ஜெனரேட்டிவ் AI அறிமுகம் - ஜாவா பதிப்பு

July 2, 2026 · View on GitHub

நீங்கள் கற்றுக்கொள்ளப்போகுகிறீர்கள்

ஜெனரேட்டிவ் AI அடித்தளங்கள் LLMகள், பிராம்ட் பொறியியியல், டோக்கன்கள், எம்பெடிங்க்கள் மற்றும் வெக்டர் தரவுத்தளங்கள் உட்பட
ஜாவா AI மேம்பாட்டு கருவிகளுடன் ஒப்பிடுதல் Azure OpenAI SDK, Spring AI, மற்றும் OpenAI Java SDK உட்பட
மாடல் கான்டெக்ஸ்ட் புரோட்டோக்கோல் மற்றும் அதன் AI முகவர் தொடர்பில் பங்கு

உள்ளடக்கங்களின் அட்டவணை

அறிமுகம்
ஜெனரேட்டிவ் AI கருத்துக்களில் விரைவு புதுப்பிப்பு
பிராம்ட் பொறியியியல் மதிப்பாய்வு
டோக்கன்கள், எம்பெடிங்க்கள் மற்றும் முகவர்கள்த் தொடர்புகள்
ஜாவாவுக்கான AI மேம்பாட்டு கருவிகள் மற்றும் நூலகங்கள்
சுருக்கம்
அடுத்த படிகள்

அறிமுகம்

ஜெனரேட்டிவ் AI ஆரம்பநிலை பயிற்சிக்கான முதல் அத்தியாயத்திற்கு வரவேற்கிறோம் - ஜாவா பதிப்பு! இந்த அடித்தள பாடம் ஜெனரேட்டிவ் AI இன் முக்கிய கருத்துக்களை அறிமுகப்படுத்துகிறது மற்றும் அவற்றுடன் ஜாவா பயன்படுத்தி எவ்வாறு வேலை செய்யப்படுகின்றது என்பதை கற்றுக் கொடுக்கிறது. நீங்கள் LLMகள், டோக்கன்கள், எம்பெடிங்க்கள் மற்றும் AI முகவர்கள் உட்பட AI பயன்பாடுகளின் அடிப்படைக் கட்டமைப்புகளைப் பற்றி கற்றுக்கொள்ளப் போகிறீர்கள். நாம் இந்த பாடநெறியிலுள்ள முக்கியமான ஜாவா கருவிகளையும் ஆராய்வோம்.

ஜெனரேட்டிவ் AI கருத்துக்களில் விரைவு புதுப்பிப்பு

ஜெனரேட்டிவ் AI என்பது தரவுகளிலிருந்து கற்றுக்கொண்ட மாதிரிகளின் பாணிகள் மற்றும் உறவுகளின் அடிப்படையில் உரை, படங்கள் அல்லது குறியீடு போன்ற புதிய உள்ளடக்கங்களை உருவாக்கும் ஒரு செயற்கை நுண்ணறிவு வகை. ஜெனரேட்டிவ் AI மாடல்கள் மனிதர் போன்ற பதில்களை உருவாக்க முடியும், சூழலை புரிந்து கொள்கின்றன மற்றும் சில நேரங்களில் மனிதர் போன்ற உள்ளடக்கங்களையும் உருவாக்கலாம்.

உங்கள் ஜாவா AI பயன்பாடுகளை உருவாக்கும்போது, நீங்கள் உள்ளடக்கம் உருவாக்க ஜெனரேட்டிவ் AI மாடல்களுடன் பணியாற்றுவீர்கள். ஜெனரேட்டிவ் AI மாடல்களின் சில திறன்கள்:

உரை உருவாக்கல்: உரை பேச்சாளர், உள்ளடக்கம் மற்றும் உரை நெடுமொழி நிறைவேற்றலுக்கான மனிதர் போன்ற உரையை உருவாக்குதல்
பட உருவாக்கலும் பகுப்பாய்வும்: நைஜமாக உள்ள படங்களை உருவாக்குதல், புகைப்படங்களை மேம்படுத்துதல், மற்றும் பொருட்களை கண்டறிதல்
குறியீடு உருவாக்கல்: குறியீட்டுக் குறுந்திரைகள் அல்லது சுருக்கக் குறியீடுகளை எழுதுதல்

