CREWAIを使用した同時クエリ解像度システム

人工知能の時代において、企業は常にカスタマーサポートサービスを強化する革新的な方法を求めています。そのようなアプローチの1つは、顧客クエリを効率的に解決するために協力して働くAIエージェントを活用することです。この記事では、Crewai、OpenaiのGPTモデル、Google Geminiを使用した同時クエリ解像度システムの実装について説明します。このシステムは、顧客クエリをシームレスに処理するために並行して動作する複数の専門エージェントを採用し、応答時間を短縮し、精度を向上させます。

学習目標

• AIエージェントが応答を自動化し、重要な情報を要約することにより、顧客クエリを効率的に処理する方法を理解してください。
CREWAIがマルチエージェントコラボレーションを可能にしてカスタマーサポートのワークフローを改善する方法を学びます。
クエリリゾルバーやサマリザーなど、さまざまな種類のAIエージェント、およびカスタマーサービスオートメーションにおけるその役割を探索します。
• PythonのAsyncioを使用して同時クエリ処理を実装して、応答効率を向上させます。 AI駆動型の自動化を統合して、精度とスケーラビリティを向上させることにより、
カスタマーサポートシステムを最適化します。

この記事は、

データサイエンスブログの一部として公開されました。 目次AIエージェントがどのように連携するか？エージェント

ステップ5：タスクの定義

ステップ6：AIエージェントでクエリを実行する
• ステップ7：複数のクエリを同時に処理するステップ8：クエリの例を定義する
• ステップ9 colab
  • ステップ11：クエリの実行と印刷結果の実行 AIエージェントがどのように連携するか
• 同時クエリ解像度システムは、マルチエージェントフレームワークを使用して、各エージェントに特定の役割を割り当てます。このシステムは、AIエージェントが効果的に協力できるようにするフレームワークであるCrewaiを利用しています。
• システムの主要なコンポーネントには次のものが含まれます
  • クエリ解像度エージェント：顧客クエリを理解し、正確な応答を提供する責任。
  • 概要エージェント：迅速なレビューと将来の参照の解決プロセスを要約しています。
  llms（大規模な言語モデル）：
  • GPT-4oやGeminiなどのモデルが含まれています。 タスク管理：
  タスクをエージェントに動的に割り当てて、クエリ処理を同時に確保します。
  • 同時クエリ解像度システムの実装
  AIエージェントフレームワークを概念から現実に変換するには、構造化された実装アプローチが不可欠です。以下では、効果的なクエリ解像度のためにAIエージェントのセットアップと統合に伴う重要な手順の概要を説明します。
  ステップ1：APIキーの設定
  OpenAI APIキーは、OSモジュールを使用して環境変数として保存されます。これにより、システムは、機密性の高い資格情報をハードコードすることなく、APIリクエストを安全に認証できます。

  システムはOSモジュールを使用してオペレーティングシステムと対話します。

  システムはOpenai_Api_keyを環境変数として設定し、OpenaiのAPIへのリクエストを認証できるようにします。

  ステップ2：必要なライブラリのインポート

  非同期操作やエージェント、クルー、タスク、LLMなどのクルワイコンポーネントを処理するためのアシンシオなど、必要なライブラリが輸入されています。これらは、AIエージェントを定義および管理するために不可欠です

  import os 
  
  # Set the API key as an environment variable
  os.environ["OPENAI_API_KEY"] = ""

  asyncio：

  非同期プログラミング用のPythonの組み込みモジュール、同時実行を可能にします。
  エージェント：

  は、特定の責任を持つAIワーカーを表します

  import asyncio
  from crewai import Agent, Crew, Task, LLM, Process
  import google.generativeai as genai

