اتوماسیون AI-Powered: Gemma تنظیم دقیق برای تماس با عملکرد

شروع کار جدید همیشه با ترکیبی از هیجان و چالش ها همراه است. همانطور که من به عنوان مدیر ارشد Data & AI به Accenture پیوستم ، از ابتدا پیچیدگی فرآیندهای ورود به سیستم را تجربه کردم – فرم های بی شمار ، تنظیم حساب و دسترسی به سیستم های مختلف. این باعث شد من فکر کنم:

“چگونه اتوماسیون با قدرت می تواند کارمند را در سوار شدن کند و تجربه را یکپارچه کند ، برای هر دو ، استخدام های جدید و تیم های منابع انسانی؟”

این پروژه به بررسی چگونگی تنظیم دقیق GEMMA در راس AI می تواند قابلیت های عملکردی خود را افزایش دهد ، و امکان ادغام API بدون درز و اتوماسیون گردش کار را فراهم می کند. با استفاده از توانایی Gemma در تفسیر توضیحات عملکرد ، ما می توانیم به صورت پویا اقدامات خارجی مانند واکشی داده ها ، تعامل با پایگاه داده ها و خودکار کردن وظایف شرکت را تحریک کنیم.

این پروژه Gemma را به خوبی تنظیم می کند تا بتواند قابلیت های عملکرد خود را افزایش دهد ، و امکان ادغام API یکپارچه و اتوماسیون گردش کار را فراهم می کند. با استفاده از Vertex AI ، ما GEMMA را برای تفسیر توضیحات عملکرد بهینه می کنیم و به صورت پویا اقدامات خارجی مانند واکشی داده ها ، تعامل با پایگاه داده ها و خودکار کردن وظایف شرکت را تحریک می کنیم.

تماس با عملکرد چیست؟

تماس با عملکرد به مدل های زبان اجازه می دهد تا توابع را بر اساس ورودی های کاربر شناسایی و اجرا کنند. این برای خودکارسازی گردش کار و ادغام هوش مصنوعی در برنامه های دنیای واقعی مانند چت بابات ، دستیاران مجازی و اتوماسیون فرآیند سازمانی مفید است.

خودکار کردن فرآیند سوار شدن کارمند با هوش مصنوعی

یک مورد استفاده عملی برای فراخوانی عملکرد ، خودکار سازی سوار شدن به کارمندان جدید است. با داشتن یک مدل Gemma با تنظیم دقیق ، می توانیم یک گردش کار خودکار ایجاد کنیم که کارهای اساسی مانند:

1. ثبت کارمند جدید در CRM
2. ایجاد حساب و ارائه دسترسی
3. ارسال ایمیل خوش آمدید
4. برنامه ریزی جلسات آموزش اولیه

تنظیم محیط در Vertex AI

قبل از شروع ، باید محیط خود را در راس AI پیکربندی کنیم. اطمینان حاصل کنید که Google Cloud SDK را نصب و تأیید کرده اید:

pip install google-cloud-aiplatform

سپس ، مشتری vertex ai را آغاز کنید:

from google.cloud import aiplatform

aiplatform.init(project="my-project", location="us-central1")

ایجاد یک مجموعه داده برای تنظیم دقیق

برای آموزش مدل در اجرای توابع سوارکاری ، ما یک مجموعه داده JSONL ایجاد می کنیم:

{"input": "Register new employee John Doe with email john@email.com and role Software Engineer", "function": "create_employee_record", "arguments": {"name": "John Doe", "email": "john@email.com", "role": "Software Engineer"}}

{"input": "Provision access for Mary Johnson to the ERP system", "function": "provision_access", "arguments": {"employee_name": "Mary Johnson", "system": "ERP"}}

{"input": "Send welcome email to Carla Smith", "function": "send_welcome_email", "arguments": {"recipient": "Carla Smith"}}

{"input": "Schedule security training for Mark Lewis", "function": "schedule_training", "arguments": {"employee": "Mark Lewis", "training": "Security"}}

این مجموعه داده برای آموزش در فضای ذخیره سازی بارگذاری شده است:

bucket_name = "my-bucket"
dataset_path = f"gs://{bucket_name}/dataset.jsonl"

# Upload the dataset
aiplatform.gcs_upload_file("dataset.jsonl", dataset_path)

تنظیم دقیق GEMMA در Vertex AI

اکنون ، ما تنظیم دقیق مدل GEMMA را با استفاده از API Vertex AI آغاز می کنیم:

tuning_job = aiplatform.CustomJob(
    display_name="fine-tuning-gemma",
    script_path="train.py",  # Training script
    container_uri="us-docker.pkg.dev/vertex-ai/training/tf-cpu.2-8:latest",
    args=["--dataset", dataset_path]
)

tuning_job.run()

اسکریپت Train.Py شامل منطق تنظیم وزن مدل ، با استفاده از LORA (سازگاری با رتبه پایین) برای بهینه سازی کارآمد است.

آزمایش مدل تنظیم شده

بعد از آموزش می توانیم مدل را مستقر کنیم و آن را آزمایش کنیم:

endpoint = aiplatform.Endpoint.create(
    display_name="gemma-function-calling",
    model_name=tuning_job.model_name
)

response = endpoint.predict(instances=[{"input": "Register new employee John Doe with email john@email.com and role Software Engineer"}])
print(response)

اکنون این مدل به طور خودکار عملکرد صحیح را که با آرگومان های مناسب فراخوانی می شود ، برمی گرداند.

پایان

تنظیم دقیق GEMMA در Vertex AI روشی کارآمد برای فعال کردن تماس با عملکرد است و امکان اتوماسیون هوشمندانه وظایف در برنامه های واقعی را فراهم می کند. در این مثال ، ما یک گردش کار خودکار برای ورود به سیستم ایجاد کرده ایم و نشان می دهد که چگونه AI می تواند فرآیندهای سازمانی را بهینه کند.

می خواهید بیشتر بدانید؟ سوالات خود را در نظرات رها کنید.

بیا بریم! 🚀