ما هي سلسلة لانغ (LangChain) ولماذا هي مهمة؟
اكتشف ما هو LangChain وكيف يمكّن برامج الماجستير في القانون من القيام بالمزيد.
كما نعلم، فإن جوهر هذا السحر التوليدي للذكاء الاصطناعي يكمن في نماذج اللغة الضخمة، أو ما يُعرف اختصاراً بـ LLMs. وقد تم تدريب هذه النماذج المتطورة على كميات هائلة من البيانات النصية، مما مكنها من أداء مهام مثل الكتابة والتلخيص والترجمة.
إنهم أقوياء!
والآن، إليكم الأمر: قد يكون استخدام نماذج التعلم الآلي (LLMs) بمفردها أمرًا صعبًا. فهي لا تعرف دائمًا كيفية حل المشكلات المعقدة بمفردها أو الاتصال بمصادر معلومات أخرى. وهنا يأتي دور LangChain يدخل!
ما هو LangChain؟
تُشبه LangChain مجموعة أدوات لبناء تطبيقات باستخدام نماذج التعلم الموجه (LLMs). فهي توفر طريقة فعّالة لاستخدام هذه النماذج المتقدمة للذكاء الاصطناعي. تخيّل أنها مجموعة من التعليمات التي تساعدك على توجيه نموذج التعلم الموجه والتواصل معه بناء شيء أكبر وأكثر فائدة.
يُقدّم LangChain إسهاماتٍ قيّمة في عدة جوانب مفتاح . أولًا، يُتيح لنا ربط أو ربط العديد من إجراءات نماذج التعلم الآلي (LLM) معًا، مما يُمكّننا من أداء مهام معقدة. ثانيًا، يُتيح لنماذج التعلم الآلي الوصول إلى معلومات خارج نطاق معرفتها المُدمجة واستخدامها. وهذا أمرٌ بالغ الأهمية عند التعامل مع أمورٍ مثل الأخبار الجارية أو بيانات مُحددة. إجمالًا، يُحوّل LangChain الإمكانات المجردة لنماذج التعلم الآلي إلى أدواتٍ يُمكننا استخدامها بناء تطبيقات عملية.
LangChain مفتوح المصدر ومتاح بلغة Python وجافا JavaScript.
تشجع طبيعتها مفتوحة المصدر التعاون بين مجتمع المطورين، مما يؤدي إلى ابتكار تطبيقات وتطوير قدرات محسّنة بسرعة. ومن نتائج هذا التعاون التكامل السريع بين مختلف مزودي الخدمات.
لماذا يجب عليك تعلم لغة LangChain؟
بعد أن فهمنا كيف يُسهّل LangChain العمل مع نماذج التعلم المتوازية (LLMs)، دعونا نستكشف لماذا يُعدّ تعلّمه ذا قيمة كبيرة. فهو يُبسّط عملية بناء تطبيقات الذكاء الاصطناعي بشكل كبير. فبدلاً من التعامل مع التعقيدات الكامنة في نماذج التعلم المتوازية، يُتيح لك LangChain التركيز على بناء رؤيتك. إنه يُسهّل الأمور حتى للمبتدئين!
باستخدام LangChain، يمكنك إنشاء مجموعة واسعة من التطبيقات، بدءًا من روبوتات الدردشة التي تحاكي المحادثات البشرية، مرورًا بأدوات الذكاء الاصطناعي التي تساعدك في الكتابة أو البحث، وصولًا إلى أدوات تحليل البيانات التي توفر رؤى قيّمة. إن الإمكانيات واسعة حقًا.
إضافةً إلى ذلك، ومع تزايد أهمية الذكاء الاصطناعي، أصبحت معرفة كيفية استخدام أدوات مثل LangChain مهارةً قيّمة. ومن المتوقع أن يزداد الطلب على الأشخاص الذين يفهمون هذه التقنية.
صُمم كل شيء هنا ليكون سهل الاستخدام للمبتدئين. إذا كنت تجيد أساسيات برمجة Python ، فأنت جاهز تمامًا. لا يشترط وجود خبرة سابقة في مكتبات الذكاء الاصطناعي/التعلم الآلي. كل ما نحتاجه هو اهتمام بالذكاء الاصطناعي ورغبة في التعلم؛ وسنتكفل بالباقي!
تُسهّل منصة Educative إعداد بيئة تطوير محلية. سيعمل الكود الخاص بك مباشرةً على منصة Educative - لا حاجة لأي تثبيتات!
برامج ماجستير القانون المجانية مع واجهة برمجة API Groq
سنستخدم هنا بشكل أساسي نموذج اللغة Llama 3 من Meta. ويُسهّل استخدام مُزوّد استدلال مثل Groq هذه العملية، حيث يُتيح Groq وصولاً سخياً إلى معظم النماذج في المستوى المجاني!
ملاحظة: على الرغم من أن Groq توفر وصولاً مجانياً سخياً، إلا أن منصات أخرى مثل HuggingFace تقدم أيضاً مستويات مجانية مماثلة. اخترنا Groq لدعمها الشامل لمختلف النماذج وسرعة استنتاجها الاستثنائية، والتي تُعد حالياً الأسرع المتاحة.
لنستعرض الخطوات التالية لإعداد مفتاح الوصول إلى واجهة برمجة API Groq:
سنبدأ بزيارة ملعب جروك .
انقر على "مفاتيح API " في شريط التنقل الأيسر.
الآن، انقر فوق زر "إنشاء مفتاح API " لإنشاء مفتاح الجديد.
