TL;DR
- پست وبلاگ مهمان توسط ایلیا یودکوویچ و نیک رشدیه در عصر عوامل هوش مصنوعی،.
- جستجوی کارآمد در میان املاک وسیع داده S&P Global مجموعهای منحصر به فرد از چالشها را.
- ارائه میدهد.
چه اتفاقی افتاد
پست وبلاگ مهمان توسط ایلیا یودکوویچ و نیک رشدیه در عصر عوامل هوش مصنوعی،. جستجوی کارآمد در میان املاک وسیع داده S&P Global مجموعهای منحصر به فرد از چالشها را.
ارائه میدهد. بهعنوان موتور S&P Global برای نوآوری و تحول هوش مصنوعی،.
هدف Kensho این است که اطمینان حاصل کند که هوش مصنوعی صنایع را متحول میکند،. خروجیهای آن مبتنی بر دادههای قابل اعتماد باقی میماند – با این حال و هر کجا که مشتریان.
از آن استفاده کنند. تیم مهندسین،.
محققان و سازندگان Kensho بر روی استفاده از هوش مصنوعی پیشرفته و یادگیری ماشینی در سراسر دادههای واحد. S&P Global تمرکز کردهاند،.
و در ارائه دادههای واحد S&P Global به واحد دادههای واحد S&P Global میپردازند. این هوشمندی را در برنامههای هوش مصنوعی و جریانهای کاری عاملی بیاورید.
برخلاف اطلاعات متنی معمولی بسیاری از برنامههای جستجوی مبتنی بر وب،. دادههای S&P Global بسیار ساختار یافته و ظریف هستند.
این امر مستلزم بکارگیری تکنیکهای پیشرفته بازیابی دادهها برای موثر است دادههای ما را با. برنامههای کاربردی پیشرفته هوش مصنوعی مولد یکپارچه کنید.
برای حل این چالش،. ما Grounding را توسعه دادیم،.
یک چارچوب چندعاملی که بهعنوان لایه دسترسی اصلی برای دادههای S&P Global عمل میکند. زمینه سازی تضمین میکند که هر بینش مستقیماً از مجموعه دادههای تأیید شده مشتق شده است.
این چارچوب که با استفاده از چندین ابزار LangGraph توسعه یافته است،. یک راهحل اساسی برای یکپارچه سازی دادهها از چندین واحد تجاری و ادغام آن دادهها.
با عوامل هوش مصنوعی،. LLM و برنامههای GenAI در عین حفظ اعتبار و انطباق با اعتماد بالا است.
چالش:. بازیابی دادههای مالی تکه تکه شده متخصصان مالی اغلب با سیستمهای تجزیه و تحلیل دادهها.
نیاز دارند تا در طول ساعتها اطلاعات را تجزیه و تحلیل کنند. درآمد، بازیابی معیارهای مالی، انجام تحقیقات بازار و موارد دیگر.
سیستم Grounding Kensho این فرآیند را با ایجاد یک نقطه ورودی واحد ساده میکند برای درخواستهای. زبان طبیعی در برابر مجموعه دادههای مالی تأیید شده S&P Global.
این امر نیاز به پیمایش طرحوارههای پایگاه داده پیچیده یا یادگیری زبانهای پرس و جو تخصصی. را از بین میبرد.
از طریق Grounding،. مشتریان میتوانند به اطلاعات مالی دقیق در زمان واقعی با پاسخهای مبتنی بر استناد به منابع داده تایید.
شده S&P Global دسترسی پیدا کنند و از اعتبار بالا و انطباق با شفافیت و قابلیت ردیابی در. هر نتیجه اطمینان حاصل کنند.
این الگو به کاربران امکان میدهد تا به جای جستجوی دسترسی به دادهها و اعتبارسنجی منبع،. بر تجزیه و تحلیل تمرکز کنند.
طراحی یک چارچوب چندعاملی با LangGraph ما سیستم Grounding خود را بهعنوان یک نقطه ورودی متمرکز برای. دسترسی به دادهها در میان عوامل هوش مصنوعی خود طراحی کردیم،.
که دادهها را از مجموعهای از منابع دادههای متقاطع S&P Global یا منابع دادههای مختلف بازیابی میکند. روتر ما به جای تعبیه منطق تجزیه زبان طبیعی در عوامل فردی بهطور هوشمند پرسشها را به نمایندگیهای.
تخصصی بازیابی دادهها (DRA) که متعلق به تیمهای دادههای مختلف هستند،. مانند تحقیقات سهام،.
درآمد ثابت،. اقتصاد کلان برای نام بردن چند دامنه هدایت میکند.
این یک جدایی از نگرانی بین لایههای مسیریابی داده و بازیابی داده را فراهم میکند و از مالکیت. موازی هر یک پشتیبانی میکند.
DRAها به منظور ارائه یک مسئولیت عمودی واحد هستند و نسبت سیگنال به نویز را برای پرس. و جوها با استفاده از آن مجموعه داده افزایش میدهند.
لایه تجمع در روتر سپس مشکل کاهش نقشه را حل میکند:. گرفتن پاسخهای توزیع شده از چندین DRA و ترکیب هوشمندانه آنها در بینشهای منسجم و عملی.
که هم دقت و هم زمینه را حفظ میکند. LangGraph موتور پشت روتر Grounding است.
مسئولیتهای اصلی آن شامل دسترسی به عوامل متنوع بر اساس زمینه مربوطه از پرس و جو کاربر،. تقسیم یک پرس و جو به DRA خاص کوچکتر است.
