ଜିରୋଅପ୍ସ: ଏଆଇ ଏଜେଣ୍ଟ, ଷ୍ଟାକଗେନ, ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ ସହିତ ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ହାସଲ କରିବା

ପରିଚୟ

କ୍ଲାଉଡ୍-ଦେଶୀ ପରିବେଶର ଚିରସ୍ଥାୟୀ ଦୃଶ୍ୟପଟ୍ଟରେ, ଦକ୍ଷ ଏବଂ ମାପନୀୟ ଭିତ୍ତିଭୂମି ପରିଚାଳନା ପାଇଁ ଚାହିଦା କେବେବି ଅଧିକ ହୋଇନାହିଁ | ପାରମ୍ପାରିକ ସ୍ୱୟଂଚାଳିତ ଉପକରଣଗୁଡ଼ିକ ଶୃଙ୍ଖଳିତ ପ୍ରକ୍ରିୟାରେ ପ୍ରମୁଖ ଭୂମିକା ଗ୍ରହଣ କରିଛି, କିନ୍ତୁ ଆଧୁନିକ ଭିତ୍ତିଭୂମିର ଜଟିଳତା ଏବଂ ନ୍ୟୁଆନ୍ସକୁ ସମାଧାନ କରିବାରେ ସେମାନେ ପ୍ରାୟତ short ଅଭାବ ହୋଇଥାନ୍ତି | ଏହିଠାରେ ଜିରୋ ଅପ୍ସ ଆସେ - ଏକ ବ revolutionary ପ୍ଳବିକ ଆଭିମୁଖ୍ୟ ଯାହା ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ପରିଚାଳନା ହାସଲ କରିବାକୁ ଏଜେଣ୍ଟିକ୍ AI କୁ ବ୍ୟବହାର କରିଥାଏ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଏହାର ମୂଳ ଉପାଦାନ, ଲାଭ ଏବଂ ବ୍ୟବହାରିକ ପ୍ରୟୋଗଗୁଡ଼ିକୁ ଅନୁସନ୍ଧାନ କରି ଜିରୋ ଅପ୍ସ ଦୁନିଆରେ ଅନୁଧ୍ୟାନ କରିବୁ |

ଜିରୋ ଅପ୍ସ କ’ଣ?

ଜିରୋଅପ୍ସ ହେଉଛି ଏକ ଉଦୀୟମାନ ପାରାଦୀପ ଯାହା ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ର ଶକ୍ତିକୁ କ୍ଲାଉଡ୍-ଦେଶୀ ପରିବେଶର ନମନୀୟତା ସହିତ ସ୍ୱ-ପରିଚାଳନା ଭିତ୍ତିଭୂମି ସୃଷ୍ଟି କରିବାକୁ ଏକତ୍ର କରିଥାଏ | AI ଏଜେଣ୍ଟ, ଷ୍ଟାକଜେନ୍, ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ୍ ର ସାମର୍ଥ୍ୟକୁ ବ୍ୟବହାର କରି, ଜିରୋଅପ୍ ସଂସ୍ଥାଗୁଡ଼ିକୁ ଭିତ୍ତିଭୂମି ପରିଚାଳନାକୁ ସ୍ୱୟଂଚାଳିତ କରିବା, ମାନବ ତ୍ରୁଟି ହ୍ରାସ କରିବା ଏବଂ ସାମଗ୍ରିକ ଦକ୍ଷତା ବୃଦ୍ଧି କରିବାକୁ ସକ୍ଷମ କରିଥାଏ |

ଏଜେଣ୍ଟ୍ AI: ଜିରୋ ଅପ୍ସର ହୃଦୟ

ଏଜେଣ୍ଟିକ୍ AI ଏକ ପ୍ରକାର AI କୁ ବୁ refers ାଏ ଯାହା ବୁଦ୍ଧିମାନ ଆଚରଣ, ନିଷ୍ପତ୍ତି ନେବା କ୍ଷମତା ଏବଂ ଅନୁକୂଳତା ପ୍ରଦର୍ଶନ କରେ | ଜିରୋଅପ୍ସ ପ୍ରସଙ୍ଗରେ, ଏଜେଣ୍ଟିକ୍ ଏଆଇ ଏଜେଣ୍ଟଗୁଡିକ ଭିତ୍ତିଭୂମି s ାଞ୍ଚାରୁ ଶିଖିବା, ଅସନ୍ତୁଷ୍ଟତା ଚିହ୍ନଟ କରିବା ଏବଂ ସଂଶୋଧନ କାର୍ଯ୍ୟ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି | ଭିତ୍ତିଭୂମିର ଆଚରଣ ବିଷୟରେ ଏକ ଗଭୀର ବୁ understanding ାମଣା ବିକାଶ ପାଇଁ ଏହି ଏଜେଣ୍ଟମାନଙ୍କୁ ଲଗ, ମେଟ୍ରିକ୍ସ ଏବଂ ବିନ୍ୟାସ ଫାଇଲ ସହିତ ବିଭିନ୍ନ ତଥ୍ୟ ଉତ୍ସ ଉପରେ ତାଲିମ ଦିଆଯାଇପାରିବ |

ଷ୍ଟାକଜେନ୍: ଭିତ୍ତିଭୂମି-ଏସ୍-କୋଡ୍ (IaC) ଇଞ୍ଜିନ୍

ଷ୍ଟାକଜେନ୍ ହେଉଛି ଏକ ମୁକ୍ତ ଉତ୍ସ IaC ଇଞ୍ଜିନ୍ ଯାହା ସଂସ୍ଥାଗୁଡ଼ିକୁ ସଂକେତ ଭାବରେ ସଂଜ୍ଞା ଏବଂ ପରିଚାଳନା କରିବାକୁ ସକ୍ଷମ କରିଥାଏ | ଷ୍ଟାକଜେନ୍ ବ୍ୟବହାର କରି, ବିକାଶକାରୀମାନେ ଭିତ୍ତିଭୂମି ଟେମ୍ପଲେଟ୍ ସୃଷ୍ଟି କରିପାରିବେ, ପ୍ରୟୋଗଗୁଡିକ ନିୟୋଜିତ କରିପାରିବେ ଏବଂ ଉତ୍ସଗୁଡ଼ିକୁ ଏକ ସ୍ଥିର ଏବଂ ପୁନ oduc ପ୍ରବୃତ୍ତି manner ଙ୍ଗରେ ପରିଚାଳନା କରିପାରିବେ | ଏଜେଣ୍ଟ୍ ଏଆଇ ଏଜେଣ୍ଟମାନଙ୍କ ସହିତ ଷ୍ଟାକଗେନର ଏକୀକରଣ ସ୍ -ୟଂ ଆରୋଗ୍ୟ ଭିତ୍ତିଭୂମି ସୃଷ୍ଟି ପାଇଁ ଅନୁମତି ଦିଏ, ଯେଉଁଠାରେ ଏଜେଣ୍ଟମାନେ ରିଅଲ-ଟାଇମରେ ସମସ୍ୟାଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରି ସଂଶୋଧନ କରିପାରିବେ |

