Crewai를 사용한 동시 쿼리 해상도 시스템

인공 지능 시대에 비즈니스는 지속적으로 고객 지원 서비스를 향상시키는 혁신적인 방법을 찾고 있습니다. 이러한 접근법 중 하나는 고객 쿼리를 효율적으로 해결하기 위해 협력 적으로 작업하는 AI 에이전트를 활용하는 것입니다. 이 기사는 Crewai, OpenAi의 GPT 모델 및 Google Gemini를 사용하여 동시 쿼리 해상도 시스템의 구현을 살펴 봅니다. 이 시스템은 고객 쿼리를 원활하게 처리하기 위해 병렬로 작동하는 여러 전문 에이전트를 사용하여 응답 시간을 줄이고 정확도를 향상시킵니다.

학습 목표

응답을 자동화하고 주요 정보를 요약하여 AI 에이전트가 고객 쿼리를 효율적으로 처리 할 수있는 방법을 이해합니다. CrewAi가 다중 에이전트 협업을 가능하게하여 고객 지원 워크 플로우를 개선하는 방법을 배우십시오. Query Resolvers 및 Summarizers와 같은 다양한 유형의 AI 에이전트 및 고객 서비스 자동화에서의 역할을 탐색하십시오. 응답 효율을 향상시키기 위해 Python의 Asyncio를 사용하여 동시 쿼리 처리를 구현하십시오. AI 구동 자동화를 통합하여 정확도와 확장 성을 향상시켜 고객 지원 시스템을 최적화합니다.

• 이 기사는 데이터 과학 블로그 톤의
• 의 일부로 출판되었습니다. 목차
ai 에이전트가 어떻게 작동 하는가?
동시 쿼리 해상도 시스템의 구현

1 단계 : API 키 설정 2 단계 : 필수 라이브러리 가져 오기 AGENTS 5 단계 : 작업 정의 6 : AI 에이전트로 쿼리 실행 8 단계 : 예제 정의 11 단계 : 쿼리 및 인쇄 결과 실행 동시 쿼리 해상도 시스템의 장점

동시 쿼리 해상도 시스템의 응용

• 자주 묻는 질문
• AI 에이전트가 어떻게 협력합니까? 동시 쿼리 해상도 시스템은 다중 에이전트 프레임 워크를 사용하여 각 에이전트에 특정 역할을 할당합니다. 이 시스템은 AI 에이전트가 효과적으로 협력 할 수있는 프레임 워크 인 Crewai를 사용합니다.
  시스템의 주요 구성 요소는 다음과 같습니다
  쿼리 해상도 에이전트 :
  • 고객 쿼리를 이해하고 정확한 응답을 제공하는 책임. 요약 에이전트 : 빠른 검토 및 향후 참조를위한 해상도 프로세스가 요약되어 있습니다. llms (대형 언어 모델) : 는 GPT-4O 및 Gemini와 같은 모델을 포함하며, 각각 속도와 정확도의 균형을 맞추기위한 구성이 다릅니다. 작업 관리 :
  동시 쿼리 처리를 보장하기 위해 에이전트에 동적으로 작업 할당.
  • 동시 쿼리 해상도 시스템의 구현 AI 에이전트 프레임 워크를 개념에서 현실로 변환하려면 구조화 된 구현 접근법이 필수적입니다. 아래에서는 효과적인 쿼리 해상도를 위해 AI 에이전트 설정 및 통합과 관련된 주요 단계를 간략하게 설명합니다. 1 단계 : API 키 설정 OpenAI API 키는 OS 모듈을 사용하여 환경 변수로 저장됩니다. 이를 통해 시스템은 민감한 자격 증명을 하드 코딩하지 않고 API 요청을 안전하게 인증 할 수 있습니다.
  시스템은 OS 모듈을 사용하여 운영 체제와 상호 작용합니다. 시스템은 OpenAI_API_Key를 환경 변수로 설정하여 OpenAI의 API에 대한 요청을 인증 할 수 있습니다. 2 단계 : 필요한 라이브러리 가져 오기 비동기 작업을 처리하기위한 Asyncio 및 에이전트, 승무원, 작업 및 LLM과 같은 Crewai 구성 요소를 포함하여 필요한 라이브러리가 가져옵니다. 이들은 AI 에이전트를 정의하고 관리하는 데 필수적입니다
  • asyncio : 비동기 프로그래밍을위한 Python의 내장 모듈, 동시 실행을 가능하게합니다.
  에이전트 :
  • 는 특정 책임이있는 AI 근로자를 나타냅니다 승무원 : 여러 에이전트와 그 상호 작용을 관리합니다
  작업 :
  각 에이전트가해야 할 일을 정의합니다 llm :

  사용 된 큰 언어 모델을 지정합니다 프로세스 :

  는 순차적이든 평행하게 작업이 실행되는 방식을 정의합니다. Google의 생성 AI 모델 (이 스 니펫에는 사용되지 않지만 향후 확장에 포함될 수 있음)을위한 Google.generativeai : 라이브러리.

  3 단계 : LLMS 초기화 3 개의 다른 LLM 인스턴스 (GPT-4O 및 GPT-4)가 다양한 온도 설정으로 초기화됩니다. 온도는 응답 창의성을 제어하여 AI 생성 답변에서 정확도와 유연성 사이의 균형을 보장합니다.

  시스템은 각각 다른 구성을 갖는 3 개의 LLM 인스턴스를 만듭니다. <:> 매개 변수 :
  • 모델 : 사용 할 Openai 모델 (GPT-4O 또는 GPT-4)을 지정합니다. 온도 :
  는 응답의 임의성을 제어합니다 (0 = 결정 론적, 1 = 더 창의적).
  • 이러한 다른 모델과 온도는 정확성과 창의성의 균형을 유지하는 데 도움이됩니다. 4 단계 : AI 에이전트 정의 각 에이전트는 특정 역할과 사전 정의 된 목표를 가지고 있습니다. 두 개의 AI 에이전트가 생성됩니다 Query Resolver
  : 고객 문의를 처리하고 자세한 응답을 제공합니다 요약 생성기 : 빠른 참조를위한 해상도가 요약되어 있습니다.
  각 에이전트는 상호 작용을 안내하기위한 정의 된 역할, 목표 및 배경 이야기를 가지고 있습니다.
  쿼리 해상도 에이전트
  이 코드 블록에서 무슨 일이 일어나고 있는지 봅시다
  에이전트 생성 :
  > query_resolution_agent는 고객 쿼리를 해결하는 책임있는 AI 구동 조수입니다. 모델 선택 :
  • 는 LLM_1을 사용하며 온도가 0.7 인 GPT-4O로 구성됩니다. 이 균형은 창의적이지만 정확한 응답을 허용합니다 역할 : 시스템은 에이전트를 쿼리 레졸버로 지정합니다. 배경 이야기 : 개발자는 에이전트가 전문 고객 서비스 보조원 역할을 수행하여 효율적이고 전문적인 응답을 보장합니다. 목표 :
  사용자 쿼리에 정확한 솔루션을 제공합니다 Verbose Mode : Verbose = True는 세부 로그를 보장하여 개발자가 성능을 디버그하고 추적하는 데 도움이됩니다.
  • 요약 에이전트 > 여기서 무슨 일이야?
    
  에이전트 생성 : Summary_agent는 쿼리 해상도를 요약하도록 설계되었습니다. 모델 선택 :
  는 온도가 0.2 인 LLM_2 (GPT-4)를 사용하여 응답이 더 결정적이고 정확하게 만듭니다. 역할 : 이 에이전트는 요약 생성기 역할을합니다 배경 이야기 : Quick Reference를 위해 쿼리 해상도가 간결하게 요약되어 있습니다 목표 :

  는 고객 쿼리가 어떻게 해결되었는지에 대한 명확하고 간결한 요약을 제공합니다. Verbose Mode : Verbose = true 필요한 경우 디버깅 정보를 사용할 수 있도록합니다.

  5 단계 : 작업 정의 시스템은 병렬 쿼리 처리를 보장하기 위해 작업을 동적으로 할당합니다. 이 섹션은 동시 쿼리 해상도 시스템에서 AI 에이전트에 할당 된 작업을 정의합니다.

  import os 
  
  # Set the API key as an environment variable
  os.environ["OPENAI_API_KEY"] = ""

  > 여기서 무슨 일이야?

