حالات استخدام LangChain

ربما شاهدتَ عروضًا توضيحية رائعة باستخدام GenAI، مثل نص برمجي سريع يُلخّص مقالًا أو يُجيب على أسئلتك حول ملف PDF. ولكن ماذا لو كنتَ بحاجة إلى إنشاء تقارير مُفصّلة وغنية بالبيانات تجمع بين قواعد بيانات خاصة متعددة، وواجهات برمجة تطبيقات آنية، ومصادر ويب مُستشهد بها بعناية؟ نحن نتحدث الآن عن منصة تحليلات مؤسسية فعّالة ، يُمكن للموظفين الاعتماد عليها يوميًا، حيث لا تكون الموثوقية والدقة أمرًا اختياريًا.

إحدى الشركات التي تمهد الطريق هنا هي شركة أثينا إنتيليجنس (لا، ليست الإلهة اليونانية، على الرغم من أن الطموح قد يكون مشابهاً).

دراسة حالة LangChain

تُطوّر أثينا "موظفًا" مُدعّمًا بالذكاء الاصطناعي يُدعى " أوليمبوس "، يُؤتمت التحليلات عبر مصادر بيانات ضخمة ومتفرقة. الهدف بسيط ولكنه مُرهق: تمكين المستخدمين من طرح أسئلة بيانات مُعقدة بلغة بسيطة، والحصول على إجابات شاملة ومُوثّقة كما لو كانوا يسألون زميلًا في العمل.

لماذا هذا صعب للغاية؟

• مصادر البيانات متعددة: على شبكة الإنترنت، داخلية، خاصة، عامة - والقائمة تطول.

• متطلبات موثوقية جدية: بالنسبة لجمهور الشركات، لا يمكنك أن تقول "حسنًا، لست متأكدًا"، أو تستشهد بالبيانات بشكل خاطئ.

• جاهز للإنتاج: قد يبدو كود العرض التوضيحي مبهرجًا، ولكن بناء منتج حقيقي يثق به مئات (أو آلاف) المستخدمين يوميًا هو أمر آخر.

ما سرّ أثينا؟ يستخدمون LangChain لدمج برامج الماجستير في القانون (LLM) مع آلاف الأدوات، و LangGraph (الذي سنستكشفه في الفصل الأخير) لإدارة هياكل وكلاء مخصصة ومعقدة، وتنسيق مئات طلبات الماجستير في القانون.

كيف تدعم LangChain تقارير Athena

يُنتج مستخدمو أثينا تقارير بحثية، قد تصل أحيانًا إلى عشرات الصفحات، تغطي كل شيء بدءًا من رؤى السوق ووصولًا إلى تحليلات تنافسية متعمقة. ويحتاجون إلى ضمان وجود مصدر موثوق يدعم كل معلومة. وهنا نستعرض تجريدات لانج تشين:

• معالجة المستندات بشكل متسق: باستخدام تنسيق المستندات القياسي الخاص بـ LangChain، تضمن Athena أن كل قطعة من البيانات، سواء من قاعدة بيانات محلية أو الويب، يتم تنظيمها ومعالجتها بشكل متسق.

• واجهة الاسترداد: تعمل على توحيد الوصول إلى البيانات، مما يتيح لك السحب بسلاسة من قاعدة المعرفة الداخلية أو API الخارجية.

• واجهة الأدوات: تُمكّن منصة أثينا من تشغيل مجموعة متنوعة من الأدوات، مثل قواعد المعرفة المتخصصة أو استدعاءات API) الفورية، دون تغيير طريقة تعامل برنامج ماجستير إدارة الأعمال معها. وهذا يضمن نمط استخدام متسق بغض النظر عن برنامج ماجستير إدارة الأعمال المُختار.

النتيجة؟

نظام مرن، جاهز للاستخدام، لإنشاء تقارير شاملة وغنية بالبيانات، مع ذكر مصادرها تلقائيًا. قصة أثينا ليست مجرد حكاية تبعث على التفاؤل.

إنه دليل على أن LangChain يُستخدم خارج نطاق المشاريع الهواة والعروض التوضيحية المبهرة، ويعمل بمثابة العمود الفقري لحل مؤسسي متكامل.

يوضح هذا المثال كيفية تحقيق ذلك. واجهت شركة أثينا إنتليجنس تحديًا هائلاً، حيث بنت "موظفًا" ذكيًا يُنتج تقارير شاملة ودقيقة، وحققت نجاحًا كبيرًا مع منظومة لانج تشين.

حالات الاستخدام العملية لـ LangChain

إذًا، كيف يُمكنك الاستفادة من LangChain بناء تطبيقات مُدعّمة بالذكاء الاصطناعي؟ لننتقل من قصة الشركات رفيعة المستوى إلى سيناريوهات يومية مُحدّدة تُميّز LangChain.

