(উপরের চিত্রটিতে ক্লিক করলে এই পাঠের ভিডিও দেখা যাবে)

"AI Agents for Beginners" কোর্সে আপনাকে স্বাগত! এই কোর্সটি AI এজেন্ট তৈরি করার জন্য মৌলিক জ্ঞান এবং প্রয়োগিক উদাহরণ সরবরাহ করে।

অন্যান্য শিক্ষার্থী এবং AI এজেন্ট নির্মাতাদের সাথে পরিচিত হওয়ার জন্য এবং এই কোর্স সম্পর্কিত যে কোনো প্রশ্ন করার জন্য Azure AI ডিসকর্ড কমিউনিটি-তে যোগ দিন।

এই কোর্স শুরু করতে, আমরা শুরু করছি AI এজেন্ট কী এবং আমরা যেসব অ্যাপ্লিকেশন এবং ওয়ার্কফ্লো তৈরি করি তাতে কীভাবে সেগুলি ব্যবহার করা যায় তা আরও ভালভাবে বোঝার মাধ্যমে।

এই পাঠে কভার করা হয়েছে:

• AI এজেন্ট কি এবং বিভিন্ন ধরণের এজেন্ট কোনগুলি?
• কোন ব্যবহার কেসগুলি AI এজেন্টের জন্য সবচেয়ে উপযোগী এবং সেগুলো কিভাবে আমাদের সাহায্য করতে পারে?
• এজেন্টিক সমাধান ডিজাইন করার সময় কিছু সাধারণ নির্মাণ ব্লক কী কী?

এই পাঠ সম্পূর্ণ করার পরে, আপনি সক্ষম হওয়া উচিত:

• AI এজেন্ট ধারণাগুলি বুঝতে এবং সেগুলি অন্যান্য AI সমাধান থেকে কীভাবে ভিন্ন তা জানতে।
• AI এজেন্টগুলি সবচেয়ে দক্ষভাবে প্রয়োগ করতে।
• ব্যবহারকারী এবং গ্রাহকদের জন্য উভয় ক্ষেত্রেই উৎপাদনশীলভাবে এজেন্টিক সমাধান ডিজাইন করতে।

AI এজেন্ট হল এমন একটি সিস্টেম যা বড় ভাষা মডেল(LLMs)-কে কর্ম সম্পাদন করতে সক্ষম করে, তাদের ক্ষমতা বাড়িয়ে LLM-গুলিকে টুলস এবং জ্ঞান-এ অ্যাক্সেস প্রদান করে।

এই সংজ্ঞাটিকে ছোট অংশে ভেঙে দেখি:

• সিস্টেম - এজেন্টকে কেবল একটি একক উপাদান হিসেবে নয় বরং বহু উপাদানের একটি সিস্টেম হিসেবে ভাবা গুরুত্বপূর্ণ। মৌলিক স্তরে, একটি AI এজেন্টের উপাদানগুলি হল:
  • পরিবেশ - সংজ্ঞায়িত করা স্থান যেখানে AI এজেন্ট কাজ করছে। উদাহরণস্বরূপ, যদি আমাদের একটি ট্রাভেল বুকিং AI এজেন্ট থাকে, তবে পরিবেশ হতে পারে ট্রাভেল বুকিং সিস্টেম যা এজেন্ট কাজ সম্পন্ন করতে ব্যবহার করে।
  • সেন্সর - পরিবেশে তথ্য থাকে এবং প্রতিক্রিয়া প্রদান করে। AI এজেন্ট বর্তমান পরিবেশের স্থিতি সম্পর্কে তথ্য সংগ্রহ এবং ব্যাখ্যা করতে সেন্সর ব্যবহার করে। ট্রাভেল বুকিং এজেন্ট উদাহরণে, ট্রাভেল বুকিং সিস্টেম হোটেলের উপলব্ধতা বা ফ্লাইটের মূল্য সহ তথ্য প্রদান করতে পারে।
  • অ্যাকচুয়েটর - একবার AI এজেন্ট পরিবেশের বর্তমান অবস্থা গ্রহণ করলে, বর্তমান কাজের জন্য এজেন্ট নির্ধারণ করে কোন কাজটি পরিবেশ পরিবর্তন করতে সম্পাদন করা হবে। ট্রাভেল বুকিং এজেন্টের ক্ষেত্রে, এটি ব্যবহারকারীর জন্য একটি উপলব্ধ কক্ষ বুক করা হতে পারে।

