Comment construire un agent d'IA à partir de zéro? - Analytique Vidhya

Vous êtes-vous déjà demandé comment fonctionnent les agents de l'IA comme Siri et Alexa? Ces systèmes intelligents deviennent plus importants dans notre vie quotidienne. Cet article présente le modèle React, une méthode qui améliore les agents de l'IA en combinant des compétences de raisonnement et de prise d'action. Nous vous montrerons comment construire un agent d'IA à partir de zéro, couvrant les outils essentiels, les bibliothèques et les étapes d'implémentation. Commençons!

Objectifs d'apprentissage

• Saisissez les concepts fondamentaux des agents de l'IA et leur signification dans diverses applications.
• Apprenez à mettre en œuvre le modèle de la raison de la loi sur la loi (React) dans les agents de l'IA pour améliorer leurs capacités.
• Configurez les outils et bibliothèques nécessaires nécessaires pour construire des agents d'IA à partir de zéro.
• Développer un agent d'IA à l'aide de Python, intégrer diverses actions et implémenter une boucle de raisonnement.
• Tester et déboguer efficacement l'agent d'IA pour s'assurer qu'il fonctionne comme prévu.
• Améliorez la robustesse et la sécurité de l'agent d'IA et ajoutez plus de capacités.
• Identifiez les applications pratiques des agents de l'IA et comprenez leurs perspectives d'avenir.

Cet article a été publié dans le cadre du blogathon de la science des données

Table des matières

• Que sont les agents de l'IA?
• Pourquoi les agents de l'IA sont-ils importants?
• Applications et cas d'utilisation d'agents d'IA
• Brève introduction du modèle de réact
• Importance et avantages de l'utilisation de la réact
• Outils et bibliothèques nécessaires
• Configuration de l'environnement
• Construire l'agent d'IA
• Implémentation du modèle de réact
• Mettre en œuvre des actions
• Tests et débogage
• Débogage des problèmes communs
• Améliorer l'agent d'IA
• Conclusion
• Questions fréquemment posées

Que sont les agents de l'IA?

Les agents de l'IA sont des créatures autonomes qui utilisent des capteurs pour garder un œil sur leur environnement, traiter les informations et atteindre des objectifs prédéfinis. Ils peuvent être des robots de base aux systèmes sophistiqués qui peuvent s'adapter et apprendre au fil du temps. Les instances typiques incluent des moteurs de recommandation comme Netflix et Amazon, des chatbots comme Siri et Alexa, et des voitures autonomes de Tesla et Waymo.

Ces agents sont également essentiels dans un certain nombre de secteurs: UIPATH et Blue Prism sont des exemples de programmes robotiques d'automatisation des processus (RPA) qui automatisent les processus répétitifs. Deepmind et IBM Watson Health sont des exemples de systèmes de diagnostic de santé qui aident à diagnostiquer les maladies et à recommander des traitements. Dans leurs domaines, les agents de l'IA améliorent considérablement la productivité, la précision et la personnalisation.

Pourquoi les agents de l'IA sont-ils importants?

Ces agents jouent un rôle essentiel dans l'amélioration de notre vie quotidienne et la réalisation des objectifs particuliers.

Les agents de l'IA sont importants car ils peuvent:

• La réduction de la quantité de main-d'œuvre humaine requise pour effectuer des opérations de routine, entraînant une augmentation de la production et de l'efficacité.
• Analyser d'énormes volumes de données pour proposer des conclusions et des suggestions qui soutiennent la prise de décision.
• Utiliser les chatbots et les assistants virtuels pour fournir des interactions et une assistance individualisées.
• Permettre des applications complexes dans des industries comme la banque, le transport et les soins de santé.

Essentiellement, les agents de l'IA sont essentiels dans la conduite de la prochaine vague de progrès technologiques, rendant les systèmes plus intelligents et plus réactifs aux besoins des utilisateurs.

