(ഈ ലെസന്റെ വീഡിയോ കാണാൻ മുകളില്‍ ചിത്രം ക്ലിക്ക് ചെയ്യുക)

"AI ഏജന്റുകൾ ആരംഭക്കാർക്ക്" എന്ന കോഴ്സിലേയ്ക്ക് സ്വാഗതം! ഈ കോഴ്സ് AI ഏജന്റുകൾ നിർമ്മിക്കാൻ അടിസ്ഥാനപരമായ അറിവും പ്രായോഗിക ഉദാഹരണങ്ങളും നൽകുന്നു.

മറ്റു പഠനാർത്ഥികളും AI ഏജന്റ് നിർമാതാക്കളുമായ നിങ്ങൾക്കായുള്ള സംവാദത്തിനായി Azure AI Discord Community-യിലേക്ക് ചേർുക.

ഈ കോഴ്സ് ആരംഭിക്കാൻ, AI ഏജന്റുകൾ എന്താണെന്ന് ഞങ്ങൾ മനസ്സിലാക്കുകയും സ്വന്തമായി സൃഷ്ടിക്കുന്ന ആപ്ലിക്കേഷനുകളിലും വർക്ക്‌ഫ്ലോകളിലും അവയെ എങ്ങനെ ഉപയോഗിക്കാമെന്ന് പഠിക്കുകയും ചെയ്യുന്നു.

ഈ ലെസൺ ഉൾക്കൊള്ളുന്നത്:

• AI ഏജന്റുകൾ എന്ത് અને ഏജന്റുകൾക്കുള്ള വ്യത്യസ്ത തരം എന്തെല്ലാം?
• AI ഏജന്റുകൾക്ക് ഏറ്റവും അനുയോജ്യമായ ഉപയോഗ സാഹചര്യങ്ങൾ എന്തെല്ലാം, അവ എങ്ങനെ സഹായകരമാകുന്നു?
• ഏജന്റിക് സൊല്യൂഷനുകൾ രൂപകൽപ്പന ചെയ്യുമ്പോൾ ചില അടിസ്ഥാന ഘടകങ്ങൾ എന്തെല്ലാം?

ഈ ലെസൺ പൂർത്തിയാക്കിയാൽ നിങ്ങൾക്ക് കഴിയാൻ പോകുന്നത്:

• AI ഏജന്റ് ആശയങ്ങൾ മനസിലാക്കുകയും മറ്റു AI സൊല്യൂഷനുകളിൽ നിന്ന് അവ എങ്ങനെ വ്യത്യസ്തമാണെന്ന് ഔധിയ്ക്കുകയും ചെയ്യുക.
• AI ഏജന്റുകൾ ഏറ്റവും ഫലപ്രദമായി പ്രയോഗിക്കുക.
• ഉപയോക്താക്കളുടെയും ഉപഭോക്താക്കളുടെയും ആവശ്യങ്ങൾ പരിഗണിച്ചുള്ള ഏജന്റിക് സൊല്യൂഷനുകൾ ഫലപ്രദമായി രൂപകൽപ്പന ചെയ്യുക.

AI ഏജന്റുകൾ സിസ്റ്റങ്ങൾ ആണ്, അവ **വലിയ ভাষാ മോഡലുകൾ (LLMs)**ന് ഞിലകൾ സേവിക്കാനും അവരുടെ കഴിവുകൾ വർദ്ധിപ്പിക്കാനും വഴിയൊരുക്കുന്നു, LLMs-ന് ടൂൾസിന്‍ доступа നൽക്കുകയും അറിയിപ്പ് ലഭിക്കുകയുമാണ്.

ഈ നിർവചനത്തെ ചെറിയ ഭാഗങ്ങളായി വിഭജിക്കാം:

