Otonom Ajanlar ile çalışma fırsatını paylaşıyor ve onların gücüne ilk elden tanık oluyoruz. Yapay zeka destekli otonom aracılar endüstrilerde devrim yaratma ve yaşama şeklimizi değiştirme potansiyeline sahip. Ancak her teknolojide olduğu gibi iyiye de kötüye de kullanılabilirler. Öyleyse, canlı örnekler ve sonundaki ilgi çekici bir eğitim aracılığıyla bunları nasıl kullanabileceğimizi keşfedelim.

Uzun lafın kısası

Özetle, Otonom Acenteler Amazon tarafından depolarında malları almak ve paketlemek için kullanılıyor. Coca-Cola, üretim tesislerini güvenlik ve bakım açısından kontrol etmek için otonom dronları kullanıyor, Tesla ise ulaşım için araçlarında otonom sürüş teknolojisini kullanıyor.

Geçen ay GitHub'da 2 büyük depo ortaya çıktı: Auto GPT ve Baby AGI.

Temel olarak, farklı türdeki görevleri özerk bir şekilde geliştirmek ve yönetmek için GPT-4 gibi Yüksek Lisans'ları kullanıyorlar. Başka bir deyişle, yönetmeniz için SİZE ihtiyaçları yok! Sizden herhangi bir katkı almadan, bundan sonra ne yapacaklarını kendi başlarına belirleyebilirler. Böylece sizin için görevleri yerine getirecek akıllı aracıları görevlendirebilir ve rahatlayabilirsiniz 🙂

Hackathon'lar Sorunları Düzeltmeye Nasıl Yardımcı Olur?

İnsanlara daha fazla iyi şey gösterirseniz, bu iyi kısım hayatlarının çoğunu alacaktır. Bir kişinin seçimlerini bu şekilde yönetebilirsiniz. Bir sır değil - Seçimlerimiz pazarlamacılar tarafından kontrol ediliyor, her zaman iyilik adına değil ama gerçek şu ki, Yapay Zekayı İyilik için kullanmalıyız!

Lablab.ai'nin düzenlediği hackathon'da Mentorlar, modern teknolojinin nasıl kullanılabileceğini anlattı. Hayatımı nasıl değiştirdi? Artık geleceğin gidişatını görebiliyorum, geleceğin mesleklerini biliyorum, meraklıların yeni dönem neslinin bir sonraki Steve Jobs'u olacağı alanları biliyorum. Drone gösterisini gördünüz mü? Markalar zaten reklamlarını doğrudan havada yayınlıyor.

Şimdi gelişim için kaç tane vektör olduğunu hayal edin. 0 rekabet ile kendi reklam şirketinizi oluşturmak ister misiniz? Modern teknolojiyle öne çıkan bir tıp merkezi mi yaratmak istiyorsunuz? Rutininizi otomatikleştirmek ve ailenizle daha fazla zaman geçirmek ister misiniz? Şaşırtıcı olan şey, hepsini tek bir yerde bulmamdı: bir ekip, yeni bir girişim, fikirler, yenilikler, tarihe iz bırakma arzusu. Bu arada, her şey 48 saat içinde oldu; az önce bir reklama rastladım.

Ama şimdi…

AI Aracıları eğitimi: AI Aracıları nasıl kullanılır ve oluşturulur?

giriiş

Yapay Zeka Aracıları, belirli bir görevi kendi başlarına çözme yetenekleri sayesinde hızla popülerlik kazanıyor. Sanırım AutoGPT , BabyAGI veya CAMEL gibi projeleri duymuşsunuzdur. Bugün en azından kısmen nasıl çalıştıklarını öğreneceksiniz!

Yapay Zeka Aracısı nedir?

AI Agent, belirli, genellikle önceden tanımlanmış bir hedefe veya hedefler dizisine ulaşmak için kararlar almak, araçları seçmek ve eylemlerde bulunmak üzere tasarlanmış bir bilgisayar sistemidir. Temsilci otonom olarak çalışır ve operasyonlarında nadiren insan müdahalesine ihtiyaç duyar.

Şu anda Yapay Zeka Ajanlarının bu kadar çok ilgi odağı olmasını sağlayan şey, doğru güçlü araçların yanı sıra kendine güvendir. Onlar kesinlikle bizim geleceğimiz ve bu teknolojiye aşina olmaya değer.

AI Aracıları nasıl kullanılır?