Applications et cas d'utilisation d'agents d'IA

Les agents de l'IA ont un large éventail d'applications dans diverses industries. Voici quelques cas d'utilisation notables:

• Service client: les agents d'IA sous forme de chatbots et d'assistants virtuels gèrent les demandes de clients, résolvent les problèmes et fournissent un support personnalisé. Ils peuvent fonctionner 24/7, offrant un service cohérent et efficace.
• Finance: les prévisions financières, le commerce algorithmique et la détection de fraude sont les applications des agents de l'IA. Ils effectuent des transactions en fonction des tendances du marché, examinent les données des transactions et aperçoivent les modèles douteux.
• Santé: les agents de l'IA aident à diagnostiquer les maladies, à recommander des traitements et à surveiller la santé des patients. Ils analysent les données médicales, fournissent des informations et soutiennent la prise de décision clinique.
• Marketing: les agents d'IA personnalisent les campagnes de marketing, le public de segments et l'optimisation des dépenses publicitaires. Ils analysent les données des clients, prédisent le comportement et adaptent le contenu aux préférences individuelles.
• Gestion de la chaîne d'approvisionnement: les systèmes d'IA estiment la demande, améliorent les niveaux d'inventaire et simplifient la logistique. Ils examinent les informations des fabricants, des fournisseurs et des détaillants pour garantir des opérations en douceur.

Brève introduction du modèle de réact

Le modèle de réact fonctionne dans une boucle de pensée, Action, pause, observation, réponse.

Cette boucle permet à l'agent d'IA de raisonner sur l'entrée, d'agir dessus en tirant parti des ressources externes, puis en intégrer les résultats dans son processus de raisonnement. Ce faisant, l'agent d'IA peut fournir des réponses plus précises et plus pertinentes, élargissant considérablement son utilité.

Le motif de réact est un schéma de conception puissant qui combine des compétences de raisonnement et de prise d'action pour améliorer les capacités des agents de l'IA. Les LLM tels que GPT-3 ou GPT-4 bénéficient grandement de cette technique car elle leur permet d'interfacer avec d'autres outils et API pour mener des activités au-delà de leur programmation originale.

Le motif de réact fonctionne dans une boucle cyclique composée des étapes suivantes:

• Pensée: L'agent d'IA traite les contributions et les raisons de ce qui doit être fait. Cela implique de comprendre la question ou la commande et de déterminer l'action appropriée à prendre.
• Action: Sur la base du raisonnement, l'agent effectue une action prédéfinie. Cela pourrait impliquer la recherche d'informations, effectuer des calculs ou interagir avec des API externes.
• Pause: L'agent attend la fin de l'action. Il s'agit d'une étape cruciale où l'agent s'arrête pour recevoir les résultats de l'action effectuée.
• Observation: L'agent observe les résultats de l'action. Il analyse la sortie reçue de l'action pour comprendre les informations ou les résultats obtenus.
• Réponse: L'agent utilise les résultats observés pour générer une réponse. Cette réponse est ensuite fournie à l'utilisateur, complétant la boucle.

Importance et avantages de l'utilisation de la réact

Le modèle de réact est important pour plusieurs raisons:

• Capacités améliorées: en intégrant des actions externes, l'agent d'IA peut effectuer des tâches qui nécessitent des informations ou des calculs spécifiques, améliorant ainsi ses capacités globales.
• Précision améliorée: le modèle permet à l'agent d'IA de récupérer des informations en temps réel et d'effectuer des calculs précis, conduisant à des réponses plus précises et pertinentes.
• Flexibilité: le motif de réact rend les agents de l'IA plus flexibles et adaptables à diverses tâches. Ils peuvent interagir avec différentes API et outils pour effectuer un large éventail d'actions.
• Évolutivité: ce modèle permet l'ajout de nouvelles actions et capacités au fil du temps, ce qui rend l'agent AI évolutif et à l'épreuve du temps.
• Applications du monde réel: le modèle REACT permet aux agents d'IA d'être déployés dans des scénarios du monde réel où ils peuvent interagir avec des environnements dynamiques et fournir des informations et une assistance précieuses.