• സിസ്റ്റം - ഏജന്റുകളെ ഒരു സിംഗിൾ ഘടകമായി കാണാതെ, നിരവധി ഘടകങ്ങളുള്ള സിസ്റ്റമായി ചിന്തിക്കുക പ്രധാനമാണ്. അടിസ്ഥാന തലത്തിൽ, AI ഏജന്റിന്റെ ഘടകങ്ങൾ:
  • സന്ദർഭം (Environment) - AI ഏജന്റ് പ്രവർത്തിക്കുന്ന നിർവ്വചിച്ച സ്ഥലം. ഉദാഹരണത്തിന്, യാത്ര ബുക്കിംഗ് AI ഏജന്റ് ഉണ്ടെങ്കിൽ, അത് പ്രവർത്തിക്കുന്ന വിന്യാസം യാത്ര ബുക്കിംഗ് സിസ്റ്റമായി കരുതാം.
  • സെൻസറുകൾ - രീതികളിൽ വിവരങ്ങൾ ഒറ്റപ്പെടുത്തുകയും ഫീഡ്ബാക്ക് നൽകുകയും ചെയ്യുന്നു. AI ഏജന്റുകൾ ഈ വിവരങ്ങൾ ശേഖരച്ച് ഒരിനം നിലവിലുണ്ടായ സാഹചര്യത്തെ വ്യാഖ്യാനിക്കാനസാധിക്കും. യാത്ര ബുക്കിംഗ് ഏജന്റിന്റെ ഉദാഹരണത്തിൽ, അവിടെ ഹോട്ടൽ ലഭ്യത, ഫ്ലൈറ്റ് വിലകൾ എന്നിവ നൽകാവുന്നതാണ്.
  • ആക്ചുവേറ്ററുകൾ - AI ഏജന്റ് നിലവിലെ സാഹചര്യമറ്റു കാത്തിട്ടുള്ള നടപടി നിർണ്ണയിച്ച്, ആ സ്വീകരിച്ച് സാഹചര്യത്തെ മാറ്റാൻ നടപടി നടത്തുന്നു. യാത്ര ബുക്കിംഗ് ഏജന്റിന്, ഉപയോക്താവിന് ലഭ്യമായ റൂം ബുക്ക് ചെയ്യുക ഈ പ്രവർത്തി ആകാം.

വലിയ ഭാഷാ മോഡലുകൾ - LLM-കൾ ഉണ്ടാകുന്നതിനുമുമ്പും ഏജന്റുകളുടെ ആശയം നിലവിലുണ്ടായിരുന്നു. LLMകളിൽ നിന്ന് AI ഏജന്റുകൾ നിർമ്മിക്കുമ്പോഴുള്ള ഗുണം അവ മനുഷ്യഭാഷയും ഡാറ്റയും വ്യാഖ്യാനിക്കാനുള്ള ശേഷിയിലാണ്. ഈ കഴിവ് പരിസരവിവരങ്ങൾ വ്യാഖ്യാനിക്കാനും ലക്ഷ്യമനുസരിച്ച് പദ്ധതികളൊരുക്കാനും LLM-കൾക്ക് സഹായിക്കുന്നു.

പ്രവർത്തനങ്ങൾ നടത്തുക - AI ഏജന്റ് സിസ്റ്റത്തിൽ പുറത്തുള്ള LLMകൾ സാധാരണയായി ഉപയോക്താവിന്റെ നിർദ്ദേശത്തിന്റെ അടിസ്ഥാനത്തിൽ ഉള്ളടക്കം അല്ലെങ്കിൽ വിവരങ്ങൾ സൃഷ്ടിക്കാനുള്ള പരിധിയിൽ മാത്രമാണ്. AI ഏജന്റ് സിസ്റ്റത്തിനുള്ളിൽ, ഉപയോക്താവിന്റെ ആവശ്യത്തിനെ അനുസരിച്ച് ടൂൾസുകൾ ഉപയോഗിച്ച് പ്രവർത്തനങ്ങൾ നിർവഹിക്കുന്നതാണ്.

ടൂളുകൾക്ക് ആക്സസ് - LLM സജ്ജമാകുന്ന ടൂളുകൾ 1) അവ പ്രവർത്തിക്കുന്ന സാഹചര്യവും 2) AI ഏജന്റ് വികസിപ്പിക്കുന്നവരും തീർപ്പു വരുത്തുന്നു. യാത്ര ഏജന്റ് ഉദാഹരണത്തിൽ, ടൂളുകൾ ബുക്കിംഗ് സിസ്റ്റത്തിലൂടെ ലഭ്യമായ പ്രവർത്തികളിലും/അല്ലെങ്കിൽ വികസിപ്പിക്കുന്നവന്റെ നിയന്ത്രണത്തിലുമുള്ളവയാണ്.