  乗組員：
  複数のエージェントとその相互作用を管理します
  • タスク：各エージェントがすべきことを定義します。
  • llm：使用される大規模な言語モデルを指定します。
  • Process：タスクがどのように実行されるかを定義します。
  • Google.generativeai：Googleの生成AIモデルを操作するためのライブラリ（このスニペットでは使用されていませんが、将来の拡張に含まれている可能性が高い）。
  ステップ3：LLMSの初期化
  • 3つの異なるLLMインスタンス（GPT-4OおよびGPT-4）は、さまざまな温度設定で初期化されます。温度は、応答の創造性を制御し、AIが生成された回答の精度と柔軟性のバランスを確保します。
  システムは3つのLLMインスタンスを作成し、それぞれが異なる構成を備えています。
  • パラメーター：
    • モデル：使用するopenaiモデル（gpt-4oまたはgpt-4）を指定します。
    • 温度：応答のランダム性を制御する（0 =決定論的、1 =より創造的）。>
    これらの異なるモデルと温度は、精度と創造性のバランスをとるのに役立ちます
    ステップ4：AIエージェントの定義
    各エージェントには特定の役割と事前定義された目標があります。 2つのAIエージェントが作成されています：
    • クエリResolver：顧客の問い合わせを処理し、詳細な回答を提供します
    概要ジェネレーター
    • ：迅速な参照のために解像度を要約します。各エージェントには、その相互作用を導くための定義された役割、目標、およびバックストーリーがあります。
      クエリ解像度エージェント

    このコードブロックで何が起こっているのか見てみましょう

    import os 
    
    # Set the API key as an environment variable
    os.environ["OPENAI_API_KEY"] = ""

    エージェントの作成：
    query_resolution_agentは、顧客クエリの解決を担当するAI駆動のアシスタントです。
    • モデルの選択：LLM_1を使用して、温度が0.7のGPT-4Oとして構成されています。このバランスは、創造的でありながら正確な応答を可能にします
    • 役割：システムは、エージェントをクエリリゾルバーとして指定します。 バックストーリー：開発者は、プロのカスタマーサービスアシスタントとして行動するようにエージェントをプログラムし、効率的かつ専門的な対応を確保します。
    • 目標：ユーザークエリに正確なソリューションを提供する
    冗長モード：
    • verbose = trueは詳細なログを保証し、開発者がパフォーマンスをデバッグして追跡するのを支援します。 要約エージェント
    • ここで何が起こるのですか？
    • エージェント作成：summary_agentは、クエリ解像度を要約するように設計されています。
    モデルの選択：

    温度が0.2のLLM_2（GPT-4）を使用して、その応答をより決定的で正確にします。

    import asyncio
    from crewai import Agent, Crew, Task, LLM, Process
    import google.generativeai as genai

    役割：

    このエージェントは、概要ジェネレーターとして機能します。

    • バックストーリー：クエリ解像度を簡潔に要約して、すばやく参照してください
    目標：
    • 顧客クエリがどのように解決されたかについての明確で簡潔な要約を提供します。 verboseモード：
    verbose = trueは、必要に応じてデバッグ情報が利用可能であることを保証します。
    • ステップ5：タスクの定義
    システムは、並列クエリ処理を確保するためにタスクを動的に割り当てます。 このセクションでは、同時クエリ解像度システムでAIエージェントに割り当てられたタスクを定義します。
    • ここで何が起こるのですか？ タスクの定義：
    • • Resolution_Task：このタスクは、クエリResolverエージェントに顧客クエリを分析および解決するよう指示します。
      summary_task：このタスクは、サマリーエージェントに解決プロセスの簡単な要約を生成するよう指示します。
      ダイナミッククエリ処理：
      タスクの実行時にシステムが{Query}を実際の顧客クエリに置き換えます。
      これにより、システムは顧客のクエリを動的に処理できます。
      • 予想出力：

      Resolution_Taskは、クエリへの詳細な応答を期待しています

      summary_taskは、クエリ解像度の簡潔な要約を生成します。
      • エージェントの割り当て：

      query_resolution_agentは、解像度タスクを処理するように割り当てられています。 summary_agentは、要約タスクを処理するように割り当てられています。