விவரமான பணிகளுக்காக சில மாடல்கள் சிறப்பாக உருவாக்கப்பட்டுள்ளன. உதாரணமாக, சிறிய மொழி மாடல்கள் (SLMs) மற்றும் பெரிய மொழி மாடல்கள் (LLMs) இரண்டும் உரை உருவாக்கல் செய்ய முடியும், ஆனால் LLMகள் சாதாரணமாக சிக்கலான பணிகளுக்கு சிறந்த செயல்திறன் வழங்குகின்றன. படங்கள் தொடர்பான பணிகளுக்கு, நீங்கள் சிறப்பு பார்வை மாடல்கள் அல்லது பன்மொழி மாடல்களை பயன்படுத்துவீர்கள்.

Figure: Generative AI model types and use cases.

இவை எல்லாம் சரியான பதில்களை எப்போதும் வழங்காது. மாடல்கள் "பலூசிக்கல்" செய்வது அல்லது தவறான தகவல்களை அதிகாரபூர்வமாக உருவாக்குவது பற்றி நீங்கள் கேட்டிருக்கலாம். ஆனால் நீங்கள் தெளிவான அறிவுறுத்தல்களும் சூழலும் வழங்குவதன் மூலம் மாடலை சிறந்த பதில்களை உருவாக்க வழிநடத்தலாம். இதுவே பிராம்ட் பொறியியியல் என்பதற்கான பங்கு.

பிராம்ட் பொறியியியல் மதிப்பாய்வு

பிராம்ட் பொறியியியல் என்பது AI மாடல்களை விரும்பும் முடிவுகளுக்கு வழிநடத்த பயனுள்ள உள்ளீடுகளை வடிவமைக்கும் நடைமுறை. இதில்:

தெளிவு: அறிவுறுத்தல்களை தெளிவானதும் குழப்பமில்லாததும் ஆக்குதல்
சூழல்: தேவையான பின்னணி தகவலை வழங்குதல்
கட்டுப்பாடுகள்: ஏதேனும் வரம்புகள் அல்லது வடிவுருக்களை குறிப்பது

பிராம்ட் வடிவமைப்பு, தெளிவான அறிவுறுத்தல்கள், பணிகளை உடைத்தல், ஒரு-தடவை மற்றும் சில-தடவை கற்றல், மற்றும் பிராம்ட் செட்டிங்குகள் சிறந்த நடைமுறைகளாக உள்ளன. வெவ்வேறு பிராம்ட்களை சோதனை செய்து உங்கள் குறிப்பிட்ட பயன்பாட்டுக்கு சிறந்தது என்ன என்பதை கண்டறிய வேண்டும்.

பயன்பாடுகள் உருவாக்கும்போது, நீங்கள் வெவ்வேறு பிராம்ட் வகைகளுடன் பணியாற்றுவீர்கள்:

கணினி பிராம்ட்கள்: மாடல் நடத்தைக்கு அடிப்படை விதிகள் மற்றும் சூழலை அமைக்கும்
பயனர் பிராம்ட்கள்: உங்கள் பயன்பாட்டுப் பயனர்களிடமிருந்து உள்ளீடு தரவும்
உதவியாளர் பிராம்ட்கள்: கணினி மற்றும் பயனர் பிராம்ட்களின் அடிப்படையில் மாடல் வெளியீடுகள்

மேலும் கற்கவும்: GenAI ஆரம்பநிலை பாடநெறியின் பிராம்ட் பொறியியல் அத்தியாயம் இல் பிராம்ட் பொறியியல் பற்றி மேலும் அறியவும்

