Membangun Alur Kerja AI Lebih Cerdas dengan Azure AI Foundry dan AutoGen: Panduan Agen AI Kolaboratif
Kecerdasan buatan (AI) dengan cepat mengubah cara kita bekerja, dan dengan diperkenalkannya alat seperti Azure AI Foundry dan AutoGen, kita sekarang dapat mengotomatiskan tugas yang kompleks dan meningkatkan produktivitas secara signifikan. Artikel ini membahas bagaimana cara memanfaatkan Azure AI Foundry dan AutoGen untuk membangun alur kerja AI yang lebih cerdas melalui agen AI kolaboratif. Kami akan membahas konsep-konsep inti, memberikan panduan langkah demi langkah, dan menampilkan contoh praktis untuk membantu Anda memulai.
Daftar Isi
- Pendahuluan: Mengapa Agen AI Kolaboratif Penting
- Memahami Azure AI Foundry
- Apa itu Azure AI Foundry?
- Komponen Utama Azure AI Foundry
- Keuntungan Menggunakan Azure AI Foundry
- Memperkenalkan AutoGen: Kerangka Kerja untuk Agen AI Kolaboratif
- Apa itu AutoGen?
- Fitur Utama AutoGen
- Arsitektur AutoGen
- Menyiapkan Lingkungan Pengembangan Anda
- Prasyarat
- Instalasi yang Diperlukan (Python, Azure SDK, AutoGen)
- Konfigurasi Azure
- Membangun Agen AI Kolaboratif dengan AutoGen dan Azure AI Foundry: Panduan Langkah Demi Langkah
- Merancang Alur Kerja AI Anda
- Menentukan Peran dan Tanggung Jawab Agen
- Mengonfigurasi Agen dengan AutoGen
- Menghubungkan Agen ke Azure AI Foundry
- Mengimplementasikan Logika Komunikasi Antar-Agen
- Menguji dan Melakukan Debug Alur Kerja
- Kasus Penggunaan: Contoh Praktis Agen AI Kolaboratif
- Otomatisasi Dukungan Pelanggan
- Pengembangan Perangkat Lunak Kolaboratif
- Analisis dan Visualisasi Data
- Praktik Terbaik untuk Alur Kerja AI yang Efektif
- Desain Agen Modular
- Penanganan Kesalahan yang Kuat
- Pemantauan dan Logging
- Keamanan dan Privasi
- Mengatasi Tantangan Umum
- Mengelola Kompleksitas
- Memastikan Konsistensi
- Optimasi Kinerja
- Masa Depan Agen AI Kolaboratif dengan Azure
- Kesimpulan
1. Pendahuluan: Mengapa Agen AI Kolaboratif Penting
AI telah berkembang pesat, dari tugas-tugas sederhana hingga sistem yang lebih kompleks. Agen AI kolaboratif, yang bekerja sama untuk memecahkan masalah yang kompleks, merupakan evolusi alami. Pendekatan ini menawarkan banyak keuntungan:
- Peningkatan Efisiensi: Tugas-tugas dipecah menjadi komponen-komponen yang lebih kecil dan didistribusikan di antara agen-agen khusus.
- Skalabilitas: Mudah untuk menambahkan lebih banyak agen ke tim untuk menangani peningkatan beban kerja.
- Fleksibilitas: Agen dapat dirancang untuk beradaptasi dengan perubahan persyaratan dan lingkungan.
- Peningkatan Kualitas: Dengan menggabungkan keahlian dari berbagai agen, solusi yang dihasilkan seringkali lebih komprehensif dan akurat.
Dalam lanskap bisnis yang serba cepat saat ini, kemampuan untuk mengotomatiskan dan meningkatkan alur kerja menggunakan agen AI kolaboratif dapat memberikan keunggulan kompetitif yang signifikan.
2. Memahami Azure AI Foundry
2.1. Apa itu Azure AI Foundry?
Azure AI Foundry adalah platform komprehensif yang disediakan oleh Microsoft Azure yang dirancang untuk membantu organisasi membangun, menyebarkan, dan mengelola solusi AI dalam skala besar. Ini menyediakan serangkaian layanan, alat, dan infrastruktur yang menyederhanakan proses pengembangan AI, mulai dari persiapan data hingga penerapan model. Azure AI Foundry bertujuan untuk membuat AI lebih mudah diakses oleh bisnis dari semua ukuran dengan menawarkan lingkungan yang terpusat dan terstandardisasi.
