ಜನರಟಿವ್ ಎಐಗೆ ಪರಿಚಯ - ಜಾವಾ ಆವೃತ್ತಿ

July 2, 2026 · View on GitHub

ನೀವೇನು ಕಲಿಸುವಿರಿ

ಜನರಟಿವ್ ಎಐ ಮೂಲತತ್ತ್ವಗಳು ಇದರಲ್ಲಿ LLM ಗಳು, ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್, ಟೋಕನ್ ಗಳು, ಎಂಬೆಡಿಂಗ್ ಗಳು ಮತ್ತು ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ ಗಳು ಸೇರಿವೆ
ಜಾವಾ ಎಐ ಅಭಿವೃದ್ಧಿ ಸಾಧನಗಳನ್ನು ಹೋಲಿಕೆ ಇದರಲ್ಲಿ Azure OpenAI SDK, Spring AI, ಮತ್ತು OpenAI ಜಾವಾ SDK ಸೇರಿವೆ
ಮಾಡೆಲ್ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ಪ್ರೋಟೋಕಾಲ್ ಮತ್ತು ಅದರ ಎಐ ಏಜೆಂಟ್ ಸಂವಹನದಲ್ಲಿ ಪಾತ್ರವನ್ನು ಅನ್ವೇಷಿಸಿರಿ

ವಿಷಯಗಳ ಪಟ್ಟಿ

ಪರಿಚಯ
ಜನರಟಿವ್ ಎಐ ತತ್ವಗಳ ತ್ವರಿತ ಪುನಶ್ಚೇತನ
ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ಸಮೀಕ್ಷೆ
ಟೋಕನ್ ಗಳು, ಎಂಬೆಡಿಂಗ್ ಗಳು ಮತ್ತು ಏಜೆಂಟ್ ಗಳು
ಜಾವಾ සඳහා ಎಐ ಅಭಿವೃದ್ಧಿ ಸಾಧನಗಳು ಮತ್ತು ಗ್ರಂಥಾಲಯಗಳು
ಸಾರಾಂಶ
ಮುಂದಿನ ಹಂತಗಳು

ಪರಿಚಯ

ಜನರಟಿವ್ ಎಐ ಸೂತ್ರಧಾರರಿಗಾಗಿ - ಜಾವಾ ಆವೃತ್ತಿಯ ಮೊದಲ ಅಧ್ಯಾಯಕ್ಕೆ ಸ್ವಾಗತ! ಈ ಮೌಲಿಕ ಪಾಠವು ನಿಮಗೆ ಜನರಟಿವ್ ಎಐ ಮೂಲತತ್ತ್ವಗಳ ಬಗ್ಗೆ ಪರಿಚಯ ನೀಡುತ್ತದೆ ಮತ್ತು ಅವುಗಳೊಂದಿಗೆ ಜಾವಾ ಬಳಸಿ ಹೇಗೆ ಕೆಲಸ ಮಾಡುವುದು ಎಂಬುದನ್ನು ಪರಿಚಯಿಸುತ್ತದೆ. ನೀವು ಎಐ ಅನ್ವಯಿಕೆಗಳ ಅವಶ್ಯಕ ಕಟ್ಟಡಭಾಗಗಳನ್ನು ತಿಳಿಯುತ್ತೀರಿ, ಇದರಲ್ಲಿ ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾದರಿಗಳು (LLMs), ಟೋಕನ್ ಗಳು, ಎಂಬೆಡಿಂಗ್ ಗಳು ಮತ್ತು ಎಐ ಏಜೆಂಟ್ ಗಳು ಸೇರಿವೆ. ನಾವು ಈ ಪಾಠದಾದ್ಯಾಂತ ಬಳಸುವ ಪ್ರಮುಖ ಜಾವಾ ಸಾಧನಗಳನ್ನು ಕೂಡ ಅನ್ವೇಷಿಸುತ್ತೇವೆ.

