infoworld.com

Süni İntellektdə Yeni Era: Sadə Çatbotlardan “Agentik AI” və Avtonom Sistemlərə Keçid

Süni intellekt (Sİ) sənayesi sürətli və köklü bir transformasiya mərhələsinə daxil olub. Əgər son iki il ərzində əsas diqqət böyük dil modellərinin (LLM) tək bir sorğuya (prompt) cavab olaraq mətn, şəkil və ya kod generasiya etməsinə yönəlmişdisə, artıq bu yanaşma öz yerini “Agentic AI” (Agentik Süni İntellekt) və davamlı iş axınlarına (persistent workflows) verir. İstifadəçilərin yalnız sual verib cavab aldığı passiv çatbotlar arxa plana keçir; onların yerini müstəqil qərarlar qəbul edə bilən, alətlərdən istifadə edən və mürəkkəb tapşırıqları addım-addım icra edən avtonom agentlər tutur.

Bu texnoloji sıçrayışın arxasında modellərin təkcə məlumatı xatırlaması deyil, həm də çoxmərhələli məntiqi mühakimə (advanced reasoning) yürütmək və öz səhvlərini düzəltmək bacarığı dayanır.

Agentik İş Axınlarının (Agentic Workflows) Əsas Mexanizmi

Klassik çatbotlar xətti və birdəfəlik sorğu-cavab arxitekturası üzərində işləyir (zero-shot və ya few-shot prompting). Model daxil edilən kontekst əsasında ən uyğun ehtimal olunan tokenləri generasiya edir və proses orada dayanır. Lakin agentik iş axınlarında proses tsiklik və adaptivdir. Sistem qarşıya qoyulan ümumi məqsədi alt tapşırıqlara bölür, hər bir addımın nəticəsini qiymətləndirir və lazım gəldikdə xarici mühitlə əlaqə qurur.

Agentik sistemin əsas komponentləri aşağıdakılardır:

• Planlaşdırma (Planning): Model tapşırığı həll etmək üçün ardıcıl addımlar strategiyası formalaşdırır (məsələn, Chain-of-Thought və ya Tree-of-Thoughts yanaşmaları).
• Yaddaş (Memory): Qısamüddətli (işlək kontekst) və uzunmüddətli (vektor bazaları – RAG) yaddaş vasitəsilə agent əvvəlki addımlarda əldə etdiyi nəticələri xatırlayır.
• Alətlərdən İstifadə (Tool Use / Function Calling): Agentlər kalkulyatorlardan, API-lərdən, verilənlər bazalarından və ya brauzerlərdən istifadə edərək real vaxtda məlumat toplayır və əməliyyat icra edir.
• Əks-əlaqə və İcra (Action & Reflection): Əldə edilən aralıq nəticə təhlil edilir və strategiyaya düzəlişlər edilir.

Özünü Doğrulama (Self-Verification) Dövrələri: Hallüsinasiyalara Son

Böyük dil modellərinin ən zəif nöqtəsi həmişə “hallüsinasiya” — yəni modelin faktiki olaraq yanlış, lakin inandırıcı görünən məlumatlar uydurması olub. Agentik arxitekturanın ən böyük texnoloji nailiyyətlərindən biri daxili özünü doğrulama (self-verification) dövrələrinin tətbiqidir.

Bu mexanizmdə model cavabı istifadəçiyə təqdim etməzdən əvvəl daxili audit aparır:

• Riyazi Dəqiqlik: Əgər cavab riyazi hesablamalara əsaslanırsa, model hesablamanı Python mühitində simulyasiya edərək və ya formal məntiq yoxlayıcıları ilə təkrar yoxlayır.
• Kodun Yoxlanması: Generasiya edilən proqram kodu sandbox (təcrid olunmuş virtual mühit) daxilində icra edilir, sintaksis və icra xətaları (runtime errors) aşkarlandıqda model kodu avtonom şəkildə yenidən yazır.
• Məntiqi Tutarlılıq: Model ilkin şərtlərlə son nəticə arasındakı məntiqi ziddiyyətləri axtarır və sübut zəncirini təhlil edir.

Bu yanaşma insan müdaxiləsinə (human-in-the-loop) ehtiyacı kəskin dərəcədə azaldır və süni intellektin kritik sektorlarda (maliyyə, tibbi diaqnostika, proqram təminatı mühəndisliyi) etibarlılığını artırır.