டோக்கன்கள், எம்பெடிங்க்கள், மற்றும் முகவர்கள்

ஜெனரேட்டிவ் AI மாடல்களுடன் பணியாற்றும்போது, நீங்கள் டோக்கன்கள், எம்பெடிங்க்கள், முகவர்கள், மற்றும் மாடல் கான்டெக்ஸ்ட் புரோட்டோக்கோல் (MCP) போன்ற சொற்களை சந்திப்பீர்கள். இதோ விரிவான கருத்துக்கள்:

டோக்கன்கள்: டோக்கன் என்பது மாடலில் உள்ள உரையின் மிகச்சிறிய அலகு. அவை சொற்கள், எழுத்துக்கள், அல்லது உபசொற்கள் ஆகலாம். டோக்கன்கள் உரை தரவுகளை மாடல் புரிந்துகொள்ளக்கூடிய வடிவத்தில் 나타க்க பயன்படுத்தப்படுகின்றன. உதாரணமாக, "The quick brown fox jumped over the lazy dog" என்ற வாக்கியம் ["The", " quick", " brown", " fox", " jumped", " over", " the", " lazy", " dog"] அல்லது ["The", " qu", "ick", " br", "own", " fox", " jump", "ed", " over", " the", " la", "zy", " dog"] என்ற ரூபத்தில் டோக்கன்கள் வாயிலாக பிரிக்கப்படலாம், டோக்கனீஸின் முறையின் அடிப்படையில்.

Figure: Generative AI tokens example of breaking words into tokens

டோக்கனீசேஷன் என்பது உரையை இந்த சிறிய அலகுகளாகப் பிரிக்கும் عمل. இது அவசியம், ஏனெனில் மாடல்கள் தகுதியான உரையை அல்லாமல் டோக்கன்களில் இயங்குகின்றன. ஒரு பிராம்டில் உள்ள டோக்கன்களின் எண்ணிக்கை மாடலின் பதிலின் நீளம் மற்றும் தரத்திற்கு பாதிப்பை ஏற்படுத்தும், ஏனெனில் மாடல்களுக்கு அதன் சூழல் ஜன்னல் அளவிலான (உதாரணமாக GPT-4oக்கு 128K டோக்கன்கள்) டோக்கன் வரம்புகள் உள்ளன.

ஜாவாவில், கோரிக்கைகள் அனுப்புகையில் OpenAI SDK போன்ற நூலகங்களைத் தானாக டோக்கனீசேஷன் செய்ய பயன்படுத்தலாம்.

எம்பெடிங்க்கள்: எம்பெடிங்க்கள் என்பது டோக்கன் களின் பொருள் சார்ந்த அர்த்தத்தைக் குறிக்கும் வெக்டர் பிரதிநிதித்துவம். அவை எண்கணித பிரதிநிதிகள் (சாதாரணமாக சுழற்சி புள்ளி எண்களின் வரிசைகள்) ஆகும், அவற்றால் மாடல்கள் சொற்களுக்கு இடையிலான உறவுவழித்தடங்களைப் புரிந்து கொண்டு பொருத்தமான பதில்களை எழுத்துக்கூடியதாக ஆக்குகின்றன. ஒத்த சொற்கள் ஒத்த எம்பெடிங்க்களை கொண்டிருப்பதால், மாடல் சிறுபொருள் மற்றும் பொருள் சார்ந்த உறவுகளை புரிந்துகொள்ள முடியும்.

Figure: Embeddings

ஜாவாவில், நீங்கள் OpenAI SDK அல்லது பிற எம்பெடிங் உருவாக்கத்தை ஆதரிக்கும் நூலகங்களைப் பயன்படுத்தி எம்பெடிங்க்களை உருவாக்க முடியும். இந்த எம்பெடிங்க்கள் பொருள் சார்ந்த தேடல்களில் மிகவும் அவசியமானவை, இதனால் நீங்கள் சரியான உரை பொருத்தங்களை மட்டுமல்லாமல் பொருள் சார்ந்த பொருத்தங்களை அடைய முடியும்.