ಜನರಟಿವ್ ಎಐ ತತ್ವಗಳ ತ್ವರಿತ ಪುನಶ್ಚೇತನ

ಜನರಟಿವ್ ಎಐ ಎಂಬುದು ಡೇಟಾದಿಂದ ಕಲಿತ ಮಾದರಿಗಳು ಪ್ರಕಾರ ನವೀನ ವಿಷಯಗಳನ್ನು ನಿರ್ಮಿಸುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಒಂದು ಪ್ರಕಾರ, ಉದಾಹರಣೆಗೆ ಪಠ್ಯ, ಚಿತ್ರಗಳು ಅಥವಾ ಕೋಡ್. ಜನರಟಿವ್ ಎಐ ಮಾದರಿಗಳು ಮಾನವರಂತೆ ಪ್ರತಿಕ್ರಿಯೆ ನೀಡಬಹುದು, ಪ್ರಸ್ಥಿತಿಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ಕೆಲವೇಳೆ ಮಾನವರಂತೆಯೇ ವಿಷಯ ಸೃಷ್ಟಿಸಬಹುದು.

ನೀವು ನಿಮ್ಮ ಜಾವಾ ಎಐ ಅನ್ವಯಿಕೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಾಗ, ನೀವು ಜನರಟಿವ್ ಎಐ ಮಾದರಿಗಳೊಂದಿಗೆ ವಿಷಯವನ್ನು ನಿರ್ಮಿಸುವಿರಿ. ಜನರಟಿವ್ ಎಐ ಮಾದರಿಗಳ ಕೆಲವು ಸಾಮರ್ಥ್ಯಗಳು ಇವೆ:

ಪಠ್ಯ ಉತ್ಪಾದನೆ: ಚಾಟ್‌ಬಾಟ್‌ಗಳಿಗೆ, ವಿಷಯಕ್ಕೆ ಮತ್ತು ಪಠ್ಯ ಪೂರ್ಣಗೊಳಿಸಲು ಮಾನವರಂತೆ ಪಠ್ಯ ರಚಿಸುವುದು.
ಚಿತ್ರ ಉತ್ಪಾದನೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ: ನೈಜತಥ್ಯಚಿತ್ರಗಳು ನಿರ್ಮಿಸುವುದು, ಫೋಟೋಗಳನ್ನು ಸುಧಾರಿಸುವುದು ಮತ್ತು ವಸ್ತುಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು.
ಕೋಡ್ ಉತ್ಪಾದನೆ: ಕೋಡ್ ತುಂಡುಗಳು ಅಥವಾ ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು ಬರೆಯುವುದು.

ವಿಭಿನ್ನ ಕೆಲಸಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗುವ ವಿಭಿನ್ನ ಮಾದರಿಗಳಿರುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, ಸಣ್ಣ ಭಾಷಾ ಮಾದರಿಗಳು (SLMs) ಮತ್ತು ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾದರಿಗಳು (LLMs) ಎರಡೂ ಪಠ್ಯ ಉತ್ಪಾದನೆಗೆ ಬಳಸಬಹುದು, ಆದರೆ ಕ್ಲಿಷ್ಟ ಕಾರ್ಯಗಳಿಗೆ ಸಾಮಾನ್ಯವಾಗಿ LLMಗಳು ಉತ್ತಮ ಪ್ರದರ್ಶನ ನೀಡುತ್ತವೆ. ಚಿತ್ರ ಸಂಬಂಧಿತ ಕಾರ್ಯಗಳಿಗೆ ವಿಶೇಶ ದೃಷ್ಟಿ ಮಾದರಿಗಳು ಅಥವಾ ಬಹುಮಾಧ್ಯಮ ಮಾದರಿಗಳನ್ನು ಬಳಕೆ ಮಾಡಬಹುದು.

Figure: Generative AI model types and use cases.

ನೆರಳೆಯಾಗಿ, ಈ ಮಾದರಿಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಎಲ್ಲಾ ಸಮಯದಲ್ಲಿಯೂ ಪರಿಪೂರ್ಣವಾಗುವುದಿಲ್ಲ. ನೀವು ಬಹುಶಃ "ಹಲ್ಯುಸಿನೇಷನ್" ಅಥವಾ ಮಾದರಿಗಳು ತಪ್ಪು ಮಾಹಿತಿಯನ್ನು ಅಧಿಕಾರೀಕೃತ ರೀತಿಯಲ್ಲಿ ಉತ್ಪತ್ತಿಮಾಡುತ್ತವೆ ಎಂದು ಕೇಳಿರಬಹುದು. ಆದರೆ ನೀವು ಮಾದರಿಯನ್ನು ಉತ್ತಮ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗೆ ಮಾರ್ಗದರ್ಶನ ಮಾಡಬಹುದು ಸ್ಪಷ್ಟ ನಿರ್ದೇಶನಗಳು ಮತ್ತು ಪ್ರಸ್ಥಿತಿಯನ್ನು ಒದಗಿಸುವ ಮೂಲಕ. ಇದನ್ನೇ ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ಅಂದರೆ.

ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ ಸಮೀಕ್ಷೆ

ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್란 ಎಐ ಮಾದರಿಗಳನ್ನು ಬಯಸಲಾದ_Output_ಗಳ ಕಡೆಗೆ ಮಾರ್ಗದರ್ಶನ ಮಾಡಲು ಪರಿಣಾಮಕಾರಿ ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಅಭ್ಯಾಸ. ಇದು ಸೇರಿದೆ:

स्पಷ್ಟತೆ: ನಿರ್ದೇಶನಗಳನ್ನು ಸ್ಪಷ್ಟ ಮತ್ತು ಅಸಂಶಯವಾಗಿರಿಸುವುದು.
ಪ್ರಸ್ಥಿತಿ: ಅಗತ್ಯ ಹಿನ್ನೆಲೆ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುವುದು.
ನಿಯಮಗಳು: ಯಾವುದೇ ನಿರ್ಬಂಧಗಳು ಅಥವಾ ಸ್ವರೂಪಗಳನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸುವುದು.

ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್‌ನ ಕೆಲವು ಉತ್ತಮ ಅಭ್ಯಾಸಗಳಲ್ಲಿ ಪ್ರಾಂಪ್ಟ್ ವಿನ್ಯಾಸ, ಸ್ಪಷ್ಟ ನಿರ್ದೇಶನಗಳು, ಕಾರ್ಯ ವಿಭಜನೆ, ಒಂದು-ಶುಟ್ ಮತ್ತು ಸ್ವಲ್ಪ-ಶುಟ್ ಕಲಿಕೆ, ಮತ್ತು ಪ್ರಾಂಪ್ಟ್ ಟ್ಯೂನಿಂಗ್ ಸೇರಿವೆ. ವಿಭಿನ್ನ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು ನಿಮ್ಮ ವಿಶೇಷ ಉಪಯೋಗ ಪ್ರಕರಣಕ್ಕೆ ಯಾವುದು ಉತ್ತಮವೋ ಕಂಡುಹಿಡಿಯಲು ಅವಶ್ಯಕ.

ಅನ್ವಯಿಕೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವಾಗ, ನೀವು ಬೇರೆ ಬೇರೆ ಪ್ರಾಂಪ್ಟ್ ಪ್ರಕಾರಗಳನ್ನು ಬಳಸುತ್ತೀರಿ:

ಸಿಸ್ಟಂ ಪ್ರಾಂಪ್ಟ್‌ಗಳು: ಮಾದರಿಯ ವರ್ತನೆಗೆ ಮೂಲ ನಿಯಮಗಳು ಮತ್ತು ಪ್ರಸ್ಥಿತಿಯನ್ನು ಹೊಂದಿಸುವುದು
ಬಳಕೆದಾರ ಪ್ರಾಂಪ್ಟ್‌ಗಳು: ನಿಮ್ಮ ಅನ್ವಯಿಕೆಯ ಬಳಕೆದಾರರಿಂದ ಪಡೆದ ಇನ್‌ಪುಟ್ ಡೇಟಾ
ಸಹಾಯಕ ಪ್ರಾಂಪ್ಟ್‌ಗಳು: ಸಿಸ್ಟಂ ಮತ್ತು ಬಳಕೆದಾರ ಪ್ರಾಂಪ್ಟ್‌ಗಳ ಆಧಾರದ ಮೇಲೆ ಮಾದರಿಯ ಪ್ರತಿಕ್ರಿಯೆಗಳು

ಹೆಚ್ಚು ತಿಳಿದುಕೊಳ್ಳಿ: ಜನರಟಿವ್ ಎಐ ಹೋಗು ಕಲಿಕೆ ಕೋರ್ಸ್‌ನ 04-ಪ್ರಾಂಪ್ಟ್ ಎಂಜಿನಿಯರಿಂಗ್ ಅಧ್ಯಾಯದಲ್ಲಿ ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್ನ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು ಕಲಿಯಿರಿ.