Outils et bibliothèques nécessaires

Python est un langage de programmation polyvalent et puissant qui est largement utilisé dans l'IA et l'apprentissage automatique en raison de sa simplicité et de son vaste support de bibliothèque. Pour la construction d'agents d'IA, plusieurs bibliothèques Python sont essentielles:

• API OpenAI: Cette bibliothèque vous permet d'interagir avec les modèles de langue d'OpenAI, tels que GPT-3 et GPT-4. Il fournit les fonctions nécessaires pour générer du texte, répondre aux questions et effectuer diverses tâches liées à la langue.
• HTTPX: Il s'agit d'un puissant client HTTP pour Python qui prend en charge les demandes asynchrones. Il est utilisé pour interagir avec les API externes, récupérer des données et effectuer des recherches Web.
• RE (expressions régulières): Ce module fournit un support pour les expressions régulières dans Python. Il est utilisé pour analyser et faire correspondre les modèles dans les chaînes, ce qui est utile pour traiter les réponses de l'agent d'IA.

API OpenAI et bibliothèque HTTPX

L'API OpenAI est une plate-forme robuste qui donne accès aux modèles de langage avancés développés par OpenAI. Ces modèles peuvent comprendre et générer du texte humain, ce qui les rend idéaux pour construire des agents d'IA. Avec l'API Openai, vous pouvez:

• Générer du texte en fonction des invites
• Répondre aux questions
• Effectuer des traductions linguistiques
• Résumer le texte
• Et bien plus encore

La bibliothèque HTTPX est un client HTTP pour Python qui prend en charge les demandes synchrones et asynchrones. Il est conçu pour être facile à utiliser tout en fournissant des fonctionnalités puissantes pour faire des demandes Web. Avec httpx, vous pouvez:

• Envoyer des demandes de Get et de publication
• Gérer les réponses JSON
• Gérer les séances et les cookies
• Effectuer des demandes asynchrones pour de meilleures performances

Ensemble, l'API OpenAI et la bibliothèque HTTPX fournissent les outils de base nécessaires pour créer et améliorer les agents d'IA, leur permettant d'interagir avec les ressources externes et d'effectuer un large éventail d'actions.

Configuration de l'environnement

Passons maintenant à l'environnement en suivant certaines étapes:

Étape 1: Installation des bibliothèques requises

Pour commencer avec la construction de votre agent d'IA, vous devez installer les bibliothèques nécessaires. Voici les étapes pour configurer votre environnement:

• Installez Python: assurez-vous que Python soit installé sur votre système. Vous pouvez le télécharger sur le site officiel de Python:
• Configurez un environnement virtuel: il est bonne pratique pour créer un environnement virtuel pour que votre projet gére les dépendances. Exécutez les commandes suivantes pour configurer un environnement virtuel:

 python -m venv ai_agent_env
source ai_agent_env / bin / activer # sur windows, utilisez `ai_agent_env \ scripts \ active`

• Installez API OpenAI et HTTPX: utilisez PIP pour installer les bibliothèques requises:

 pip install openai httpx

• Installez des bibliothèques supplémentaires: vous pouvez également avoir besoin d'autres bibliothèques comme RE pour les expressions régulières, qui est incluse dans la bibliothèque standard Python, donc aucune installation distincte n'est requise.

Étape2: Configuration des clés API et des variables d'environnement

Pour utiliser l'API OpenAI, vous avez besoin d'une clé API. Suivez ces étapes pour configurer votre clé API:

• Obtenez une clé API: Inscrivez-vous à un compte sur le site Web OpenAI et obtenez votre clé API à la section API.
• Configurez les variables d'environnement: stockez votre clé API dans une variable d'environnement pour la sécuriser. Ajoutez la ligne suivante à votre fichier .bashrc ou .zshrc (ou utilisez la méthode appropriée pour votre système d'exploitation):

 exporter openai_api_key = 'your_openai_api_key_here'

• Accédez à la touche API dans votre code: Dans votre code Python, vous pouvez accéder à la touche API à l'aide du module OS:

 Importer un système d'exploitation
openai.api_key = os.getenv ('openai_api_key')

Avec l'environnement configuré, vous êtes maintenant prêt à commencer à construire votre agent d'IA.