  작업 정의 :

  resolution_task :이 작업은 쿼리 리졸버 에이전트에게 고객 쿼리를 분석하고 해결하도록 지시합니다. summary_task :이 작업은 요약 에이전트에게 해상도 프로세스에 대한 간단한 요약을 생성하도록 지시합니다.
  동적 쿼리 처리 :
  • 시스템은 작업을 실행할 때 {Query}를 실제 고객 쿼리로 대체합니다. 이를 통해 시스템은 고객 쿼리를 동적으로 처리 할 수 ​​있습니다.
  예상 출력 :

  <_> resolution_task는 쿼리에 대한 자세한 응답을 기대합니다 <_ _> summary_task는 쿼리 해상도에 대한 간결한 요약을 생성합니다. 에이전트 할당 :

  <_> query_resolution_agent는 해상도 작업을 처리하도록 할당됩니다 <_ _> Summary_Agent는 요약 작업을 처리하도록 할당됩니다
  • 왜 이것이 중요한지
  • 작업 전문화 :
  각 AI 에이전트는 특정 작업을 가지고있어 효율성과 명확성을 보장합니다. 확장 성 :
  다른 유형의 고객 지원 상호 작용을 처리하기 위해 더 많은 작업과 에이전트를 추가 할 수 있습니다. 병렬 처리 :

  작업을 동시에 실행하여 고객 대기 시간을 줄일 수 있습니다. 6 단계 : AI 에이전트 로 쿼리 실행 쿼리를 처리하기 위해 비동기 기능이 생성됩니다. 승무원 수업은 에이전트와 작업을 구성하여 적절한 쿼리 해결 및 요약을 보장하기 위해 순차적으로 실행합니다.

  이 기능은 쿼리를 실행하기 위해 비동기 프로세스를 정의합니다. 다음이 포함 된 승무원 인스턴스를 만듭니다
  에이전트 : 프로세스에 관련된 AI 에이전트 (쿼리 레졸버 및 요약 생성기). 작업 : 에이전트에 할당 된 작업 (쿼리 해상도 및 요약).
  • process = process.sequential :
  는 작업이 순서대로 실행되도록합니다 Verbose = true :
  • 더 나은 추적을 위해 자세한 로깅을 활성화합니다
  이 기능은 AI 에이전트를 비동기로 실행하고 결과를 반환하기 위해 기다리고 있습니다. 7 단계 : 여러 쿼리를 동시에 처리합니다
  asyncio.gather ()를 사용하여 여러 쿼리를 동시에 처리 할 수 ​​있습니다. 이렇게하면 AI 에이전트가 다른 고객 문제를 병렬로 처리 할 수있게하여 응답 시간이 줄어 듭니다.

  이 함수는 동시에 두 쿼리를 실행합니다. asyncio.gather ()는 두 쿼리를 동시에 처리하여 응답 시간을 크게 줄입니다. 함수는 실행이 완료되면 두 쿼리의 결과를 반환합니다. 8 단계 : 예제 쿼리 정의 개발자는 로그인 실패 및 결제 처리 오류와 같은 일반적인 고객 지원 문제를 다루는 시스템을 테스트하기 위해 샘플 쿼리를 정의합니다. 이들은 시스템을 테스트하기위한 샘플 쿼리입니다 쿼리 1 로그인 문제와 거래되고 쿼리 2는 결제 게이트웨이 오류와 관련이 있습니다. 9 단계 : 이벤트 루프 설정 시스템은 비동기 작업을 처리하기 위해 이벤트 루프를 초기화합니다. 기존 루프를 찾지 못하면 AI 작업 실행을 관리 할 새로운 루프가 생성됩니다.

  이 섹션은 비동기 작업을 실행할 때 이벤트 루프를 사용할 수 있도록합니다. 시스템에서 시스템이 이벤트 루프가 감지되지 않으면 (runtimeerror가 발생 함) 새 제품을 생성하고 활성 루프로 설정합니다.

  . 10 단계 : Jupyter Notebook/Google Colab에서 이벤트 루프 처리 Jupyter와 Colab은 기존 이벤트 루프를 가지고 있기 때문에 Nest_asyncio.apply ()는 충돌을 방지하는 데 사용되어 비동기 쿼리의 원활한 실행을 보장합니다.