Şu anda Agent'ları denemek için çeşitli seçenekler bulunmaktadır. AutoGPT gibi kullanıma hazır çözümleri seçebilirsiniz. Ekibimiz zaten onlarla çalışmış olabilir, platformumuzda eğitimler bulabilirsiniz.

Diğer bir seçenek de Aracıyı kendiniz oluşturmaktır. Ben de bu yolu seçeceğim. Bunun için LangChain'i kullanacak. Büyük Dil Modellerine dayalı uygulamalar oluşturmak için oluşturulmuş bir çerçevedir. Çok güçlüdür ve Modeller ve Temsilcilerle çalışmayı önemli ölçüde kolaylaştırır!

Kodlama kısmı

Ajanları neden öğrenmeye değer olduğunu zaten biliyoruz. Şimdi çalışmaya başlayalım ve kendimize ait bir şey yaratmaya çalışalım!

Proje yapısı

Yeni bir dizin oluşturarak ve Python ortamını başlatarak başlayalım.

 mkdir ai-agents cd ai-agents python3 -m venv venv # Linux / MacOS source venv/bin/activate # Windows .\venv\Scripts\activate

Bağımlılıklar

Gerekli araçları yükleyerek başlayalım. LLM ve Agent'larla çalışmak için langchain , harici API'lere istekte bulunmak için requests , OpenAI modellerinin daha kolay kullanımı için openai SDK'ya ve web araması için duckduckgo-search ihtiyacımız olacak.

 !pip install langchain !pip install openai !pip install requests !pip install duckduckgo-search

Artık kütüphaneleri içe aktarabiliriz.

 import requests from langchain import OpenAI from langchain.agents import initialize_agent, load_tools, Tool from langchain.chains import LLMChain from langchain.prompts import PromptTemplate from langchain.tools import DuckDuckGoSearchRun

Bu noktada LLM'yi OpenAI'den tanımlamak istiyorum. Bu eğitim için GPT-3 kullanacağım. Diğer modellerle oynayabilirsiniz. Ayrıca bu model için başlangıç istemini tanımlayıp bir zincir oluşturacağım.

 OPENAI_API_KEY = "sk-..." llm = OpenAI( openai_api_key=OPENAI_API_KEY, temperature=0.8, model_name="text-davinci-003" ) prompt = PromptTemplate( input_variables=["query"], template="You are New Native Internal Bot. Help users with their important tasks, like a professor in a particular field. Query: {query}" ) llm_chain = LLMChain(llm=llm, prompt=prompt)

Modeli Herhangi Bir Alet Olmadan Test Edin

Şimdi modelimizin sorularımızla karşılaştığımızda nasıl davrandığını görelim. Bakalım lablab.ai'nin ne olduğunu ve integrali nasıl halledeceğini biliyor mu?

 llm_chain.run("What is lablab.ai")

Lablab.ai, işletmelere operasyonlarını kolaylaştırmaya ve daha verimli hale getirmeye yardımcı olmak için yapay zeka ve Makine Öğrenimi destekli çözümler sunan bir teknoloji platformudur. Doğal Dil İşleme, Makine Görme, Otomasyon ve diğer sektöre özel çözümler gibi bir dizi yapay zeka hizmeti sunar. İşletmelerin müşteri deneyimlerini iyileştirmelerine, maliyetleri azaltmalarına ve üretkenliği artırmalarına yardımcı olmak için tasarlanmıştır.

 llm_chain.run("Integral of x * (log(x)^2)")

Cevap x^2 log(x)^3 / 3 + C'dir; burada C isteğe bağlı bir entegrasyon sabitidir.

Gördüğünüz gibi her iki cevap da yanlış. İntegralin doğru değeri: 1/4 x^2 (1 - 2 log(x) + 2 log^2(x)) . Öte yandan lablab.ai'nin ne olduğunu kimseye açıklamama gerek yok sanırım 😉.

Yanlış yanıtlar, Yüksek Lisans'ın aritmetik becerilerindeki eksiklikten ve güncel bilgi eksikliğinden kaynaklanmaktadır.

Kullandığımız modelin Eylül 2021'e kadar bilgileri var. Lablab.ai platformu daha sonra oluşturuldu. Ancak her iki sorun için de çözümlerimiz var!