Construire l'agent d'IA

Construisons maintenant l'agent AI.

Création de la structure de base de l'agent d'IA

Pour construire l'agent AI, nous créerons une classe qui gère les interactions avec l'API OpenAI et gère le raisonnement et les actions. Voici une structure de base pour commencer:

 Importer Openai
Importer RE
importer httpx

Chatbot de classe:
    def __init __ (self, System = ""):
        Self.System = Système
        self.messages = []
        Si Self.System:
            self.sessages.append ({"rôle": "système", "contenu": système})
    
    Def __Call __ (Self, Message):
        self.sessages.append ({"rôle": "utilisateur", "contenu": message})
        résultat = self.execute ()
        self.sessages.append ({"rôle": "assistant", "contenu": résultat})
        Résultat de retour
    
    def exécuter (self):
        complétion = openai.chatcompletion.create (modèle = "gpt-3.5-turbo", messages = self.messages)
        Retour achève.choices [0] .Message.Content

Cette classe initialise l'agent AI avec un message système facultatif et gère les interactions utilisateur. La méthode __Call__ prend des messages utilisateur et génère des réponses à l'aide de l'API OpenAI.

Implémentation du modèle de réact

Pour mettre en œuvre le modèle de réact, nous devons définir la boucle de pensée, d'action, de pause, d'observation et de réponse. Voici comment nous pouvons incorporer cela dans notre agent d'IA:

Définir l'invite

 prompt = "" "
Vous courez dans une boucle de pensée, d'action, de pause, d'observation.
À la fin de la boucle, vous publiez une réponse.
Utilisez la pensée pour décrire vos réflexions sur la question qui vous a été posée.
Utilisez l'action pour exécuter l'une des actions à votre disposition - puis retournez Pause.
L'observation sera le résultat de l'exécution de ces actions.

Vos actions disponibles sont:
calculer:
par exemple Calculer: 4 * 7/3
Exécute un calcul et renvoie le nombre - utilise Python, alors assurez-vous d'utiliser le point flottant
Syntaxe si nécessaire

Wikipedia:
par exemple wikipedia: django
Renvoie un résumé de la recherche de Wikipedia

simon_blog_search:
par exemple simon_blog_search: django
Recherchez le blog de Simon pour ce terme

Exemple de session:
Question: Quelle est la capitale de la France?
Pensée: je devrais rechercher la France sur Wikipedia
Action: Wikipedia: France
PAUSE

Vous serez rappelé avec ceci:
Observation: La France est un pays. La capitale est Paris.

Vous sortez ensuite:
Réponse: La capitale de la France est Paris
""".bande()

Définissez la fonction de requête

 action_re = re.Compile ('^ action: (\ w): (. *)

La fonction de requête exécute la boucle React en envoyant la question à l'agent AI, en analysant les actions, en les exécutant et en renforçant les observations dans la boucle.

Mettre en œuvre des actions

Examinons maintenant les actions de mise en œuvre.

Action: recherche de wikipedia

L'action de recherche Wikipedia permet à l'agent AI de rechercher des informations sur Wikipedia. Voici comment l'implémenter:

 Def Wikipedia (Q):
    réponse = httpx.get ("https://en.wikipedia.org/w/api.php", params = {
        "Action": "requête",
        "Liste": "Recherche",
        "SrSearch": Q,
        "Format": "JSON"
    })
    return réponse.json () ["requête"] ["search"] [0] ["extrait"]

Action: recherche de blog

L'action de recherche de blog permet à l'agent d'IA de rechercher des informations sur un blog spécifique. Voici comment l'implémenter:

 DEF SIMON_BLOG_SEARCH (Q):
    réponse = httpx.get ("https://datasette.simonwillison.net/simonwillisonblog.json", params = {
        "SQL": "" "
        sélectionner
          blog_entry.title || ':' || substr (html_strip_tags (blog_entry.body), 0, 1000) comme texte,
          blog_entry.Created
        depuis
          blog_entry rejoindre blog_entry_fts sur blog_entry.rowid = blog_entry_fts.rowid
        où
          blog_entry_fts correspond à Escape_fts (: q)
        commander
          blog_entry_fts.bank
        limite
          1
        """.bande(),
        "_shape": "Array",
        "Q": Q,
    })
    return réponse.json () [0] ["text"]