2.2. Komponen Utama Azure AI Foundry
Azure AI Foundry terdiri dari beberapa komponen utama yang bekerja sama untuk mendukung siklus hidup pengembangan AI. Komponen-komponen ini meliputi:
- Azure Machine Learning: Platform berbasis cloud yang memungkinkan ilmuwan data dan pengembang untuk membangun, melatih, dan menyebarkan model pembelajaran mesin. Ini menyediakan antarmuka berbasis kode rendah dan tanpa kode, serta dukungan untuk kerangka kerja sumber terbuka populer seperti TensorFlow dan PyTorch.
- Azure Cognitive Services: Serangkaian API dan layanan yang telah dilatih yang memberikan kemampuan AI seperti visi komputer, pemrosesan bahasa alami, dan pengenalan ucapan. Layanan ini dapat dengan mudah diintegrasikan ke dalam aplikasi tanpa memerlukan keahlian pembelajaran mesin yang mendalam.
- Azure AI Infrastructure: Infrastruktur komputasi yang mendasarinya yang mendukung beban kerja AI. Ini mencakup GPU, CPU, dan memori performa tinggi yang dioptimalkan untuk pelatihan dan inferensi model pembelajaran mesin.
- Azure Data Services: Berbagai layanan penyimpanan dan pemrosesan data yang dapat digunakan untuk menyiapkan dan mengelola data untuk proyek AI. Ini termasuk Azure Blob Storage, Azure Data Lake Storage, dan Azure Synapse Analytics.
- Azure AI Studio: Platform terpadu untuk membangun, menguji, dan menyebarkan aplikasi AI generatif. Ini memberikan akses ke model bahasa besar terbaru (LLM) dan kemampuan untuk menyesuaikan dan menyempurnakannya.
2.3. Keuntungan Menggunakan Azure AI Foundry
Ada banyak keuntungan menggunakan Azure AI Foundry untuk proyek AI Anda:
- Pengembangan yang Dipercepat: Azure AI Foundry menyediakan serangkaian alat dan layanan yang telah dibangun sebelumnya yang dapat mempercepat proses pengembangan AI. Ini mengurangi waktu dan upaya yang dibutuhkan untuk membangun dan menyebarkan solusi AI.
- Skalabilitas: Azure AI Foundry dirancang untuk menangani beban kerja AI yang besar. Ini dapat menskalakan sumber daya komputasi dan penyimpanan sesuai kebutuhan untuk memastikan bahwa aplikasi AI Anda berkinerja optimal.
- Efisiensi Biaya: Azure AI Foundry menawarkan model harga bayar sesuai pemakaian yang memungkinkan Anda hanya membayar sumber daya yang Anda gunakan. Ini dapat membantu Anda mengurangi biaya pengembangan dan penyebaran AI.
- Keamanan dan Kepatuhan: Azure AI Foundry dibangun di atas infrastruktur aman dan sesuai Azure. Ini menyediakan berbagai fitur keamanan dan kepatuhan untuk membantu Anda melindungi data AI Anda.
- Integrasi: Azure AI Foundry terintegrasi dengan mulus dengan layanan Azure lainnya. Ini membuatnya mudah untuk membangun solusi AI yang memanfaatkan ekosistem Azure secara keseluruhan.
3. Memperkenalkan AutoGen: Kerangka Kerja untuk Agen AI Kolaboratif
3.1. Apa itu AutoGen?
AutoGen adalah kerangka kerja yang dikembangkan oleh Microsoft untuk memungkinkan pengembangan agen AI kolaboratif. Ini menyederhanakan proses pembuatan, menghubungkan, dan mengelola beberapa agen AI yang dapat berkomunikasi dan bekerja sama untuk mencapai tujuan bersama. AutoGen dirancang untuk fleksibel, dapat diperluas, dan mudah digunakan, menjadikannya alat yang sangat baik untuk membangun alur kerja AI yang kompleks.
3.2. Fitur Utama AutoGen
AutoGen menawarkan serangkaian fitur yang kuat yang membuatnya ideal untuk membangun agen AI kolaboratif:
- Fleksibilitas: AutoGen mendukung berbagai jenis agen, termasuk agen berbasis bahasa, agen berbasis kode, dan agen hybrid. Anda dapat mencampur dan mencocokkan jenis agen yang berbeda untuk membuat alur kerja yang paling sesuai dengan kebutuhan Anda.