বড় ভাষা মডেল(LLMs) - এজেন্টগুলির ধারণা LLM তৈরি হওয়ার আগেও ছিল। LLM-গুলির সাহায্যে AI এজেন্ট তৈরি করার সুবিধা হল মানুষের ভাষা এবং ডেটা ব্যাখ্যা করার তাদের ক্ষমতা। এই ক্ষমতা LLM-কে পরিবেশগত তথ্য ব্যাখ্যা করতে এবং পরিবেশ পরিবর্তনের জন্য একটি পরিকল্পনা নির্ধারণ করতে সক্ষম করে।

কর্ম সম্পাদন - AI এজেন্ট সিস্টেমের বাইরে, LLM-গুলি সীমাবদ্ধ থাকে এমন পরিস্থিতিতে যেখানে কর্ম হল ব্যবহারকারীর প্রম্পটের উপর ভিত্তি করে কনটেন্ট বা তথ্য তৈরি করা। AI এজেন্ট সিস্টেমের ভেতরে, LLM-গুলি ব্যবহারকারীর অনুরোধ ব্যাখ্যা করে এবং তাদের পরিবেশে উপলব্ধ টুলগুলি ব্যবহার করে কাজ সম্পাদন করতে পারে।

টুলস-এ অ্যাক্সেস - LLM কোন টুলগুলিতে অ্যাক্সেস পায় তা নির্ধারণ করে 1) যে পরিবেশে এটি কাজ করছে এবং 2) AI এজেন্টটির ডেভেলপার। আমাদের ট্রাভেল এজেন্ট উদাহরণে, এজেন্টের টুলগুলি বুকিং সিস্টেমে উপলব্ধ অপারেশন দ্বারা সীমাবদ্ধ, এবং/বা ডেভেলপার এজেন্টের টুল অ্যাক্সেসকে ফ্লাইট পর্যন্ত সীমাবদ্ধ করতে পারে।

মেমরি+জ্ঞান - মেমরি কথোপকথনের প্রসঙ্গে স্বল্প-মেয়াদি হতে পারে, ব্যবহারকারী ও এজেন্টের মধ্যে। দীর্ঘ মেয়াদে, পরিবেশ দ্বারা প্রদত্ত তথ্য ছাড়াও, AI এজেন্ট অন্যান্য সিস্টেম, সার্ভিস, টুল এবং এমনকি অন্যান্য এজেন্ট থেকে জ্ঞান পুনরুদ্ধার করতে পারে। ট্রাভেল এজেন্ট উদাহরণে, এই জ্ঞানটি হতে পারে গ্রাহক ডাটাবেসে সংরক্ষিত ব্যবহারকারীর ভ্রমণ পছন্দ সম্পর্কিত তথ্য।

এখন যেহেতু আমাদের কাছে AI এজেন্টের সাধারণ একটি সংজ্ঞা আছে, চলুন কিছু নির্দিষ্ট এজেন্ট ধরন এবং সেগুলি কীভাবে একটি ট্রাভেল বুকিং AI এজেন্টে প্রয়োগ করা হবে তা দেখি।