      • なぜこれが重要なのか
      • タスクの専門化：
      各AIエージェントには特定のジョブがあり、効率と明確さを確保します。
      スケーラビリティ：
      さまざまな種類のカスタマーサポートの対話を処理するために、さらにタスクとエージェントを追加できます。
      • 並列処理：タスクは同時に実行でき、顧客の待ち時間を短縮します。
      • ステップ6：AIエージェントを使用してクエリを実行します クエリを処理するために非同期関数が作成されます。クルークラスはエージェントとタスクを整理し、適切なクエリ解像度と要約を確保するために順番に実行します。
      • この関数は、クエリを実行する非同期プロセスを定義します。これには、以下を含む乗組員インスタンスが作成されます
      エージェント：
      プロセスに関与するAIエージェント（クエリリゾルバーと要約ジェネレーター）。
      タスク：エージェントに割り当てられたタスク（クエリ解像度と要約）。
      Process = Process.Sequential：

      import os 
      
      # Set the API key as an environment variable
      os.environ["OPENAI_API_KEY"] = ""

      タスクが順番に実行されるようにします
      verbose = true：
      詳細なロギングを有効にして、より良い追跡を可能にします
      • 関数は、AIエージェントを非同期に実行するために待機し、結果を返します。 ステップ7：複数のクエリを同時に処理する
      • asyncio.gather（）を使用して、複数のクエリを同時に処理できます。これにより、AIエージェントがさまざまな顧客の問題を並行して処理できるようにすることにより、応答時間が短縮されます。 この関数は、2つのクエリを同時に実行します。 asyncio.gather（）は両方のクエリを同時に処理し、応答時間を大幅に短縮します。関数は、実行が完了すると両方のクエリの結果を返します
      • ステップ8：クエリの例を定義 開発者は、サンプルクエリを定義してシステムをテストし、ログイン障害や支払い処理エラーなどの一般的なカスタマーサポートの問題をカバーしています。
      • これらは、システムをテストするためのサンプルクエリです。

        クエリ1はログインの問題を扱いますが、クエリ2は支払いゲートウェイエラーに関連しています。

        ステップ9：イベントループのセットアップ
        システムは、イベントループを初期化して、非同期操作を処理します。既存のループが見つからない場合、AIタスクの実行を管理する新しいループが作成されます。

        このセクションでは、非同期タスクを実行するためにイベントループを使用できるようにします。

        システムがイベントループを検出しない場合（RuntimeErrorが発生します）、新しいものを作成してアクティブループとして設定します。

        import os 
        
        # Set the API key as an environment variable
        os.environ["OPENAI_API_KEY"] = ""

        ステップ10：Jupyter Notebook/Google Colabでのイベントループの取り扱い
        JupyterとColabには既存のイベントループがあるため、nest_asyncio.apply（）は競合を防ぐために使用され、非同期クエリのスムーズな実行を確保します。
        JupyterノートブックとGoogle Colabには、既存のイベントループがあります。

        nest_asyncio.apply（）を使用すると、ネストされたイベントループが許可され、互換性の問題が解決されます

        ステップ11：クエリの実行と結果の印刷
        イベントループは、handle_two_queries（）を実行してクエリを同時に処理します。システムは、最終的なAIに生成された応答を印刷し、クエリ解像度と要約を表示します。

        import asyncio
        from crewai import Agent, Crew, Task, LLM, Process
        import google.generativeai as genai

        loop.run_until_complete（）は、handle_two_queries（）の実行を開始します。これらは両方のクエリを同時に処理します。

        システムは結果を印刷し、各クエリのAI生成された解像度を表示します。
        同時クエリ解像度システムの利点

        # Initialize the LLM with Gemini
        llm_1 = LLM(
            model="gpt-4o",
            temperature=0.7)
        llm_2 = LLM(
            model="gpt-4",
            temperature=0.2)
        llm_3 = LLM(
            model="gpt-4o",
            temperature=0.3)

        以下では、複数のクエリを同時に処理することにより、同時クエリ解像度システムがどのように効率を高め、応答時間が短くなり、ユーザーエクスペリエンスが向上する方法を確認します。

        応答時間が高くなる：並列実行は、複数のクエリを同時に解決します。

        精度の向上：

        複数のLLMを活用すると、創造性と事実の正確性のバランスが保証されます。
        スケーラビリティ：

        システムは、人間の介入なしで大量のクエリを処理できます。

        カスタマーエクスペリエンスの向上：
        • 自動化された要約は、クエリ解像度の簡単な概要を提供します。 同時クエリ解像度システムのアプリケーションアプリケーション
        • カスタマーサポートの自動化、チャットボットでのリアルタイムクエリ処理、大規模なサービスリクエストの効率的な処理など、同時クエリ解像度システムのさまざまなアプリケーションを調査します。
          • カスタマーサポート自動化：AI駆動型チャットボットが複数の顧客クエリを同時に解決し、応答時間を短縮します。
          • リアルタイムクエリ処理：多数のクエリを並行して処理し、効率を向上させることにより、ライブサポートシステムを強化します。
          eコマースアシスタンス
          • ：オンラインショッピングプラットフォームでの製品の問い合わせ、注文追跡、および支払いの問題解決策を合理化します。 それはヘルプデスク管理
          ：複数の技術的問題を同時に診断および解決することにより、ITサービスデスクをサポートします。
          • Healthcare＆Telemedicine ：患者の問い合わせ、予約のスケジューリング、医学的アドバイスの管理を同時に管理するのを支援します。
          • 結論 同時クエリ解像度システムは、AI駆動型のマルチエージェントコラボレーションがカスタマーサポートにどのように革命をもたらすことができるかを示しています。 OpenaiのGPTモデル、Google GeminiのCrewaiを活用することにより、企業はクエリの取り扱い、効率の向上、ユーザーの満足度を自動化できます。このアプローチは、将来、より高度なAI駆動型サービスソリューションへの道を開きます。
          キーテイクアウト
          AIエージェントはカスタマーサポートを合理化し、応答時間を短縮します

          CREWAIにより、専門のエージェントが効果的に協力できるようになりました さまざまなLLM構成のバランスの正確性と創造性。

          システムは、人間の介入なしで高クエリボリュームを管理できます。
          • 自動化された要約は、迅速で明確なクエリ解像度を提供します
          • よくある質問
          • q1。クルワイとは？
          • a。 Crewaiは、複数のAIエージェントが複雑なタスクで協力して作業できるようにするフレームワークです。エージェント間のタスク管理、役割の専門化、シームレスな調整を可能にします。 Crewaiはどのように機能しますか？ Crewaiは、特定の役割を持つエージェントを定義し、タスクを動的に割り当て、順次または同時に処理します。 OpenaiのGPTやGoogle GeminiなどのAIモデルを活用して、タスクを効率的に実行します。 Crewaiは複数のクエリを同時にどのように処理しますか？ Crewaiは、PythonのAsyncio.gather（）を使用して複数のタスクを同時に実行し、パフォーマンスボトルネックなしでより速いクエリ解像度を確保します。 Crewaiは異なるLLMと統合できますか？はい、Crewaiは、OpenaiのGPT-4、GPT-4O、GoogleのGeminiなど、さまざまな大規模な言語モデル（LLMS）をサポートしているため、ユーザーは速度と精度の要件に基づいて選択できます。 Crewaiはどのようにしてタスクの精度を確保しますか？さまざまな温度設定を持つさまざまなAIモデルを使用することにより、Crewaiは創造性と事実の正確性のバランスをとり、信頼できる応答を確保します。

            この記事に示されているメディアは、Analytics Vidhyaが所有しておらず、著者の裁量で使用されています。

以上がCREWAIを使用した同時クエリ解像度システムの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。