- Komunikasi: AutoGen menyediakan mekanisme komunikasi yang fleksibel dan efisien untuk agen untuk bertukar informasi dan berkoordinasi tindakan mereka. Agen dapat berkomunikasi menggunakan berbagai protokol, termasuk pesan berbasis teks, berbagi data, dan panggilan fungsi.
- Kolaborasi: AutoGen dirancang untuk memfasilitasi kolaborasi antar agen. Ini menyediakan fitur seperti negosiasi, pemecahan konflik, dan pengambilan keputusan kolektif.
- Ekstensibilitas: AutoGen sangat dapat diperluas. Anda dapat menambahkan agen, protokol komunikasi, dan kemampuan kolaborasi baru untuk menyesuaikan kerangka kerja dengan kebutuhan spesifik Anda.
- Kemudahan Penggunaan: AutoGen mudah digunakan. Ini menyediakan API yang sederhana dan intuitif, serta berbagai alat dan dokumentasi untuk membantu Anda memulai.
3.3. Arsitektur AutoGen
Arsitektur AutoGen terdiri dari tiga komponen utama:
- Agen: Agen adalah unit dasar kolaborasi dalam AutoGen. Setiap agen memiliki peran, tanggung jawab, dan kemampuan yang berbeda.
- Komunikasi: Komunikasi adalah mekanisme yang memungkinkan agen untuk bertukar informasi dan berkoordinasi tindakan mereka. AutoGen menyediakan berbagai protokol komunikasi, termasuk pesan berbasis teks, berbagi data, dan panggilan fungsi.
- Kolaborasi: Kolaborasi adalah proses di mana agen bekerja sama untuk mencapai tujuan bersama. AutoGen menyediakan fitur seperti negosiasi, pemecahan konflik, dan pengambilan keputusan kolektif untuk memfasilitasi kolaborasi.
Dengan memahami arsitektur AutoGen, Anda dapat secara efektif merancang dan mengimplementasikan alur kerja AI kolaboratif yang memenuhi kebutuhan spesifik Anda.
4. Menyiapkan Lingkungan Pengembangan Anda
4.1. Prasyarat
Sebelum Anda mulai membangun agen AI kolaboratif dengan AutoGen dan Azure AI Foundry, Anda perlu memastikan bahwa Anda memiliki prasyarat berikut:
- Akun Azure: Anda akan memerlukan akun Azure aktif untuk mengakses layanan Azure AI Foundry. Jika Anda belum memilikinya, Anda dapat membuat akun gratis di situs web Azure.
- Python: AutoGen adalah kerangka kerja Python, jadi Anda perlu menginstal Python 3.8 atau lebih tinggi di sistem Anda. Anda dapat mengunduh Python dari situs web Python.
- pip: pip adalah pengelola paket untuk Python. Ini digunakan untuk menginstal dan mengelola paket Python. pip biasanya diinstal dengan Python.
- Visual Studio Code (Opsional): Visual Studio Code adalah editor kode populer yang dapat digunakan untuk mengembangkan aplikasi Python. Ini menyediakan fitur seperti penyorotan sintaks, debugging, dan kontrol versi.
4.2. Instalasi yang Diperlukan (Python, Azure SDK, AutoGen)
Setelah Anda memiliki prasyarat, Anda dapat menginstal paket yang diperlukan menggunakan pip:
- Instal Azure SDK: Azure SDK menyediakan perpustakaan Python untuk berinteraksi dengan layanan Azure. Untuk menginstal Azure SDK, jalankan perintah berikut di terminal atau command prompt Anda:
pip install azure-sdk - Instal AutoGen: Untuk menginstal AutoGen, jalankan perintah berikut:
pip install pyautogen - Instal Paket Tambahan (Opsional): Bergantung pada kebutuhan spesifik Anda, Anda mungkin perlu menginstal paket tambahan. Misalnya, jika Anda menggunakan model bahasa besar, Anda mungkin perlu menginstal paket
openai.pip install openai
4.3. Konfigurasi Azure
Untuk menggunakan Azure AI Foundry, Anda perlu mengonfigurasi akun Azure Anda. Ini termasuk membuat grup sumber daya, menyiapkan akun penyimpanan, dan mengonfigurasi izin.