Action: calcul

L'action de calcul permet à l'agent d'IA d'effectuer des calculs mathématiques. Voici comment l'implémenter:

 Def calculer (quoi):
    retourner eval (quoi)

Ajouter des actions à l'agent d'IA

Ensuite, nous devons enregistrer ces actions dans un dictionnaire afin que l'agent d'IA puisse les utiliser:

 connu_actions = {
    "Wikipedia": Wikipedia,
    "Calculer": calculer,
    "Simon_Blog_Search": Simon_Blog_Search
}

Intégrer des actions à l'agent d'IA

Pour intégrer les actions avec l'agent AI, nous devons nous assurer que la fonction de requête peut gérer les différentes actions et renforcer les observations dans la boucle de raisonnement. Voici comment terminer l'intégration:

 def query (question, max_turns = 5):
    i = 0
    bot = chatbot (invite)
    Next_Prompt = Question
    Pendant que je <max_turns: i="1" r bot imprimer actions="[action_re.match" pour un dans le n si action_re.match des actions: action action_input="actions" .groups l pas les connues: augmenter inconnue: print running format observation="connu_actions" next_prompt="f" autre: de retour><p> Avec cette configuration, l'agent d'IA peut raisonner sur l'entrée, effectuer des actions, observer les résultats et générer des réponses.</p>
<h2 id="Tests-et-débogage"> Tests et débogage</h2>
<p> Suivons maintenant les étapes de test et de débogage.</p>
<h4 id="Exécution-d-échantillons-de-requêtes"> Exécution d'échantillons de requêtes</h4>
<p> Pour tester l'agent AI, vous pouvez exécuter des exemples de requêtes et observer les résultats. Voici quelques exemples:</p>
<pre class="brush:php;toolbar:false"> Print (Query ("Avec quoi l'Angleterre partage les frontières?"))

 Print (Query ("Est-ce que Simon est allé à Madagascar?"))

 Imprimer (Query ("quinze * vingt-cinq"))

Débogage des problèmes communs

Lors des tests, vous pourriez rencontrer des problèmes courants. Voici quelques conseils pour les déboguer:

• Erreurs de l'API: assurez-vous que vos clés API sont correctement définies et disposent des autorisations nécessaires.
• Problèmes de réseau: vérifiez votre connexion Internet et assurez-vous que les points de terminaison que vous appelez sont accessibles.
• Sorties incorrectes: vérifiez la logique dans vos fonctions d'action et assurez-vous qu'ils renvoient les résultats corrects.
• Actions non gérées: assurez-vous que toutes les actions possibles sont définies dans le dictionnaire connu_actions.

Améliorer l'agent d'IA

Amélilons maintenant les agents de l'IA.

Amélioration de la robustesse et de la sécurité

Pour rendre l'agent AI plus robuste et sécurisé:

• Valider les entrées: assurez-vous que toutes les entrées sont correctement validées pour empêcher les attaques d'injection, en particulier dans la fonction de calcul.
• Gestion des erreurs: implémentez la gestion des erreurs dans les fonctions d'action pour gérer gracieusement les exceptions.
• Journalisation: ajoutez la journalisation pour suivre les actions et les observations de l'agent pour un débogage plus facile.

Ajouter plus d'actions et de capacités

Pour améliorer les capacités de l'agent d'IA, vous pouvez ajouter plus d'actions telles que:

• Informations météorologiques: intégrer avec une API météorologique pour récupérer les données météorologiques en temps réel.
• Recherche de nouvelles: implémentez une action de recherche d'actualités pour récupérer les derniers articles de presse.
• Traduction: ajoutez une action de traduction à l'aide d'une API de traduction pour prendre en charge les requêtes multilingues.

