কঠোর JSON আউটপুট সনাক্তকরণের সাথে ফাংশন কলিং সিস্টেমের ইন্টিগ্রেশনগুলির জন্য নির্ভরযোগ্য আইটি প্রতিক্রিয়া নিশ্চিত করে. টাইপ সনাক্তকরণের জন্য Pydantic, গঠনগত সংজ্ঞা জন্য JSON Schema এবং সঠিক ত্রুটি প্রক্রিয়াকরণের জন্য ব্যবহার করে, ডেভেলপাররা শক্তিশালী অ্যাপ্লিকেশন তৈরি করতে পারে যা একত্রিত, ভাল ফর্ম্যাট করা আইটি আউটপুটগুলির উপর নির্ভর করে, যা আইটি দ্বারা উত্পাদিত ডেটা বিশ্লেষণ করার সময় সাধারণত অভিজ্ঞতা হ্রাস করে। ফাংশন Calling Output এর সমস্যা কী? আমি এখনও মনে আছে যে প্রথমবার আমি একটি রেজিস্ট্রেশন সিস্টেম তৈরি করার চেষ্টা করেছি যা গ্রাহকদের অনুরোধগুলি বিশ্লেষণ করার জন্য একটি আইআই মডেল ব্যবহার করে। এটি একটি বিপর্যয় ছিল! কখনও কখনও এআই ক্ষেত্রগুলি ভুলে যেত. অন্য সময় এটি অতিরিক্তগুলি যোগ করবে. কখনও কখনও এটি সারিগুলি ফেরত দেয় যখন আমাদের প্রয়োজন হয়, অথবা এটি তারিখগুলি অনির্দিষ্টভাবে ফরম্যাট করবে। আমি কি প্রয়োজন ছিল একটি উপায় নিশ্চিত করা AI সবসময় ঠিক আমার সিস্টেমের প্রত্যাশিত কাঠামো ফেরত. যেখানে কঠোর JSON আউটপুট যাচাই করা আসে। ️ AI ফাংশন আউটপুট এর কোর চ্যালেঞ্জ যখন আমরা এআই-র সাথে ফাংশন কল ব্যবহার করি, তখন আমরা মৌলিকভাবে মডেলকে বিভ্রান্ত মানব ভাষা এবং আমাদের সিস্টেমগুলি প্রক্রিয়াকরণ করতে পারে এমন গঠিত তথ্যের মধ্যে অনুবাদক হিসাবে কাজ করার জন্য অনুরোধ করি। এটি একটি মৌলিক উত্তেজনা তৈরি করে: 
 
 
 আমরা প্রাকৃতিক ভাষার ইনপুটের নমনীয়তা চাই কিন্তু আমাদের প্রয়োজন সংশ্লিষ্ট ডেটা উত্পাদনের কঠোরতা সমাধানটি একটি সনাক্তকরণ স্তর তৈরি করা হয় যা নিশ্চিত করে যে এআই উত্পাদিত যা কিছু আমাদের সিস্টেমগুলি প্রত্যাশা করে তা সঠিকভাবে রূপান্তরিত হয়। পাইথন ডেটা ভ্যালিডেশন হিরো - Python Data Validation Hero Pydantic একটি ডেটা ভ্যালিগেশন লাইব্রেরি যা পাইথন অ্যাপ্লিকেশনগুলিতে ডেটা কাঠামোগুলি প্রয়োগ করার জন্য স্ট্যান্ডার্ড হয়ে উঠেছে. ফাংশন কলিংয়ের জন্য এটি কীভাবে নিখুঁত করে তোলে তা হল কিভাবে এটি দৈনন্দিন, সম্ভাব্য অসুবিধাজনক ডেটা এবং আমাদের ফাংশনগুলি প্রয়োজনীয় কঠোর টাইপগুলির মধ্যে পতন। Pydantic টাইপ অ্যানোটেশন দিয়ে ডেটা মডেলগুলি সংজ্ঞায়িত করার একটি সহজ উপায় সরবরাহ করে। যখন ডেটা এই মডেলগুলিতে প্রেরণ করা হয়, Pydantic স্বয়ংক্রিয়ভাবে নিশ্চিত করে যে ডেটা প্রত্যাশিত টাইপ এবং ফরম্যাটগুলির সাথে সামঞ্জস্যপূর্ণ। উদাহরণস্বরূপ, যখন একটি আইআই একটি সম্পূর্ণ সংখ্যা হওয়া উচিত একটি ক্ষেত্রের জন্য একটি স্ট্রিং হিসাবে "4" ফেরত দেয়, Pydantic এটি স্বয়ংক্রিয়ভাবে রূপান্তর করে। কিভাবে Pydantic ফাংশন কল সমস্যা সমাধান করে মূল দৃষ্টিভঙ্গি হল যে আমরা আমাদের ফাংশন কলিং ওয়ার্কফ্লোতে দুটি গুরুত্বপূর্ণ জায়গায় পাইড্যান্টিক ব্যবহার করতে পারি: 
 
