** ኤጀንቲክ AIን ወደ DevOps ማቀናጀት፡ የሶፍትዌር አቅርቦትን ከDSPy እና LangChain ጋር በማቀናጀት ላይ ***

መግቢያ

የዴቭኦፕስ እንቅስቃሴ ሶፍትዌር በሚዘጋጅበት፣ በሚሰማራበት እና በሚቆይበት መንገድ ላይ ለውጥ አድርጓል። ነገር ግን፣ የሶፍትዌር ውስብስብነት እያደገ ሲሄድ፣ በዴቭኦፕስ ቧንቧ መስመር ውስጥ አውቶሜሽን እና ኦርኬስትራ የማድረግ ፍላጎትም ይጨምራል። በራስ ገዝ ውሳኔ አሰጣጥ እና ተግባር ላይ የሚያተኩር የአርቴፊሻል ኢንተለጀንስ ንዑስ መስክ ኤጀንሲ አስተዳደርን በራስ ሰር በማስተካከል እና ኦርኬስትራውን በማጎልበት የዴቭኦፕስ ልምዶችን የመቀየር አቅም አለው። በዚህ ጽሑፍ ውስጥ እንደ DSPy እና LangChain ያሉ መሳሪያዎችን እንዴት በተግባራዊ የአተገባበር ስልቶች ላይ በማተኮር ኤጀንታዊ AIን ወደ DevOps ለማዋሃድ እንዴት መጠቀም እንደሚቻል እንቃኛለን።

** ወኪል AI ምንድን ነው?**

ኤጀንቲክ AI ራሱን ችሎ ውሳኔ መስጠት እና እርምጃ መውሰድ የሚችል ሰው ሰራሽ የማሰብ ችሎታን ያመለክታል። ከተለምዷዊ AI ስርዓቶች በተለየ መልኩ የተወሰኑ ተግባራትን ለማከናወን የተነደፉ፣ የኤጀንሲው AI ስርዓቶች ውስብስብ በሆኑ ተለዋዋጭ አካባቢዎች ለመማር፣ ለማላመድ እና ውሳኔዎችን ለማድረግ የተነደፉ ናቸው። ኤጀንቲክ AI አስተዳደርን በራስ-ሰር በማዘጋጀት እና ኦርኬስትራዎችን በማጎልበት፣ ቡድኖች በከፍተኛ ደረጃ ተግባራት ላይ እንዲያተኩሩ እና አጠቃላይ የሶፍትዌር አቅርቦትን እንዲያሻሽሉ በማድረግ DevOpsን የመቀየር አቅም አለው።

DSPy ምንድን ነው?

DSPy የመረጃ ቧንቧዎችን ለመገንባት እና ለማሰማራት የፓይዘን ቤተ-መጽሐፍት ነው። ከተለያዩ ምንጮች የተገኙ መረጃዎችን ለማዋሃድ፣ ለመለወጥ እና በተለያዩ ቅርጸቶች ለማስቀመጥ ቀላል፣ ተለዋዋጭ እና ሊሰፋ የሚችል መንገድ ያቀርባል። DSPy በተለይ በDevOps ቧንቧዎች ውስጥ ለመጠቀም በጣም ተስማሚ ነው፣ መረጃ ብዙ ጊዜ የሚመነጨው እና በቅጽበት የሚሰራበት።

** LangChain ምንድን ነው?**

LangChain የውይይት AI ስርዓቶችን ለመገንባት እና ለማሰማራት የፓይዘን ቤተ-መጽሐፍት ነው። የተፈጥሮ ቋንቋ ማቀነባበሪያ (NLP) እና የማሽን መማር (ML) ሞዴሎችን ወደ የውይይት መገናኛዎች ለማዋሃድ ቀላል፣ ተለዋዋጭ እና ሊሰፋ የሚችል መንገድ ያቀርባል። LangChain በተለይ በ DevOps ቧንቧዎች ውስጥ ለመጠቀም ተስማሚ ነው, የውይይት በይነገጾች ስራዎችን በራስ ሰር ለመስራት እና የተጠቃሚን ልምድ ለማሻሻል ጥቅም ላይ ሊውሉ ይችላሉ.