வெக்டர் தரவுத்தளங்கள்: வெக்டர் தரவுத்தளங்கள் என்பது எம்பெடிங்க்களுக்கு சிறப்பு சேமிப்பு அமைப்புகள் ஆகும். அவை பொருள் சார்ந்த ஒத்திசைய தேடலை எளிதாக்கி, Retrieval-Augmented Generation (RAG) மாதிரிகளில் பொருள் சார்ந்த ஒற்றுமையைப் பொருத்ததாக பெரிய தரவுத்தளங்களில் இருந்து சம்பந்தப்பட்ட தகவலை கண்டறிந்து வழங்க உதவுகின்றன.

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

குறிப்பு: இந்த பாடநெறியில் வெக்டர் தரவுத்தளங்களைச் சேர்க்கவில்லை ஆனால் அவை வலைப்பயன்பாடுகளில் பொதுவாகப் பயன்படும் என்பதால்தான் குறிப்பிடப்படுகின்றன.

முகவர்கள் & MCP: மாடல்கள், கருவிகள் மற்றும் வெளிப்புற அமைப்புகளுடன் தானாக தொடர்பு கொண்ட AI கூறுகள். Model Context Protocol (MCP) முகவர்களுக்கு வெளிப்புற தரவுத் தொற்றுக்கள் மற்றும் கருவிகளுக்கு பாதுகாப்பான அணுகலை வழங்க ஒரு ஒருங்கிணைந்த முறையை வழங்குகிறது. MCP for Beginners பாடத்தில் மேலும் அறியவும்.

ஜாவா AI பயன்பாடுகளில், நீங்கள் உரை செயலாக்கத்திற்காக டோக்கன்களை, பொருள் சார்ந்த தேடலுக்காக மற்றும் RAGக்கு எம்பெடிங்க்களை, தரவு மீட்புக்கு வெக்டர் தரவுத்தளங்களை மற்றும் MCP உடன் முகவர்களைப் பயன்படுத்துவீர்கள்.

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

ஜாவாவுக்கான AI மேம்பாட்டு கருவிகள் மற்றும் நூலகங்கள்

ஜாவா AI மேம்பாட்டிற்கான சிறந்த கருவிகளை வழங்குகிறது. இந்த பாடநெறியில் மூன்று முக்கிய நூலகங்களை ஆராயப் போகிறோம் - OpenAI Java SDK, Azure OpenAI SDK, மற்றும் Spring AI.

ஒவ்வொரு அத்தியாய உதாரணங்களிலும் எந்த SDKப் பயன்படுத்தப்படும் என்பதை காட்டும் விரைவு குறிப்புகள் அட்டவணை:

அத்தியாயம்	மாதிரி	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 ஆவண இணைப்புகள்:

OpenAI Java SDK

OpenAI SDK என்பது OpenAI APIக்கான அதிகாரப் பெற்ற ஜாவா நூலகம். இது OpenAI மாடல்களுடன் தொடர்புகொள்வதற்கான எளிமையான மற்றும் ஒரக அமைப்பை வழங்கி, ஜாவா பயன்பாடுகளில் AI திறன்களை எளிதில் இணைக்கச் செய்யும். அத்தியாயம் 4 இல் உள்ள Pet Story பயன்பாடு மற்றும் Foundry Local உதாரணம் OpenAI SDK அணுகுமுறையை Azure AI Foundry உடன் காட்டுகிறது.

Spring AI

Spring AI என்பது Spring பயன்பாடுகளுக்கு AI திறன்களை கொண்டு வரும் முழுமையான கட்டமைப்பு, வெவ்வேறு AI வழங்குநர்களுக்கு இடையில் ஒரே மாதிரியான விட்டுவை பராமரிக்கிறது. இது Spring சூழலோட்டத்திற்கு உரிய விதத்தில் இணைகிறது, எளிதாக அதிகப்படியான தொழில் பரிமாற்ற AI பயன்பாடுகளை உருவாக்க உதவுகிறது.