پرس و جوهای فرعی، و تجمیع پاسخها به کاربر. طراحی LangGraph تکرار و آزمایش روتر را به صورت محلی آسان کرده است و این نقطه ورود واحد.
را فراهم میکند و تجربه توسعه دهنده را تضمین میکند. ایجاد یک پروتکل بازیابی اطلاعات سفارشی دادههای توزیع شده و سیستمهای هوش مصنوعی اغلب از رابط.
های ارتباطی ناسازگار رنج میبرند. اینها میتوانند به تعاملات غیرقابل اعتماد عامل منجر شوند و نیازهای پیچیده پردازش داده را برای هر.
عامل جداگانه ایجاد کنند. از طریق آزمایشهای داخلی اولیه تیم ما،.
یک پروتکل DRA سفارشی ایجاد کردیم تا از الگوهای دسترسی به دادهها مطمئن شویم. این پروتکل یک قالب داده مشترک برای همه دادههای برگشتی،.
از جمله دادههای ساختار یافته و بدون ساختار ایجاد کرد. این باعث تسریع همکاری و تبادل دادههای مداوم در کل اکوسیستم چندعاملی ما شده است،.
زیرا ما در سراسر S&P Global برای توسعه و استقرار DRAهای متصل به Grounding. معماری پروتکل به این روش،.
متمرکز از طریق سیستم Grounding ما،. Kensho را قادر میسازد تا به سرعت چندین محصول تخصصی مالی هوش مصنوعی (یعنی عوامل و API.
ها) را به کار گیرد،. که هر کدام از یک پایه داده قوی استفاده میکنند.
از دستیار تحقیقات سهام ما - که به تحلیلگران کمک میکند عملکرد بخش را مقایسه کنند -. تا عامل انطباق ESG (محیط زیست،.
اجتماعی،. و حکومت) ما که معیارهای پایداری را ردیابی میکند،.
همه برنامهها از یک لایه دسترسی به داده قابل اعتماد مشترک استفاده میکنند. ساخت نمایندگیها و محصولات در بالای یک سیستم منسجم،.
زمان ما را برای رسیدن به بازار تسریع میکند و به نمایندگیهای تازه ایجاد شده دسترسی فوری به. وسعت کامل دادههای S&P Global بدون بازسازی خطوط لوله داده را میدهد.
یادگیریهای کلیدی برای یک اکوسیستم عامل در حال تکامل فرآیند ساخت و اصلاح چارچوب چند عامله ما،. تیم Kensho را با چند نکته کلیدی مواجه کرد.
امیدواریم این بهترین شیوهها به راهنمایی کمک کند سایرها هنگام توسعه معماریهای پیچیده چندعاملی:. 1.
قابلیت مشاهده:. ردیابی جامع و الزامات فراداده عمدی برای حفظ دید رفتار عامل و امکان اشکال زدایی و بهینهسازی.
موثر در مقیاس ضروری است. پروتکل سفارشی ما به ما امکان میدهد اطلاعات لازم را در سراسر سیستم چند عامله توزیع شده.
خود بسته بندی کنیم. یکپارچهسازی LangGraph تعبیهشده بومییک جزء حیاتی برای حفظ سیستمهای توزیعشده ما و اطمینان از قابلیت ردیابی و.
اشکالزدایی سرتاسر برای توسعهدهندگان است. ارزیابی چند مرحلهای: صنعت مالی نیاز به اعتماد و اطمینان بالایی در بازیابی دادههای مالی دارد.
ارزیابی سیستم عامل فدرال ما نیاز به ماتریسهای چند وجهی دارد که تصمیمات مسیریابی،. کیفیت دادهها و کامل بودن پاسخ را در هر مرحله از بازیابی چندعاملی ارزیابی میکند.
مجموعه ارزیابی پرس و جوهای آزمایشی را از طریق اجرا میکند RouterGraph مبتنی بر LangGraph. ما دقت را در برابر عوامل انتخابی و عوامل مختلف داده،.
با تمرکز بر روی تطابق دقیق (انتخاب عوامل صحیح و بازیابی پاسخهای مورد انتظار) و فراخوانی ابزار (اینکه. آیا روتر ابزار مناسبی را انتخاب کرده،.
اما پاسخهای مختلفی دریافت کرده است) را اندازهگیری میکنیم. این به ما امکان داد تا دقت را ارزیابی کرده و شکافهای موجود در سیستم خود را شناسایی.
کنیم. مطالعات پروتکل و بهینهسازی:.
ما بهطور مداوم الگوهای تعامل کاربر و عامل را تجزیه و تحلیل میکنیم،. که اصلاح مکرر پروتکل سفارشی Kensho را امکانپذیر میسازد.
این بهطور قابل توجهی کارایی سیستم را بهبود بخشیده است،. و فرمت خروجی را هم برای درک متنی LLM مستقیم و هم برای پردازش برنامهای به حداکثر رسانده.
است - همه اینها در عین حفظ قابلیت اطمینان مورد نیاز خدمات مالی. به خبرنامه ما بپیوندید به روز رسانیهای تیم و انجمن LangChain ایمیل خود را وارد کنید در.
حال پردازش درخواست شما. موفقیت آمیز!
لطفا صندوق ورودی خود را بررسی کرده و کلیک کنید پیوند تأیید اشتراک شما با عرض پوزش،. مشکلی پیش آمد.
لطفا دوباره امتحان کنید.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.