تلخيص الوثائق الطويلة

تخيّل عقدًا من 100 صفحة أو بحثًا مُكثّفًا. لا أحد يرغب في الخوض في كل هذه الصفحات للعثور على النقاط مفتاح . إذا كان المستند قصيرًا نسبيًا (أو يُمكنك التعامل معه دفعةً واحدة)، فما عليك سوى إرسال النص كاملًا دفعةً واحدة إلى مُقدّم الطلب عبر LangChain. الأمر أشبه بطلب: "مرحبًا AI، أعطني مُقتطفًا من هنا". مع ذلك، عندما يكون المستند كبيرًا (أو لديك مستندات متعددة)، غالبًا ما تحتاج إلى تقسيمها إلى أجزاء مُيسّرة، وتلخيص كل جزء، ثم دمج هذه المُلخصات في مُلخص واحد مُتماسك. في LangChain، يُمكنك:

• تقسيم مستند كبير إلى أجزاء أصغر.

• قم بإرسال كل جزء إلى LLM للحصول على ملخصات فردية.

• قم بدمج هذه الملخصات الأصغر حجمًا في نظرة عامة نهائية مصقولة - مرة أخرى من خلال برنامج الماجستير في القانون أو خطوة دمج مخصصة.

يوفر هذا النهج الكثير من الوقت ويمنع التحميل الزائد للمعلومات.

الإجابة على الأسئلة

هل تمنيت يومًا أن تطرح سؤالًا على قاعدة بيانات ضخمة، مثل "ما هي المنتجات التي حققت أعلى عوائد في الربع الأخير؟"، وتحصل على إجابة فورية؟ LangChain يُساعدك في ذلك! يمكنك تخزين مستنداتك (بيانات المنتج أو تقارير التسويق) في قاعدة بيانات متجهية. عندما يطرح المستخدم سؤالًا، يقوم LangChain بجمع البيانات الأكثر صلة من بياناتك، ويمررها إلى LLM، ويرد بإجابة مباشرة، كأمين مكتبة ذكي صغير يجمع الكتب المناسبة من الرف.

ملاحظة: إذا كنت ترغب في التعمق أكثر في التقنيات المتقدمة مثل التوليد المعزز بالاسترجاع (RAG) في المستقبل، فتفضل بإلقاء نظرة على دورتنا " أساسيات التوليد المعزز بالاسترجاع ".

إنشاء روبوتات الدردشة بالذاكرة

هل سبق لك أن تحدثت مع روبوت محادثة نسي ما قلته للتو؟ أمر محبط، أليس كذلك؟ يقدم LangChain حلاً لهذه المشكلة بفضل ميزة ذاكرة قوية. تخيل روبوت خدمة عملاء لشركة شحن. أولاً، يرحب بك ويطلب رقم طلبك. يجب أن يبقى رقم الطلب في الذاكرة طوال المحادثة. كما يوفر LangChain استراتيجيات ذاكرة متعددة، سنتناولها لاحقًا في هذه الدورة.

توليد البيانات الاصطناعية

أحيانًا تحتاج إلى بيانات إضافية لتدريب نموذج ذكاء اصطناعي آخر أو لإنشاء مجموعة بيانات نموذجية للاختبار. لكن البيانات الحقيقية قد تكون نادرة أو باهظة الثمن أو خاضعة لقوانين الخصوصية. يمكن لـ LangChain المساعدة في إنشاء ملفات تعريف مستخدمين اصطناعية ، أو أوصاف منتجات، أو مقتطفات محادثات. يُعد هذا مفيدًا بشكل خاص لبناء أو اختبار تطبيقات الذكاء الاصطناعي/التعلم الآلي دون الكشف عن بيانات واقعية حساسة. ولأنك لا تجمع بيانات مستخدمين حقيقية، فإنك تتجنب بعض مخاوف الخصوصية ويمكنك توليد كميات كبيرة بتكلفة منخفضة .

التكامل مع واجهات برمجة التطبيقات

تحتاج إلى بيانات الطقس في الوقت الفعلي، أو أسعار الأسهم، أو نتائج المباريات الرياضية في الوقت الفعلي.

قد يكون نظام إدارة التعلم القياسي (LLM) محدودًا بتاريخ انتهاء التدريب، ولكن يمكن لـ LangChain وLangGraph تنظيم استدعاءات واجهات برمجة التطبيقات الخارجية. يمكنك بناء سير عمل وكيلة تُحلل طلب المستخدم، وتُحدد حاجته إلى بيانات جديدة (مثل درجة الحرارة الحالية في طوكيو)، ثم استدعاء API خارجية للطقس، ثم إعادة إدخال هذه البيانات إلى نظام إدارة التعلم.

يمكن لـ LangChain بعد ذلك التعامل مع JSON أو استجابة المنظمة من API، ودمجها في استجابة متماسكة، وإظهار النتيجة النهائية للمستخدم.

يعد هذا النهج الديناميكي مثاليًا لبناء لوحات معلومات تعتمد على الذكاء الاصطناعي، وبرامج الدردشة الآلية في الوقت الفعلي، والتطبيقات الأخرى التي يجب أن تظل محدثة.

في هذه الفصول، سنستكشف كيفية تطبيق كلٍّ من حالات الاستخدام هذه، خطوةً بخطوة. ستكتشف أنه بمجرد فهمك لمكونات LangChain الأساسية، مثل معالجة المستندات، وواجهات الاسترجاع، وتجريدات الأدوات، يمكنك دمجها كمكونات معيارية لإنشاء تطبيق الذكاء الاصطناعي الذي تحلم به.