infoworld.com

Avtonom Süni İntellekt İş Axınları: Passiv Cavablardan Müstəqil İcraya

Generativ süni intellekt sistemləri sadə sual-cavab (prompt-response) paradiqmasından çıxaraq mürəkkəb, çoxmərhələli və müstəqil qərarvermə qabiliyyətinə malik “avtonom iş axınları” (autonomous workflows) mərhələsinə keçid edir. Müasir böyük dil modelləri (LLM) artıq sadəcə mətn generasiya edən mühərriklər deyil; onlar geniş təlimatları qəbul edən, onları alt tapşırıqlara bölən, müxtəlif proqram mühitlərində icra edən və nəticəni insan müdaxiləsi olmadan yoxlayan rəqəmsal agentlər kimi fəaliyyət göstərirlər.

Bu arxitektur dəyişiklik maşın öyrənməsi mühəndisliyində “Agentic AI” adlanan yeni yanaşmanın əsasını təşkil edir. Əgər ənənəvi modellər hər addımda insan tərəfindən istiqamətləndirilməyə ehtiyac duyurdusa, müasir modellər qeyri-müəyyən şəraitdə strateji planlama apara bilir və gözlənilməz xətalarla qarşılaşdıqda öz işini korreksiya edə bilir.

Texniki Arxitektura: Məqsəddən Nəticəyə Doğru

Avtonom iş axınlarının uğurla çalışması bir neçə kritik komponentin vəhdətinə əsaslanır:

• Məqsədin Dekompozisiyası (Goal Decomposition): Model qəbul etdiyi qlobal hədəfi kiçik, icra oluna bilən alt tapşırıqlara (sub-tasks) parçalayır. Bu prosesdə Chain-of-Thought (CoT) və Tree-of-Thoughts (ToT) kimi metodologiyalardan istifadə edilir.
• Alətlərlə İnteqrasiya (Tool Use & Function Calling): Agentlər API-lər, verilənlər bazaları, terminal mühitləri və brauzerlərlə birbaşa qarşılıqlı əlaqədə olur. Model müvafiq funksiyanı seçir, parametrləri generasiya edir və kənar mühitdən gələn cavabı növbəti addımın kontekstinə daxil edir.
• Özünü Yoxlama və Düzəliş (Self-Reflection / Critic Loop): İş başa çatdıqdan sonra agent öz nəticəsini ilkin meyarlarla müqayisə edir. Məsələn, generasiya etdiyi kod vahid testlərdən (unit tests) keçməzsə, agent xəta loqlarını oxuyaraq kodu yenidən redaktə edir.

Ənənəvi və Avtonom İş Axınlarının Müqayisəsi

Praktiki Tətbiq: Sadə Avtonom Agentin Yaradılması

Aşağıdakı nümunədə Python mühitində özünü yoxlayan və xarici mühitdə (terminal) komandaları icra edən sadə bir avtonom agent arxitekturasının qurulması addım-addım izah edilir.

Addım 1: Tələb Olunan Kitabxanaların Quraşdırılması

pip install langchain langchain-openai langchain-community

Addım 2: Alətlərin və Düşüncə Dövrəsinin Təyin Edilməsi

Agent sistem əmrlərini icra etmək üçün Python subprocess modulundan istifadə edən alətlə təchiz edilir və nəticəni yoxlayan dövrəyə salınır.

import os
import subprocess
from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, Tool, AgentType

# LLM-in inisializasiyası
llm = ChatOpenAI(model="gpt-4o", temperature=0)

def terminal_executor(command: str) -> str:
    """Terminal əmrini icra edir və çıxışı qaytarır."""
    try:
        result = subprocess.run(
            command, shell=True, check=True, 
            stdout=subprocess.PIPE, stderr=subprocess.PIPE, text=True
        )
        return result.stdout if result.stdout else "Əmr uğurla icra olundu (Çıxış yoxdur)."
    except subprocess.CalledProcessError as e:
        return f"Xəta baş verdi: {e.stderr}"

# Agent üçün alətlər siyahısı
tools = [
    Tool(
        name="Terminal",
        func=terminal_executor,
        description="Baxılan mühitdə terminal/bash əmrlərini icra etmək üçün istifadə olunur."
    )
]

# Agentin qurulması
agent = initialize_agent(
    tools=tools,
    llm=llm,
    agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# Geniş hədəfin agentə təqdim edilməsi
goal = """
Layihə qovluğunda 'src' adlı direktoriyanın olub-olmadığını yoxla. 
Yoxdursa, onu yarat, daxilində 'app.py' faylı aç və içinə sadə 'Hello World' yazan kod əlavə et. 
Sonda faylın mövcudluğunu və məzmununu oxuyaraq işini təsdiqlə.
"""

response = agent.run(goal)
print(response)

Bu nümunədə agent ona verilən hədəfi tək bir sorğu ilə yerinə yetirmir. O, əvvəlcə direktoriyanı yoxlamaq üçün terminal əmrini icra edir, nəticəni oxuyur, ardınca faylı yaradır və ən son mərhələdə faylın məzmununu oxuyaraq öz işini yoxlayır (Self-Check).

Sənaye Təsirləri: Proqram Təminatı Mühəndisliyi və Təhlükəsizlik

Avtonom iş axınlarının inkişafı DevOps, kibertəhlükəsizlik və proqram təminatının keyfiyyət təminatı (QA) sahələrinə dərindən təsir göstərir:

• Avtonom Kod Təmiri (Self-Healing Code): CI/CD boru kəmərlərində xəta verən testləri təhlil edən agentlər avtomatik olaraq Pull Request (PR) hazırlaya, asılılıqları yeniləyə və zəiflikləri aradan qaldıra bilər.
• SRE və İnfrastruktur İdarəetməsi: Serverlərdə baş verən anomaliyalar zamanı agent loqları oxuyaraq ilkin diaqnostikanı apara və zərurət olduqda resursları yenidən başladaraq insidenti həll edə bilər.
• Təhlükəsizlik Riskleri (Sandboxing Zərurəti): Avtonom agentlərə sistem mühitlərinə birbaşa çıxış icazəsinin verilməsi təhlükəsizlik risklərini artırır. Modelin qərəzli və ya səhv qərarlar verərək faylları silməsinin və ya sistem parametrlərini pozmasının qarşısını almaq üçün bu agentlərin qapalı Docker konteynerlərində və ya WebAssembly (WASM) mühitlərində (“sandbox”) işlədilməsi məcburidir.

BITEP Redaksiyasının Yekun Rəyi

Süni intellektin passiv köməkçidən avtonom agentə çevrilməsi texnoloji transformasiyanın qaçılmaz mərhələsidir. Proqram təminatı mühəndisləri artıq sadəcə kod yazmaqla deyil, agentlərin işini tənzimləyən arxitekturalar və təhlükəsizlik çərçivələri qurmaqla məşğul olmalıdırlar. Ən böyük çağırış bu sistemlərin deterministik (dəqiq proqnozlaşdırıla bilən) işləməsini təmin etmək və onlara verilən səlahiyyət çərçivələrini minimum zərurət prinsipi (Principle of Least Privilege) ilə məhdudlaşdırmaqdır.