GOAT.AI - Task to AI Agents
درون ایپ خریداریاں
+1 ہزار
ڈاؤن لوڈز
ہر کوئی
info
اس ایپ کے بارے میں
ایجنٹ کے کاموں کا مقصد پر مبنی آرکیسٹریشن۔ بنیادی طور پر، AI ایجنٹس آپ کے کام کو انجام دینے کے لیے ایک دوسرے سے بات چیت کریں گے۔
مثال: "20 کلومیٹر نیم میراتھن کے لیے اگلے مہینے کا بہترین دن منتخب کریں"۔ AI تعاون کرنا شروع کر دے گا: ویدر ایجنٹ پیشین گوئیاں بازیافت کرتا ہے، ویب سرچ ایجنٹ چلنے کے بہترین حالات کی نشاندہی کرتا ہے، اور وولفرم ایجنٹ "بہترین دن" کا حساب لگاتا ہے۔ یہ مربوط AI کا فن ہے، پیچیدہ کاموں کو نفاست کے ساتھ آسان بناتا ہے۔
خود مختار ایجنٹوں کے لیے مرکزی مین فریم کے طور پر LLMs ایک دلچسپ تصور ہے۔ AutoGPT، GPT-Engineer، اور BabyAGI جیسے مظاہرے اس خیال کی سادہ مثال کے طور پر کام کرتے ہیں۔ LLMs کی صلاحیت اچھی طرح سے لکھی ہوئی کاپیاں، کہانیوں، مضامین اور پروگراموں کو تیار کرنے یا مکمل کرنے سے باہر ہوتی ہے۔ انہیں طاقتور جنرل ٹاسک سولورز کے طور پر تیار کیا جا سکتا ہے، اور یہی مقصد ہے کہ ہم ایجنٹ ٹاسک فورس کے مقصد پر مبنی آرکیسٹریشن (GOAT.AI) کی تعمیر میں حاصل کرنا چاہتے ہیں۔
LLM ایجنٹ ٹاسک فورس کے نظام کی اہداف پر مبنی آرکیسٹریشن کے لیے اور صحیح طریقے سے کام کرنے کے لیے، نظام کے تین بنیادی اجزاء کو صحیح طریقے سے کام کرنا ہوگا۔
- جائزہ
1) منصوبہ بندی
- ذیلی گول اور سڑنا: ایجنٹ بڑے کاموں کو چھوٹے، قابل انتظام ذیلی گولز میں تقسیم کرتا ہے، جس سے پیچیدہ اسائنمنٹس کو مؤثر طریقے سے سنبھالنا آسان ہو جاتا ہے۔
- عکاسی اور تطہیر: ایجنٹ ماضی کے اعمال پر خود تنقید اور خود عکاسی میں مشغول ہوتا ہے، غلطیوں سے سیکھتا ہے، اور مستقبل کے اقدامات کے لیے نقطہ نظر کو بہتر بناتا ہے، اس طرح نتائج کے مجموعی معیار کو بڑھاتا ہے۔
2) یادداشت
- قلیل مدتی میموری: اس سے مراد متن کی وہ مقدار ہے جو ماڈل جواب دینے سے پہلے معیار میں کسی کمی کے بغیر پروسیس کر سکتا ہے۔ موجودہ حالت میں، LLMs تقریباً 128k ٹوکنز کے معیار میں کسی کمی کے بغیر جوابات فراہم کر سکتے ہیں۔
- طویل مدتی میموری: یہ ایجنٹ کو طویل عرصے تک سیاق و سباق کے لیے لامحدود معلومات کو ذخیرہ کرنے اور یاد کرنے کے قابل بناتا ہے۔ یہ اکثر موثر RAG سسٹمز کے لیے بیرونی ویکٹر اسٹور کا استعمال کرکے حاصل کیا جاتا ہے۔
3) ایکشن اسپیس
- ایجنٹ اضافی معلومات حاصل کرنے کے لیے بیرونی APIs کو کال کرنے کی صلاحیت حاصل کرتا ہے جو ماڈل وزن میں دستیاب نہیں ہے (جن میں اکثر پری ٹریننگ کے بعد ترمیم کرنا مشکل ہوتا ہے)۔ اس میں موجودہ معلومات تک رسائی، کوڈ پر عمل درآمد، ملکیتی معلومات کے ذرائع تک رسائی، اور سب سے اہم: معلومات کی بازیافت کے لیے دوسرے ایجنٹوں کو طلب کرنا شامل ہے۔
- ایکشن اسپیس میں ایسے اعمال بھی شامل ہوتے ہیں جن کا مقصد کسی چیز کو بازیافت کرنا نہیں ہوتا ہے، بلکہ اس میں مخصوص اعمال انجام دینا اور نتیجہ حاصل کرنا شامل ہوتا ہے۔ ایسی کارروائیوں کی مثالوں میں ای میلز بھیجنا، ایپس لانچ کرنا، دروازے کھولنا اور بہت کچھ شامل ہے۔ یہ کارروائیاں عام طور پر مختلف APIs کے ذریعے کی جاتی ہیں۔ مزید برآں، یہ نوٹ کرنا ضروری ہے کہ ایجنٹ قابل عمل واقعات کے لیے دوسرے ایجنٹوں کو بھی بلا سکتے ہیں جن تک ان کی رسائی ہے۔