تذكر أن تنسخ مفتاح لأنه لن تتمكن من عرض هذا مفتاح مرة أخرى بمجرد النقر فوق زر"تم".
احفظ مفتاح الموجود في الأداة أدناه لاستخدامه لاحقًا باتباع التعليمات التالية:
انقر على زر "تعديل" في الأداة التالية.
أدخل مفتاح API الخاص بك في
GROQ_API_KEYمجال.انقر على زر "حفظ".
تم تعيين مفتاح API متغير بيئي لجميع عناصر واجهة المستخدم البرمجية. يتيح ذلك للمكتبات المعنية الوصول إليه عند الحاجة. انقر على زر "تشغيل" لاختبار مفتاح API .
لا تقلق بشأن الكود في الوقت الحالي، سنتعمق في التفاصيل في الدروس القادمة.
تقوم الأداة أعلاه بإرسال رسالة إلى نظام إدارة التعلم الخاص بنا باستخدام مفتاح API Groq. نحن نستفيد منChatGroq الفئة في السطر 3 مباشرة منlangchain_groq المكتبة التي استوردناها في السطر 1 ، وهي جزء من نظام LangChain البيئي. على الرغم من أنه قد يبدو أننا نستدعي LLM فقط، إلا أن هذا يحدث في الواقع.ChatGroq النموذج هو نموذج محادثة LangChain الذي ينسق كيفية تمرير الموجه إلى LLM الأساسي، وكيفية هيكلة الرسائل، وكيفية استرداد استجابة .
تتيح لنا LangChain التفاعل بسهولة مع أنظمة إدارة التعلم (LLMs). يمكنك تعديل الرسالة المرسلة إلى نظام إدارة التعلم عن طريق تعديلcontent القسم الموجود في السطر 7 من الكود أعلاه.
كيف تعمل سلسلة لانغ؟
تخيل أنك تريد طهي وصفة معقدة. لن تقوم ببساطة بوضع جميع المكونات معًا وتأمل أن تنجح، أليس كذلك؟ من المرجح أنك ستتبع وصفة بخطوات محددة، حيث تبني كل خطوة على سابقتها. يقوم LangChain بشيء مشابه مع نماذج التعلم الموجه (LLMs).
بدلاً من مطالبة طالب ماجستير القانون مباشرةً بالقيام بكل شيء دفعة واحدة، يتيح لك LangChain ما يلي:
حدد سلسلة من الإجراءات: يمكنك إنشاء سلسلة من الإجراءات التي سينفذها نظام إدارة التعلم. قد يكون كل إجراء مهمة مختلفة، مثل تلخيص نص، أو ترجمة محتوى، أو الإجابة على أسئلة بناءً على مصدر معلومات محدد.
ربط الأدوات المختلفة: يمكن لـ LangChain الربط بالعديد من الأدوات الخارجية، مثل:
برامج الماجستير في القانون: لإنشاء النصوص وتحليلها وترجمتها وما إلى ذلك.
مصادر البيانات: لتحميل المعلومات من ملفات نصية أو قواعد بيانات أو واجهات برمجة التطبيقات (APIs).
أدوات أخرى: مثل البحث عبر الإنترنت أو حتى أدوات الرياضيات
إدارة تدفق المعلومات : يعمل LangChain كمنسق، ضامنًا أن يصبح إخراج كل إجراء إدخال للإجراء التالي في السلسلة. يتيح هذا التدفق تنفيذ عمليات معقدة تتجاوز ما يمكن تحقيقه باستدعاء واحد من LLM.
تُعدّ كلمة " سلسلة" أساسية لأنها تمثل الطريقة الجوهرية التي تُنظّم بها LangChain عملها. تخيّل سلسلة مادية ذات روابط متعددة متصلة. يُمثّل كل رابط خطوة واحدة في عمليتك، سواءً أكان ذلك استخدام لغة برمجة لغوية لمهمة مُحدّدة، أو تحويل بعض البيانات، أو استرجاع المعلومات، وما إلى ذلك.
من خلال ربط هذه الإجراءات، يمكنك إنشاء سير عمل أكثر تعقيدًا وقوة.
تُظهر الصورة أعلاه عملية LangChain بسيطة، حيث تتم معالجة استعلام الإدخال (سؤال المستخدم أو بياناته) أولاً بواسطة "نموذج توجيه". يُعدّ نموذج التوجيه طريقةً مُهيكلةً لصياغة التوجيه بحيث يكون إدخال المستخدم واضحًا ومُنسقًا لـ LLM (الذكاء الاصطناعي الأساسي). بعد أن يُولّد LLM استجابة، يمرّ هذا إخراج عبر "محلل الإخراج"، الذي يُنسّق استجابة ويُنقّيها، لضمان استخراج أي معلومات مهمة وعرضها بطريقة سهلة الاستخدام. أخيرًا، تُعاد الإجابة المُحسّنة إلى المستخدم كـ"استجابة" نهائية. تُبرز هذه السلسلة كيفية تعامل LangChain مع إدخال، وإدارة التفاعلات مع LLM، وتنسيق إخراج، مما يسمح بتفاعلات أكثر تنظيمًا وفائدةً من توجيه LLM مباشرةً.
هذه مجرد مقدمة سريعة، لكننا نأمل أن تكون قد أثارت فضولكم! الآن هو الوقت الأمثل للانخراط في عالم الذكاء الاصطناعي، والتعرف على LangChain خطوة أولى قوية. نشجعكم على البدء في الاستكشاف ورؤية ما يمكنكم ابتكاره.