엄격한 JSON 출력 검증을 사용한 기능 호출은 시스템 통합에 대한 신뢰할 수 있는 AI 응답을 보장합니다.Pydantic를 사용하여 유형 검증, JSON Schema를 사용하여 구조 정의 및 적절한 오류 처리을 통해 개발자는 일관성 있고 잘 포맷된 AI 출력에 의존하는 강력한 응용 프로그램을 만들 수 있으며, AI 생성 데이터를 분석할 때 일반적으로 경험하는 좌절감을 극적으로 줄일 수 있습니다. Function Calling Output의 문제점은 무엇인가요? 나는 여전히 고객 요청을 분석하는 AI 모델을 사용하여 예약 시스템을 구축하려는 첫 번째 시간을 기억합니다.이 사용자는 "오늘 금요일 오후 7시에 테이블을 예약하십시오."와 같은 것을 입력하고 AI는 세부 사항을 추출하고 예약 시스템에 전달해야했습니다. 그것은 재앙이었다! 때때로 AI는 필드를 잊어 버릴 것입니다. 다른 경우에는 추가 필드를 추가 할 것입니다. 때때로 우리가 전체를 필요로 할 때 문자열을 반환하거나 날짜를 불일치로 포맷 할 것입니다. 각 불일치는 처리해야 할 또 다른 edge 케이스, 추가해야 할 또 다른 if-statement, 사용자로부터의 또 다른 버그 보고서를 의미합니다. 내가 필요로하는 것은 AI가 항상 내 시스템이 예상했던 구조를 정확하게 반환하는 방법이었다. ️ AI 기능 출력의 핵심 도전 우리가 AI를 사용하여 기능 호출을 사용할 때, 우리는 기본적으로 모델이 혼란스러운 인간 언어와 시스템이 처리 할 수있는 구조화 된 데이터 사이의 번역기 역할을하도록 요청합니다. 이것은 근본적인 긴장을 만듭니다 : 
 
 
 우리는 자연 언어 입력의 유연성을 원합니다. 그러나 우리는 일관된 데이터 출력의 부드러움을 필요로 한다. 해결책은 AI가 생산하는 모든 것이 정확히 우리의 시스템이 기대하는 것으로 변환되는 것을 보장하는 검증 층을 만드는 것입니다. Enter Pydantic: The Python Data Validation Hero에 대한 리뷰 보기 Pydantic은 Python 애플리케이션에서 데이터 구조를 강요하는 표준이 된 데이터 검증 라이브러리입니다.What makes it perfect for function calling is how it bridges the gap between dynamic, potentially messy data and the strict types our functions require. 본질적으로, Pydantic은 유형 언급을 사용하여 데이터 모델을 정의하는 간단한 방법을 제공합니다.데이터가 이러한 모델로 전달되면, Pydantic은 데이터가 예상되는 유형과 형식과 일치한다는 것을 자동으로 검증합니다. 예를 들어, AI가 전체 숫자가 되어야 하는 필드의 문자열로 "4"를 반환할 때, Pydantic은 자동으로 그것을 변환합니다. datetime 필드의 경우 "2023-06-15"를 반환하면, Pydantic은 분석을 처리합니다. Pydantic이 기능 호출 문제를 해결하는 방법 핵심적인 통찰력은 우리가 작업 흐름을 호출하는 기능에서 두 가지 중요한 장소에서 Pydantic을 사용할 수 있다는 것입니다. 
 