- Buat Grup Sumber Daya: Grup sumber daya adalah kontainer yang menyimpan sumber daya Azure terkait untuk solusi. Untuk membuat grup sumber daya, Anda dapat menggunakan portal Azure, Azure CLI, atau Azure PowerShell.
- Buat Akun Penyimpanan: Akun penyimpanan digunakan untuk menyimpan data untuk aplikasi AI Anda. Untuk membuat akun penyimpanan, Anda dapat menggunakan portal Azure, Azure CLI, atau Azure PowerShell.
- Konfigurasi Izin: Anda perlu mengonfigurasi izin untuk memberi agen AI Anda akses ke sumber daya Azure yang mereka butuhkan. Anda dapat menggunakan kontrol akses berbasis peran Azure (RBAC) untuk mengelola izin.
5. Membangun Agen AI Kolaboratif dengan AutoGen dan Azure AI Foundry: Panduan Langkah Demi Langkah
5.1. Merancang Alur Kerja AI Anda
Langkah pertama dalam membangun agen AI kolaboratif adalah merancang alur kerja Anda. Ini melibatkan identifikasi tugas yang perlu diselesaikan, menentukan peran dan tanggung jawab setiap agen, dan memetakan interaksi antar agen.
Pertimbangkan pertanyaan-pertanyaan berikut saat merancang alur kerja Anda:
- Apa tujuan keseluruhan alur kerja?
- Tugas apa yang perlu diselesaikan untuk mencapai tujuan itu?
- Agen apa yang diperlukan untuk menyelesaikan tugas-tugas ini?
- Peran dan tanggung jawab apa yang akan dimiliki setiap agen?
- Bagaimana agen akan berkomunikasi dan berkoordinasi satu sama lain?
5.2. Menentukan Peran dan Tanggung Jawab Agen
Setelah Anda merancang alur kerja Anda, Anda perlu menentukan peran dan tanggung jawab setiap agen. Setiap agen harus memiliki tujuan yang jelas dan serangkaian tanggung jawab yang ditentukan dengan baik. Ini akan membantu memastikan bahwa alur kerja berjalan lancar dan efisien.
Contoh peran agen dapat mencakup:
- Manajer: Bertanggung jawab untuk mengawasi alur kerja dan memastikan bahwa semua tugas diselesaikan tepat waktu dan sesuai anggaran.
- Periset: Bertanggung jawab untuk mengumpulkan informasi dan melakukan penelitian.
- Pengembang: Bertanggung jawab untuk menulis kode dan mengimplementasikan logika bisnis.
- Penguji: Bertanggung jawab untuk menguji kode dan memastikan bahwa ia berfungsi dengan benar.
5.3. Mengonfigurasi Agen dengan AutoGen
Setelah Anda menentukan peran dan tanggung jawab setiap agen, Anda dapat mulai mengonfigurasi agen menggunakan AutoGen. Ini melibatkan pembuatan instance agen, menetapkan peran mereka, dan mengonfigurasi kemampuan komunikasi mereka.
Berikut adalah contoh cara mengonfigurasi agen menggunakan AutoGen:
from autogen import AssistantAgent, UserProxyAgent, config_list_from_json
# Load configuration from json
config_list = config_list_from_json(env_or_file="OAI_CONFIG_LIST")
# Define the AssistantAgent
assistant = AssistantAgent(
name="Assistant",
llm_config={
"seed": 42, # This is a test of a seed to get reproducible results.
"config_list": config_list,
"temperature": 0,
},
)
# Define the UserProxyAgent
user_proxy = UserProxyAgent(
name="User_Proxy",
human_input_mode="NEVER",
max_consecutive_auto_reply=10,
is_termination_msg=lambda x: x.get("content", "").rstrip().endswith("TERMINATE"),
code_execution_config={
"work_dir": "coding",
"use_docker": False, # set to True or image name like "python:3" to use docker
},
)
# Initiate the conversation
user_proxy.initiate_chat(
assistant,
message="""Solve this task: what is the sum of these two numbers: 3 and 4. TERMINATE""",
)
5.4. Menghubungkan Agen ke Azure AI Foundry
Setelah Anda mengonfigurasi agen Anda, Anda perlu menghubungkannya ke Azure AI Foundry. Ini memungkinkan agen untuk mengakses layanan dan sumber daya Azure yang mereka butuhkan untuk menyelesaikan tugas mereka.
Untuk menghubungkan agen ke Azure AI Foundry, Anda dapat menggunakan Azure SDK. Azure SDK menyediakan perpustakaan Python untuk berinteraksi dengan layanan Azure. Anda dapat menggunakan perpustakaan ini untuk mengautentikasi ke Azure, mengakses layanan Azure, dan mengelola sumber daya Azure.
5.5. Mengimplementasikan Logika Komunikasi Antar-Agen
Salah satu aspek penting dari agen AI kolaboratif adalah kemampuan mereka untuk berkomunikasi dan berkoordinasi satu sama lain. AutoGen menyediakan berbagai mekanisme komunikasi untuk agen untuk bertukar informasi dan berkoordinasi tindakan mereka. Ini termasuk pesan berbasis teks, berbagi data, dan panggilan fungsi.
Pertimbangkan contoh berikut di mana dua agen berkomunikasi menggunakan pesan berbasis teks:
# Define the roles of agents
researcher_prompt = """You are a world-class researcher who can conduct research. You can also write a report based on the research."""
product_manager_prompt = """You are a product manager who defines the next product to build. You can evaluate research results provided by the researcher."""
# Create the agents
researcher = AssistantAgent(
name="Researcher",
llm_config={
"seed": 42, # This is a test of a seed to get reproducible results.
"config_list": config_list,
"temperature": 0,
"max_tokens": 1000,
},
system_message=researcher_prompt,
)
product_manager = AssistantAgent(
name="Product_Manager",
llm_config={
"seed": 42, # This is a test of a seed to get reproducible results.
"config_list": config_list,
"temperature": 0,
"max_tokens": 1000,
},
system_message=product_manager_prompt,
)
# Initiate the conversation
user_proxy.initiate_chat(
researcher,
message="""Conduct research on the trending AI technologies and their applications. Summarize in a report. TERMINATE""",
)
# Product manager receives the report and evaluates
product_manager.receive(researcher.last_message())
5.6. Menguji dan Melakukan Debug Alur Kerja
Setelah Anda mengimplementasikan alur kerja Anda, Anda perlu mengujinya dan melakukan debug untuk memastikan bahwa ia berfungsi dengan benar. Ini melibatkan menjalankan alur kerja dengan berbagai input dan memverifikasi bahwa output yang diharapkan dihasilkan.
Berikut adalah beberapa tips untuk menguji dan melakukan debug alur kerja AI kolaboratif:
- Mulai dengan kasus uji yang sederhana: Mulailah dengan kasus uji yang sederhana yang memverifikasi fungsionalitas inti alur kerja.
- Gunakan logging: Gunakan logging untuk melacak eksekusi alur kerja dan mengidentifikasi kesalahan.
- Gunakan debugger: Gunakan debugger untuk menelusuri kode dan memeriksa variabel.
- Gunakan unit testing: Gunakan unit testing untuk menguji komponen individual dari alur kerja.
6. Kasus Penggunaan: Contoh Praktis Agen AI Kolaboratif
6.1. Otomatisasi Dukungan Pelanggan
Agen AI kolaboratif dapat digunakan untuk mengotomatiskan tugas dukungan pelanggan, seperti menjawab pertanyaan pelanggan, memecahkan masalah, dan memberikan dukungan teknis. Alur kerja dukungan pelanggan dapat mencakup agen yang berbeda:
- Chatbot: Menangani pertanyaan awal pelanggan.
- Agen Pengetahuan: Mencari informasi yang relevan dalam basis pengetahuan.
- Agen Eskalasi: Mengarahkan masalah kompleks ke agen manusia.
6.2. Pengembangan Perangkat Lunak Kolaboratif
Agen AI kolaboratif dapat digunakan untuk meningkatkan proses pengembangan perangkat lunak. Alur kerja pengembangan perangkat lunak dapat mencakup agen yang berbeda:
- Agen Desain: Membuat desain perangkat lunak berdasarkan persyaratan.
- Agen Pengkodean: Menulis kode berdasarkan desain.
- Agen Pengujian: Menguji kode dan mengidentifikasi bug.
6.3. Analisis dan Visualisasi Data
Agen AI kolaboratif dapat digunakan untuk mengotomatiskan tugas analisis dan visualisasi data. Alur kerja analisis data dapat mencakup agen yang berbeda:
- Agen Pengumpulan Data: Mengumpulkan data dari berbagai sumber.
- Agen Pembersihan Data: Membersihkan dan memproses data.
- Agen Analisis: Menganalisis data dan mengidentifikasi pola.
- Agen Visualisasi: Membuat visualisasi data.
7. Praktik Terbaik untuk Alur Kerja AI yang Efektif
7.1. Desain Agen Modular
Desain agen modular adalah praktik terbaik untuk membangun alur kerja AI yang efektif. Agen modular dirancang untuk menjadi independen dan dapat digunakan kembali. Ini membuatnya lebih mudah untuk mengubah dan memelihara alur kerja.
7.2. Penanganan Kesalahan yang Kuat
Penanganan kesalahan yang kuat sangat penting untuk alur kerja AI yang efektif. Alur kerja harus dirancang untuk menangani kesalahan dengan anggun dan mencegah mereka menyebabkan kegagalan. Ini termasuk menerapkan mekanisme penanganan kesalahan seperti pengecualian dan coba-kecuali blok.
7.3. Pemantauan dan Logging
Pemantauan dan logging sangat penting untuk melacak kinerja dan kesehatan alur kerja AI. Pemantauan memungkinkan Anda mengidentifikasi masalah dan melakukan tindakan korektif. Logging menyediakan catatan eksekusi alur kerja yang dapat digunakan untuk melakukan debug masalah.
7.4. Keamanan dan Privasi
Keamanan dan privasi harus dipertimbangkan saat membangun alur kerja AI. Alur kerja harus dirancang untuk melindungi data sensitif dan mencegah akses tidak sah. Ini termasuk menerapkan langkah-langkah keamanan seperti enkripsi dan kontrol akses.
8. Mengatasi Tantangan Umum
8.1. Mengelola Kompleksitas
Salah satu tantangan utama dalam membangun agen AI kolaboratif adalah mengelola kompleksitas. Alur kerja AI dapat menjadi sangat kompleks, terutama ketika melibatkan banyak agen dan interaksi. Untuk mengelola kompleksitas, penting untuk mendesain alur kerja Anda secara modular dan menggunakan abstraksi untuk menyembunyikan detail implementasi.
8.2. Memastikan Konsistensi
Memastikan konsistensi adalah tantangan lain dalam membangun agen AI kolaboratif. Ketika banyak agen bekerja sama, penting untuk memastikan bahwa mereka semua bekerja menuju tujuan yang sama dan bahwa tindakan mereka konsisten. Untuk memastikan konsistensi, penting untuk mendefinisikan tujuan yang jelas dan serangkaian protokol komunikasi yang jelas.
8.3. Optimasi Kinerja
Optimasi kinerja adalah tantangan lain dalam membangun agen AI kolaboratif. Alur kerja AI dapat menjadi lambat, terutama ketika melibatkan tugas komputasi intensif. Untuk mengoptimalkan kinerja, penting untuk menggunakan algoritma yang efisien dan untuk mengoptimalkan kode Anda untuk kinerja.
9. Masa Depan Agen AI Kolaboratif dengan Azure
Masa depan agen AI kolaboratif dengan Azure cerah. Microsoft terus berinvestasi dalam pengembangan alat dan layanan AI, seperti Azure AI Foundry dan AutoGen. Seiring dengan kemajuan teknologi AI, kita dapat mengharapkan untuk melihat agen AI kolaboratif menjadi lebih kuat dan mudah digunakan. Mereka akan memainkan peran yang semakin penting dalam mengotomatiskan tugas yang kompleks dan meningkatkan produktivitas di berbagai industri.
10. Kesimpulan
Agen AI kolaboratif memiliki potensi untuk merevolusi cara kita bekerja. Dengan menggunakan alat seperti Azure AI Foundry dan AutoGen, kita dapat membangun alur kerja AI yang lebih cerdas yang dapat mengotomatiskan tugas yang kompleks, meningkatkan produktivitas, dan memberikan keunggulan kompetitif yang signifikan. Artikel ini telah memberikan panduan komprehensif tentang cara membangun agen AI kolaboratif dengan AutoGen dan Azure AI Foundry. Dengan mengikuti langkah-langkah dan praktik terbaik yang diuraikan dalam artikel ini, Anda dapat mulai membangun alur kerja AI yang lebih cerdas yang dapat membantu Anda mencapai tujuan bisnis Anda.
“`
