هوش مصنوعی به سرعت در حال تغییر چشم انداز تجزیه و تحلیل داده ها است و در خط مقدم این انقلاب، عوامل هوش مصنوعی قرار دارند. این سیستم‌های پیچیده، که توسط مدل‌های زبانی بزرگ (LLM) هدایت می‌شوند، از توانایی قابل توجهی در استدلال در مورد اهداف و انجام اقدامات برای دستیابی به اهداف خاص برخوردارند. برخلاف سیستم‌های هوش مصنوعی سنتی که صرفاً به پرسش‌ها پاسخ می‌دهند، عوامل هوش مصنوعی برای تنظیم توالی‌های پیچیده عملیات، از جمله پردازش پیچیده داده‌ها، مانند دیتافریم‌ها و سری‌های زمانی، طراحی شده‌اند. این قابلیت، طیف گسترده‌ای از برنامه‌های کاربردی دنیای واقعی را باز می‌کند، دسترسی به تجزیه و تحلیل داده‌ها را دموکراتیک می‌کند و به کاربران این امکان را می‌دهد تا گزارش‌دهی را خودکار کنند، پرسش‌های بدون کد را انجام دهند و از پشتیبانی بی‌نظیر در پاک‌سازی و دستکاری داده‌ها برخوردار شوند.
پیمایش دیتافریم‌ها با عوامل هوش مصنوعی: دو رویکرد متمایز
عوامل هوش مصنوعی می توانند با استفاده از دو رویکرد اساساً متفاوت با دیتافریم‌ها تعامل داشته باشند که هر کدام دارای نقاط قوت و ضعف خاص خود هستند:
تعامل زبان طبیعی: در این رویکرد، LLM با دقت جدول را به عنوان یک رشته تجزیه و تحلیل می کند و از پایگاه دانش گسترده خود برای درک داده ها و استخراج بینش های معنادار استفاده می کند. این روش در درک زمینه و روابط درون داده‌ها عالی است، اما می تواند با درک ذاتی LLM از داده‌های عددی و توانایی آن در انجام محاسبات پیچیده محدود شود.
تولید و اجرای کد: این رویکرد شامل فعال کردن ابزارهای تخصصی توسط عامل هوش مصنوعی برای پردازش مجموعه داده به عنوان یک شیء ساختاریافته است. عامل، قطعه کدهایی را برای انجام عملیات خاص بر روی دیتافریم تولید و اجرا می‌کند، و دستکاری دقیق و کارآمد داده‌ها را امکان‌پذیر می‌سازد. این روش هنگام برخورد با داده‌های عددی و محاسبات پیچیده می‌درخشد، اما برای پیاده‌سازی و نگهداری به سطح بالاتری از تخصص فنی نیاز دارد.
با ادغام یکپارچه قدرت پردازش زبان طبیعی (NLP) با دقت اجرای کد، عوامل هوش مصنوعی طیف متنوعی از کاربران را قادر می‌سازند تا با مجموعه‌های داده پیچیده تعامل داشته باشند و بینش‌های ارزشمندی را بدون در نظر گرفتن مهارت فنی خود استخراج کنند.
آموزش عملی: پردازش دیتافریم‌ها و سری‌های زمانی با عوامل هوش مصنوعی
در این آموزش جامع، سفری را برای بررسی کاربردهای عملی عوامل هوش مصنوعی در پردازش دیتافریم‌ها و سری‌های زمانی آغاز خواهیم کرد. ما به مجموعه‌ای از قطعه کدهای مفید پایتون خواهیم پرداخت که می‌توانند به راحتی در طیف گسترده‌ای از سناریوهای مشابه اعمال شوند. هر خط از کد با نظرات مفصل به دقت توضیح داده خواهد شد و اطمینان حاصل می‌شود که می‌توانید بدون زحمت مثال‌ها را تکرار کرده و آنها را با نیازهای خاص خود تطبیق دهید.
تنظیم صحنه: معرفی Ollama
اکتشاف ما با راه‌اندازی Ollama آغاز می‌شود، یک کتابخانه قدرتمند که به کاربران امکان می‌دهد LLM های منبع باز را به صورت محلی اجرا کنند و نیاز به خدمات مبتنی بر ابر را از بین ببرد. Ollama کنترل بی‌نظیری بر حریم خصوصی و عملکرد داده‌ها فراهم می‌کند و تضمین می‌کند که داده‌های حساس شما به طور ایمن در دستگاه شما باقی می‌مانند.
برای شروع، Ollama را با استفاده از دستور زیر نصب کنید:
[دستور نصب حذف شده]
پس از نصب Ollama، می‌توانید به راحتی مدل‌های زبانی مختلف را دانلود و اجرا کنید. به عنوان مثال، برای دانلود و اجرای مدل “llama2”، دستور زیر را اجرا کنید:
[دستور اجرا حذف شده]
Ollama به شما امکان می دهد مدل های مختلف را به راحتی تست کنید و بهترین مورد را برای نیازهای خود انتخاب کنید.
پیکربندی محیط پایتون
اکنون که Ollama را راه‌اندازی کردیم، بیایید محیط پایتون خود را برای کار با عوامل هوش مصنوعی و دیتافریم‌ها پیکربندی کنیم. ابتدا، کتابخانه‌های ضروری را با استفاده از pip نصب کنید:
[دستور نصب pip حذف شده]
این دستور، کتابخانه‌های pandas برای دستکاری دیتافریم، langchain برای ایجاد و مدیریت عوامل هوش مصنوعی و requests برای برقراری ارتباط با Ollama API را نصب می‌کند.
پس از نصب کتابخانه‌ها، باید یک کلید API برای دسترسی به Ollama API پیکربندی کنید. می‌توانید این کلید را از داشبورد Ollama دریافت کنید. پس از دریافت کلید API، آن را به عنوان یک متغیر محیطی تنظیم کنید:
[دستور تنظیم متغیر محیطی حذف شده]
این کار به برنامه پایتون شما امکان می دهد با Ollama API تعامل داشته باشد.
ایجاد یک عامل هوش مصنوعی
اکنون که محیط خود را پیکربندی کردیم، می توانیم یک عامل هوش مصنوعی ایجاد کنیم که قادر به تعامل با دیتافریم ها است. ما از کتابخانه langchain برای ایجاد عامل استفاده خواهیم کرد.
ابتدا، کتابخانه‌های ضروری را وارد کنید: