(Bonyeza picha hapo juu ili kutazama video ya somo hili)
Karibu kwenye kozi "Wakala za AI kwa Waanzilishi"! Kozi hii inatoa maarifa ya msingi na mifano ya matumizi kwa ajili ya kujenga Wakala za AI.
Jiunge na Jamii ya Discord ya Azure AI ili kukutana na wanafunzi wenzako na Wajenzi wa Wakala za AI na kuuliza maswali yoyote kuhusu kozi hii.
Ili kuanza kozi hii, tunaanza kwa kupata uelewa bora wa ni nini Wakala za AI na jinsi tunavyoweza kuzitumia katika programu na mtiririko wa kazi tunazojenga.
Somo hili linajumuisha:
- Wakala za AI ni nini na ni aina gani tofauti za mawakala?
- Ni matukio gani ya matumizi yanayofaa zaidi kwa Wakala za AI na zinaweza kutusaidia vipi?
- Ni nini baadhi ya vipengele vya msingi katika kubuni Suluhisho za Agentic?
Baada ya kumaliza somo hili, unapaswa kuwa na uwezo wa:
- Kuelewa dhana za Wakala wa AI na jinsi zinavyotofautiana na suluhisho nyingine za AI.
- Tumia Wakala za AI kwa ufanisi zaidi.
- Buni suluhisho za Agentic kwa ufanisi kwa watumiaji na wateja.
Wakala za AI ni mifumo zinazowawezesha Mifumo Mikubwa ya Lugha(LLMs) kutekeleza vitendo kwa kuongeza uwezo wao kwa kuwapa LLMs ufikiaji wa zana na maarifa.
Tuchambue ufafanuzi huu kwa sehemu ndogo:
- Mfumo - Ni muhimu kufikiria mawakala si kama sehemu moja tu bali kama mfumo wa sehemu nyingi. Kwa kiwango cha msingi, vipengele vya Wakala wa AI ni:
- Mazingira - Nafasi iliyowekwa ambapo Wakala wa AI anafanya kazi. Kwa mfano, tukiwa na Wakala wa AI wa kuhifadhi usafiri, mazingira yanaweza kuwa mfumo wa uhifadhi wa usafiri ambao Wakala wa AI anautumia kukamilisha kazi.
- Vihisi - Mazingira yana taarifa na hutoa maoni. Wakala za AI hutumia vihisi kukusanya na kutafsiri habari hii kuhusu hali ya sasa ya mazingira. Katika mfano wa Wakala wa Uhifadhi Usafiri, mfumo wa uhifadhi unaweza kutoa taarifa kama upatikanaji wa hoteli au bei za ndege.
- Vitendaji - Mara Wakala wa AI anapopokea hali ya sasa ya mazingira, kwa kazi ya sasa wakala huamua ni hatua gani ya kufanya ili kubadilisha mazingira. Kwa wakala wa uhifadhi usafiri, inaweza kuwa kuhifadhi chumba kilichopo kwa mtumiaji.
Mifumo Mikubwa ya Lugha - Dhana ya mawakala ilikuwepo kabla ya kuundwa kwa LLMs. Faida ya kujenga Wakala za AI kwa kutumia LLMs ni uwezo wao wa kutafsiri lugha ya binadamu na data. Uwezo huu unawawezesha LLMs kutafsiri taarifa za mazingira na kuunda mpango wa kubadilisha mazingira.
Kutekeleza Vitendo - Nje ya mifumo ya Wakala za AI, LLMs zimezuiliwa kwa hali ambapo kitendo ni kuunda maudhui au taarifa kulingana na ombi la mtumiaji. Ndani ya mifumo ya Wakala za AI, LLMs zinaweza kutekeleza kazi kwa kutafsiri ombi la mtumiaji na kutumia zana zinazopatikana katika mazingira yao.
Ufikiaji wa Vifaa - Ni zana gani LLM inazo ufikiaji wake zinabainishwa na 1) mazingira ambayo inafanya kazi ndani yake na 2) msanidi wa Wakala wa AI. Kwa mfano wa wakala wetu wa usafiri, zana za wakala zinazuiliwa na operesheni zinazopatikana katika mfumo wa uhifadhi, na/au msanidi anaweza kupunguza ufikiaji wa zana za wakala kwa ndege tu.
Kumbukumbu+Maarifa - Kumbukumbu inaweza kuwa ya muda mfupi katika muktadha wa mazungumzo kati ya mtumiaji na wakala. Kwa muda mrefu, nje ya taarifa zinazotolewa na mazingira, Wakala za AI zinaweza pia kupata maarifa kutoka kwa mifumo mingine, huduma, zana, na hata mawakala wengine. Katika mfano wa wakala wa usafiri, maarifa haya yanaweza kuwa taarifa juu ya mapendeleo ya usafiri ya mtumiaji zilizo katika hifadhidata ya wateja.