Agent Type	Description	Example
Simple Reflex Agents	পূর্বনির্ধারিত নিয়মের উপর ভিত্তি করে তৎক্ষণাৎ ক্রিয়া সম্পাদন করে।	ট্রাভেল এজেন্ট ইমেইলের প্রসঙ্গ ব্যাখ্যা করে এবং ভ্রমণ অভিযোগগুলি কাস্টমার সার্ভিসে ফরওয়ার্ড করে।
Model-Based Reflex Agents	বিশ্বের একটি মডেল এবং সেই মডেলে পরিবর্তনের উপর ভিত্তি করে ক্রিয়া সম্পাদন করে।	ঐতিহাসিক মূল্য তথ্য ব্যবহারের মাধ্যমে প্রাপ্ত তথ্য অনুযায়ী উল্লেখযোগ্য মূল্য পরিবর্তন সহ রুটগুলিকে অগ্রাধিকার দেয়।
Goal-Based Agents	লক্ষ্য ব্যাখ্যা করে এবং সেটি অর্জনের জন্য কর্ম নির্ধারণ করে নির্দিষ্ট লক্ষ্য অর্জনের পরিকল্পনা তৈরি করে।	ট্রাভেল এজেন্ট গন্তব্যে পৌছানোর জন্য প্রয়োজনীয় ভ্রমণ ব্যবস্থা (গাড়ি, পাবলিক ট্রানজিট, ফ্লাইট) নির্ধারণ করে একটি যাত্রা বুক করে।
Utility-Based Agents	পছন্দগুলি বিবেচনা করে এবং লক্ষ্য অর্জনের জন্য কিভাবে আরও কার্যকর হবে তা নির্ধারণ করতে সংখ্যাত্মকভাবে ট্রেড-অফ মূল্যায়ন করে।	ট্রাভেল এজেন্ট বুকিং করার সময় সুবিধা বনাম খরচকে তুলনা করে ইউটিলিটি সর্বাধিক করে।
Learning Agents	প্রতিক্রিয়ার ভিত্তিতে সময়ের সাথে উন্নতি করে এবং সেই অনুযায়ী কর্ম সমন্বয় করে।	ট্রাভেল এজেন্ট পোস্ট-ট্রিপ জরিপ থেকে গ্রাহক প্রতিক্রিয়া ব্যবহার করে ভবিষ্যৎ বুকিংগুলিতে সমন্বয় করে উন্নতি করে।
Hierarchical Agents	একাধিক স্তরের এজেন্টকে বৈশিষ্ট্য করে, যেখানে উচ্চ-স্তরের এজেন্টগুলি কাজকে উপকার্যে বিভক্ত করে নিম্ন-স্তরের এজেন্টগুলিকে সম্পন্ন করার জন্য দেয়।	ট্রাভেল এজেন্ট একটি ট্রিপ বাতিল করে কাজটি উপকার্যতে বিভক্ত করে (উদাহরণস্বরূপ, নির্দিষ্ট বুকিং বাতিল করা) এবং নিম্ন-স্তরের এজেন্টগুলিকে সেগুলি সম্পন্ন করে রিপোর্ট করার জন্য দেয়।
Multi-Agent Systems (MAS)	এজেন্টগুলি স্বাধীনভাবে কাজ সম্পন্ন করে, হয় সহযোগিতামূলকভাবে বা প্রতিযোগিতামূলকভাবে।	সহযোগিতামূলক: একাধিক এজেন্ট নির্দিষ্ট ভ্রমণ সেবা যেমন হোটেল, ফ্লাইট এবং বিনোদন বুক করে। প্রতিযোগিতামূলক: একাধিক এজেন্ট একটি শেয়ার করা হোটেল বুকিং ক্যালেন্ডার নিয়ন্ত্রণ এবং গ্রাহকদের হোটেলে বুক করার জন্য প্রতিযোগিতা করে।

আগের অংশে, আমরা ট্রাভেল এজেন্ট ব্যবহার-কেসটি ব্যবহার করে ব্যাখ্যা করেছি যে বিভিন্ন ধরণের এজেন্টগুলি ট্রাভেল বুকিংয়ের বিভিন্ন দৃশ্যে কীভাবে ব্যবহার করা যায়। আমরা এই অ্যাপ্লিকেশনটি কোর্স জুড়ে ব্যবহার চালিয়ে যাব।

চলুন দেখা যাক সেই ধরনের ব্যবহার-কেসগুলিঃ যেগুলিতে AI এজেন্ট সবচেয়ে ভালোভাবে ব্যবহার করা হয়:

• খোলা-শেষ সমস্যা - এমন কাজ যেখানে প্রয়োজনীয় ধাপগুলি LLM-কে নির্ধারণ করতে দেয়া হয় কারণ সবসময় একটি ওয়ার্কফ্লোতে হার্ডকোড করা সম্ভব নয়।
• বহু-ধাপ প্রক্রিয়া - এমন কাজগুলির জন্য যেখানে জটিলতার স্তর প্রয়োজন হয় এবং AI এজেন্টকে একক-শট অনুসন্ধানের পরিবর্তে বহু টার্নে টুল বা তথ্য ব্যবহার করতে হয়।
• সময়ানুভব উন্নতি - এমন কাজ যেখানে এজেন্ট পরিবেশ বা ব্যবহারকারীর কাছ থেকে প্রতিক্রিয়া গ্রহণ করে সময়ের সাথে উন্নতি করতে পারে যাতে আরও ভালো ইউটিলিটি প্রদান করা যায়।