 
 
 
 : We can convert our Pydantic models to JSON Schema that the AI model understands, ensuring the AI knows exactly what format we expect. Definition 
 
 : We can use the same Pydantic models to validate and transform the AI's output, catching any inconsistencies before they reach our business logic. Validation এটি একটি নিখুঁত পাইপলাইন তৈরি করে যেখানে প্রাকৃতিক ভাষা এক প্রান্তে যায়, এবং সঠিকভাবে টাইপ করা, যাচাই করা ডেটা অন্য প্রান্তে আসে. AI ব্যবহারকারীর উদ্দেশ্য বোঝার জন্য সৃজনশীল হতে পারে, কিন্তু Pydantic নিশ্চিত করে যে সৃজনশীলতা একটি সামঞ্জস্যপূর্ণ কাঠামোতে চ্যানেল করা হয় যা আমাদের সিস্টেমগুলি কাজ করতে পারে। আমি দেখেছি দলগুলি তাদের ফাংশন কল আউটপুটগুলিতে পাইডান্টিক সনাক্তকরণ বাস্তবায়ন করার পরে তাদের ত্রুটি হার 90% এরও বেশি হ্রাস করে। ️ ফাংশন আউটপুটের জন্য একটি নির্ভরযোগ্য কাঠামো তৈরি করুন আমরা একটি সম্পূর্ণ উদাহরণ তৈরি করব OpenAI ফাংশন কলিং সহ Pydantic validation রক-সলিড আউটপুট নিশ্চিত করার জন্য: 
from openai import AzureOpenAI
import json
from pydantic import BaseModel, Field, ValidationError
from typing import Optional, List
from datetime import datetime
from enum import Enum

# Initialize the client
# Initialize the Azure OpenAI client
client = AzureOpenAI(
    api_key="Your key",  
    api_version="2024-10-21",  # Make sure to use a version that supports function calling
    azure_endpoint="Your endpoint"
)

# Define our data structures using Pydantic
class ReservationType(str, Enum):
    DINNER = "dinner"
    LUNCH = "lunch"
    BREAKFAST = "breakfast"

class RestaurantReservation(BaseModel):
    party_size: int = Field(..., gt=0, description="Number of people in the party")
    date: datetime = Field(..., description="Date and time of the reservation")
    special_requests: Optional[str] = Field(None, description="Any special requests")
    reservation_type: ReservationType = Field(..., description="Type of meal")
    customer_name: str = Field(..., min_length=1, description="Name for the reservation")
    phone_number: Optional[str] = Field(None, description="Contact phone number")

# Convert Pydantic model to a JSON schema for the function definition
reservation_schema = RestaurantReservation.model_json_schema()

# Define the function for the AI
functions = [
    {
        "type": "function",
        "function": {
            "name": "make_restaurant_reservation",
            "description": "Make a reservation at a restaurant",
            "parameters": reservation_schema
        }
    }
]

# Function to parse and validate AI output
def parse_reservation_response(response_message):
    # Check if the model wants to call a function
    if not response_message.tool_calls:
        return {"error": "No function call found in response"}
    
    try:
        # Extract the function call arguments
        function_call = response_message.tool_calls[0]
        function_args = json.loads(function_call.function.arguments)
        
        # Validate using Pydantic
        reservation = RestaurantReservation(**function_args)
        
        # If we get here, validation passed
        return reservation.model_dump()
    except ValidationError as e:
        # Detailed validation errors from Pydantic
        return {"error": f"Validation error: {str(e)}"}
    except json.JSONDecodeError:
        return {"error": "Invalid JSON in function arguments"}
    except Exception as e:
        return {"error": f"Unexpected error: {str(e)}"}