മെമ്മറി+അറിയിപ്പ് - സംഭാഷണത്തിന്റെ പൊക്കത്തിൽ അല്പസമയത്തെ മെമ്മറി ഉണ്ടാകാം. ദീർഘകാലം, പരിസരവിവരങ്ങൾക്കപ്പുറം, വ്യത്യസ്ത സിസ്റ്റങ്ങൾ, സേവനങ്ങൾ, ടൂളുകൾ, മറ്റുള്ള ഏജന്റുകൾ എന്നിവയിൽ നിന്ന് അറിവ് തിരിച്ചുപിടിക്കാനും കഴിയും. യാത്ര ഏജന്റ് ഉദാഹരണത്തിൽ, ഉപയോക്താവിന്റെ യാത്ര ഇഷ്ടങ്ങളുള്ള വിവരങ്ങൾ ഉപഭോക്തൃ ഡാറ്റാബേസിൽ നിന്നും ലഭിക്കാം.

AI ഏജന്റുകളുടെ പൊതുവായ നിർവചനത്തിനു ശേഷം, ഇന്ന് കാണപ്പെടുന്ന ചില പ്രത്യേക ഏജന്റ് തരങ്ങൾ നോക്കാം, കൂടാതെ അവ യാത്ര ബുക്കിംഗ് AI ഏജെന്റിൽ എങ്ങനെ പ്രയോഗിക്കാമെന്ന്.

ഏജന്റ് തരം	വിവരണം	ഉദാഹരണം
സാധാരണ പ്രതികരണ ഏജന്റുകൾ	മുൻ‌പരിഗണന ചെയ്ത ചട്ടങ്ങളുടെ അടിസ്ഥാനത്തിൽ ഉടനെ പ്രവർത്തിക്കുന്നു.	യാത്ര ഏജന്റും ഇമെയിലിന്റെ കാര്യങ്ങൾ വ്യാഖ്യാനിച്ച് യാത്ര പരാതി കസ്റ്റമർ സർവിസിന് കൈമാറുന്നു.
മോഡൽ അടിസ്ഥാന പ്രതികരണ ഏജന്റുകൾ	ലോകം മോഡലും അതിലെ മാറ്റങ്ങളും അടിസ്ഥാനമാക്കി പ്രവർത്തനം നിർവഹിക്കുന്നു.	യാത്ര ഏജന്റ് ചരിത്ര വിലയുടെ ഡാറ്റ ഉപയോഗിച്ച് വിലയിൽ വലിയ മാറ്റങ്ങളുള്ള റൂട്ടുകളെ മുൻഗണന നൽകുന്നു.
ലക്ഷ്യ ആധാരിത ഏജന്റുകൾ	ലക്ഷ്യം വ്യാഖ്യാനിക്കുകയും അത് പ്രാപിക്കാൻ ആവശ്യമായ പ്രവർത്തനങ്ങൾ തീരുമാനിക്കുകയും ചെയ്‌തു പദ്ധതികൾ രൂപീകരിക്കുന്നു.	യാത്ര ഏജന്റ് ഇപ്രകാരം യാത്രയുടെ ആവശ്യങ്ങൾ (കാർ, പബ്ലിക് ട്രാൻസിറ്റ്, ഫ്ലൈറ്റുകൾ) മനസ്സിലാക്കി യാത്ര ബുക്ക് ചെയ്യുന്നു.
ഉപയോഗസാധ്യത ആധാരിത ഏജന്റുകൾ	ഇഷ്ടങ്ങൾ പരിഗണിച്ച് നാവികാന്വേഷണങ്ങൾ നടത്തുകയും വില-ഗുണനിലവാര തുല്യതകൾ പൂർണ്ണമായി കണക്കാക്കി ലക്ഷ്യം പ്രാപിക്കുന്നു.	യാത്ര ഏജന്റ് യാത്ര ബുക്കിംഗിൽ സൗകര്യം മുൻഗണനം ചെയ്യുന്നതിൽ ചെലവിനൊപ്പം തമ്മിൽ തുല്യത പരിശോധിച്ച് ഉപയോഗസാധ്യത പരമാവധി പ്രാപിക്കുന്നു.
കുറിച്ച് പഠിക്കുന്ന ഏജന്റുകൾ	ഫീഡ്ബാക്ക് സ്വീകരിച്ച് പ്രവർത്തന തരം ക്രമീകരിച്ച് സമയത്തിനൊപ്പം മെച്ചപ്പെടുന്നു.	യാത്ര ഏജന്റ് യാത്ര കഴിഞ്ഞുള്ള ഉപഭോക്തൃ ഫീഡ്ബാക്ക് ഉപയോഗിച്ച് ഭാവിയിൽ ബുക്കിംഗുകൾ മെച്ചപ്പെടുത്തുന്നു.
ഹയരാർക്കിക്കൽ ഏജന്റുകൾ	ഒരു നിരമയമായ സിസ്റ്റത്തിൽ ഒന്നിലധികം ഏജന്റുകൾ ഉൾക്കൊള്ളുന്നു, ഉയർന്ന തല ഏജന്റുകൾ പ്രവർത്തികളെ ഉപപ്രവൃത്തികളായി വിഭജിക്കുന്നു.	യാത്ര ഏജന്റ് യാത്ര റദ്ദാക്കൽ പ്രവർത്തനം നിശ്ചിത ബുക്കിംഗ് റദ്ദാക്കലായി വിഭജിച്ച് താഴ്ന്ന തല ഏജന്റുകൾക്ക് കൈമാറുകയും ഫലം പറഞ്ഞുകിട്ടുകയും ചെയ്യുന്നു.
മൾട്ടി ഏജന്റ് സിസ്റ്റങ്ങൾ (MAS)	ഏജന്റുകൾ സ്വതന്ത്രമായി, സഹകരിച്ചു അല്ലെങ്കിൽ മത്സരാപേക്ഷയോടെ പ്രവർത്തികൾ നിർവ്വഹിക്കുന്നു.	സഹകരണം: ഒരേ സമയം പല ഏജന്റുകളും ഹോട്ടൽ, ഫ്ലൈറ്റ്, വിനോദം എന്നിവ ബുക്കുചെയ്യുന്നു. മത്സരം: പല ഏജന്റുകളും വാസ്തവ ഹോട്ടൽ ബുക്കിംഗ് കലണ്ടറിൽ മത്സരം നടത്തും.