AI এজেন্ট ব্যবহার করার আরও বিবেচনা আমরা Building Trustworthy AI Agents পাঠে কভার করব।

একটি AI এজেন্ট সিস্টেম ডিজাইনের প্রথম ধাপ হল টুল, ক্রিয়া এবং আচরণ নির্ধারণ করা। এই কোর্সে, আমরা আমাদের এজেন্টগুলি সংজ্ঞায়িত করতে Azure AI Agent Service ব্যবহার করার উপর ফোকাস করি। এটি নিম্নলিখিত বৈশিষ্ট্যগুলি অফার করে:

• OpenAI, Mistral এবং Llama মতো ওপেন মডেলসমূহের নির্বাচন
• Tripadvisor-এর মতো প্রদানকারীর মাধ্যমে লাইসেন্সকৃত ডেটার ব্যবহার
• স্ট্যান্ডার্ডাইজড OpenAPI 3.0 টুলগুলোর ব্যবহার

LLM-গুলির সাথে যোগাযোগ প্রম্পটের মাধ্যমে হয়। AI এজেন্টগুলির অর্ধ-স্বায়ত্তশাসিত প্রকৃতির কারণে, পরিবেশে পরিবর্তন হওয়ার পরে সবসময় বা প্রয়োজনীয় ভাবে LLM-কে ম্যানুয়ালি পুনরায় প্রম্পট করা সম্ভব নাও হতে পারে। আমরা এমন কিছু Agentic Patterns ব্যবহার করি যা আমাদেরকে বহু ধাপে আরো স্কেলেবলভাবে LLM-কে প্রম্পট করতে দেয়।

এই কোর্সটি বর্তমান জনপ্রিয় কিছু এজেন্টিক প্যাটার্নে বিভক্ত।

Agentic Frameworks ডেভেলপারদের কোডের মাধ্যমে এজেন্টিক প্যাটার্নগুলি বাস্তবায়ন করতে দেয়। এই ফ্রেমওয়ার্কগুলি টেমপ্লেট, প্লাগইন এবং উন্নত এজেন্ট সহযোগিতার জন্য টুল সরবরাহ করে। এই সুবিধাগুলি AI এজেন্ট সিস্টেমগুলির জন্য উন্নত অবজারভেবিলিটি এবং ট্রাবলশুটিং ক্ষমতা প্রদান করে।

এই কোর্সে, আমরা উৎপাদন-তৈরি AI এজেন্ট নির্মাণের জন্য Microsoft Agent Framework (MAF) অন্বেষণ করব।

• Python: এজেন্ট ফ্রেমওয়ার্ক
• .NET: এজেন্ট ফ্রেমওয়ার্ক

অন্যান্য শিক্ষার্থীদের সাথে দেখা করা, অফিস আওয়ারসে অংশ নেওয়া এবং আপনার AI এজেন্ট সম্পর্কিত প্রশ্নগুলোর উত্তর পেতে Microsoft Foundry Discord-এ যোগ দিন।

কোর্স সেটআপ

এজেন্টিক ফ্রেমওয়ার্ক অন্বেষণ

---

অস্বীকৃতি: এই নথিটি AI অনুবাদ সেবা Co-op Translator (https://github.com/Azure/co-op-translator) ব্যবহার করে অনুবাদ করা হয়েছে। আমরা যথাসাধ্য সঠিকতার চেষ্টা করি, তবে অনুগ্রহ করে মনে রাখুন যে স্বয়ংক্রিয় অনুবাদে ত্রুটি বা অসঙ্গতি থাকতে পারে। মূল ভাষায় থাকা নথিটিকেই authoritative (কর্তৃত্বসাংকেতিক) উৎস হিসেবে বিবেচনা করা উচিত। গুরুত্বপূর্ণ তথ্যের জন্য পেশাদার মানব অনুবাদ পরামর্শযোগ্য। এই অনুবাদের ব্যবহার থেকে উদ্ভূত কোনো ভুলবোঝাবুঝি বা ভুল ব্যাখ্যার জন্য আমরা দায়ী নই।