इस कोर्स में, हम शोध-आधारित AutoGen फ्रेमवर्क और Semantic Kernel का प्रोडक्शन-रेडी एजेंट फ्रेमवर्क एक्सप्लोर करेंगे।

Azure AI Foundry Discord से जुड़ें, अन्य शिक्षार्थियों से मिलें, ऑफिस आवर्स में भाग लें, और अपने AI एजेंट्स से संबंधित सवालों के जवाब पाएं।

कोर्स सेटअप

एजेंटिक फ्रेमवर्क्स का अन्वेषण

---

अस्वीकरण:
यह दस्तावेज़ AI अनुवाद सेवा Co-op Translator का उपयोग करके अनुवादित किया गया है। जबकि हम सटीकता के लिए प्रयास करते हैं, कृपया ध्यान दें कि स्वचालित अनुवाद में त्रुटियां या अशुद्धियां हो सकती हैं। मूल भाषा में उपलब्ध मूल दस्तावेज़ को आधिकारिक स्रोत माना जाना चाहिए। महत्वपूर्ण जानकारी के लिए, पेशेवर मानव अनुवाद की सिफारिश की जाती है। इस अनुवाद के उपयोग से उत्पन्न किसी भी गलतफहमी या गलत व्याख्या के लिए हम उत्तरदायी नहीं हैं।