മുമ്പത്തെ ഭാഗത്തിൽ, യാത്ര ഏജന്റ് ഉപയോഗിച്ച് വിവിധ ഏജന്റ് തരം വിവിധ യാത്ര ബുക്കിംഗ് സാഹചര്യങ്ങളിൽ എങ്ങനെ ഉപയോഗിക്കാമെന്ന് വിവരിച്ചിരുന്നു. കോഴ്സിലുടനീളം ഈ ആപ്ലിക്കേഷൻ തുടരും.

AI ഏജന്റുകൾ ഏറ്റവും നല്ലതും അനുയോജ്യവുമായ ഉപയോഗ സാഹചര്യങ്ങൾ നോക്കാം:

• തുറന്ന, പരിമിതതടസ്സമില്ലാത്ത പ്രശ്നങ്ങൾ - LLM പ്രവർത്തനങ്ങൾ നിർവഹിക്കാനുള്ള ആവശ്യകതയുള്ള ഘട്ടങ്ങൾ സ്വയം തീരുമാനിക്കാൻ എളുപ്പമാണ്, ഒരു നിർവ്വചിത വർക്ക്‌ഫ്ലോയിൽ ഇത് സ്ഥിരമായി നിർവചിക്കാൻ പറ്റില്ലാത്തതിനാൽ.
• പലഘട്ട പ്രക്രിയകൾ - ഒരു തവണയുടെ വിവരം നേടുന്നതിനു പകരം, ഏജന്റ് ടൂളുകൾ അല്ലെങ്കിൽ വിവരങ്ങൾ പല തവണകൾ ഉപയോഗിച്ച് പ്രക്രിയകൾ നടത്തേണ്ട കണ്ണികൾ ഉള്ള പ്രവർത്തികൾ.
• സമയം കടന്നുപോകുന്നതോടെ മെച്ചപ്പെടൽ - പരിസരവിവരങ്ങളിൽ നിന്നും ഉപയോക്താക്കളുടെ ഫീഡ്ബാക്ക് സ്വീകരിച്ച് ഏജന്റ് സമയക്രമത്തിൽ മെച്ചപ്പെടാനുള്ള പ്രവർത്തികൾ.

കൂടുതൽ AI ഏജന്റുകൾ ഉപയോഗിക്കുന്നതിന്റെ പരിഗണനകൾ "Building Trustworthy AI Agents" ലെസനിൽ ചേർത്തിട്ടുണ്ട്.