# Process user request
def process_reservation_request(user_query):
    try:
        # Get response from the model
        response = client.chat.completions.create(
            model="gpt-4o-mini",  # The name you gave your deployment
            messages=[{"role": "user", "content": user_query}],
            tools=functions,
            tool_choice="auto"
        )
        
        response_message = response.choices[0].message
        
        # Parse and validate the response
        result = parse_reservation_response(response_message)
        
        # Handle errors
        if "error" in result:
            # You might want to retry with a more explicit prompt here
            return {"status": "error", "message": result["error"]}
        
        # Success! We have a valid reservation
        return {
            "status": "success", 
            "reservation": result,
            "confirmation_message": f"Confirmed reservation for {result['party_size']} on {result['date']} under {result['customer_name']}"
        }
        
    except Exception as e:
        return {"status": "error", "message": f"Failed to process request: {str(e)}"}

# Example usage
result = process_reservation_request("I'd like to book a table for 4 people this Friday at 7 PM for dinner. My name is John Smith.")
print(json.dumps(result, indent=2, default=str))
 আউটপুট: Robust ফাংশন Calling in Action যখন আমরা ব্যবহারকারীর অনুরোধের সাথে আমাদের কোডটি চালু করি "আমি শুক্রবার সকাল ৭টায় জন স্মিথ নামে ডিনারের জন্য 4 জনের জন্য একটি টেবিল বুক করতে চাই," এখানে দৃশ্যের পেছনে কী ঘটে। আমাদের Pydantic যাচাইকরণ স্তর নিশ্চিত করে যে সমস্ত প্রয়োজনীয় ক্ষেত্র উপস্থিত এবং সঠিকভাবে টাইপ করা হয়েছে, তারিখের শাখাটি একটি datetime বস্তুতে রূপান্তরিত করে এবং party_size একটি ইতিবাচক সম্পূর্ণ সংখ্যা নিশ্চিত করে। ব্যবহারকারীর জন্য চূড়ান্ত আউটপুট একটি নিশ্চিতকরণ বার্তা: "2025-05-09 19:00:00 এর জন্য নিশ্চিত রিজার্ভ" জন স্মিথের অধীনে। কেন এই পদ্ধতি কাজ করে কয়েকটি গুরুত্বপূর্ণ উপাদান রয়েছে যা এই পদ্ধতিটি শক্তিশালী করে তোলে: 
 
 
 
 
 
 শক্তিশালী টাইপ সংজ্ঞা: পাইড্যান্টিক মডেলগুলি স্পষ্টভাবে নির্ধারণ করে যে কোন ক্ষেত্রগুলি প্রয়োজন, তাদের ধরন এবং সীমাবদ্ধতাগুলি যেমন ন্যূনতম মানগুলি। স্বয়ংক্রিয় যাচাইকরণ: যখন আমরা একটি রেস্তোরাঁর বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি বাইনারি। Graceful Error Handling: আমরা ক্র্যাশিংয়ের পরিবর্তে যাচাইয়ের ত্রুটিগুলি ক্যাপচার করি এবং কাঠামোগত ত্রুটি তথ্য ফেরত দিই। সিস্টেম জেনারেশন: পাইডানটিক মডেলগুলি JSON সিস্টেম তৈরি করতে পারে যা আমরা সরাসরি ফাংশন সংজ্ঞাগুলিতে সরবরাহ করি, সামঞ্জস্য নিশ্চিত করে। ডেটা রূপান্তর: Pydantic তারিখগুলি রূপান্তর, তাদের সঠিক ধরনের enums, এবং আরও অনেক কাজ করে। আপনি Azure OpenAI ব্যবহার করতে চান? আপনি যদি Azure OpenAI ব্যবহার করছেন তবে প্যাটার্নটি প্রায় একই - শুধু ক্লায়েন্টটি প্রাথমিককরণের পদ্ধতি পরিবর্তন করুন: from openai import AzureOpenAI

# Initialize the Azure OpenAI client
client = AzureOpenAI(
    api_key="your-azure-openai-api-key",  
    api_version="2023-07-01-preview",
    azure_endpoint="https://your-resource-name.openai.azure.com"
)

