GOAT.AI - Task to AI Agents

এজেন্ট টাস্কের লক্ষ্য-ভিত্তিক অর্কেস্ট্রেশন। মূলত, এআই এজেন্টরা আপনার কাজটি সম্পাদন করতে একে অপরের সাথে যোগাযোগ করবে।

উদাহরণ: "20 কিমি আধা-ম্যারাথনের জন্য পরের মাসের সেরা দিনটি বেছে নিন"। AI সহযোগিতা শুরু করবে: আবহাওয়া এজেন্ট পূর্বাভাস পুনরুদ্ধার করে, ওয়েব অনুসন্ধান এজেন্ট সর্বোত্তম চলমান অবস্থা সনাক্ত করে এবং ওলফ্রাম এজেন্ট "সেরা দিন" গণনা করে। এটি সংযুক্ত AI এর শিল্প, জটিল কাজগুলিকে পরিশীলিততার সাথে সহজ করে।

স্বায়ত্তশাসিত এজেন্টদের জন্য কেন্দ্রীয় মেইনফ্রেম হিসেবে এলএলএম একটি আকর্ষণীয় ধারণা। অটোজিপিটি, জিপিটি-ইঞ্জিনিয়ার, এবং বেবিএজিআই-এর মতো প্রদর্শনগুলি এই ধারণার সাধারণ চিত্র হিসাবে কাজ করে। এলএলএম-এর সম্ভাবনা ভাল-লিখিত কপি, গল্প, প্রবন্ধ এবং প্রোগ্রাম তৈরি বা সম্পূর্ণ করার বাইরেও প্রসারিত; এগুলিকে শক্তিশালী সাধারণ টাস্ক সল্ভার হিসাবে তৈরি করা যেতে পারে এবং এজেন্ট টাস্কফোর্সের লক্ষ্য ওরিয়েন্টেড অর্কেস্ট্রেশন (GOAT.AI) তৈরিতে আমরা এটিই অর্জন করতে চাই।

একটি LLM এজেন্ট টাস্ক ফোর্স সিস্টেমের একটি লক্ষ্য-ভিত্তিক অর্কেস্ট্রেশনের জন্য বিদ্যমান এবং সঠিকভাবে কাজ করার জন্য, সিস্টেমের তিনটি প্রধান মূল উপাদানকে সঠিকভাবে কাজ করতে হবে

- ওভারভিউ

1) পরিকল্পনা

- সাবগোল এবং পচন: এজেন্ট বড় কাজগুলিকে ছোট, পরিচালনাযোগ্য সাবগোলগুলিতে বিভক্ত করে, যার ফলে জটিল অ্যাসাইনমেন্টগুলি দক্ষতার সাথে পরিচালনা করা সহজ হয়।

- প্রতিফলন এবং পরিমার্জন: এজেন্ট অতীতের ক্রিয়াকলাপের উপর স্ব-সমালোচনা এবং আত্ম-প্রতিফলনে নিযুক্ত থাকে, ভুল থেকে শিক্ষা নেয় এবং ভবিষ্যতের পদক্ষেপের জন্য পন্থা উন্নত করে, যার ফলে ফলাফলের সামগ্রিক গুণমান উন্নত হয়।

2) স্মৃতি

- স্বল্প-মেয়াদী মেমরি: এটি মানের কোন অবনতি ছাড়াই উত্তর দেওয়ার আগে মডেলটি যে পরিমাণ পাঠ্য প্রক্রিয়া করতে পারে তা বোঝায়। বর্তমান অবস্থায়, LLMগুলি প্রায় 128k টোকেনের জন্য মানের কোন হ্রাস ছাড়াই উত্তর প্রদান করতে পারে।

- দীর্ঘমেয়াদী মেমরি: এটি এজেন্টকে দীর্ঘ সময়ের জন্য প্রসঙ্গটির জন্য সীমাহীন পরিমাণ তথ্য সঞ্চয় করতে এবং স্মরণ করতে সক্ষম করে। এটি প্রায়ই দক্ষ RAG সিস্টেমের জন্য একটি বহিরাগত ভেক্টর স্টোর ব্যবহার করে অর্জন করা হয়।

3) অ্যাকশন স্পেস

- এজেন্ট অতিরিক্ত তথ্য পাওয়ার জন্য বহিরাগত API-কে কল করার ক্ষমতা অর্জন করে যা মডেল ওজনে পাওয়া যায় না (যা প্রায়শই প্রাক-প্রশিক্ষণের পরে পরিবর্তন করা কঠিন)। এর মধ্যে রয়েছে বর্তমান তথ্য অ্যাক্সেস করা, কোড কার্যকর করা, মালিকানা তথ্যের উত্স অ্যাক্সেস করা এবং সবচেয়ে গুরুত্বপূর্ণ: তথ্য পুনরুদ্ধারের জন্য অন্যান্য এজেন্টদের আহ্বান করা।

- অ্যাকশন স্পেস এমন ক্রিয়াগুলিকেও অন্তর্ভুক্ত করে যা কিছু পুনরুদ্ধার করার লক্ষ্য নয়, বরং নির্দিষ্ট ক্রিয়া সম্পাদন করা এবং ফলাফল অর্জন করা জড়িত। এই ধরনের ক্রিয়াকলাপের উদাহরণগুলির মধ্যে রয়েছে ইমেল পাঠানো, অ্যাপ চালু করা, সামনের দরজা খোলা এবং আরও অনেক কিছু। এই ক্রিয়াগুলি সাধারণত বিভিন্ন API-এর মাধ্যমে সঞ্চালিত হয়। অতিরিক্তভাবে, এটি লক্ষ্য করা গুরুত্বপূর্ণ যে এজেন্টরা অন্যান্য এজেন্টদেরকেও তাদের অ্যাক্সেসযোগ্য কর্মযোগ্য ইভেন্টগুলির জন্য আহ্বান করতে পারে।