Sasa tukiwa na ufafanuzi wa jumla wa Wakala za AI, tuchunguze baadhi ya aina maalum za mawakala na jinsi zingetumika kwa wakala wa uhifadhi usafiri.
| Aina ya Wakala | Maelezo | Mfano |
|---|---|---|
| Simple Reflex Agents | Hufanya vitendo vya papo hapo kulingana na sheria zilizowekwa. | Wakala wa usafiri huelewa muktadha wa barua pepe na kupeleka malalamiko ya usafiri kwa huduma kwa wateja. |
| Model-Based Reflex Agents | Hufanya vitendo kulingana na mfano wa ulimwengu na mabadiliko ya mfano huo. | Wakala wa usafiri anapeana kipaumbele njia zenye mabadiliko makubwa ya bei kulingana na upatikanaji wa data ya bei ya kihistoria. |
| Goal-Based Agents | Hutengeneza mipango ya kufikia malengo maalum kwa kutafsiri lengo na kubaini hatua za kulifikia. | Wakala wa usafiri anahifadhi safari kwa kubaini mpangilio muhimu wa usafiri (gari, usafiri wa umma, ndege) kutoka eneo la sasa hadi marudio. |
| Utility-Based Agents | Huzingatia mapendeleo na kupima mabadiliko kwa takwimu ili kubainisha jinsi ya kufikia malengo. | Wakala wa usafiri huongeza manufaa kwa kupima urahisi dhidi ya gharama wakati wa kuhifadhi usafiri. |
| Learning Agents | Kuboresha kwa muda kwa kujibu maoni na kurekebisha vitendo ipasavyo. | Wakala wa usafiri huboresha kwa kutumia maoni ya wateja kutoka kwa tafiti baada ya safari kufanya marekebisho kwa uhifadhi wa baadaye. |
| Hierarchical Agents | Inaweka mawakala wengi katika mfumo wa ngazi, ambapo mawakala wa ngazi ya juu wanagawanya kazi kuwa kazi ndogo kwa mawakala wa ngazi ya chini kukamilisha. | Wakala wa usafiri anafuta safari kwa kugawa kazi kuwa kazi ndogo (kwa mfano, kufuta uhifadhi maalum) na kuwaacha mawakala wa ngazi ya chini wakamalize, wakiripoti kwa wakala wa ngazi ya juu. |
| Multi-Agent Systems (MAS) | Mawakala hufanya kazi kwa uhuru, ama kwa ushirikiano au ushindani. | Ushirikiano: Mawakala kadhaa hununua huduma maalum za usafiri kama hoteli, ndege, na burudani. Ushindani: Mawakala kadhaa husimamia na kushindana juu ya kalenda ya uhifadhi hoteli iliyoshirikiwa kuhifadhi wateja kwenye hoteli. |
Katika sehemu ya awali, tulitumia mfano wa Wakala wa Usafiri kuelezea jinsi aina tofauti za mawakala zinavyoweza kutumika katika nyaraka tofauti za uhifadhi wa usafiri. Tutaendelea kutumia mfano huu katika kozi nzima.
Tuchukue muda kuangalia aina za matukio ya matumizi ambayo Wakala za AI zinafaa zaidi kwa ajili yao:
- Matatizo Yasiyo na Mwisho - kuruhusu LLM kubaini hatua zinazohitajika kukamilisha kazi kwa sababu haiwezi kila wakati kutumika kama kanuni thabiti ndani ya mtiririko wa kazi.
- Mchakato wa Hatua Nyingi - kazi zinazohitaji kiwango cha ugumu ambapo Wakala wa AI anahitaji kutumia zana au taarifa kwa mizunguko mingi badala ya upokee mmoja tu.
- Kuboresha kwa Muda - kazi ambapo wakala anaweza kuboresha kwa muda kwa kupokea maoni kutoka mazingira yake au watumiaji ili kutoa manufaa bora.
Tunakufunika mashauriano zaidi juu ya kutumia Wakala za AI katika somo la Kujenga Wakala wa AI Wanaoaminika.
Hatua ya kwanza katika kubuni mfumo wa Wakala wa AI ni kufafanua zana, vitendo, na tabia. Katika kozi hii, tunazingatia kutumia Azure AI Agent Service kufafanua Wakala wetu. Inatoa vipengele kama:
- Uchaguzi wa Mifano Wazi kama OpenAI, Mistral, na Llama
- Matumizi ya Data Zenye Leseni kupitia watoa huduma kama Tripadvisor
- Matumizi ya zana za kiwango cha OpenAPI 3.0
Mawasiliano na LLM hutokea kupitia maelekezo (prompts). Kutokana na asili ya nusu-hiu ya Wakala za AI, si kila wakati inawezekana au inahitajika kupeleka tena maelekezo kwa LLM kwa mwongozo baada ya mabadiliko ya mazingira. Tunatumia Agentic Patterns zinazotuwezesha kuendesha LLM kwa hatua nyingi kwa njia inayoweza kupanuka zaidi.
Kozi hii imegawanywa kwa baadhi ya mifumo za Agentic maarufu za sasa.
Mifumo ya Agentic inaruhusu wasanidi kutekeleza mifumo ya agentic kupitia msimbo. Mifumo hii hutoa templeti, viendelezi, na zana kwa ajili ya ushirikiano bora wa Wakala za AI. Manufaa haya yanatoa uwezo wa ufuatiliaji bora na utatuzi wa matatizo ya mifumo ya Wakala za AI.
Katika kozi hii, tutachunguza Microsoft Agent Framework (MAF) kwa ajili ya kujenga mawakala wa AI tayari kwa uzalishaji.
- Python: Framu ya Wakala
- .NET: Framu ya Wakala
Jiunge na Microsoft Foundry Discord ili kukutana na wanafunzi wenzako, kuhudhuria saa za ofisi na kupata maswali yako kuhusu Wakala za AI yajibiwe.
Tamko la kutokuwajibika:
Hati hii imetafsiriwa kwa kutumia huduma ya utafsiri ya AI Co-op Translator. Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kwamba utafsiri wa moja kwa moja unaweza kuwa na makosa au kutoeleweka kwa usahihi. Hati ya asili katika lugha yake inapaswa kuchukuliwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tunapendekeza kutumia utafsiri wa kitaalamu unaofanywa na binadamu. Hatujawajibika kwa kutokuelewana au tafsiri potofu zitakazotokana na matumizi ya tafsiri hii.