Applications du monde réel

• Assistance client: les agents de l'IA peuvent gérer les demandes des clients, résoudre les problèmes et fournir des recommandations personnalisées.
• Santé: les agents de l'IA aident à diagnostiquer les maladies, à recommander des traitements et à surveiller la santé des patients.
• Finance: les agents de l'IA détectent la fraude, exécutent des métiers et fournissent des conseils financiers.
• Marketing: les agents d'IA personnalisent les campagnes de marketing, le public de segments et l'optimisation des dépenses publicitaires.

Perspectives et avancées futures

L'avenir des agents de l'IA est prometteur, avec des progrès dans l'apprentissage automatique, le traitement du langage naturel et l'éthique de l'IA. Les tendances émergentes comprennent:

• Systèmes autonomes: systèmes autonomes plus sophistiqués capables de gérer des tâches complexes.
• Collaboration humaine-AI: collaboration améliorée entre les humains et les agents de l'IA pour une meilleure prise de décision.
• IA éthique: Focus sur le développement d'agents d'IA éthiques qui priorisent la confidentialité, l'équité et la transparence.

Consultez également cet article sur les étapes à construire vers l'agent AI

Conclusion

Dans ce guide complet, nous avons exploré le concept des agents de l'IA , leur signification et le modèle de réaction qui améliore leurs capacités. Nous avons couvert les outils et les bibliothèques nécessaires, mis en place l'environnement et avons traversé la construction d'un agent d'IA à partir de zéro. Nous avons également discuté de la mise en œuvre d'actions, de l'intégration de l'agent d'IA et de tester et de déboguer le système. Enfin, nous avons examiné les applications du monde réel et les perspectives d'avenir des agents de l'IA.

En suivant ce guide, vous avez maintenant les connaissances nécessaires pour créer vos propres agents AI de construction à partir de zéro. Expérimentez avec différentes actions, améliorez les capacités de l'agent et explorez de nouvelles possibilités dans le domaine passionnant de l'intelligence artificielle.

Principaux à retenir

• Comprendre les concepts de base et la signification des agents de l'IA.
• Mise en œuvre du modèle REACT pour permettre aux agents de l'IA d'effectuer des actions et des raisons de leurs observations.
• Connaissance des outils essentiels et des bibliothèques comme l'API OpenAI, HTTPX et Python Expressions régulières.
• Un guide détaillé sur la construction d'un agent d'IA à partir de zéro, y compris la définition d'actions et l'intégrer.
• Techniques pour tester et déboguer efficacement les agents d'IA.
• Stratégies pour améliorer les capacités de l'agent d'IA et assurer sa robustesse et sa sécurité.
• Exemples pratiques de la façon dont les agents de l'IA sont utilisés dans diverses industries et leurs progrès futurs.

Questions fréquemment posées

Q1. Quel est le motif de réact dans l'IA?

A. Le modèle React (Raison Act) implique la mise en œuvre de mesures supplémentaires qu'un agent d'IA peut prendre, comme rechercher Wikipedia ou exécuter des calculs, et enseigner à l'agent à demander ces actions et à traiter leurs résultats.

Q2. Quels outils et bibliothèques sont nécessaires pour construire un agent d'IA à partir de zéro?

A. Pour construire un agent AI à partir de zéro, vous aurez besoin d'outils essentiels et de bibliothèques incluez Python, API OpenAI, HTTPX pour les demandes HTTP et la bibliothèque régulière des expressions (Re) de Python.

Q3. Comment puis-je assurer la sécurité de mon agent d'IA, en particulier lorsque vous utilisez des actions comme EVAL?

A. Valider les entrées approfondies pour prévenir les attaques d'injection, utiliser des techniques de sandboxing dans la mesure du possible, implémenter la gestion des erreurs et les actions du journal pour la surveillance et le débogage.

Q4. Puis-je ajouter plus d'actions à mon agent d'IA au-delà de ceux décrits dans le guide?

R. Oui, vous pouvez ajouter diverses actions telles que la récupération des informations météorologiques, la recherche d'articles de presse ou la traduction de texte en utilisant des API appropriées et les intégrer dans la boucle de raisonnement de l'agent d'IA

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!