ಟೋಕನ್ ಗಳು, ಎಂಬೆಡಿಂಗ್ ಗಳು ಮತ್ತು ಏಜೆಂಟ್ ಗಳು

ಜನರಟಿವ್ ಎಐ ಮಾದರಿಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ, ನೀವು ಟೋಕನ್ ಗಳು, ಎಂಬೆಡಿಂಗ್ ಗಳು, ಏಜೆಂಟ್ ಗಳು, ಮತ್ತು ಮಾಡೆಲ್ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ಪ್ರೋಟೋಕಾಲ್ (MCP) ಎಂಬ ಪದಗಳನ್ನು ನೋಡುತ್ತೀರಿ. ಈ ತತ್ತ್ವಗಳ ವಿವರ ಇಲ್ಲಿದೆ:

ಟೋಕನ್ ಗಳು: ಟೋಕನ್ ಗಳು ಮಾದರಿಯಲ್ಲಿ ಪಠ್ಯದ ಅತ್ಯಂತ ಸಣ್ಣ ಘಟಕಗಳು. ಅವು ಪದಗಳು, ಅಕ್ಷರಗಳು ಅಥವಾ ಉಪಪದಗಳಾಗಿರಬಹುದು. ಟೋಕನ್ಗಳು ಪಠ್ಯ ಡೇಟಾವನ್ನು ಮಾದರಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಲ್ಲ ವಿನ್ಯಾಸದಲ್ಲಿ ಪ್ರತಿನಿಧಿಸಲು ಬಳಸಲ್ಪಡುತ್ತವೆ. ಉದಾಹರಣೆಗೆ, "The quick brown fox jumped over the lazy dog" ಎಂಬ ವಾಕ್ಯವನ್ನು ಟೋಕನ್ ಮಾಡಬೇಕಾದರೆ ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] ಅಥವಾ ಹೊಸ ಟೋಕನೀಕರಣ ತಂತ್ರಗಳನ್ನು ಅನುಸರಿಸಿದರೆ ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] ಎಂದು ಬಿದ್ದುಕೊಳ್ಳಬಹುದು.

Figure: Generative AI tokens example of breaking words into tokens

ಟೋಕನೀಕರಣ ಎಂಬುದು ಪಠ್ಯವನ್ನು ಈ ಸಣ್ಣ ಘಟಕಗಳಾಗಿ ವಿಭಜಿಸುವ ಪ್ರಕ್ರಿಯೆ. ಇದು ಬಹಳ ಮುಖ್ಯ, ಏಕೆಂದರೆ ಮಾದರಿಗಳು ಕಚ್ಚಾ ಪಠ್ಯದ ಮೇಲೆ ಅಲ್ಲ, ಟೋಕನ್‌ಗಳ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿನ ಟೋಕನ್‌ಗಳ ಸಂಖ್ಯೆ ಮಾದರಿಯ ಪ್ರತಿಕ್ರಿಯೆಯ ಉದ್ದ ಮತ್ತು ಗುಣಮಟ್ಟವನ್ನು ಪ್ರಭಾವಿಸುತ್ತದೆ, ಏಕೆಂದರೆ ಮಾದರಿಗಳಿಗೆ ಅವರ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ವಿಂಡೋ (ಉದಾಹರಣೆಗೆ, GPT-4o ಗೆ 128K ಟೋಕನ್‌ಗಳು) ಗಾಗಿ ಟೋಕನ್ ಮಿತಿ ಇರುತ್ತದೆ.

ಜಾವಾದಲ್ಲಿ, OpenAI SDK ಮುಂತಾದ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಬಳಸಿ ಆ್ಯಐ ಮಾದರಿಗಳಿಗೆ ವಿನಂತಿಗಳನ್ನು ಕಳುಹಿಸುವಾಗ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಟೋಕನೀಕರಣವನ್ನು ನಿರ್ವಹಿಸಬಹುದು.

