ودافون با استفاده از LangChain و LangGraph، عملیات داده را با هوش مصنوعی متحول می‌کند

ودافون یک شرکت مخابراتی پیشرو در اروپا و آفریقا است که به بیش از 340 میلیون مشتری خدمات ارائه می‌دهد. خدمات آن شامل شبکه‌ها و خدمات تلفن همراه و ثابت، اینترنت اشیا (IoT) و راهکارهای سازمانی است و تاکید زیادی بر نوآوری دارد. در حوزه هوش مصنوعی و داده، وودافون در حال حل چالش‌های پیچیده مربوط به تجزیه و تحلیل عملکرد بی‌درنگ، مدیریت زیرساخت و کارایی عملیاتی برای شبکه مراکز داده خود در اروپا است.

ودافون برای ساده‌سازی عملیات داده و توانمندسازی تیم‌های مهندسی خود، چندین دستیار هوش مصنوعی با استفاده از LangChain و LangGraph ساخته است که دسترسی هوشمندانه به داده، بینش‌های مبتنی بر زبان طبیعی و حل مسئله پیچیده را تسهیل می‌کنند.

در حال حاضر، وودافون دو چت‌بات داخلی مبتنی بر هوش مصنوعی توسعه داده است که بر روی Google Cloud مستقر شده‌اند تا از مهندسان شاغل در عملیات مختلف در مراکز داده خود پشتیبانی کنند. این دستیارهای هوش مصنوعی به وودافون کمک می‌کنند تا تجربه مشتری را بهبود بخشد:

• نظارت بر معیارهای عملکرد (موتور بینش): این دستیار با تبدیل پرسش‌های زبان طبیعی به SQL، معیارهای عملکرد را تجزیه و تحلیل می‌کند تا داده‌های کلیدی را از سیستم‌های نظارت بر مراکز داده بازیابی کند. این امر از مهندسان و کارکنان عملیات با بینش‌های پویا و مبتنی بر داده پشتیبانی می‌کند که قبلاً فقط از طریق داشبوردهای سفارشی قابل دسترسی بودند.
• بازیابی اطلاعات از MS-Sharepoint (Enigma): این دستیار امکان دسترسی کارآمد به هزاران سند و منبع فنی را فراهم می‌کند. مهندسان می‌توانند برای تأیید طرح‌های خاص، بازیابی جزئیات موجودی یا شناسایی مخاطبین در سازمان، سؤال بپرسند و زمان صرف شده برای جستجو در اسناد را کاهش دهند.

با استفاده از این عامل‌ها، وودافون می‌تواند با ایجاد پویای نماهای داده برای پشتیبانی از تصمیم‌گیری سریع و دقیق‌تر، سریع‌تر به حوادث رسیدگی و به آن‌ها پاسخ دهد. در نتیجه، این امر وابستگی مهندسان به داشبوردهای سفارشی یا پرس و جوها برای مشاهده معیارهای عملکرد را کاهش داده و بینش عمیق‌تری در مورد منابع داخلی در اختیار آنها قرار می‌دهد.

ودافون LangChain را برای این ابتکارات GenAI به دلیل چارچوب جامع و قابل ترکیب آن انتخاب کرد. ادغام اجزای ضروری مانند بارکننده‌های سند، مدل‌ها و پایگاه داده برداری توسط LangChain به وودافون اجازه داد تا به سرعت برنامه‌های هوش مصنوعی متناسب با مورد استفاده خود را نمونه‌سازی و مستقر کند. وودافون از LangChain برای آزمایش مدل‌های مختلف LLM، از جمله مدل‌های OpenAI، LLaMA 3 و Gemini گوگل استفاده کرد و عملکرد را برای هر مورد استفاده خاص بهینه کرد.

به طور خاص، بارکننده سند به مهندسان وودافون کمک کرد تا انواع مختلف اسناد - از HLD، طرح‌ها و درخواست‌های پیشنهاد (RFP) - را پردازش کنند که در DB چند برداری بارگذاری می‌شوند. از طریق خطوط لوله RAG، اینها سپس توسط دستیار بازیابی اطلاعات آنها به بینش‌های عملی تبدیل می‌شوند و تصاویر، جداول و سایر اطلاعات مورد نیاز کاربر نهایی را تولید می‌کنند.

LangChain با ارائه ابزارهای آماده برای پردازش اسناد و آزمایش خطوط لوله، زمان توسعه را کاهش داد. همچنین وودافون را قادر ساخت تا عملکرد LLM را به طور موثر در خطوط لوله مختلف محک بزند.

آنتونینو آرتاله، مدیر ارشد راهکارهای ابری، سازماندهی و هوش می‌گوید: «ما بیش از یک سال است که از اجزای LangChain استفاده می‌کنیم.» «این یک توانمندساز حیاتی برای انتقال ما از آزمایش منبع باز به سیستم‌های هوش مصنوعی درجه تولید بوده است.»

همانطور که وودافون قابلیت‌های GenAI خود را مقیاس‌بندی کرد، تیم‌های این شرکت برای پیاده‌سازی معماری چندعاملی و ساخت سیستم‌های هوش مصنوعی پیچیده‌تر، به LangGraph روی آوردند. انعطاف‌پذیری و تمرکز LangGraph بر چارچوب‌های عامل قابل کنترل به تیم این امکان را داد تا فراتر از عوامل ساده حرکت کند و گردش‌های کاری پیچیده با هماهنگی بین عاملی را توسعه دهد.

