(या धडााचा व्हिडिओ पाहण्यासाठी वरिल प्रतिमेवर क्लिक करा)

"AI एजंट्स फॉर बिगिनर्स" कोर्समध्ये आपले स्वागत आहे! हा कोर्स AI एजंट्स तयार करण्यासाठी मूलभूत ज्ञान आणि लागू केलेले नमुने प्रदान करतो.

इतर शिकणाऱ्यांना आणि AI एजंट बिल्डर्सना भेटण्यासाठी आणि या कोर्सबद्दल कोणतेही प्रश्न विचारण्यासाठी Azure AI Discord Community मध्ये सामील व्हा.

हा कोर्स सुरू करण्यासाठी, आपण प्रथम AI एजंट्स काय आहेत आणि आपण त्यांना आपण तयार करत असलेल्या अनुप्रयोगांमध्ये व वर्कफ्लोमध्ये कसे वापरू शकतो याचा चांगला आढावा घेऊ.

हा धडा खालील गोष्टींचा समावेश करतो:

• AI एजंट्स काय आहेत आणि वेगवेगळ्या प्रकारचे एजंट्स काय आहेत?
• AI एजंट्ससाठी सर्वोत्तम वापर प्रकरणे कोणती आहेत आणि ते कसे मदत करू शकतात?
• एजंटिक सोल्यूशन्स डिझाइन करताना काही मूलभूत बांधकामातील घटक काय आहेत?

हा धडा पूर्ण केल्यावर, आपल्याला हे सक्षम असावे:

• AI एजंट संकल्पना समजून घेणे आणि ते इतर AI सोल्यूशन्सपेक्षा कसे वेगळे असतात हे जाणून घेणे.
• AI एजंट्सचा सर्वात कार्यक्षम वापर करणे.
• वापरकर्ते आणि ग्राहक दोघांसाठीही एजंटिक सोल्यूशन्स उत्पादकतेने डिझाइन करणे.

AI एजंट म्हणजे सिस्टम ज्यामुळे लार्ज लँग्वेज मॉडेल्स(LLMs) त्यांच्या क्षमता वाढवून क्रिया करण्यास सक्षम करतात, ज्यासाठी LLMs ला टूल्स आणि ज्ञान मिळते.

चला या व्याख्येला लहान भागांत विभागूया:

• सिस्टम - एजंट्सना केवळ एक घटक म्हणून नव्हे तर अनेक घटकांचे एक सिस्टम म्हणून विचार करणे महत्त्वाचे आहे. AI एजंटच्या मूलभूत पातळीवर, घटक आहेत:
  • परिसर - तो परिभाषित जागा जिथे AI एजंट कार्यरत असतो. उदाहरणार्थ, जर आपल्याकडे ट्रॅव्हल बुकिंग AI एजंट असेल, तर परिसर म्हणजे तो ट्रॅव्हल बुकिंग सिस्टम ज्याचा AI एजंट कार्य पूर्ण करण्यासाठी वापर करतो.
  • सेंसर - परिसरे माहिती असतात आणि अभिप्राय देतात. AI एजंट्स सेंसर वापरून परिसराची सद्यस्थिती जाणून घेतात आणि ती माहिती समजून घेतात. ट्रॅव्हल बुकिंग एजंट उदाहरणात, ट्रॅव्हल बुकिंग सिस्टम हॉटेल उपलब्धता किंवा फ्लाइट किमतीसारखी माहिती देऊ शकते.
  • ऍक्चुएटर्स - AI एजंटने परिसराची सद्यस्थिती मिळाल्यानंतर, एजंट सद्य कार्यासाठी परिसर बदलण्यासाठी कोणती क्रिया करावी ते ठरवतो. ट्रॅव्हल बुकिंग एजंटसाठी, ते ग्राहकासाठी उपलब्ध खोलं बुक करणे असू शकते.

लार्ज लँग्वेज मॉडेल्स - एजंट्स संकल्पना LLMs तयार होण्यापूर्वीही अस्तित्वात होती. LLMs वापरून AI एजंट्स तयार करण्याचा फायदा म्हणजे मानवी भाषा आणि डेटा समजण्याची त्यांची क्षमता. ही क्षमता LLMsना परिसरातील माहिती समजून घेण्यास आणि परिसर बदलण्यासाठी योजना तयार करण्यास सक्षम बनवते.

क्रिया करणे - AI एजंट सिस्टम्सच्या बाहेर, LLMs केवळ वापरकर्त्याच्या प्रॉम्प्टवर आधारित सामग्री किंवा माहिती निर्माण करण्यापुरती मर्यादित असतात. AI एजंट सिस्टममध्ये, LLMs वापरकर्त्याच्या विनंतीचे अर्थ लावत टूल्स वापरून कार्य पूर्ण करू शकतात.