** ኤጀንቲክ AIን ከDSPy እና LangChain ጋር ወደ DevOps ማዋሃድ ***

ወኪል AIን ከDSPy እና LangChain ጋር ወደ DevOps ለማዋሃድ እነዚህን ደረጃዎች መከተል አለብን።

1. ** ዳታ ማስገቢያ ***፡ ከተለያዩ ምንጮች እንደ ዳታቤዝ፣ ኤፒአይ እና ፋይሎች ያሉ መረጃዎችን ለማስገባት DSPy ይጠቀሙ።
2. መረጃ ማቀናበር፡ የገባውን መረጃ ለመለወጥ እና ለማስኬድ እንደ ዳታ ማፅዳት፣ ማጣራት እና ማሰባሰብ ያሉ ቴክኒኮችን በመጠቀም DSPy ይጠቀሙ።
3. የሞዴል ስልጠና፡ እንደ ክትትል የሚደረግበት ትምህርት፣ ክትትል የማይደረግበት ትምህርት እና የማጠናከሪያ ትምህርት ያሉ ቴክኒኮችን በመጠቀም ML ሞዴሎችን በተቀነባበረ መረጃ ላይ ለማሰልጠን LangChainን ይጠቀሙ።
4. ** የሞዴል ማሰማራት ***: የሰለጠኑ ሞዴሎችን ወደ የውይይት በይነገጽ ለማሰማራት LangChainን ይጠቀሙ፣ እንደ ቻትቦት ወይም የድምጽ ረዳት።
5. ** የሞዴል ግምገማ ***፡ የተዘረጉትን ሞዴሎች አፈጻጸም ለመገምገም እንደ ትክክለኛነት፣ ትክክለኛነት እና ማስታወስ ያሉ መለኪያዎችን በመጠቀም DSPy ይጠቀሙ።

ተግባራዊ የአተገባበር ስልቶች

ወኪል AIን በDSPy እና LangChain በDevOps ለመተግበር እነዚህን ተግባራዊ ስልቶች መከተል እንችላለን፡-

1. የውሂብ መግቢያን ወደ አውቶማቲክ ለማድረግ DSPy ተጠቀም፦ ከተለያዩ ምንጮች እንደ ዳታቤዝ፣ ኤፒአይ እና ፋይሎች ያሉ መረጃዎችን በራስ ሰር ለማስገባት DSPy ይጠቀሙ። `` ፓይቶን አስመጣ dspy

ቧንቧ = dspy.የቧንቧ መስመር ()

ወደ ቧንቧው የውሂብ ምንጭ ያክሉ

pipeline.add_source(dspy.DataSource("database", "my_database"))

ዳታ ፕሮሰሰር ወደ ቧንቧው ያክሉ

pipeline.add_processor(dspy.DataProcessor("ትራንስፎርም፣"የእኔ_ትራንስፎርም"))

ቧንቧውን ያሂዱ

pipeline.run()

2. **የኤምኤል ሞዴሎችን ለማሰልጠን LangChainን ተጠቀም**፡ ML ሞዴሎችን በተቀነባበረ መረጃ ላይ ለማሰልጠን እንደ ክትትል የሚደረግበት ትምህርት፣ ክትትል የሚደረግበት ትምህርት እና የማጠናከሪያ ትምህርት ያሉ ቴክኒኮችን በመጠቀም LangChainን ይጠቀሙ።
`` ፓይቶን
አስመጣ langchain

# የውይይት በይነገጽ ይፍጠሩ
በይነገጽ = langchain.ConversationalInterface()

# የንግግር ፍሰትን ይግለጹ
ፍሰት = langchain.ConversationalFlow(
    ሐሳብ = "ሰላምታ",
    answer="ሄሎ፣ እንዴት ልረዳህ እችላለሁ?"
)

# ሞዴሉን አሰልጥኑ
interface.train(ፍሰት)

3. ** የሞዴል አፈጻጸምን ለመገምገም DSPy ተጠቀም**፡ የተዘረጉትን ሞዴሎች አፈጻጸም ለመገምገም እንደ ትክክለኛነት፣ ትክክለኛነት እና ማስታወስ ያሉ መለኪያዎችን በመጠቀም DSPy ተጠቀም። `` ፓይቶን አስመጣ dspy

የውሂብ መስመር ይፍጠሩ

ቧንቧ = dspy.የቧንቧ መስመር ()

ወደ ቧንቧው የውሂብ ምንጭ ያክሉ

pipeline.add_source(dspy.DataSource("database", "my_database"))

ዳታ ፕሮሰሰር ወደ ቧንቧው ያክሉ

pipeline.add_processor(dspy.DataProcessor("ገምግም"፣"የእኔ_ግምገማ"))

ቧንቧውን ያሂዱ

pipeline.run()

**ምርጥ 5-10 በብዛት ጥቅም ላይ የዋሉ ትዕዛዞች/ቅንጣዎች**

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

1. `dspy.Pipeline()`፡ አዲስ የውሂብ ቧንቧ ይፈጥራል።
2. `dspy.DataSource()`፡ አዲስ የውሂብ ምንጭ ይፈጥራል።
3. `dspy.DataProcessor()`፡ አዲስ ዳታ ፕሮሰሰር ይፈጥራል።
4. `langchain.ConversationalInterface()`፡ አዲስ የውይይት በይነገጽ ይፈጥራል።
5. `langchain.ConversationalFlow()`፡ የውይይት ፍሰትን ይገልጻል።
6. `langchain.train()`፡ ሞዴልን ያሰለጥናል።
7. `dspy.run()`፡ የቧንቧ መስመር ይሰራል።
8. `dspy.evaluate()`፡ የሞዴል አፈጻጸምን ይገመግማል።
9. `langchain.deploy()`፡ ሞዴል ያሰማራል።
10. `langchain.integrate()`፡ ሞዴልን ወደ የውይይት በይነገጽ ያዋህዳል።

**እይታ**

Chart.jsን በመጠቀም የኤጀንሲው AI ቧንቧ እይታ እዚህ አለ፡-
``json
{
  "አይነት": "ባር",
  "ውሂብ": {
    "labels": ["የውሂብ ማስገቢያ", "የውሂብ ሂደት", "ሞዴል ስልጠና", "ሞዴል ማሰማራት", "ሞዴል ግምገማ"],
    "መረጃዎች": [
      {
        "label": "ኤጀንሲያዊ AI ቧንቧ",
        "ውሂብ": [10, 15, 20, 25, 30],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "የድንበር ስፋት"፡ 1
      }
    ]
  }
  "አማራጮች": {
    "ርዕስ": {
      "ማሳያ": እውነት,
      "text": "Agenttic AI Pipeline"
    }
    "ሚዛኖች": {
      "yAxes": [
        {
          "scaleLabel": {
            "ማሳያ": እውነት,
            "labelString": "እሴት"
          }
        }
      ]
    }
  }
}

ይህ የእይታ እይታ በእያንዳንዱ ደረጃ የተከናወኑ ተግባራት ብዛት ያለው የኤጀንሲው AI ቧንቧ መስመር አምስቱን ደረጃዎች ያሳያል።

** መደምደሚያ**

ወኪል AIን ወደ DevOps ከ DSPy እና LangChain ጋር ማቀናጀት አስተዳደርን በራስ ሰር በማስተካከል እና ኦርኬስትራውን በማጎልበት የሶፍትዌር አቅርቦትን የመቀየር አቅም አለው። በዚህ ጽሑፍ ውስጥ የተዘረዘሩትን ተግባራዊ የማስፈጸሚያ ስልቶችን በመከተል ቡድኖች የሶፍትዌር አቅርቦትን የሚያሻሽሉ እና ወጪዎችን የሚቀንሱ ኤጀንታዊ AI ስርዓቶችን መገንባት እና ማሰማራት ይችላሉ። የማሳያ ክፍሉ ስለ ኤጀንሲው AI ቧንቧ ግልጽ እና አጭር አጠቃላይ እይታ ያቀርባል, ይህም ቡድኖች ይህንን ቴክኖሎጂ እንዲረዱ እና እንዲተገበሩ ቀላል ያደርገዋል.