  Jupyter Notebooks와 Google Colab은 기존 이벤트 루프를 가지고있어 비동기 기능을 실행할 때 오류가 발생할 수 있습니다. nest_asyncio.apply ()는 중첩 된 이벤트 루프를 허용하여 호환성 문제를 해결합니다 11 단계 : 쿼리 및 인쇄 결과 실행 이벤트 루프는 핸들 _two_queries ()를 실행하여 쿼리를 동시에 처리합니다. 이 시스템은 최종 AI 생성 응답을 인쇄하여 쿼리 해상도 및 요약을 표시합니다.

  시스템은 결과를 인쇄하여 각 쿼리에 대한 AI 생성 해상도를 표시합니다.

  import os 
  
  # Set the API key as an environment variable
  os.environ["OPENAI_API_KEY"] = ""

  동시 쿼리 해상도 시스템의 장점 아래에서, 우리는 동시 쿼리 해상도 시스템이 여러 쿼리를 동시에 처리하여 효율성을 향상시켜 응답 시간이 빠르고 사용자 경험을 향상시키는 방법을 살펴 봅니다.

  .

  더 빠른 응답 시간 : 병렬 실행은 여러 쿼리를 동시에 해결합니다 개선 된 정확도 :

  여러 LLM을 활용하여 창의성과 사실적인 정확성 사이의 균형을 유지합니다. 확장 성 :

  시스템은 인간의 개입없이 많은 양의 쿼리를 처리 할 수 ​​있습니다. 더 나은 고객 경험 :

  자동화 된 요약은 쿼리 해상도에 대한 빠른 개요를 제공합니다.

  동시 쿼리 해상도 시스템의 응용 프로그램

  우리는 이제 고객 지원 자동화, 챗봇의 실시간 쿼리 처리 및 대규모 서비스 요청의 효율적인 처리를 포함하여 동시 쿼리 해상도 시스템의 다양한 응용 프로그램을 살펴볼 것입니다.
  고객 지원 자동화
  • : AI 중심 챗봇이 여러 고객 쿼리를 동시에 해결하여 응답 시간을 줄일 수 있습니다. 실시간 쿼리 처리 : 수많은 쿼리를 병렬로 처리하여 효율성을 향상시켜 라이브 지원 시스템을 향상시킵니다. 전자 상거래 지원 : 온라인 쇼핑 플랫폼에서 제품 문의, 주문 추적 및 지불 문제 해결을 간소화합니다. IT HelpDesk Management
  : 동시에 여러 기술적 문제를 진단하고 해결하여 IT 서비스 데스크를 지원합니다. 의료 및 원격 의료 : 환자 문의, 약속 일정 및 의료 조언 관리를 동시에 지원합니다. 결론 동시 쿼리 해상도 시스템은 AI 중심의 다중 에이전트 협업이 고객 지원에 혁명을 일으킬 수있는 방법을 보여줍니다. Crewai, OpenAi의 GPT 모델 및 Google Gemini를 활용하여 비즈니스는 쿼리 처리를 자동화하여 효율성 및 사용자 만족도를 향상시킬 수 있습니다. 이 접근법은 향후보다 진보 된 AI 중심 서비스 솔루션을위한 길을 열어줍니다. 키 테이크 아웃

AI 에이전트는 고객 지원을 간소화하여 응답 시간을 줄입니다 Crewai는 전문 에이전트가 효과적으로 협력 할 수있게합니다 asyncio를 사용하면 여러 쿼리가 동시에 처리됩니다 다른 LLM 구성 균형 정확도와 창의성 시스템은 인간의 개입없이 높은 쿼리 볼륨을 관리 할 수 ​​있습니다.
• 자동화 된 요약은 빠르고 명확한 쿼리 해상도를 제공합니다 자주 묻는 질문
q1. Crewai는 무엇입니까?
• a. Crewai는 특정 역할을 가진 에이전트를 정의하고 작업을 동적으로 할당하며 순차적으로 또는 동시에 처리합니다. OpenAi의 GPT 및 Google Gemini와 같은 AI 모델을 활용하여 작업을 효율적으로 실행합니다. Crewai는 여러 쿼리를 동시에 어떻게 처리합니까?
• a. 예, Crewai는 OpenAi의 GPT-4, GPT-4O 및 Google의 Gemini를 포함한 다양한 대형 언어 모델 (LLM)을 지원하므로 속도 및 정확도 요구 사항에 따라 사용자가 선택할 수 있습니다. Crewai는 작업 정확도를 어떻게 보장합니까?

위 내용은 Crewai를 사용한 동시 쿼리 해상도 시스템의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!