Aracı için Araçlar Hazırlayın

Sorunlarımızla başa çıkmak için Aracı ve Araçlar'ı kullanmak iyi bir fikir olacaktır. Bir İnternet arama aracı kullanabiliriz; bu, güncel bilgileri aramamıza olanak tanır. Bu, modelimizin bilgi kapsamını günümüze kadar genişletecektir! Zaten sadece LangChain'den ithal edeceğimiz hazır bir araç var! Sayma sorununun çözümü Wolfram Alpha'nın API'sidir. Matematik problemlerini çok iyi halledebilir! Şiddetle tavsiye ederim.

Bir arama aracı oluşturarak başlayalım. Adı DuckDuckGoSearchRun ve daha önce import etmiştik.

 search = DuckDuckGoSearchRun() # Web Search Tool search_tool = Tool( name = "Web Search", func=search.run, description="A useful tool for searching the Internet to find information on world events, issues, etc. Worth using for general topics. Use precise questions." )

Bu kadar basit! Şimdi matematik problemlerini çözmek için bir araç oluşturalım. Bunun için özel bir sınıf oluşturacağız. Wolfram Alpha tarafından oluşturulan birçok API var, ancak ben en basitlerinden birini kullanacağım.

 class WA: """ Wolfram|Alpha API """ def __init__(self, app_id): self.url = f"http://api.wolframalpha.com/v1/result?appid={app_id}&i=" def run(self, query): query = query.replace("+", " plus ").replace("-", " minus ") # '+' and '-' are used in URI and cannot be used in request result = requests.post(f"{self.url}{query}") if not result.ok: raise Exception("Cannot call WA API.") return result.text

Bu API, isteği doğal dilde ele alacak ve sonucu döndürecektir. Bizim için mükemmel olacak! run yöntemi bunu halledecektir! Şimdi aracımızı tanımlayalım.

 WA_API_KEY = "<WA_API_KEY>" # You can get it here: https://products.wolframalpha.com/api/ wa = WA(app_id=WA_API_KEY) wa_tool = Tool( name="Wolfram|Alpha API", func=wa.run, description="Wolfram|Alpha API. It's super powerful Math tool. Use it for simple & complex math tasks." )

Aracı oluşturun ve performansı test edin

Tamam, son adım bir Aracı oluşturmak, ona Araçlar vermek ve sonuçları kontrol etmek olacaktır. Hadi yapalım!

 agent = initialize_agent( agent="zero-shot-react-description", tools=[wa_tool, search_tool], llm=llm, verbose=True, # I will use verbose=True to check process of choosing tool by Agent max_iterations=3 )

Önceki istemlere göz atalım!

 r_1 = agent("What is lablab.ai?") print(f"Final answer: {r_1['output']}") r_2 = agent("Integral of x * (log(x)^2)") print(f"Final answer: {r_2['output']}")

Önceki Yanıtlar:

Lablab.ai, işletmelere operasyonlarını kolaylaştırmaya ve daha verimli hale getirmeye yardımcı olmak için yapay zeka ve Makine Öğrenimi destekli çözümler sunan bir teknoloji platformudur. Doğal Dil İşleme, Makine Görme, Otomasyon ve diğer sektöre özel çözümler gibi bir dizi yapay zeka hizmeti sunar. İşletmelerin müşteri deneyimlerini iyileştirmelerine, maliyetleri azaltmalarına ve üretkenliği artırmalarına yardımcı olmak için tasarlanmıştır.

Cevap x^2 log(x)^3 / 3 + C'dir; burada C isteğe bağlı bir entegrasyon sabitidir.

Yeni Yanıtlar:

lablab.ai , yapay zeka araçlarına ve teknolojilerine adanmış bir platformdur. Yapay zeka eğitimleri, hackathon'lar, en son teknolojiye sahip dil modellerine erişim ve daha fazlasını sunar.

x^2/4 + 1/2 x^2 log^2(x) - 1/2 x^2 log(x)

Çözüm

Araçlar ile görebileceğiniz gibi sonuçlar çok daha iyi! İntegral doğru sayılırken, lablab.ai platformuyla ilgili sorunun cevabı da daha kaliteli. Bu, basit araçların eklenmesinin yanıtların doğruluğunu artırmaya nasıl yardımcı olduğunu gösteriyor. Sanırım bu yüzden şimdi zaman ayırmaya değer, böylece gelecekte LLM ile çalışmalarımıza daha da iyi bir şekilde yardımcı olabiliriz!

Neler geliştirilebilir?

Uygulamaları geliştirmek için diğer Ajan türlerini denemenizi önerir, onlar için hafızayı kullanmak da faydalı olacaktır, burada Vektör Veritabanları kullanışlı olabilir. Neyse ki LangChain de onları destekliyor!