GOAT.AI - Task to AI Agents
अ‍ॅपमधील खरेदी
१ ह+
डाउनलोड
प्रत्येकजण
info
या अ‍ॅपविषयी
एजंट कार्यांचे ध्येय-देणारं ऑर्केस्ट्रेशन. मूलभूतपणे, एआय एजंट तुमचे कार्य पूर्ण करण्यासाठी एकमेकांशी संवाद साधतील.
उदाहरण: "20km अर्ध-मॅरेथॉनसाठी पुढील महिन्यात सर्वोत्तम दिवस निवडा". AI सहयोग सुरू करेल: हवामान एजंट अंदाज पुनर्प्राप्त करतो, वेब शोध एजंट इष्टतम चालू स्थिती ओळखतो आणि वोल्फ्राम एजंट "सर्वोत्तम दिवस" ची गणना करतो. ही कनेक्टेड एआयची कला आहे, जटिल कार्ये सुसंस्कृतपणासह सुलभ करते.
स्वायत्त एजंट्ससाठी मध्यवर्ती मेनफ्रेम म्हणून LLM ही एक वेधक संकल्पना आहे. AutoGPT, GPT-Engineer आणि BabyAGI सारखी प्रात्यक्षिके या कल्पनेची साधी उदाहरणे देतात. LLM ची क्षमता चांगल्या-लिखित प्रती, कथा, निबंध आणि कार्यक्रम तयार करणे किंवा पूर्ण करणे यापलीकडे आहे; ते शक्तिशाली जनरल टास्क सॉल्व्हर्स म्हणून तयार केले जाऊ शकतात आणि एजंट टास्कफोर्स (GOAT.AI) चे लक्ष्य ओरिएंटेड ऑर्केस्ट्रेशन तयार करण्याचे आमचे ध्येय आहे.
LLM एजंट टास्क फोर्स सिस्टीम अस्तित्वात येण्यासाठी आणि योग्यरितीने कार्य करण्यासाठी लक्ष्याभिमुख ऑर्केस्ट्रेशनसाठी, सिस्टमच्या तीन मुख्य घटकांना योग्यरित्या कार्य करावे लागेल.
- आढावा
1) नियोजन
- उपगोल आणि विघटन: एजंट मोठ्या कार्यांना लहान, व्यवस्थापित करता येण्याजोग्या उपगोलांमध्ये विभाजित करतो, ज्यामुळे जटिल असाइनमेंट कार्यक्षमतेने हाताळणे सोपे होते.
- प्रतिबिंब आणि परिष्करण: एजंट भूतकाळातील कृतींवर आत्म-समीक्षा आणि आत्म-चिंतनात गुंततो, चुकांमधून शिकतो आणि भविष्यातील चरणांसाठी दृष्टिकोन सुधारतो, ज्यामुळे परिणामांची एकूण गुणवत्ता वाढते.
2) स्मृती
- अल्प-मुदतीची मेमरी: गुणवत्तेत कोणतीही घसरण न करता उत्तर देण्यापूर्वी मॉडेल किती मजकुरावर प्रक्रिया करू शकते याचा संदर्भ देते. सध्याच्या स्थितीत, LLMs अंदाजे 128k टोकनसाठी गुणवत्तेत कोणतीही घट न करता उत्तरे देऊ शकतात.
- दीर्घकालीन मेमरी: हे एजंटला दीर्घ कालावधीसाठी संदर्भासाठी अमर्यादित माहिती संचयित आणि आठवण्यास सक्षम करते. कार्यक्षम RAG सिस्टीमसाठी बाह्य वेक्टर स्टोअर वापरून हे साध्य केले जाते.
3) अॅक्शन स्पेस
- मॉडेल वेट्समध्ये उपलब्ध नसलेली अतिरिक्त माहिती मिळविण्यासाठी एजंट बाह्य API ला कॉल करण्याची क्षमता प्राप्त करतो (ज्याला पूर्व-प्रशिक्षणानंतर सुधारणे अनेकदा कठीण असते). यामध्ये वर्तमान माहितीमध्ये प्रवेश करणे, कोड कार्यान्वित करणे, मालकीच्या माहितीच्या स्त्रोतांमध्ये प्रवेश करणे आणि सर्वात महत्त्वाचे म्हणजे: माहिती पुनर्प्राप्तीसाठी इतर एजंटना बोलवणे समाविष्ट आहे.
- अॅक्शन स्पेसमध्ये अशा क्रियांचा समावेश होतो ज्यांचे उद्दिष्ट काहीतरी पुनर्प्राप्त करणे नसून त्याऐवजी विशिष्ट क्रिया करणे आणि परिणामी परिणाम प्राप्त करणे समाविष्ट आहे. अशा क्रियांच्या उदाहरणांमध्ये ईमेल पाठवणे, अॅप्स लाँच करणे, समोरचे दरवाजे उघडणे आणि बरेच काही समाविष्ट आहे. या क्रिया सामान्यत: विविध API द्वारे केल्या जातात. याव्यतिरिक्त, हे लक्षात घेणे महत्वाचे आहे की एजंट इतर एजंटना देखील कृतीयोग्य कार्यक्रमांसाठी आमंत्रित करू शकतात ज्यात त्यांना प्रवेश आहे.