टूल्सचे प्रवेश - LLMला कोणते टूल्स वापरता येतील हे 1) ज्या परिसरात ते कार्य करत आहे आणि 2) AI एजंटचे विकासक यांद्वारे ठरवले जाते. ट्रॅव्हल एजंट उदाहरणात, एजंटचे टूल्स बुकिंग सिस्टममधील ऑपरेशन्सने मर्यादित असतात, किंवा विकासक एजंटच्या टूल प्रवेशावर फ्लाइट्ससाठी मर्यादा लावू शकतो.

स्मृती+ज्ञान - संभाषणाच्या संदर्भात स्मृती अल्पकालीन असू शकते. दीर्घकालीन, परिसराने दिलेल्या माहितीव्यतिरिक्त, AI एजंट कधीही इतर प्रणाली, सेवा, टूल्स आणि अगदी इतर एजंट्समधूनही ज्ञान प्राप्त करू शकतो. ट्रॅव्हल एजंट उदाहरणात, हे वापरकर्त्याच्या प्रवास आवडीनिवडीवरील ज्ञान असू शकते जे ग्राहक डेटाबेसमध्ये असते.

आता आपल्याकडे AI एजंट्सच्या सामान्य व्याख्येचा आढावा आहे, तर आपण काही विशिष्ट एजंट प्रकार पाहू आणि ते ट्रॅव्हल बुकिंग AI एजंटवर कसे लागू होतात ते पाहू.

एजंट प्रकार	वर्णन	उदाहरण
सिंपल रिफ्लेक्स एजंट्स	पूर्वनिर्धारित नियमांवर आधारित तत्काळ क्रिया करतात.	ट्रॅव्हल एजंट ईमेल संदर्भ समजून ग्राहक सेवा विभागाला ट्रॅव्हल तक्रारी पाठवतो.
मॉडेल-आधारित रिफ्लेक्स एजंट्स	जगाच्या मॉडेलवर आणि त्या मॉडेलमधील बदलांवर आधारित क्रिया करतात.	ट्रॅव्हल एजंट महत्वाच्या किंमत बदलांसाठी ऐतिहासिक किंमत डेटावर आधारित मार्गांना प्राधान्य देतो.
गोल-आधारित एजंट्स	विशिष्ट उद्दिष्टे साध्य करण्यासाठी योजना तयार करतात आणि त्या उद्दिष्टाकडे पोहोचण्यासाठी क्रिया ठरवतात.	ट्रॅव्हल एजंट प्रवासासाठी आवश्यक व्यवस्था (कार, सार्वजनिक वाहतूक, फ्लाइट्स) निर्धारित करून प्रवास बुक करतो.
यूटिलिटी-आधारित एजंट्स	प्राधान्ये विचारात घेतात आणि संख्यात्मकपणे ट्रेडऑफची तुलना करून उद्दिष्टे साध्य करतात.	ट्रॅव्हल एजंट प्रवास बुक करताना सुविधा आणि खर्च यांचा तौलन करून यूटिलिटी जास्तीत जास्त करतो.
लर्निंग एजंट्स	अभिप्रायांनुसार सुधारणे करतात आणि त्यानुसार क्रिया समायोजित करतात.	ट्रॅव्हल एजंट प्रवासानंतरच्या सर्व्हेच्या ग्राहक अभिप्रायाचा वापर करून भविष्यातील बुकिंग सुधारतो.
हायरार्किकल एजंट्स	तीर स्तरीय प्रणालीत अनेक एजंट असतात, जिथे वरच्या स्तरावाले एजंट काम मोठ्या भागांत विभागून खालच्या स्तरावाले एजंट पूर्ण करतात.	ट्रॅव्हल एजंट एका प्रवासाला रद्द करतो, काम उपकार्यांत विभागतो (उदा., विशिष्ट बुकिंग रद्द करणे) आणि खालच्या स्तरावाले एजंट पूर्ण करून उच्च स्तरीय एजंटला अहवाल देतात.
मल्टी-एजंट सिस्टम्स (MAS)	स्वतंत्रपणे, सहकार्याने किंवा स्पर्धात्मक पद्धतीने एजंट काम पूर्ण करतात.	सहकार्यात्मक: अनेक एजंट विशिष्ट ट्रॅव्हल सेवा जसे की हॉटेल, फ्लाइट्स, मनोरंजन बुक करतात. स्पर्धात्मक: अनेक एजंट एकत्रित हॉटेल बुकिंग कॅलेंडर व्यवस्थापित करून ग्राहकांना बुक करतात.

