𝗕𝘂𝗶𝗹𝗱𝗶𝗻𝗴 𝗬𝗼𝘂𝗿 𝗙𝗶𝗿𝘀𝘁 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗔𝗜 𝗞𝗻𝗼𝘄𝗹𝗲𝗱𝗴𝗲 𝗚𝗿𝗮𝗽𝗵

𝗕𝘂𝗶𝗹𝗱𝗶𝗻𝗴 𝗬𝗼𝘂𝗿 𝗙𝗶𝗿𝘀𝘁 𝗔𝗴𝗲𝗻𝘁𝗶𝗰 𝗔𝗜 𝗞𝗻𝗼𝘄𝗹𝗲𝗱𝗴𝗲 𝗚𝗿𝗮𝗽𝗵

நீங்கள் தன்னாட்சி பெற்ற AI-யையும் (autonomous AI) கட்டமைக்கப்பட்ட அறிவையும் இணைக்க விரும்புகிறீர்கள். இந்தத் tutorial ஐந்து படிகளில் ஒரு செயல்பாட்டு அமைப்பை எவ்வாறு உருவாக்குவது என்பதைக் காட்டுகிறது.

நீங்கள் ஒரு வாடிக்கையாளர் சேவை ஏஜென்ட்டை (customer support agent) உருவாக்குவீர்கள். இந்த ஏஜென்ட் தயாரிப்புகள், வாடிக்கையாளர் வரலாறு மற்றும் கொள்கைகளைப் புரிந்துகொள்ள ஒரு knowledge graph-ஐப் பயன்படுத்துகிறது.

படி 1: உங்கள் உருப்படிகள் (entities) மற்றும் உறவுகளை (relationships) வரைபடமாக்குங்கள்

உங்கள் களத்தின் (domain) பகுதிகளை அடையாளம் காணுங்கள். வாடிக்கையாளர் சேவைக்கு, இவற்றைப் பயன்படுத்தவும்:

Nodes (முனைகள்):

• வாடிக்கையாளர்கள் (Customers)
• தயாரிப்புகள் (Products)
• ஆதரவு டிக்கெட்டுகள் (Support Tickets)
• தீர்வுகள் (Solutions)
• கொள்கைகள் (Policies)

Edges (விளிம்புகள்):

• வாடிக்கையாளர் தயாரிப்பை வாங்கியுள்ளார் (Customer PURCHASED Product)
• டிக்கெட் தயாரிப்புடன் தொடர்புடையது (Ticket RELATES_TO Product)
• தீர்வு டிக்கெட்டைத் தீர்க்கிறது (Solution RESOLVES Ticket)
• கொள்கை தயாரிப்பிற்குப் பொருந்தும் (Policy APPLIES_TO Product)

படி 2: உங்கள் தரவுத்தளத்தை (database) அமைத்திடுங்கள்

இந்தத் திட்டத்திற்கு Neo4j-ஐப் பயன்படுத்தவும். இது Python உடன் சிறப்பாகச் செயல்படும். தொடங்குவதற்கு Docker-இல் இந்தத் கட்டளையை இயக்கவும்:

docker run -p 7474:7474 -p 7687:7687 -e NEO4J_AUTH=neo4j/password neo4j:latest

படி 3: மாதிரித் தரவை (sample data) உருவாக்குங்கள்

உங்கள் வரைபடத்திற்குத் தரவைச் சேர்க்க Cypher-ஐப் பயன்படுத்தவும். நீங்கள் வாடிக்கையாளர்கள், தயாரிப்புகள் மற்றும் உறவுகளை உருவாக்க வேண்டும். உதாரணமாக:

CREATE (c1:Customer {id: 'C001', name: 'Alice Johnson', tier: 'premium'}) CREATE (p1:Product {id: 'P001', name: 'Enterprise API', category: 'software'}) CREATE (c1)-[:PURCHASED {date: '2026-01-15'}]->(p1)

படி 4: தன்னாட்சி ஏஜென்ட்டை (autonomous agent) உருவாக்குங்கள்

உங்கள் ஏஜென்ட்டை வரைபடத்துடன் இணைக்க Python மற்றும் LangChain-ஐப் பயன்படுத்தவும்.

1. Neo4j-உடன் இணைக்கவும்.
2. ஏஜென்ட் வரைபடக் கேள்விகளை (graph queries) இயக்க அனுமதிக்கும் ஒரு கருவியை (tool) உருவாக்கவும்.
3. இயற்கை மொழியை (natural language) Cypher கேள்விகளாக மாற்ற ஒரு LLM-ஐப் பயன்படுத்தவும்.

உங்கள் ஏஜென்ட் இப்போது "தயாரிப்பு P001 தொடர்பாக வாடிக்கையாளர் C001-க்கான ரீஃபண்ட் (refund) விருப்பங்கள் என்ன?" போன்ற கேள்விகளுக்குப் பதிலளிக்க முடியும்.

ஏஜென்ட் இந்தப் படிகளைப் பின்பற்றுகிறது:

• அது வாடிக்கையாளர் தரத்தைக் (tier) கண்டறிகிறது.
• அது தயாரிப்பைக் கண்டறிகிறது.
• அது சரியான கொள்கையைப் பெறுகிறது.
• அது பதிலைத் தருகிறது.

படி 5: உங்கள் அமைப்பை விரிவுபடுத்துங்கள் (Scale)

உங்கள் அமைப்பை வளர்க்க, இவற்றைச் செய்யவும்:

• விநியோகஸ்தர்கள் (suppliers) அல்லது போட்டியாளர்கள் (competitors) போன்ற கூடுதல் உருப்படிகளைச் சேர்க்கவும்.
• தரவைப் பாதுகாக்க அணுகல் கட்டுப்பாடுகளை (access controls) அமைக்கவும்.
• வினவல் வேகத்தைக் (query speed) கண்காணிக்கவும்.
• உங்கள் தரவு மாறும்போது உங்கள் ஸ்கீமாவை (schema) பதிப்பு வாரியாகப் (versioning) பராமரிக்கவும்.

நீங்கள் APIs அல்லது நிகழ்வு சார்ந்த தூண்டுதல்களைப் (event-driven triggers) பயன்படுத்தி இந்த ஏஜென்ட்டை உங்கள் தற்போதைய பணிப்பாய்வுகளில் (workflows) ஒருங்கிணைக்கலாம். சிறிய அளவில் தொடங்கி, நீங்கள் கற்றுக்கொள்ளும்போது சிக்கலான அம்சங்களைச் சேர்க்கவும்.

மூலம்: https://dev.to/jasperstewart/building-your-first-agentic-ai-knowledge-graph-a-step-by-step-tutorial-5h4f

விருப்பத்தேர்வு கற்றல் சமூகம்: https://t.me/GyaanSetuAi