उदाहरण: "20km अर्ध-मॅरेथॉनसाठी पुढील महिन्यात सर्वोत्तम दिवस निवडा". AI सहयोग सुरू करेल: हवामान एजंट अंदाज पुनर्प्राप्त करतो, वेब शोध एजंट इष्टतम चालू स्थिती ओळखतो आणि वोल्फ्राम एजंट "सर्वोत्तम दिवस" ची गणना करतो. ही कनेक्टेड एआयची कला आहे, जटिल कार्ये सुसंस्कृतपणासह सुलभ करते.
स्वायत्त एजंट्ससाठी मध्यवर्ती मेनफ्रेम म्हणून LLM ही एक वेधक संकल्पना आहे. AutoGPT, GPT-Engineer आणि BabyAGI सारखी प्रात्यक्षिके या कल्पनेची साधी उदाहरणे देतात. LLM ची क्षमता चांगल्या-लिखित प्रती, कथा, निबंध आणि कार्यक्रम तयार करणे किंवा पूर्ण करणे यापलीकडे आहे; ते शक्तिशाली जनरल टास्क सॉल्व्हर्स म्हणून तयार केले जाऊ शकतात आणि एजंट टास्कफोर्स (GOAT.AI) चे लक्ष्य ओरिएंटेड ऑर्केस्ट्रेशन तयार करण्याचे आमचे ध्येय आहे.
LLM एजंट टास्क फोर्स सिस्टीम अस्तित्वात येण्यासाठी आणि योग्यरितीने कार्य करण्यासाठी लक्ष्याभिमुख ऑर्केस्ट्रेशनसाठी, सिस्टमच्या तीन मुख्य घटकांना योग्यरित्या कार्य करावे लागेल.
- आढावा
1) नियोजन
- उपगोल आणि विघटन: एजंट मोठ्या कार्यांना लहान, व्यवस्थापित करता येण्याजोग्या उपगोलांमध्ये विभाजित करतो, ज्यामुळे जटिल असाइनमेंट कार्यक्षमतेने हाताळणे सोपे होते.
- प्रतिबिंब आणि परिष्करण: एजंट भूतकाळातील कृतींवर आत्म-समीक्षा आणि आत्म-चिंतनात गुंततो, चुकांमधून शिकतो आणि भविष्यातील चरणांसाठी दृष्टिकोन सुधारतो, ज्यामुळे परिणामांची एकूण गुणवत्ता वाढते.
2) स्मृती
- अल्प-मुदतीची मेमरी: गुणवत्तेत कोणतीही घसरण न करता उत्तर देण्यापूर्वी मॉडेल किती मजकुरावर प्रक्रिया करू शकते याचा संदर्भ देते. सध्याच्या स्थितीत, LLMs अंदाजे 128k टोकनसाठी गुणवत्तेत कोणतीही घट न करता उत्तरे देऊ शकतात.
- दीर्घकालीन मेमरी: हे एजंटला दीर्घ कालावधीसाठी संदर्भासाठी अमर्यादित माहिती संचयित आणि आठवण्यास सक्षम करते. कार्यक्षम RAG सिस्टीमसाठी बाह्य वेक्टर स्टोअर वापरून हे साध्य केले जाते.
3) अॅक्शन स्पेस
- मॉडेल वेट्समध्ये उपलब्ध नसलेली अतिरिक्त माहिती मिळविण्यासाठी एजंट बाह्य API ला कॉल करण्याची क्षमता प्राप्त करतो (ज्याला पूर्व-प्रशिक्षणानंतर सुधारणे अनेकदा कठीण असते). यामध्ये वर्तमान माहितीमध्ये प्रवेश करणे, कोड कार्यान्वित करणे, मालकीच्या माहितीच्या स्त्रोतांमध्ये प्रवेश करणे आणि सर्वात महत्त्वाचे म्हणजे: माहिती पुनर्प्राप्तीसाठी इतर एजंटना बोलवणे समाविष्ट आहे.
- अॅक्शन स्पेसमध्ये अशा क्रियांचा समावेश होतो ज्यांचे उद्दिष्ट काहीतरी पुनर्प्राप्त करणे नसून त्याऐवजी विशिष्ट क्रिया करणे आणि परिणामी परिणाम प्राप्त करणे समाविष्ट आहे. अशा क्रियांच्या उदाहरणांमध्ये ईमेल पाठवणे, अॅप्स लाँच करणे, समोरचे दरवाजे उघडणे आणि बरेच काही समाविष्ट आहे. या क्रिया सामान्यत: विविध API द्वारे केल्या जातात. याव्यतिरिक्त, हे लक्षात घेणे महत्वाचे आहे की एजंट इतर एजंटना देखील कृतीयोग्य कार्यक्रमांसाठी आमंत्रित करू शकतात ज्यात त्यांना प्रवेश आहे.
या रोजी अपडेट केले
डेव्हलपर तुमचा डेटा कसा गोळा करतात आणि शेअर करतात हे समजून घेण्यापासून सुरक्षितता सुरू होते. तुमचा वापर, प्रदेश आणि वय यांच्या आधारे डेटा गोपनीयता व सुरक्षेशी संबंधित पद्धती बदलू शकतात. डेव्हलपरने ही माहिती पुरवली आहे आणि ती कालांतराने अपडेट केली जाऊ शकते.
नवीन काय आहे
Minor improvements to AI models