ಎಂಬೆಡಿಂಗ್ ಗಳು: ಎಂಬೆಡಿಂಗ್ ಗಳು ಟೋಕನ್‌ಗಳ ವ್ಹೆಕ್ಟರ್ ಪ್ರತಿನಿಧಿಸುವಿಕೆಗಳು, ಅವು ಸಗಟು ಅರ್ಥವನ್ನು ಹಿಡಿದಿಡುತ್ತವೆ. ಅವು ಸಂಖ್ಯಾತ್ಮಕ (ಸಾಧಾರಣವಾಗಿ ಫ್ಲೋಯಿಂಗ್-ಪಾಯಿಂಟ್ ಸಂಖ್ಯೆಗಳ ಸರಣಿಗಳು) ಇದ್ದು, ಮಾದರಿಗಳಿಗೆ ಪದಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಸಾಂದರ್ಭಿಕವಾಗಿ ಸಂಬಂಧಿಸಿದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸಹಾಯಮಾಡುತ್ತವೆ. ಸಮಾನ ಅರ್ಥದ ಪದಗಳು ಸಮಾನ ಎಂಬೆಡಿಂಗ್‌ಗಳನ್ನು ಹೊಂದಿರುತ್ತವೆ, ಇದು ಮಾದರಿಗೆ ವ್ಯತ್ಯಾಸಪದಗಳೂ ಮತ್ತು ಅರ್ಥಾತ್ಮಕ ಸಂಬಂಧಗಳೂ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

Figure: Embeddings

ಜಾವಾದಲ್ಲಿ, OpenAI SDK ಅಥವಾ ಇತರ ಎಂಬೆಡಿಂಗ್ ಉತ್ಪಾದನೆಗೆ ಬೆಂಬಲ ನೀಡುವ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಉಪಯೋಗಿಸಿ ಎಂಬೆಡಿಂಗ್‌ಗಳನ್ನು ರಚಿಸಬಹುದು. ಈ ಎಂಬೆಡಿಂಗ್‌ಗಳು ವಿಶೇಷವಾಗಿ ಅರ್ಥ ಪೂರಕ ಶೋಧದಂತಹ ಕಾರ್ಯಗಳಿಗೆ ಅವಶ್ಯಕ, ಅಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ಪಠ್ಯದ ಸರಿಯಾದ ಅನುಕೂಲ್ಯದ ಬದಲು ಅರ್ಥದಿಂದ ಹೊಂದಾಣಿಕೆಯ ವಿಷಯವನ್ನು ಹುಡುಕುವುದು ಮುಖ್ಯ.

ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ ಗಳು: ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ ಗಳು ಎಂಬೆಡಿಂಗ್‌ಗಳಿಗೆ ಸೂಕ್ತವಾಗಿರುವ ಸಂಗ್ರಹಣಾ ವ್ಯವಸ್ಥೆಗಳು. ಅವು ಸಮನ್ವಯ ಶೋಧವನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡುತ್ತವೆ ಮತ್ತು Retrieval-Augmented Generation (RAG) ಮಾದರಿಗಳಲ್ಲಿ ಬಹುತೇಕ ಉಪಯೋಗವಾಗುತ್ತವೆ, ಇಲ್ಲಿ ನೀವು ಅರ್ಥಾಧಾರಿತ ಸಮಾನತೆಯನ್ನು ಆಧರಿಸಿ ಬಹುಮಟ್ಟದ ಡೇಟಾಬೇಸ್‌ಗಳಿಂದ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಹುಡುಕಬಹುದು.

Figure: Vector database architecture showing how embeddings are stored and retrieved for similarity search.

ಸೂಚನೆ: ಈ ಪಾಠದಲ್ಲಿ, ನಾವು ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ ಗಳನ್ನು ಮುಚ್ಚುವುದಿಲ್ಲ, ಆದರೆ ಅವುಗಳನ್ನು ಉದಾಹರಿಸಲು ಇದು ಯಥಾರ್ಥ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ ಎಂದು ತಿಳಿದುಕೊಳ್ಳಿ.