AI ഏജന്റ് സിസ്റ്റം രൂപകൽപ്പന ചെയ്യാൻ ആദ്യഘട്ടം ടൂളുകൾ, പ്രവർത്തനങ്ങൾ, പെരുമാറ്റങ്ങൾ നിർവ്വചിക്കുക എന്നതാണ്. ഈ കോഴ്സിൽ, Azure AI Agent Service ഉപയോഗിച്ച് ഏജന്റുകൾ നിർവ്വചിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. ഇതിന് താഴെപ്പറയുന്ന സവിശേഷതകൾ ഉണ്ട്:

• OpenAI, Mistral, Llama പോലെയുള്ള ഓപ്പൺ മോഡലുകളുടെ തിരഞ്ഞെടുപ്പ്
• Tripadvisor പോലുള്ള പ്രൊവൈഡർമാർ വഴി ലൈസൻസുള്ള ഡേറ്റ ഉപയോഗം
• സ്റ്റാൻഡാർഡ് OpenAPI 3.0 ടൂളുകളുടെ ഉപയോഗം

LLM ഘടനയിലേക്ക് പ്രോംപ്റ്റുകൾ വഴി ആശയവിനിമയം നടക്കുന്നു. AI ഏജന്റുകൾയുടേത് സെമിയോളട്ടോമാറ്റിക് സ്വഭാവം കാരണം, പരിസരം മാറിയപ്പോൾ സ്വയം പ്രോംപ്റ്റ് നൽകേണ്ട ആവശ്യമുണ്ടാകാതെ LLM-നെ വീണ്ടും പ്രോംപ്റ്റ് ചെയ്യരുതെന്നു ഇല്ല. ഈ ഘട്ടത്തിൽ, Agentic Patterns ഉപയോഗിച്ച് LLM-നെ പല പടികളിലും പ്രോംപ്റ്റ് ചെയ്യുന്നത് സാധ്യമാക്കുന്നു.

ഈ കോഴ്സ് ഇപ്പോഴത്തെ ജനപ്രിയമായ ചില ഏജന്റിക് മാതൃകകളിൽ പിരിഞ്ഞിരിക്കുന്നു.

എജന്റിക് ഫ്രെയിംവർക്ക്‌കൾ ഡെവലപ്പർമാർക്ക് കോഡിലൂടെ ഏജന്റിക് മാതൃകകൾ നടപ്പിലാക്കാൻ സാധ്യമാക്കുന്നു. ടേംപ്ലേറ്റുകൾ, പ്ലഗിൻസുകൾ, ടൂളുകൾ പോലുള്ള സൗകര്യങ്ങൾ മികച്ച ഏജന്റ് സഹകരണവും മികച്ച നിരീക്ഷണശേഷിയുമുണ്ട്.

ഈ കോഴ്സിൽ, പ്രൊഡക്ഷൻ റെഡിയായ AI ഏജന്റുകൾ നിർമ്മിക്കാനുള്ള Microsoft Agent Framework (MAF) പടിയിലേക്കുള്ള പഠനം ചെയ്യും.

• Python: Agent Framework
• .NET: Agent Framework

പഠനാർത്ഥികളുമായി മൈക്രോസോഫ്ട് ഫൗണ്ഡ്രി ഡിസ്കോർഡിൽ ചേരുക: Microsoft Foundry Discord. ഓഫീസ് മണിക്കൂറുകളിൽ പങ്കെടുക്കുകയും നിങ്ങളുടെ സംശയങ്ങൾക്ക് ഉത്തരങ്ങളും ലഭ്യമാക്കുകയും ചെയ്യുക.

Course Setup

Exploring Agentic Frameworks

---

പരാമർശം: ഈ രേഖ Co-op Translator എന്ന എഐ പരിഭാഷാ സേവനം ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. നിസ്സംശയം ഞങ്ങൾ കൃത്യതയ്ക്ക് പരിശ്രമിക്കവേ, എങ്കിലും സ്വയം പ്രവർത്തിക്കുന്ന പരിഭാഷകളിൽ പിശകുകൾ അല്ലെങ്കിൽ അശുദ്ധതകൾ ഉണ്ടായേക്കാം എന്നത് പരിഗണിക്കുക. അതിന്റെ സ്വന്തം ഭാഷയിലുള്ള മൗലിക രേഖ പ്രാമാണിക സ്രോതസ്സായി കണക്കാക്കേണ്ടതാണ്. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മാനവ പരിഭാഷ ശിപാർശ ചെയ്യുന്നു. ഈ പരിഭാഷയുടെ ഉപയോഗത്തിൽ നിന്നുണ്ടായേക്കാവുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ മിഴിവുകൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.