تیم وودافون از LangGraph برای موارد زیر استفاده کرد:

• طراحی عامل ماژولار: وودافون از LangGraph برای ساخت عوامل ماژولار به عنوان زیرگراف استفاده کرد که هر کدام ابزارهای خاصی دارند که مسئول یک کار خاص هستند. این معماری افزودن قابلیت‌های جدید مانند ماژول‌های جمع‌آوری داده، ماژول‌های پردازش، مولدهای گزارش و استدلال پیشرفته با استفاده از خطوط لوله RAG را بدون طراحی مجدد کل سیستم آسان کرد.
• ادغام API: توانایی استقرار سریع APIها با LangGraph از ادغام یکپارچه در اکوسیستم گسترده‌تر وودافون اطمینان حاصل کرد و به عوامل هوش مصنوعی اجازه داد تا به صورت پویا ابزارهای خود را بر اساس الگوهای معماری رویداد محور سازماندهی کنند.
• عملکرد عامل قابل اعتماد: ابزارهای اعتبارسنجی LangGraph به وودافون کمک کرد تا گردش‌های کاری چندعاملی را آزمایش کند و از عملکرد سازگار از طریق اعتبارسنجی حالات مختلف گردش کار، تأیید اتصالات گره و اندازه‌گیری تأخیر گره اطمینان حاصل کند.

یک مثال از ارزش LangGraph نقش آن در پیکربندی گردش‌های کاری چندعاملی برای موتور بینش چندعاملی و Enigma است. LangGraph پس از درخواست کاربر قرار می‌گیرد، جایی که هدف از درخواست کاربر را درک می‌کند و درخواست را به زنجیره مناسب سازماندهی می‌کند.

در مورد Enigma، اگر پرس و جو مربوط به خلاصه‌سازی سند باشد، عامل درخواست را به زنجیره مناسب هدایت می‌کند. به نوبه خود، این زنجیره زمینه مربوطه را از DB چند برداری واکشی می‌کند و پاسخ خلاصه پایه را به کاربر ارائه می‌دهد.

در مورد موتور بینش، اگر پرس و جو مربوط به داده‌های موجودی باشد، عامل درخواست را به یک زنجیره NL2SQL هدایت می‌کند که پرس و جو NL را به یک پرس و جو SQL تبدیل می‌کند و پاسخ را به عامل برمی‌گرداند. سپس عامل درخواست را به زنجیره پردازش پرس و جو دیگری ارسال می‌کند که از DB موجودی پرس و جو می‌کند، نتیجه را دریافت می‌کند و سپس اطلاعات را به یک LLM منتقل می‌کند تا نمودارها و نمودارها را بر اساس پاسخ پرس و جو ایجاد کند.

به طور خلاصه، LangGraph هر دو گردش کار چندعاملی را برای تیم وودافون تقویت کرد:

• Enigma | این عامل به طور یکپارچه با Knowledge Hub ادغام می‌شود. از یک پایگاه داده برداری استفاده می‌کند که بازیابی سریع‌تر و دقیق‌تر زمینه را در بین اسناد امکان‌پذیر می‌کند، زمینه بیشتری را برای LLM فراهم می‌کند و به آن اجازه می‌دهد تا پاسخ‌های آگاهانه‌تر و دقیق‌تری ارائه دهد.
• موتور بینش | این عامل تبدیل پرس و جو یکپارچه را انجام می‌دهد و بدون زحمت پرس و جوهای زبان طبیعی را به قالب‌های ساختاریافته مانند SQL، NoSQL و سایر خدمات تبدیل می‌کند. همچنین با دسترسی سریع به معیارهای عملکرد مرکز داده، موجودی و ناهنجاری‌های شناسایی شده با استفاده از تکنیک‌های پیشرفته یادگیری ماشین، از بازیابی کارآمد داده‌ها اطمینان حاصل می‌کند. علاوه بر این، نتایج را به عامل دیگری منتقل می‌کند که مسئول تولید تصاویر سفارشی است.

LangSmith یک راه‌حل همه کاره برای کل چرخه عمر برنامه، از جمله اشکال‌زدایی، ارزیابی و ردیابی عملکرد ارائه می‌دهد. این امر آن را به ویژه برای برنامه‌های کاربردی در مقیاس بزرگ و آماده تولید مفید می‌سازد و امکان بینش بهتر در مورد عملکردهای داخلی LLM را فراهم می‌کند.

علاوه بر این، LangSmith از همکاری بین توسعه‌دهندگان و کارشناسان موضوعی پشتیبانی می‌کند و اطمینان می‌دهد که برنامه‌ها نه تنها کاربردی هستند، بلکه با نیازهای کاربر نیز همسو هستند. LangSmith با ادغام یکپارچه با گردش‌های کاری موجود، تیم‌ها را قادر می‌سازد تا به سرعت و به طور موثر تکرار کنند و در نهایت منجر به راه‌حل‌های هوش مصنوعی قابل اعتمادتر و قوی‌تر شوند.

ودافون با LangChain، LangGraph و LangSmith با موفقیت راهکارهای پیشرفته مبتنی بر هوش مصنوعی را به تیم‌های مهندسی و عملیاتی خود ارائه کرده است. این ابزارها موارد زیر را امکان‌پذیر کرده‌اند:

• کاهش زمان بینش برای مسائل زیرساختی حیاتی.
• مقیاس‌پذیری پیشرفته با طرح‌های عامل ماژولار و ادغام شده با API.
• سیستم‌های ضد آینده که به راحتی می‌توانند حوزه‌ها و منابع داده جدید را در خود جای دهند.

با نگاهی به آینده، وودافون قصد دارد خط لوله GenAI خود را به دریاچه‌های داده اضافی گسترش دهد، سیستم‌های چندعاملی پیچیده‌تری بسازد و فرآیندهای محک زدن خود را برای طیف گسترده‌تری از برنامه‌های هوش مصنوعی اصلاح کند.