ಏಜೆಂಟ್ ಗಳು ಮತ್ತು MCP: ಮಾದರಿಗಳು, ಸಾಧನಗಳು ಮತ್ತು ಬಾಹ್ಯ ವ್ಯವಸ್ಥೆಗಳೊಂದಿಗೆ ಸ್ವಾಯತ್ತವಾಗಿ ಸಂವಹನ ಮಾಡುವ ಎಐ компонೆಂಟ್ ಗಳು. ಮನ ಮಾಡೆಲ್ ಕಾನ್ಟೆಕ್ಸ್ಟ್ ಪ್ರೋಟೋಕಾಲ್ (MCP) ಏಜೆಂಟ್ ಗಳಿಗೆ ಬಾಹ್ಯ ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು ಸಾಧನಗಳ ಸುರಕ್ಷಿತ ಪ್ರವೇಶಕ್ಕೆ ಸ್ಥಿರೀಕೃತ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಮ್ಮ MCP for Beginners ಪಾಠದಲ್ಲಿ ಇನ್ನಷ್ಟು ತಿಳಿಯಿರಿ.

ಜಾವಾ ಎಐ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ, ನೀವು ಪಠ್ಯ ಸಂಸ್ಕರಣೆಗೆ ಟೋಕನ್ ಗಳು, ಅರ್ಥಾಧಾರಿತ ಶೋಧ ಮತ್ತು RAGಗೆ ಎಂಬೆಡಿಂಗ್ ಗಳು, ಡೇಟಾ ಪಡೆಯಲು ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ ಗಳು, ಮತ್ತು ಬುದ್ಧಿವಂತ, ಸಾಧನ ಬಳಕೆ ಮಾಡುವ ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸಲು MCP ರೊಂದಿಗೆ ಏಜೆಂಟ್ ಗಳನ್ನು ಬಳಸುತ್ತೀರಿ.

Figure: how a prompt becomes a reply—tokens, vectors, optional RAG lookup, LLM thinking, and an MCP agent all in one quick flow..

ಜಾವಾ ಭಾಷೆಯ ಎಐ ಅಭಿವೃದ್ಧಿ ಸಾಧನಗಳು ಮತ್ತು ಗ್ರಂಥಾಲಯಗಳು

ಜಾವಾ ಎಐ ಅಭಿವೃದ್ಧಿಗೆ ಅತ್ಯುತ್ತಮ ಸಾಧನಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಈ ಪಾಠದಲ್ಲಿ ನಾವು ಮೂರು ಮುಖ್ಯ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಅನ್ವೇಷಿಸುವೆವು - OpenAI ಜಾವಾ SDK, Azure OpenAI SDK, ಮತ್ತು Spring AI.

ಪ್ರತಿ ಅಧ್ಯಾಯದಲ್ಲಿ ಯಾವ SDK ಬಳಸಿದೆಯೋ ತೋರಿಸುವ ಟೇಬಲ್ ಇಲ್ಲಿದೆ:

ಅಧ್ಯಾಯ	ಮಾದರಿ	SDK
02-SetupDevEnvironment	basic-chat-azure	Spring AI Azure OpenAI
03-CoreGenerativeAITechniques	examples	Azure OpenAI SDK
04-PracticalSamples	petstory	OpenAI Java SDK
04-PracticalSamples	foundrylocal	OpenAI Java SDK
04-PracticalSamples	calculator	Spring AI MCP SDK + LangChain4j

SDK ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಲಿಂಕ್ಸ್:

OpenAI ಜಾವಾ SDK

OpenAI SDK ಎಂದರೆ OpenAI APIಗಾಗಿ ಅಧಿಕೃತ ಜಾವಾ ಗ್ರಂಥಾಲಯ. ಇದು OpenAI ಮಾದರಿಗಳೊಂದಿಗೆ ಸಂವಹನಕ್ಕೆ ಸರಳ ಮತ್ತು ಅಸ್ಥಿರ ರೇಖೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದರಿಂದ ಜಾವಾ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಎಐ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಸುಲಭವಾಗಿ ಸೇರಿಸಬಹುದಾಗುತ್ತದೆ. ಅಧ್ಯಾಯ 4 ರ Pet Story ಅನ್ವಯಿಕೆ ಮತ್ತು Foundry Local ಮಾದರಿಗಳು OpenAI SDK ಬಳಕೆ ಬಗ್ಗೆ ತೋರಿಸುತ್ತವೆ, Azure AI Foundry ಇತ್ತೀಚಿನ ಬಳಕೆಯೊಂದಿಗೆ.