 
 
 
 : 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 이것은 자연 언어가 한 끝에 가고, 올바르게 입력 된 검증 된 데이터가 다른 끝에 나옵니다.AI는 사용자의 의도를 이해하는 데 창의적 일 수 있지만 Pydantic는 창의성이 시스템이 작동 할 수있는 일관된 구조로 채널되도록 보장합니다. 또한 엔지니어는 더 이상 각 단계에서 방어 코드를 작성할 필요가 없기 때문에 개발 시간이 극적으로 가속화됩니다 - 그들은 그들의 기능에 도착하는 데이터가 그들의 기대와 일치한다는 것을 신뢰할 수 있습니다. ️ 기능 출력에 대한 신뢰할 수 있는 프레임워크 구축 Pydantic 검증을 사용하여 OpenAI 함수를 호출하여 rock-solid outputs를 보장하는 완전한 예를 만들자: 
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))
 출력: 강력한 기능 Calling in Action 우리가 사용자 쿼리를 사용하여 코드를 실행할 때 "오늘 금요일 오후 7시에 John Smith라는 이름으로 저녁 식사를 위해 4 명을위한 테이블을 예약하고 싶습니다."여기에 장면 뒤에서 일어나는 일이 있습니다. 우리의 Pydantic 검증 계층은 모든 필요한 필드가 존재하고 올바르게 입력되었음을 확인하여 날짜 문자열을 datetime 개체로 변환하고 party_size가 긍정적 인 정수로 보장합니다. 사용자에게 최종 출력은 확인 메시지입니다 : "2025-05-09 19:00:00에 대한 확인 예약 John Smith 아래." 왜 이 접근법이 작동하는가 이 접근 방식을 강력하게 만드는 몇 가지 핵심 요소가 있습니다 : 
 
 
 
 
 
 강력한 유형 정의: 피단틱 모델은 필드가 필요한 것, 그 유형 및 최소 값과 같은 제한 사항을 명시적으로 정의합니다.Strong Type Definitions: Pydantic models explicitly define what fields are required, their types, and constraints such as minimum values. 자동 검증: RestaurantReservation 개체를 만들 때 Pydantic는 모든 필드를 자동으로 검증하고 상세한 오류 메시지를 제공합니다. 은혜로운 오류 처리: 우리는 충돌보다는 검증 오류를 캡처하고 구조화된 오류 정보를 반환합니다. Schema Generation: Pydantic 모델은 JSON Schema를 생성하여 기능 정의에 직접 공급하여 일관성을 보장합니다. 데이터 변환: Pydantic은 문자열을 날짜로 변환하고, 올바른 형식으로 번역하고, 더 많은 것을 처리합니다. 대신 Azure OpenAI를 사용하고 싶습니까? Azure OpenAI를 사용하는 경우 패턴이 거의 동일합니다 - 클라이언트를 초기화하는 방법을 변경하십시오. 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
 현실 세계 응용 프로그램 이 패턴은 레스토랑 예약뿐만 아니라 자연 언어로 구성된 데이터가 필요한 모든 곳에서 작동합니다. 
 
 
 
 
 
 고객 지원: 티켓 분류 및 주요 세부 사항 추출 일정 관리: 올바른 참석자 및 시간으로 모임 만들기 전자 상거래: 필터와 분류를 사용하여 제품 검색을 처리 건강 관리 : 환자 설명에서 증상과 의료 역사를 추출 금융: 거래 설명을 분류된 데이터로 처리 마지막 생각 : 혼돈과 질서 사이의 다리 (The Bridge Between Chaos and Order) 엄격한 출력 검증을 통한 AI 기능 호출은 기술적 패턴 이상입니다 - 인간 통신의 혼란스러운 세계와 컴퓨터 시스템의 질서있는 영역 사이의 다리입니다.우리는 시스템이 정확하게 구조화 된 데이터를받는 동안 인간이 자연스럽게 자신을 표현할 수 있도록함으로써 인간처럼 느껴지지만 신뢰할 수있는 인터페이스를 만들고 있습니다. 미래는 인간의 의도의 혼란을 처리하고 실패하지 않고 컴퓨터가 수행 할 수있는 행동으로 변환 할 수있는 응용 프로그램에 속합니다.

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

이 오디오는 이야기의 원래 언어로 제작되었습니다!

이 하나의 파이썬 도구는 내 AI의 기능 호출 혼란을 해결했습니다.

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

Crypto Growth: 효과적인 사용자 페르소나 만들기

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

Crypto Growth: 효과적인 사용자 페르소나 만들기

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps