መግቢያ

ከጊዜ ወደ ጊዜ እያደገ የመጣው የዘመናዊ የሶፍትዌር ስርዓቶች ውስብስብነት የክስተቶች ድግግሞሽ እና ክብደት እንዲጨምር አድርጓል፣ ይህም የቅድመ ክስተት ምርመራ እና መፍትሄ የDevOps ወሳኝ ገጽታ እንዲሆን አድርጎታል። አርቴፊሻል ኢንተለጀንስ (AI) እና የማሽን መማሪያ (ኤም.ኤል.ኤል) የዴቭኦፕስ ቧንቧዎችን ለማሻሻል እንደ ሃይለኛ መሳሪያዎች ሆነው ብቅ አሉ፣ በ AI የሚመራ አውቶሜሽን እና ኦርኬስትራ በንግዱ ላይ ተጽእኖ ከማድረጋቸው በፊት ክስተቶችን ፈልጎ እንዲያገኙ እና እንዲፈቱ ያስችላቸዋል። በዚህ ጽሁፍ በ AI-powered DevOps ቧንቧዎችን DSPy እና LangChain ን በመጠቀም እንዴት ተግባራዊ ማድረግ እንደሚቻል እንመረምራለን፣በቅድመ ሁኔታ ምርመራ እና አአይኦፕስ እና RAG ሞዴሎችን በመጠቀም መፍትሄ ላይ በማተኮር እና ከAWS DevOps ወኪል ጋር በራስ ሰር የአደጋ ምርመራ ማድረግ።

የ DSPy እና LangChain አጠቃላይ እይታ

DSPy በ AI የሚንቀሳቀሱ የ DevOps ቧንቧዎችን ለመገንባት እና ለማሰማራት ቀላል እና ቀልጣፋ መንገድ የሚያቀርብ የፓይዘን ቤተ-መጽሐፍት ነው። ገንቢዎች የተፈጥሮ ቋንቋን ማቀናበር (NLP)፣ የኮምፒውተር እይታ እና ትንበያ ትንታኔን ጨምሮ የተለያዩ AI እና ML ሞዴሎችን ወደ DevOps ቧንቧ መስመሮቻቸው እንዲያዋህዱ ያስችላቸዋል። በሌላ በኩል ላንግቻይን ሞጁል እና ሊሰፋ የሚችል አርክቴክቸር በመጠቀም ገንቢዎች መጠነ ሰፊ AI ሞዴሎችን እንዲገነቡ እና እንዲያሰማሩ የሚያስችል የፓይዘን ቤተ-መጽሐፍት ነው።

AI-Powered DevOps ቧንቧዎችን ከDSPy እና LangChain ጋር በመተግበር ላይ

በ AI የሚንቀሳቀሱ የዴቭኦፕስ ቧንቧዎችን ከDSPy እና LangChain ጋር ለመተግበር የሚከተሉትን ደረጃዎች መከተል አለብን።

1. ** የውሂብ ስብስብ ***: ከተለያዩ ምንጮች እንደ ምዝግብ ማስታወሻዎች, መለኪያዎች እና የውቅረት ፋይሎች ያሉ ተዛማጅ መረጃዎችን ይሰብስቡ.
2. ** የውሂብ ቅድመ-ሂደት ***: የተሰበሰበውን መረጃ ለመተንተን እና ለሞዴሊንግ ለማዘጋጀት አስቀድመው ያካሂዱ።
3. የሞዴል ስልጠና፡ ክስተቶችን ለመለየት እና ለመተንበይ ቀድሞ የተሰራውን መረጃ በመጠቀም AI እና ML ሞዴሎችን ያሰለጥኑ።
4. ** የሞዴል ማሰማራት ***: DSPy እና LangChainን በመጠቀም የሰለጠኑ ሞዴሎችን ወደ DevOps ቧንቧ መስመር ያሰማሩ።
5. የአደጋ ምርመራ፡ የተዘረጉትን ሞዴሎች ተጠቀም ክስተቶችን ለመመርመር እና መንስኤዎችን ለመለየት።
6. የአደጋ መፍትሄ፡ ከክስተቶች ምርመራ የተገኘውን ግንዛቤ ተጠቀም ክስተቶችን በንቃት ለመፍታት።

የኮድ ምሳሌ፡ ቀላል RAG ሞዴልን ከDSPy እና LangChain ጋር መተግበር

DSPy እና LangChainን በመጠቀም RAG (Root Cause Analysis) ሞዴል እንዴት መተግበር እንደሚቻል የሚያሳይ ቀላል የኮድ ምሳሌ ይኸውና፡ `` ፓይቶን አስመጣ dspy ከ langchain ማስመጣት LLMChain

ቀድሞ የተሰራውን ውሂብ ይጫኑ

ውሂብ = pd.read_csv("data.csv")

የ RAG ሞዴልን ይግለጹ

rag_model = dspy.RAGModel( input_features=["የመዝገብ_ደረጃ"፣ "ስህተት_መልእክት"]፣ የውጤት_ባህሪዎች=["ሥር_ምክንያት"] )

የ RAG ሞዴልን አሰልጥኑ

rag_model.train(ውሂብ)

RAG ሞዴሉን ያሰማሩ

llm_chain = LLMChain( ሞዴል="davinci:002", ከፍተኛ_ርዝመት=2048 ) rag_model.deploy(lm_chain)

ክስተቶችን ለመመርመር የተዘረጋውን RAG ሞዴል ይጠቀሙ

ክስተት_ዳታ = pd.DataFrame({ "log_level": ["ስህተት"], "error_message": ["የሆነ ችግር ተፈጥሯል"] }) ሥር_ምክንያት = rag_model.predict(የአጋጣሚ_ውሂብ) ማተም(ስር_ምክንያት)

ይህ የኮድ ምሳሌ DSPy እና LangChainን በመጠቀም ቀላል RAG ሞዴል እንዴት እንደሚተገበር ያሳያል። የ RAG ሞዴል የምዝግብ ማስታወሻ ደረጃን እና የስህተት መልእክትን እንደ የግቤት ባህሪያት ይወስዳል እና የአደጋውን ዋና መንስኤ ይተነብያል።

## ከፍተኛ 5-10 በብዛት ጥቅም ላይ የዋሉ ትዕዛዞች/ቅንጣዎች

ለDSPy እና LangChain በጣም ጥቅም ላይ የዋሉት 5-10 ዋና ዋና ትዕዛዞች/ቅንጣዎች እነሆ፡-

1. `dspy.RAGModel(የግቤት_ባህሪዎች፣ የውጤት_ባህሪዎች)`፡ የተገለጹ የግቤት እና የውጤት ባህሪያት ያለው RAG ሞዴል ይግለጹ።
2. `dspy.RAGModel.train(data)`፡ የቀረበውን ውሂብ በመጠቀም የ RAG ሞዴልን አሰልጥኑ።
3. `dspy.RAGModel.deploy(llm_chain)`፡ የሰለጠነ RAG ሞዴል LangChain LLMChainን በመጠቀም አሰማራ።
4. `llm_chain = LLMChain (ሞዴል፣ ከፍተኛ_ርዝመት)`፡ የተወሰነ ሞዴል እና ከፍተኛ ርዝመት ያለው የLangChain LLMChain ይፍጠሩ።
5. `rag_model.predict(data)`፡ የክስተቱን ዋና መንስኤ ለመተንበይ የተዘረጋ RAG ሞዴል ተጠቀም።
6. `dspy.DataPreprocessor(የግቤት_ውሂብ)`፡ DSPy ን በመጠቀም ውሂብን የሚቀድም የቧንቧ መስመር ይግለጹ።
7. `dspy.ModelTrainer(ሞዴል፣ ዳታ)`፡ DSPy በመጠቀም AI ወይም ML ሞዴልን ያሰለጥኑ።
8. `dspy.ModelDeployer(ሞዴል፣ LM_chain)`፡ DSPy እና LangChainን በመጠቀም የሰለጠነ ሞዴል አሰማራ።
9. `langchain.LLMChain.predict(የግቤት_ውሂብ)`፡ የአንድን ሞዴል ውጤት ለመተንበይ LangChain LLMChain ይጠቀሙ።
10. `dspy.RAGModel.evaluate(data)`፡ የRAG ሞዴል አፈጻጸምን DSPy ገምግም።

## እይታ

Chart.jsን በመጠቀም የማሳያ ምሳሌ ይኸውና፡
``json
{
  "አይነት": "ባር",
  "ውሂብ": {
    "labels": ["የክስተት ዓይነት A"፣ "የክስተት ዓይነት B"፣ "የክስተት ዓይነት C"]፣
    "መረጃዎች": [
      {
        "label": "ሥር ምክንያት A",
        "ውሂብ": [10, 15, 7],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "የድንበር ስፋት"፡ 1
      }
      {
        "label": "ሥር ምክንያት B",
        "ዳታ": [8, 12, 9],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "የድንበር ስፋት"፡ 1
      }
      {
        "label": "Root Cause C",
        "ዳታ": [14, 18, 11],
        "backgroundColor": "rgba(255, 206, 86, 0.2)",
        "borderColor": "rgba(255, 206, 86, 1)",
        "የድንበር ስፋት"፡ 1
      }
    ]
  }
  "አማራጮች": {
    "ርዕስ": {
      "ማሳያ": እውነት,
      "text": "የስር መንስኤ ትንተና"
    }
    "ሚዛኖች": {
      "yAxes": [
        {
          "መዥገሮች": {
            "beginAtZero"፡ እውነት
          }
        }
      ]
    }
  }
}

ይህ እይታ ለተለያዩ የአደጋ ዓይነቶች መንስኤዎችን ስርጭት ያሳያል።

መደምደሚያ

በዚህ ጽሁፍ በ AI-powered DevOps ቧንቧዎችን DSPy እና LangChain ን በመጠቀም እንዴት ተግባራዊ ማድረግ እንደሚቻል መርምረናል፣ በአይኦፕስ እና በ RAG ሞዴሎች በመጠቀም ንቁ የክስተት ምርመራ እና መፍታት ላይ በማተኮር እና ከAWS DevOps ወኪል ጋር በራስ ሰር የአደጋ ምርመራን በማቀናጀት። DSPy እና LangChainን በመጠቀም RAG ሞዴልን የሚተገበር ቀላል የኮድ ምሳሌ አሳይተናል፣ እና ለDSPy እና LangChain በጣም ጥቅም ላይ የዋሉ 5-10 ዋና ዋና ትዕዛዞች/ቅንጣዎችን ዝርዝር አቅርበናል። Chart.jsን በመጠቀም የእይታ ምሳሌንም አካተናል። በዚህ ጽሁፍ ውስጥ የተዘረዘሩትን እርምጃዎች በመከተል ገንቢዎች በ AI-powered DevOps ቧንቧዎችን መገንባት እና ማሰማራት ይችላሉ ክስተቶችን በንቃት የሚፈቱ እና የሶፍትዌር ስርዓቶቻቸውን አጠቃላይ ብቃት እና አስተማማኝነት ያሻሽላሉ።