Spring AI

Spring AI ಎಂಬುದು Spring ಅನ್ವಯಿಕೆಗಳಿಗೆ ಎಐ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ತಂದ ಸಮಗ್ರ ಫ್ರೇಮ್ವರ್ಕ್, ವಿಭಿನ್ನ ಎಐ ಒದಗಿಸುವವರ ನಡುವೆ ಒಂದೇ abstraction ವಲಯವನ್ನು ಒದಗಿಸುವುದು. ಇದು Spring ಪರಿಸರದೊಂದಿಗೆ ಸತತವಾಗಿ ಸಂಯೋಜನೆಯಾಗುತ್ತದೆ, ಇದರಿಂದ ಉದ್ಯಮದ ಜಾವಾ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಉತ್ತಮ ಆಯ್ಕೆಯಾಗಿದೆ, ಮತ್ತು ಅವುಗಳಿಗೆ ಎಐ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಅಗತ್ಯವಿರುತ್ತದೆ.

Spring AI ಶಕ್ತಿ ಅದರ Spring ಪರಿಸರದೊಂದಿಗೆ ನಿರಂತರ ಸಂಯೋಜನೆಯಲ್ಲಿ ಇದೆ, ಇದು Dependency Injection, ಕಾನ್ಫಿಗರೇಶನ್ ನಿರ್ವಹಣೆ, ಮತ್ತು ಪರೀಕ್ಷಾ ಫ್ರೇಮ್ವರ್ಕ್ ಗಳಂತೆ ಪರಿಚಿತ Spring ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಉತ್ಪಾದನಾ ಸಿದ್ಧ ಎಐ ಅಪ್ಲಿಕೇಶನ್‍ಗಳನ್ನು ಸುಲಭವಾಗಿ ನಿರ್ಮಿಸಲು ಸಹಾಯಮಾಡುತ್ತದೆ. ನೀವು ಅಧ್ಯಾಯ 2 ಮತ್ತು 4 ರಲ್ಲಿ Spring AI ಬಳಸಿ OpenAI ಮತ್ತು Model Context Protocol (MCP) Spring AI ಗ್ರಂಥಾಲಯಗಳನ್ನು ಎರಡನ್ನೂ ಉಪಯೋಗಿಸುವ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಮಾಡುತ್ತೀರಿ.

Model Context Protocol (MCP)

Model Context Protocol (MCP) ಎಂಬುದು ವೃದ್ಧಿಸುತ್ತಿರುವ ಮಾನ್ಯತೆ ಹೊಂದಿರುವ ಸ್ಟಾಂಡರ್ಡ್ ಆಗಿದ್ದು, ಎಐ ಅನ್ವಯಿಕೆಗಳ ಬಾಹ್ಯ ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು ಸಾಧನಗಳೊಂದಿಗೆ ಸುರಕ್ಷಿತವಾಗಿ ಸಂವಹನ ಮಾಡಲು ಸಹಾಯಮಾಡುತ್ತದೆ. MCP ಎಐ ಮಾದರಿಗಳಿಗೆ ಸಾಂದರ್ಭಿಕ ಮಾಹಿತಿ ಪ್ರವೇಶಿಸಲು ಮತ್ತು ನಿಮ್ಮ ಅನ್ವಯಿಕೆಗಳಲ್ಲಿ ಕ್ರಿಯೆಗಳನ್ನನುಷ್ಠಾನ ಮಾಡಲು ಸ್ಥಿರೀಕೃತ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಅಧ್ಯಾಯ 4 ರಲ್ಲಿ, ನೀವು Spring AIೊಂದಿಗೆ ಮಾಡಿದ ಮೂಲಭೂತ MCP ಕ್ಯಾಲ್ಕ್ಯುಲೇಟರ್ ಸೇವೆಯನ್ನು ನಿರ್ಮಿಸುತ್ತೀರಿ, ಇದು ಹೇಗೆ ಮೂಲ ಸಾಧನ ಸಂಯೋಜನೆ ಮತ್ತು ಸೇವಾ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ನಿರ್ಮಿಸಬೇಕೆಂದು ತೋರಿಸುತ್ತದೆ.

