#Artificial Intelligence (AI)

大家好！

InterSystems Grand Prix 2023 结合了 InterSystems IRIS 数据平台的所有主要功能！

因此，我们邀请您使用以下功能并收集额外的技术奖励，以帮助您赢得奖品！

如下：

• LLM AI 或 LangChain 用法：Chat GPT、Bard 等 - 6
• InterSystems FHIR SQL Builder- 5
• InterSystems FHIR-3
• IntegratedML - 4
• Native API - 3
• 嵌入式 Python - 4
• 互操作性 - 3
• 生产扩展（PEX）- 2
• 自适应分析 (AtScale) Cube的使用 - 3
• Tableau、PowerBI、Logi 的使用 - 3
• InterSystems IRIS BI - 3
• 列索引使用 - 1
• Docker 容器使用 - 2
• ZPM 包部署 - 2
• 在线演示 - 2
• 单元测试 - 2
• 实施 InterSystems Community Idea中的创意 - 4
• 在开发者社区发布的第一篇文章 - 2
• 在开发者社区发布的第二篇文章 - 1
• 代码质量通过 - 1
• 第一次贡献 - 3
• YouTube 上的视频 - 3

AI届的没有免费午餐（No Free Lunch）理论：如果平均到所有问题的话，所有算法是等价的。换句话说，没有单一的“最优”算法。（详细概念请自行搜索）

所以需要对任何特定数据集/问题测试很多不同算法，没有办法能够提前知道哪种算法是最优的。

因此，自动化机器学习帮助用户用多种自动化的用多种主流算法来进行测试，用户能从中选出最优的结果。

亲爱的社区开发者们，大家好！

我们真诚邀请您参加 Online Meetup：InterSystems 开发者竞赛（人工智能与机器学习）!

时间: 2021年7月30日（周五） 11:00 AM （美东时间）23:00 （北京时间）

在这场在线Meetup，您将了解到：

• 此次优胜者的个人履历；
• 获奖Application的简短Demo；
• 有关应用技术的开放探讨、问答，以及下次竞赛的一些计划。

人工智能不仅限于通过带有说明的文本生成图像，或通过简单的指示创建叙事。
您还可以制作图片的变体，或为已有图片添加特殊背景。
此外，您还可以获得音频转录，无论其语言和说话者的语速如何。
让我们来分析一下文件管理是如何工作的。

大型语言模型（例如 OpenAI 的 GPT-4）的发明和普及掀起了一波创新解决方案浪潮，这些解决方案可以利用大量非结构化数据，在此之前，人工处理这些数据是不切实际的，甚至是不可能的。此类应用程序可能包括数据检索（请参阅 Don Woodlock 的 ML301 课程，了解检索增强生成的精彩介绍）、情感分析，甚至完全自主的 AI 代理等！

在本文中，我想演示如何使用 IRIS 的嵌入式 Python 功能直接与 Python OpenAI 库交互，方法是构建一个简单的数据标记应用程序，该应用程序将自动为我们插入IRIS 表中的记录分配关键字。然后，这些关键字可用于搜索和分类数据，以及用于数据分析目的。我将使用客户对产品的评论作为示例用例。

社区朋友们好，

传统的基于关键词的搜索方式在处理具有细微差别的领域特定查询时往往力不从心。而向量搜索则通过语义理解能力，使AI智能体能够根据上下文（而非仅凭关键词）来检索信息并生成响应。

本文将通过逐步指导，带您创建一个具备代理能力的AI RAG（检索增强生成）应用程序。

实现步骤:

1. 添加文档摄取功能：
   • 自动获取并建立文档索引（例如《InterSystems IRIS 2025.1版本说明》）
   • 实现向量搜索功能
2. 构建向量搜索智能体
3. 移交至主智能体（分流处理）
4. 运行智能体

1. Create Agent Tools 添加文档摄取功能

Implement Document Ingestion: Automated ingestion and indexing of documents

1.1 - 以下是实现文档摄取工具的代码：

    def ingestDoc(self):
        #Check if document is defined, by selecting from table
        #If not defined then INGEST document, Otherwise back
        embeddings = OpenAIEmbeddings()	
        #Load the document based on the fle type
        loader = TextLoader("/irisdev/app/docs/IRIS2025-1-Release-Notes.txt", encoding='utf-8')      
        
        documents = loader.load()        
        text_splitter = RecursiveCharacterTextSplitter(chunk_size=400, chunk_overlap=0)
        
        texts = text_splitter.split_documents(documents)
                       
        #COLLECTION_NAME = "rag_document"
        db = IRISVector.from_documents(
            embedding=embeddings,
            documents=texts,
            collection_name = self.COLLECTION_NAME,
            connection_string=self.CONNECTION_STRING,
        )

        db = IRISVector.from_documents(embedding=embeddings,documents=texts, collection_name = self.COLLECTION_NAME, connection_string=self.CONNECTION_STRING,)

向量搜索智能体（Vector Search Agent）能够自动完成文档的摄取（ingest）与索引构建（index）， 该新功能在InterSystems IRIS 2025.1的数据资源文件夹里） 至 IRIS 向量存储， 只有当数据尚未存在时，才执行该操作。

运行以下查询以从向量存储中获取所需数据：

SELECT
id, embedding, document, metadata
FROM SQLUser.AgenticAIRAG

1.2 - 实现向量搜索功能

以下代码为智能体提供了搜索能力：

 def ragSearch(self,prompt):
        #Check if collections are defined or ingested done.
        # if not then call ingest method
        embeddings = OpenAIEmbeddings()	
        db2 = IRISVector (
            embedding_function=embeddings,    
            collection_name=self.COLLECTION_NAME,
            connection_string=self.CONNECTION_STRING,
        )
        docs_with_score = db2.similarity_search_with_score(prompt)
        relevant_docs = ["".join(str(doc.page_content)) + " " for doc, _ in docs_with_score]
        
        #Generate Template
        template = f"""
        Prompt: {prompt}
        Relevant Docuemnts: {relevant_docs}
        """
        return template

分流代理处理传入的用户查询，并将其委托给矢量搜索代理，后者执行语义搜索操作，以检索最相关的信息。