مثال: "20 کلومیٹر نیم میراتھن کے لیے اگلے مہینے کا بہترین دن منتخب کریں"۔ AI تعاون کرنا شروع کر دے گا: ویدر ایجنٹ پیشین گوئیاں بازیافت کرتا ہے، ویب سرچ ایجنٹ چلنے کے بہترین حالات کی نشاندہی کرتا ہے، اور وولفرم ایجنٹ "بہترین دن" کا حساب لگاتا ہے۔ یہ مربوط AI کا فن ہے، پیچیدہ کاموں کو نفاست کے ساتھ آسان بناتا ہے۔
خود مختار ایجنٹوں کے لیے مرکزی مین فریم کے طور پر LLMs ایک دلچسپ تصور ہے۔ AutoGPT، GPT-Engineer، اور BabyAGI جیسے مظاہرے اس خیال کی سادہ مثال کے طور پر کام کرتے ہیں۔ LLMs کی صلاحیت اچھی طرح سے لکھی ہوئی کاپیاں، کہانیوں، مضامین اور پروگراموں کو تیار کرنے یا مکمل کرنے سے باہر ہوتی ہے۔ انہیں طاقتور جنرل ٹاسک سولورز کے طور پر تیار کیا جا سکتا ہے، اور یہی مقصد ہے کہ ہم ایجنٹ ٹاسک فورس کے مقصد پر مبنی آرکیسٹریشن (GOAT.AI) کی تعمیر میں حاصل کرنا چاہتے ہیں۔
LLM ایجنٹ ٹاسک فورس کے نظام کی اہداف پر مبنی آرکیسٹریشن کے لیے اور صحیح طریقے سے کام کرنے کے لیے، نظام کے تین بنیادی اجزاء کو صحیح طریقے سے کام کرنا ہوگا۔
- جائزہ
1) منصوبہ بندی
- ذیلی گول اور سڑنا: ایجنٹ بڑے کاموں کو چھوٹے، قابل انتظام ذیلی گولز میں تقسیم کرتا ہے، جس سے پیچیدہ اسائنمنٹس کو مؤثر طریقے سے سنبھالنا آسان ہو جاتا ہے۔
- عکاسی اور تطہیر: ایجنٹ ماضی کے اعمال پر خود تنقید اور خود عکاسی میں مشغول ہوتا ہے، غلطیوں سے سیکھتا ہے، اور مستقبل کے اقدامات کے لیے نقطہ نظر کو بہتر بناتا ہے، اس طرح نتائج کے مجموعی معیار کو بڑھاتا ہے۔
2) یادداشت
- قلیل مدتی میموری: اس سے مراد متن کی وہ مقدار ہے جو ماڈل جواب دینے سے پہلے معیار میں کسی کمی کے بغیر پروسیس کر سکتا ہے۔ موجودہ حالت میں، LLMs تقریباً 128k ٹوکنز کے معیار میں کسی کمی کے بغیر جوابات فراہم کر سکتے ہیں۔
- طویل مدتی میموری: یہ ایجنٹ کو طویل عرصے تک سیاق و سباق کے لیے لامحدود معلومات کو ذخیرہ کرنے اور یاد کرنے کے قابل بناتا ہے۔ یہ اکثر موثر RAG سسٹمز کے لیے بیرونی ویکٹر اسٹور کا استعمال کرکے حاصل کیا جاتا ہے۔
3) ایکشن اسپیس
- ایجنٹ اضافی معلومات حاصل کرنے کے لیے بیرونی APIs کو کال کرنے کی صلاحیت حاصل کرتا ہے جو ماڈل وزن میں دستیاب نہیں ہے (جن میں اکثر پری ٹریننگ کے بعد ترمیم کرنا مشکل ہوتا ہے)۔ اس میں موجودہ معلومات تک رسائی، کوڈ پر عمل درآمد، ملکیتی معلومات کے ذرائع تک رسائی، اور سب سے اہم: معلومات کی بازیافت کے لیے دوسرے ایجنٹوں کو طلب کرنا شامل ہے۔
- ایکشن اسپیس میں ایسے اعمال بھی شامل ہوتے ہیں جن کا مقصد کسی چیز کو بازیافت کرنا نہیں ہوتا ہے، بلکہ اس میں مخصوص اعمال انجام دینا اور نتیجہ حاصل کرنا شامل ہوتا ہے۔ ایسی کارروائیوں کی مثالوں میں ای میلز بھیجنا، ایپس لانچ کرنا، دروازے کھولنا اور بہت کچھ شامل ہے۔ یہ کارروائیاں عام طور پر مختلف APIs کے ذریعے کی جاتی ہیں۔ مزید برآں، یہ نوٹ کرنا ضروری ہے کہ ایجنٹ قابل عمل واقعات کے لیے دوسرے ایجنٹوں کو بھی بلا سکتے ہیں جن تک ان کی رسائی ہے۔
اپ ڈیٹ کردہ بتاریخ
سیفٹی اس بات کو سمجھنے کے ساتھ شروع ہوتی ہے کہ ڈویلپرز آپ کا ڈیٹا کیسے اکٹھا اور اس کا اشتراک کرتے ہیں۔ ڈیٹا کی رازداری اور سیکیورٹی کے طریقے آپ کے استعمال، علاقے اور عمر کی بنیاد پر مختلف ہو سکتے ہیں۔ ڈویلپر نے یہ معلومات فراہم کی ہے اور وقت کے ساتھ ساتھ اسے اپ ڈیٹ کر سکتا ہے۔
نیا کیا ہے
Minor improvements to AI models