Spring AIவின் பலம் அதன் Spring சூழலோட்டத்துடன் நெய்யப்பட்ட ஒருங்கிணைப்பில் உள்ளது, இது நற்பயனுள்ள Spring மாதிரிகள் (உதா: dependency injection, கட்டமைப்பு மேலாண்மை, சோதனை)/கோப்புறைகளை பயன்படுத்தி தயாரிப்பு-தயாராய AI பயன்பாடுகளை உருவாக்க எளிமையாக உள்ளது. நீங்கள் அத்தியாயம் 2 மற்றும் 4 இல் OpenAI மற்றும் Model Context Protocol (MCP) Spring AI நூலகங்களை ஒருங்கிணைத்து பயன்பாடுகளை கட்டமைக்க பயன்படுவீர்கள்.

Model Context Protocol (MCP)

Model Context Protocol (MCP) என்பது வெளிப்புற தரவுத்தொகுப்புகள் மற்றும் கருவிகளுடன் AI பயன்பாடுகள் பாதுகாப்பாக தொடர்பு கொள்ள உதவும் உருவுப்படுத்தப்படும் ஒரு மோர்த்தகமான நிலையான நடைமுறை. MCP AI மாடல்களுக்கு சூழல் தகவல்களை அணுகவும், செயல்களை இயக்கவும் ஒரே மாதிரி வழியை வழங்குகிறது.

அத்தியாயம் 4 இல், நீங்கள் Spring AI உடன் MCP அடிப்படைகளை காட்டும் எளிய கண்குழாய் சேவையை உருவாக்குவீர்கள், அதன் மூலம் அடிப்படையான கருவி ஒருங்கிணைப்புகளும் சேவை கட்டமைப்புக்களும் எப்படி செய்து கொள்ள வேண்டும் என்பது தெரியும்.

Azure OpenAI Java SDK

Azure OpenAI ஜாவா கிளையண்ட் நூலகம் OpenAI REST APIகளின் உபயோகமான வடிவம் மற்றும் Azure SDK சூழலோட்டத்துடன் ஒருங்கிணைந்த அணுகுமுறையை வழங்குகிறது. அத்தியாயம் 3 இல் உங்கள் செயலியில் Azure OpenAI SDKயை பயன்படுத்தி அரட்டை பயன்பாடுகள், செயல்பாட்டு அழைப்புகள் மற்றும் RAG மாதிரிகள் உருவாக்கப்படுகின்றன.

குறிப்பு: Azure OpenAI SDK அம்சங்களின் அடிப்படையில் OpenAI Java SDKக்கு பின்னடைவாக உள்ளது, எனவே எதிர்கால திட்டங்களுக்கு OpenAI Java SDKயைப் பயன்படுத்த பரிந்துரைக்கப்படுகிறது.

சுருக்கம்

அடிப்படைகளை இவ்வாறு முடித்துவிட்டீர்கள்! இப்போது நீங்கள் புரிந்துகொண்டிருப்பீர்கள்:

ஜெனரேட்டிவ் AIக்கு பின்னணியாக உள்ள முக்கிய கருத்துக்கள் - LLMகள் மற்றும் பிராம்ட் பொறியியியலிலிருந்து டோக்கன்கள், எம்பெடிங்க்கள் மற்றும் வெக்டர் தரவுத்தளங்கள் வரை
ஜாவாவுக்கான AI மேம்பாட்டுக்கான உங்கள் கருவி விருப்பங்கள்: Azure OpenAI SDK, Spring AI மற்றும் OpenAI Java SDK
மாடல் கான்டெக்ஸ்ட் புரோட்டோக்கோல் என்பது என்ன மற்றும் அது AI முகவர்களுக்கு வெளிப்புற கருவிகளுடன் பணியாற்ற எப்படி உதவுகிறது என்பதற்கு மேல்

அடுத்த படிகள்

அத்தியாயம் 2: மேம்பாட்டு சூழலை அமைத்தல்

மறுப்பு: இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை Co-op Translator பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.