Müqayisə: Ənənəvi LLM Çatbotu və Agentik AI

Praktiki Bələdçi: Python və LangChain ilə Sadə Yoxlama Agentinin Qurulması

Agentik iş axınlarını və özünü yoxlama dövrəsini anlamaq üçün Python mühitində sadə bir arxitektura quraq. Bu nümunədə agent verilən problemi həll etmək üçün kod yazacaq, onu daxili mühitdə yoxlayacaq və xəta baş verərsə özünə düzəliş edəcək.

1. Tələb Olunan Kitabxanaların Quraşdırılması

pip install langchain langchain-openai langchain-experimental

2. Agentik Kod Yoxlama Skripti

Aşağıdakı Python nümunəsi agentin xətanı aşkar edib özünü düzəltmə prinsipini nümayiş etdirir:

cat << 'EOF' > agent_loop.py
import sys
from langchain_openai import ChatOpenAI
from langchain.schema import SystemMessage, HumanMessage

llm = ChatOpenAI(model="gpt-4o", temperature=0)

def execute_code(code_string):
    """Kodu təhlükəsiz şəkildə icra edir və çıxışı və ya xətanı qaytarır."""
    try:
        local_scope = {}
        exec(code_string, {}, local_scope)
        return True, local_scope.get("result", "Kod uğurla icra olundu.")
    except Exception as e:
        return False, str(e)

task = "1-dən 100-ə qədər olan sadə ədədlərin cəmini tapan Python funksiyası yaz və nəticəni 'result' dəyişəninə mənimsət."
system_prompt = "Yalnız icra oluna bilən Python kodu yaz. Kod bloklarını python formatında təqdim etmə, birbaşa xam kod göndər."

# İlkin cəhd
response = llm.invoke([SystemMessage(content=system_prompt), HumanMessage(content=task)])
code = response.content

# Self-Verification Loop (Özünü Doğrulama Dövrəsi)
max_retries = 3
for attempt in range(max_retries):
    success, output = execute_code(code)
    if success:
        print(f"[UĞURLU] Nəticə tapıldı: {output}")
        break
    else:
        print(f"[XƏTA {attempt+1}]: {output}. Düzəliş edilir...")
        correction_prompt = f"Yazdığın kod bu xətanı verdi: {output}. Zəhmət olmasa kodu düzəlt:\n{code}"
        response = llm.invoke([SystemMessage(content=system_prompt), HumanMessage(content=correction_prompt)])
        code = response.content
EOF
python3 agent_loop.py

Sənayeyə və Tərtibatçılara Təsiri

Agentik süni intellektə keçid İT və biznes proseslərində paradiqmanı tamamilə dəyişir:

• Proqram Təminatının İnkişafı: Tərtibatçılar artıq sadəcə kod yazan assistentlərlə deyil, repozitoriyanı klonlayıb, arxitekturanı analiz edən, testləri yazan və CI/CD konveyerlərini müstəqil sazlayan avtonom mühəndislərlə (məsələn, Devin tipli sistemlər) işləyirlər.
• Gecikmə (Latency) və Dəqiqlik Balansı: Agentik iş axınları birdəfəlik sorğulardan daha çox vaxt aparır (bəzən dəqiqələrlə davam edən hesablama dövrələri), lakin əldə olunan nəticənin dəqiqliyi və dəyəri tək cavablı sistemlərdən qat-qat yüksəkdir.
• Sistem Təhlükəsizliyi və Nəzarət: Agentlərə alətlərdən istifadə və sistem əmrlərini icra etmək səlahiyyəti verildiyi üçün “Prompt Injection” və arzuolunmaz əməliyyatların qarşısını almaq üçün təhlükəsizlik baryerləri (Guardrails) əsas prioritetə çevrilir.

BITEP Nəticəsi

Sadə dil modelləri artıq texnoloji bazadır; innovasiyanın növbəti dalğası bu modellərin üzərində qurulan agentik arxitekturalardır. Özünü yoxlama (self-verification), alət inteqrasiyası və davamlı iş axınları süni intellekti passiv mətn generatorundan çıxarıb, real problemləri müstəqil şəkildə həll edən rəqəmsal işçi qüvvəsinə çevirir. Tərtibatçılar və mühəndislər üçün bu dəyişikliyi anlamaq və tətbiqlərini agentik yanaşma ilə yenidən dizayn etmək artıq seçim deyil, zərurətdir.