आधीच्या भागात, आपण त्रॅव्हल एजंट वापर प्रकरण वापरून वेगवेगळ्या प्रकारचे एजंट्स ट्रॅव्हल बुकिंगच्या विविध परिस्थितींमध्ये कसे वापरायचे हे पाहिले. हा अनुप्रयोग आपण संपूर्ण कोर्समध्ये वापरत राहू.

AI एजंट्ससाठी सर्वोत्तम वापर प्रकरण प्रकार पाहूया:

• संपूर्ण समाधान नसलेली समस्या - LLM स्वतः आवश्यक पावले ठरवू शकेल कारण ते वर्कफ्लो मध्ये ठरवणे शक्य नसते.
• बहु-पावली प्रक्रिया - अशी कामे ज्यात AI एजंटला टूल्स किंवा माहिती एकदाच नव्हे तर अनेक चरणांत वापरावी लागते.
• कालांतराने सुधारणा - अशा कामासाठी जिथे एजंट आपले कार्य आणि उपयुक्तता सुधारण्यासाठी अभिप्राय वापरून स्वतःला सुधारू शकतो.

AI एजंट वापरासंबंधी आणखी विचार "Building Trustworthy AI Agents" धड्यात आपण पाहणार आहोत.

AI एजंट सिस्टम डिझाइन करण्याचा पहिला टप्पा म्हणजे टूल्स, क्रिया, आणि वर्तन निश्चित करणे. या कोर्समध्ये आपण Azure AI Agent Service वापरून आमचे एजंट डिफाइन करणे शिकू. यामध्ये खालील वैशिष्ट्ये आहेत:

• OpenAI, Mistral, आणि Llama सारख्या Open Models निवडणूक
• TripAdvisor सारख्या प्रदात्यांकडून परवानाधारी डेटा वापर
• OpenAPI 3.0 प्रमाणित टूल्सचा वापर

LLMs शी संवाद प्रॉम्प्ट्सद्वारे होतो. AI एजंट्सचा अर्ध-स्वायत्त स्वरूप लक्षात घेऊन, परिसरातील बदल झाल्यावर प्रत्येकवेळी मॅन्युअली LLM पुन्हा प्रॉम्प्ट करणे शक्य नसते किंवा आवश्यक नसते. म्हणून, आम्ही एजंटिक पॅटर्न्स वापरतो जे LLM ला अनेक टप्प्यांत अधिक प्रमाणात प्रॉम्प्ट करण्यास परवानगी देतात.

हा कोर्स काही लोकप्रिय एजंटिक पॅटर्न्समध्ये विभागलेला आहे.

एजंटिक फ्रेमवर्क्स विकासकांना एजंटिक पॅटर्न्स कोडद्वारे अंमलात आणण्यास मदत करतात. हे फ्रेमवर्क्स टेम्पलेट्स, प्लगइन्स, आणि टूल्स देतात ज्यायोगे AI एजंट्सच्या सहकार्यासाठी अधिक चांगला अनुभव मिळतो. यामुळे AI एजंट सिस्टिमच्या निरीक्षण आणि समस्या सोडवण्याची क्षमता सुधारते.

या कोर्समध्ये आपण उत्पादनासाठी तयार AI एजंटसाठी Microsoft Agent Framework (MAF) तपासू.

• Python: Agent Framework
• .NET: Agent Framework

Microsoft Foundry Discord मध्ये सामील व्हा, इतर शिकणाऱ्यांना भेटा, ऑफिस अवर्स अटेंड करा आणि आपले AI एजंट्स संबंधित प्रश्न विचारू शकता.

Course Setup

Exploring Agentic Frameworks

---

सोडणीपत्र: हा दस्तऐवज AI अनुवाद सेवा Co-op Translator वापरून अनुवादित केला आहे. आम्ही अचूकतेसाठी प्रयत्नशील आहोत, परंतु कृपया लक्षात ठेवा की स्वयंचलित अनुवादांमध्ये चुका किंवा अचूकतेची कमतरता असू शकते. मूळ दस्तऐवज त्याच्या स्थानिक भाषेत अधिकृत स्रोत मानला जावा. महत्त्वपूर्ण माहितींसाठी व्यावसायिक मानवी अनुवाद करण्याची शिफारस केली जाते. या अनुवादाच्या वापरामुळे उद्भवलेल्या कोणत्याही गैरसमजुती किंवा गैरवाप्तींबद्दल आम्ही जबाबदार नाही.