# The rest of the code remains the same
 বাস্তব বিশ্বের অ্যাপ্লিকেশন এই প্যাটার্নটি শুধুমাত্র রেস্তোরাঁর বুকিংয়ের জন্য নয়, এটি যেখানেই আপনি প্রাকৃতিক ভাষা থেকে গঠিত ডেটা প্রয়োজন সেখানেই কাজ করে: 
 
 
 
 
 
 ক্লায়েন্ট সাপোর্ট: টিকিট শ্রেণীকরণ এবং প্রধান বিবরণ অন্তর্ভুক্ত করা ক্যালেন্ডার ব্যবস্থাপনা: সঠিক অংশগ্রহণকারী এবং সময় সঙ্গে মিটিং তৈরি করুন ই-কমার্স: ফিল্টার এবং সার্টিফিকেশন সহ পণ্য অনুসন্ধান প্রক্রিয়া স্বাস্থ্যসেবা: রোগীর বর্ণনা থেকে লক্ষণ এবং মেডিকেল ইতিহাস অতিক্রম আর্থিক: শ্রেণীকৃত ডেটাতে লেনদেন বর্ণনা প্রক্রিয়াকরণ চূড়ান্ত চিন্তা: বিশৃঙ্খলা ও শাস্তির মধ্যে সেতু কঠোর আউটপুট সনাক্তকরণের সাথে এআই ফাংশন কলিং একটি প্রযুক্তিগত প্যাটার্নের চেয়েও বেশি - এটি মানব যোগাযোগের বিশৃঙ্খল বিশ্বের এবং কম্পিউটার সিস্টেমগুলির ব্যবস্থাপিত ক্ষেত্রের মধ্যে সেতু। ভবিষ্যৎ এমন অ্যাপ্লিকেশনগুলির মধ্যে রয়েছে যা মানুষের উদ্দেশ্যগুলির অস্থিরতা মোকাবেলা করতে পারে এবং এটি অসুবিধাজনকভাবে একটি কম্পিউটারের কাজে রূপান্তর করতে পারে. এখানে বর্ণিত প্যাটার্নগুলির সাথে, আপনি ঠিক সেটা নির্মাণ করার পথে আছেন।

This story contains new, firsthand information uncovered by the writer.

Books authored by me

Microsoft BUILD Session

PyCloud: Identifying defaulters using Machine Learning

Panel Discussion on Futuristic Technology and Possibilities

AI DEV DAYS: Integrating AI to Blockchain-Based Applications by Ritesh Modi

Understanding & Optimizing Dockerfiles by Ritesh Modi at Bangalore Container Conference 2017

Read My Stories

গল্পের মূল ভাষায় এই অডিও তৈরি!

এই এক পাইথন টুল আমার এআই এর ফাংশন কলিং Chaos সংশোধন

About Author

মন্তব্য

আসে ট্যাগ

এই নিবন্ধটি উপস্থাপন করা হয়েছে

Related Stories

ফ্লোকির ভালহাল্লা ভারতের শ্রীলঙ্কা সফরের সহযোগী স্পনসর হিসেবে যোগ দিয়েছেন

AI এর শক্তি উন্মুক্ত করা। কাটিং-এজ টেকনিকের একটি পদ্ধতিগত পর্যালোচনা: বিমূর্ত ও ভূমিকা

অদেখা স্তরগুলি: কেন ব্যবহারকারীর সাক্ষাত্কারগুলি একটি অপরিবর্তনীয় সম্পদ

এই 18টি ডেভেলপার টুল 🚀🔥 দিয়ে আপনার উৎপাদনশীলতা বাড়ান

ফ্লোকির ভালহাল্লা ভারতের শ্রীলঙ্কা সফরের সহযোগী স্পনসর হিসেবে যোগ দিয়েছেন

AI এর শক্তি উন্মুক্ত করা। কাটিং-এজ টেকনিকের একটি পদ্ধতিগত পর্যালোচনা: বিমূর্ত ও ভূমিকা

অদেখা স্তরগুলি: কেন ব্যবহারকারীর সাক্ষাত্কারগুলি একটি অপরিবর্তনীয় সম্পদ

এই 18টি ডেভেলপার টুল 🚀🔥 দিয়ে আপনার উৎপাদনশীলতা বাড়ান

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps