Wie KI-Agenten mit CrewAI effektive Edtech-Lösungen ermöglichen? – Analytics Vidhya

KI-Agenten sind hochintelligente Softwareprogramme, die unabhängig agieren können, um bei verschiedenen Aufgaben zu helfen. Diese Agenten sind nicht nur in der Lage, Aufgaben selbstständig zu erledigen; Sie sind außerdem hervorragend darin, Daten zu analysieren, Vorhersagen zu treffen und die besten Maßnahmen zu empfehlen. Dies kann in vielen Branchen, einschließlich Vertrieb und Advertising, ein großer Vorteil sein.

Im Advertising können KI-Agenten beispielsweise Kundenpräferenzen analysieren, verstehen, woran einzelne Kunden interessiert sind, und dann bei der Erstellung personalisierter Marketingkampagnen speziell für sie helfen. Durch diese Artwork der Individualisierung fühlen sich die Kunden wertgeschätzter und engagierter, was häufig zu höherer Zufriedenheit und besseren Geschäftsergebnissen führt.

Ein interessantes Framework für die Organisation und Nutzung von KI-Agenten ist CrewAI, das auf einer Plattform namens Langchain basiert. In diesem System werden verschiedenen Agenten unterschiedliche Aufgaben zugewiesen, aber sie arbeiten alle als einheitliches Group auf ein gemeinsames Ziel hin. Jeder Agent hat seine eigene spezialisierte Rolle, aber sie arbeiten nahtlos zusammen, um die Arbeit effizient und effektiv zu erledigen.

In diesem Artikel werden wir untersuchen, wie diese KI-Agenten mithilfe der CrewAI-Frameworkkann verwendet werden, um personalisierte Kurse für Studenten eines Edtech-Unternehmens zu empfehlen. Durch die Nutzung der Fähigkeiten von KI-AgentenEdtech-Plattformen können Schülern Kursempfehlungen anbieten, die ihren Lernbedürfnissen und Interessen entsprechen und so ihre Bildungserfahrung verbessern.

Lernziele

• Die Komponenten verstehen CrewAI.
• Erstellung von Empfehlungskampagnen für Studenten mithilfe von Agenten.
• Analyse generierter Kampagnen.

Dieser Artikel wurde im Rahmen der veröffentlicht Information Science-Blogathon.

Komponenten von CrewAI – Agenten, Aufgaben & Crew

Agenten

Agenten sind unabhängige, selbstgesteuerte Einheiten, die bestimmte Aufgaben ausführen, Entscheidungen treffen und dynamisch mit anderen Agenten in einem System interagieren sollen. Jeder Agent arbeitet autonom, was bedeutet, dass er seine Umgebung analysieren, auf Eingaben reagieren und basierend auf seiner Programmierung und seinen Zielen Entscheidungen treffen kann. Was Agenten besonders leistungsfähig macht, ist ihre Fähigkeit, eine breite Palette von Instruments zu nutzen. Diese Instruments reichen von einfachen Suchfunktionen zum Datenabruf bis hin zu erweiterten Integrationen mit anderen Agenten, APIs und sogar ganzen Blockchain-Netzwerken. Diese Fähigkeit ermöglicht es Agenten, komplexe Aufgaben auszuführen, die die Erfassung von Daten in Echtzeit, Entscheidungsfindung und die Zusammenarbeit mehrerer Agenten umfassen.

Aufgaben

Aufgaben beziehen sich auf die spezifischen Aufgaben oder Pflichten, für deren Ausführung ein KI-Agent verantwortlich ist. Diese Aufgaben können sehr unterschiedlich sein und von der Datenanalyse über die Entscheidungsfindung bis hin zu direkten Aktionen wie der Steuerung externer Systeme oder dem Anstoßen von Prozessen in integrierten Plattformen reichen. Jede Aufgabe ist häufig in Teilaufgaben unterteilt, für die möglicherweise spezielle Instruments oder der Zugriff auf bestimmte Ressourcen erforderlich sind. Darüber hinaus können Aufgaben so gestaltet werden, dass sie spezifische Particulars enthalten, z. B. die Identifizierung des Agenten, der für eine bestimmte Aufgabe verantwortlich ist, und die Beschreibung der erforderlichen Instruments, Prozesse und Ausführungspfade. Das Aufgabenmanagement in einem agentenbasierten System sorgt für effiziente Arbeitsabläufe und präzise Ergebnisse.

Crew

Eine Crew ist eine kollaborative Gruppe von Agenten, die zusammenarbeiten, um ein gemeinsames Ziel zu erreichen. Anstatt unabhängig zu agieren, werden Crew-Agenten auf der Grundlage ihrer einzigartigen Fähigkeiten und Rollen organisiert, um sicherzustellen, dass sie gemeinsam komplexere und vielschichtigere Probleme angehen können. Der Prozess der Teambildung umfasst nicht nur die Zusammenstellung der richtigen Gruppe von Agenten, sondern auch die Definition ihrer jeweiligen Rollen, die Zuweisung von Aufgaben und die Koordinierung ihrer Bemühungen. Diese Organisation ist wichtig, um sicherzustellen, dass Aufgaben in der richtigen Reihenfolge erledigt werden, insbesondere wenn Abhängigkeiten zwischen den Aktionen verschiedener Agenten bestehen. Eine intestine organisierte Crew kann die Leistung erheblich steigern, indem sie die Fachkenntnisse jedes einzelnen Agenten nutzt und gleichzeitig eine synchronisierte Ausführung gewährleistet.

Lesen Sie auch: Die vier wichtigsten Agenten-KI-Entwurfsmuster für die Architektur von KI-Systemen

Problembeschreibung: Erstellung von Empfehlungskampagnen für Studenten mithilfe von Agenten

Stellen Sie sich vor, Sie leiten ein Bildungsberatungsunternehmen und möchten Ihren Schülern die besten Kurse basierend auf deren Abschlüssen, akademischen Zielen, Hobbys und Computerkenntnissen vorschlagen. Wie entscheiden Sie, welche Kurse Sie jedem Studenten empfehlen? Beispielsweise wäre es logischer, einem Studenten, der Umweltwissenschaften studiert, einen Kurs über Klimawandel vorzuschlagen, statt einen mit Hauptfach Informatik.

Der Profildatensatz des Studenten sieht wie folgt aus:

Die mögliche Liste der Kurse, die zur Empfehlung an die Studierenden herangezogen werden sollten, könnte wie folgt aussehen:

Unsere erste Crew besteht aus den folgenden KI-Agenten, mit deren Hilfe wir zunächst die drei besten passenden Kurse für jeden der Studierenden in unserem Datensatz generieren –

• Hauptempfehlungsdirektor: KI-Agent, der die Hauptaufgabe übernimmt und die Arbeit anderer überwacht
• Studentenprofiler: KI-Agent, um die Profile der verschiedenen Schüler zu verstehen
• Kursspezialist: KI-Agent, der dabei helfen kann, jedem Studenten die passenden Kurse zuzuordnen

Python-Implementierung

Installieren und importieren Sie die erforderlichen Bibliotheken

Beginnen wir zunächst mit der Set up der benötigten Python-Bibliotheken –

!pip set up crewai
!pip set up langchain_openai

Als nächstes importieren wir alle erforderlichen Python-Bibliotheken:

import os
import re
import json
import pandas as pd
from tqdm import tqdm
from crewai import Agent, Job, Crew, Course of
from langchain_openai import ChatOpenAI
from textwrap import dedent

Definieren Sie das LLM-Modell mit dem API-Schlüssel

Anschließend definieren wir das zu verwendende LLM-Modell und den jeweiligen API-Schlüssel. Wir können mit jedem LLM-Modell unserer Wahl prüfen. Hier haben wir gpt-3.5-turbo-16k verwendet.

import os
openai_api_key = ''
os.environ('OPENAI_API_KEY') = openai_api_key
llm = ChatOpenAI(
    mannequin="gpt-3.5-turbo-16k",
    temperature=0.1,
    max_tokens=8000
)

Zu verwendende Datensätze definieren

Als nächstes definieren wir die CSV-Datei für die Studentenprofildaten und auch die Liste der Produkte/Kurse, die den Studenten empfohlen werden sollen:

csv = '''Educational Targets, Main, Hobbies, Laptop Expertise, Curiosity in Languages, GPA
To turn out to be a software program engineer, Laptop Science, Gaming, Superior, Spanish, 3.7
To check environmental science, Environmental Science, Mountaineering, Intermediate, French, 3.5
To pursue a profession in drugs, Pre-Med, Enjoying the piano, Superior, Spanish, 3.9
To main in psychology, Psychology, Studying, Intermediate, German, 3.6
To work in worldwide relations, Political Science, Touring, Fundamental, Mandarin, 3.8
To turn out to be a trainer, Training, Portray, Superior, Spanish, 3.4
To check literature, English Literature, Writing, Intermediate, French, 3.9
To pursue a profession in enterprise, Enterprise Administration, Enjoying soccer, Fundamental, Mandarin, 3.5
To turn out to be a biologist, Biology, Pictures, Superior, German, 3.7
To work in knowledge evaluation, Statistics, Cooking, Intermediate, Japanese, 3.6
'''
#creating the df_customers dataframe
from io import StringIO
# Convert String into StringIO
csvStringIO = StringIO(csv)
df_customers = pd.read_csv(csvStringIO, sep=",")


merchandise=""'
"Introduction to Laptop Science" - Provided by Harvard College on edX
"Biology: Life on Earth" - Provided by Coursera
"Introduction to Psychology" - Provided by Yale College on Coursera
"Environmental Science" - Provided by College of Leeds on FutureLearn
"Introduction to Literature" - Provided by MIT on edX
"Medical Terminology" - Provided by College of Pittsburgh on Coursera
"Information Science and Machine Studying" - Provided by Stanford College on Coursera
"Cell Biology" - Provided by Massachusetts Institute of Expertise on edX
"Optimistic Psychology" - Provided by College of North Carolina at Chapel Hill on Coursera
"Environmental Legislation and Coverage" - Provided by Vermont Legislation College on Coursera
"Programming for Everyone (Getting Began with Python)" - Provided by College of Michigan on Coursera
"Anatomy: Human Neuroanatomy" - Provided by College of Michigan on Coursera
"Introduction to Cognitive Psychology" - Provided by Duke College on Coursera
"Local weather Change and Well being: From Science to Motion" - Provided by Harvard College on edX
"English for Science, Expertise, Engineering, and Arithmetic" - Provided by College of Pennsylvania on Coursera
"An Introduction to American Legislation" - Provided by College of Pennsylvania on Coursera
"Introduction to Chemistry: Reactions and Ratios" - Provided by Duke College on Coursera
"Epidemiology: The Fundamental Science of Public Well being" - Provided by College of North Carolina at Chapel Hill on Coursera
"Laptop Science: Programming with a Function" - Provided by Princeton College on Coursera
"Introduction to Statistics and Information Evaluation" - Provided by Rice College on Coursera
"Genes and the Human Situation (From Conduct to Biotechnology)" - Provided by College of Maryland on Coursera
"Ethics, Expertise, and the Way forward for Medication" - Provided by Georgetown College on edX
"Fundamentals of Immunology" - Provided by Harvard College
'''

Definieren Sie die zu verwendenden Agenten

Nachdem wir dies veröffentlicht haben, beginnen wir mit der Definition der verschiedenen KI-Agenten für unsere erste Crew. Jeder KI-Agent benötigt eine Rolle, ein Ziel und eine Hintergrundgeschichte, wie unten im Codeblock dargestellt:

student_profiler = Agent(
  function="student_profiler",
  objective=""'From restricted knowledge, you logically deduct conclusions about college students.''',
  backstory='You're an skilled psychologist with a long time of expertise.',
  llm = llm,allow_delegation=False,verbose=True)



course_specialist = Agent(
     function="course specialist",
     objective=""'Match the acceptable course to the scholars''',
     backstory='You could have distinctive information of the programs and may say how useful they're to a scholar.',
     llm = llm,allow_delegation=False,verbose=True)


Chief_Recommendation_Director = Agent(
     function="Chief Recomeendation Director",
     objective=dedent("""Oversee the work finished by your group to verify it is the very best
		attainable and aligned with the course's targets, evaluate, approve,
		ask clarifying query or delegate comply with up work if essential to make
		choices"""),
     backstory=dedent("""You are the Chief Promotion Officer of a big EDtech firm. You are launching a personalised advert marketing campaign,
          attempting to verify your group is crafting the very best
	  content material for the client."""),
     llm = llm,instruments=(),allow_delegation=False, verbose=True)

Die zweite Crew wird verwendet, um einen Empfehlungstext für die einem Studenten empfohlenen Kurse zu erstellen.

campaign_agent = Agent(
     function="campaign_agent",
     objective=dedent("""Develop compelling and progressive content material
		for advert campaigns, with a spotlight buyer particular advert copies."""),
     backstory=dedent("""As a Inventive Content material Creator at a top-tier
			digital advertising and marketing company, you excel in crafting ads
			that resonate with potential prospects.
			Your experience lies in turning advertising and marketing methods
			into participating tales that seize
			consideration and encourage shopping for motion."""),
     llm = llm,allow_delegation=False, verbose=True)#import csv

Definieren Sie Aufgaben für jeden Agenten

Der oben genannte Agent arbeitet mit dem vorherigen Agenten in einer neuen Crew. Definieren wir nun die Aufgaben, die jeder Agent ausführen wird.

def get_ad_campaign_task(agent, customer_description, merchandise):
  return Job(description=dedent(f"""
    You are making a focused advertising and marketing marketing campaign tailor-made to what we learn about our scholar prospects.

    For every scholar buyer, we now have to decide on precisely three programs to advertise within the subsequent marketing campaign.
    Make certain the choice is the very best and aligned with the coed buyer,
	  evaluate, approve, ask clarifying query or delegate comply with up work if
		essential to make choices. When delegating work ship the total draft
		as a part of the knowledge.
    That is the listing of all of the programs collaborating within the marketing campaign: {merchandise}.
    That is all we all know so removed from the coed buyer: {customer_description}.

    To begin this marketing campaign we might want to construct first an understanding of our scholar buyer.
    As soon as we now have a profile in regards to the scholar prospects pursuits, life-style and means and desires,
    we now have to pick precisely three programs which have the best likelihood to be purchased by them.

    Your last reply MUST be precisely 3 programs from the listing, every with a brief description
    why it matches with this scholar buyer. It should be formatted like this instance:
     :
     :
     :
    """),
    agent=agent,expected_output="A refined finalized model of the advertising and marketing marketing campaign in markdown format"
  )



def get_ad_campaign_written_task(agent, choice):
    return Job(description=dedent(f"""
    You are making a focused advertising and marketing marketing campaign tailor-made to what we learn about our scholar buyer.

    For every scholar buyer, we now have chosen three programs to advertise within the subsequent marketing campaign.
    This choice is tailor-made particularly to the client: {choice},

    To finish this marketing campaign succesfully we are going to want a promotional message promoting these programs  to the coed buyer with the last word intent that they purchase from us.
    This message needs to be round 3 paragraphs, in order that it may be simply built-in into the total letter. For instance:
    Concerned about studying knowledge science, get your self enrolled on this course from Harvard College.
    Take Your profession to the subsequent stage with the assistance of this course.

    It's essential to evaluate, approve, and delegate comply with up work if essential to have the entire promotional message. When delegating work ship the total draft
		as a part of the knowledge.

    Your last reply MUST embrace the three merchandise from the listing, every with a brief promotional message.
    """),
    agent=agent,expected_output="A refined finalized model of the advertising and marketing marketing campaign in markdown format"
  )

Durchlaufen Sie jede Zeile des Scholar Profile DataFrame

Jeder Agent ist mit einem verknüpft LLM-Modell. Hier haben wir das ‚ verwendetgpt-3.5-turbo-16k‚ Modell. Lassen Sie uns nun den gesamten Prozess für jede Zeile unseres Studentenprofildatensatzes ausführen:

df_output_list = () #to retailer outcomes

for index, row in df_customers.iterrows():
  print('############################################## '+ str(index))
  customer_description = f'''
  Their tutorial targets are {row('Educational Targets')}.
  Their main is in {row(' Main')}.
  Their Hobbies are {row(' Hobbies')}.
  Their pc expertise are {row(' Laptop Expertise')}.
  Their curiosity in languages are {row(' Curiosity in Languages')}.
  Their GPA is {row(' GPA')}.
  '''
  print(customer_description)
  
  #Outline Job 1 for choosing prime 3 related merchandise
  
  task1 = get_ad_campaign_task(Chief_Recommendation_Director ,customer_description, merchandise)
  #begin crew
  targetting_crew = Crew(
    brokers=(student_profiler, course_specialist ,Chief_Recommendation_Director ),
    duties=(task1),
    verbose=True, 
  course of=Course of.sequential # Sequential course of can have duties executed one after the opposite and the result of the earlier one is handed as additional content material into this subsequent.
  )
  targetting_result = targetting_crew.kickoff()
  
  #Outline Job 2 for Producing Suggestion Marketing campaign
  
  task2 = get_ad_campaign_written_task(Chief_Recommendation_Director ,targetting_result)
  copywriting_crew = Crew(
    brokers=(campaign_agent,Chief_Recommendation_Director ),
    duties=(task2),
    verbose=True, 
  course of=Course of.sequential # Sequential course of can have duties executed one after the opposite and the result of the earlier one is handed as additional content material into this subsequent.
  )
  copywriting_result = copywriting_crew.kickoff()
  #create one line in output df
  df_output_list.append({'buyer':customer_description,
                         'targeted_products':targetting_result,
                         'promo_msg':copywriting_result,
                        })

#loop ended, acquire leads to dataframe
df_output = pd.DataFrame(df_output_list)

Die Ausgabe in einem Pandas-Datenrahmen sieht mit dem generierten Empfehlungstext in der letzten Spalte von „promo_msg“ wie folgt aus:

Analyse generierter Kampagnen

Schauen wir uns ein Studentenprofil und die mithilfe von Crew AI generierte Kampagne im Element an.

Betrachten wir das Profil des folgenden Studenten:

Der Produktspezialist hat die folgenden Kurse basierend auf dem Profil des Studenten ausgewählt – – Studienziele: Hauptfach Psychologie

Das zweite Group, das einen Empfehlungstext für die einem Studenten empfohlenen Kurse erstellte, verfasste die folgenden Empfehlungsnachrichten:

Abschluss

In diesem Artikel haben wir gesehen, dass KI-Agenten mithilfe detaillierter Kundenprofile kluge Entscheidungen bei der Auswahl der besten Produkte für Kunden treffen können. Diese Profile berücksichtigen die Merkmale verschiedener Kunden, einschließlich ihrer Entscheidungen und Vorlieben. Durch die Analyse dieser Profile können die KI-Agenten personalisierte Empfehlungen für jeden Kunden generieren. Zusätzlich, KI-Agenten arbeiten wie eine intestine geölte Maschine zusammen, sorgen für eine verbesserte Ausgabequalität und führen zu genauen und logischen Entscheidungen. Mit Open-Supply-Frameworks wie CrewAIkönnen Benutzer Anweisungen in natürlicher Sprache geben und verschiedene Agenten für unterschiedliche Aufgaben einsetzen, damit alle als einheitliches Group auf ein gemeinsames Ziel hinarbeiten.

Um die Agent-KI besser zu verstehen, erkunden Sie außerdem Folgendes: Das Agentic AI Pioneer-Programm

Wichtige Erkenntnisse

1. KI-Agenten sind autonome Softwareprogramme, die in der Lage sind, Daten zu analysieren, Vorhersagen zu treffen und Empfehlungen für verschiedene Branchen, einschließlich Advertising und Bildung, zu geben.
2. CrewAI ist ein Framework, das KI-Agenten in spezialisierten Groups organisiert und ihnen so eine effiziente Zusammenarbeit bei komplexen Aufgaben ermöglicht.
3. In der Edtech-Branche kann CrewAI das Lernerlebnis verbessern, indem es den Schülern personalisierte Kurse basierend auf ihren Profilen, Interessen und Fähigkeiten empfiehlt.
4. Zu den Komponenten von CrewAI gehören Agenten (autonome Einheiten), Aufgaben (spezifische Aufgaben) und Crews (kollaborative Gruppen, die auf ein gemeinsames Ziel hinarbeiten).
5. Der Artikel zeigt, wie CrewAI das Advertising verbessern kann, indem es Kundendaten analysiert, um personalisierte Kampagnen zu erstellen, die zu mehr Engagement und besseren Geschäftsergebnissen führen können.

Die in diesem Artikel gezeigten Medien sind nicht Eigentum von Analytics Vidhya und werden nach Ermessen des Autors verwendet.

Häufig gestellte Fragen