Azure OpenAI ಜಾವಾ SDK

Azure OpenAI ಜಾವಾ ಕ್ಲೈಯಂಟ್ ಲೈಬ್ರರಿ ಎಂಬುದು OpenAI REST API ಗಳ ಪರಿಷ್ಕೃತ ಆವೃತ್ತಿ, ಇದು idiomatic ಇಂಟರ್ಫೇಸ್ ಮತ್ತು Azure SDK ಭಾಗಿ ಸಮೀಕರಣವನ್ನು ಒದಗಿಸುತ್ತದೆ. ಅಧ್ಯಾಯ 3 ರಲ್ಲಿ, ನೀವು Azure OpenAI SDK ಬಳಸಿ ಅನ್ವಯಿಕೆಗಳನ್ನು ಮಾಡುತ್ತೀರಿ, ಇದರಲ್ಲಿ ಚಾಟ್ ಅಪ್ಲಿಕೇಶನ್ ಗಳು, ಫಂಕ್ಷನ್ ಕಾಲಿಂಗ್ ಮತ್ತು RAG (Retrieval-Augmented Generation) ಮಾದರಿಗಳೂ ಸೇರಿವೆ.

ಸೂಚನೆ: Azure OpenAI SDK ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿ OpenAI ಜಾವಾ SDKಗಿಂತ ಹಿಂದುಗಡೆ ಇರುತ್ತದೆ, ಆದ್ದರಿಂದ ಭವಿಷ್ಯದ ಯೋಜನೆಗಳಿಗೆ OpenAI ಜಾವಾ SDK ಬಳಸುವುದನ್ನು ಪರಿಗಣಿಸಿ.

ಸಾರಾಂಶ

ಇದೆಂದರೆ ಆಧಾರಗಳನ್ನು ಮುಗಿಸಲಾಗಿದೆ! ನೀವು ಈಗ ತಿಳಿದಿರುತ್ತೀರಿ:

ಜನರಟಿವ್ ಎಐ ಹಿನ್ನೆಲೆಯ ಮೂಲತತ್ತ್ವಗಳನ್ನೆಲ್ಲ - LLM ಗಳು, ಪ್ರಾಂಪ್ಟ್ ಇಂಜಿನಿಯರಿಂಗ್, ಟೋಕನ್ ಗಳು, ಎಂಬೆಡಿಂಗ್ ಗಳು, ಮತ್ತು ವೆಕ್ಟರ್ ಡೇಟಾಬೇಸ್ ಗಳು
ಜಾವಾ ಎಐ ಅಭಿವೃದ್ಧಿಗೆ ನಿಮ್ಮ ಉಪಕರಣಗಳ ಆಯ್ಕೆಗಳು: Azure OpenAI SDK, Spring AI, ಮತ್ತು OpenAI ಜಾವಾ SDK
ಆಗ MCP ಅಂದ್ರೆ ಏನು ಮತ್ತು ಅದು ಹೇಗೆ ಎಐ ಏಜೆಂಟ್‌ಗಳು ಬಾಹ್ಯ ಸಾಧನಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಂತಾಗಿಸುತ್ತದೆ

ಮುಂದಿನ ಹಂತಗಳು

ಅಧ್ಯಾಯ 2: ಅಭಿವೃದ್ಧಿ ವಾತಾವರಣವನ್ನುಸೆಟ್‌ಅಪ್ ಮಾಡುವುದು

ಅಸ್ವೀಕಾರ: ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸಡ್ಡೆಗಳು ಇರಬಹುದು. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜು ಪ್ರಾಮಾಣಿಕ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಪ್ರಮುಖ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದವನ್ನು ಬಳಸುವ ಮೂಲಕ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಗಳ ಅಥವಾ ತಪ್ಪು ವ್ಯಾಖ್ಯಾನಗಳ ಬಗ್ಗೆ ನಾವು ಹೊಣೆಗಾರರಲ್ಲ.