ଲାଙ୍ଗ୍ ଚେନ୍: AI ଚାଳିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟେଟର

ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି ଏକ ପାଇଥନ୍-ଆଧାରିତ framework ାଞ୍ଚା ଯାହା ବିକାଶକାରୀଙ୍କୁ AI ଚାଳିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟେଟର ଗଠନ ଏବଂ ନିୟୋଜନ କରିବାରେ ସକ୍ଷମ କରିଥାଏ | LangChain କୁ ବ୍ୟବହାର କରି, ସଂସ୍ଥାଗୁଡ଼ିକ କଷ୍ଟମ୍ ଏଆଇ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିପାରିବେ ଯାହା ସ୍ autonomous ୟଂଶାସିତ ଭିତ୍ତିଭୂମି ପରିଚାଳନା ହାସଲ କରିବା ପାଇଁ ଷ୍ଟାକଜେନ୍ ଏବଂ ଅନ୍ୟାନ୍ୟ ଭିତ୍ତିଭୂମି ଉପକରଣ ସହିତ ଏକୀଭୂତ ହୁଏ | LangChain ର ମଡ୍ୟୁଲାର୍ ସ୍ଥାପତ୍ୟ ଏବଂ ପୂର୍ବ-ନିର୍ମିତ ଉପାଦାନଗୁଡ଼ିକର ବିସ୍ତୃତ ଲାଇବ୍ରେରୀ ଏହାକୁ ଜଟିଳ AI ଚାଳିତ ଭିତ୍ତିଭୂମି ସମାଧାନ ନିର୍ମାଣ ପାଇଁ ଏକ ଆଦର୍ଶ ପସନ୍ଦ କରିଥାଏ |

ବ୍ୟବହାରିକ ପ୍ରୟୋଗ: ଏକ ସରଳ ଉଦାହରଣ

କ୍ଲାଉଡ୍-ଦେଶୀ ପରିବେଶରେ କିପରି ଜିରୋ ଅପ୍ସ ପ୍ରୟୋଗ କରାଯାଇପାରିବ ତାହାର ଏକ ସରଳ ଉଦାହରଣକୁ ବିଚାର କରିବା | ଧରାଯାଉ ଆମର କୁବେରନେଟସ୍ କ୍ଲଷ୍ଟରରେ ଏକ ୱେବ୍ ଆପ୍ଲିକେସନ୍ ନିୟୋଜିତ ଅଛି, ଏବଂ ଆମେ ଟ୍ରାଫିକ୍ ଚାହିଦା ଉପରେ ଆଧାର କରି ଅନୁପ୍ରୟୋଗକୁ ମାପିବା ପ୍ରକ୍ରିୟାକୁ ସ୍ୱୟଂଚାଳିତ କରିବାକୁ ଚାହୁଁ |

"ପାଇଥନ୍ |

langchain ଆମଦାନି କରନ୍ତୁ | langchain.agents ରୁ LLMChain ଆମଦାନି କରେ | langchain.llms ରୁ LangChainLLM ଆମଦାନି କରନ୍ତୁ |

AI ଏଜେଣ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ଏଜେଣ୍ଟ = LLMChain ( llm = LangChainLLM ( model_name = "code-davinci-002", ତାପମାତ୍ରା = 0.7, max_tokens = 2048, stop_sequences = ["\ n", "\ n \ n"] ), chain_name = "scale_app" )

ଷ୍ଟାକଜେନ୍ ଟେମ୍ପଲେଟ୍ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ଟେମ୍ପଲେଟ୍ = { "ପ୍ରକାର": "ନିୟୋଜନ", "ମେଟାଡାଟା": { "ନାମ": "ୱେବ୍ ଆପ୍" }, "spec": { "ପ୍ରତିକୃତି": 1 } }

ମାପିବା ନୀତି ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ନୀତି = { "ସର୍ତ୍ତ": "ଟ୍ରାଫିକ୍> 1000", "କାର୍ଯ୍ୟ": { "ପ୍ରତିକୃତି": ୨ } }

AI ଚାଳିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟେଟର୍ ସୃଷ୍ଟି କରନ୍ତୁ |

orchestrator = LangChainLLM ( model_name = "code-davinci-002", ତାପମାତ୍ରା = 0.7, max_tokens = 2048, stop_sequences = ["\ n", "\ n \ n"] )

StackGen ନିୟୋଜନକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ନିୟୋଜନ = StackGen ( ଟେମ୍ପଲେଟ୍ = ଟେମ୍ପଲେଟ୍, ନୀତି = ନୀତି )

ଆବେଦନ ନିୟୋଜନ କରନ୍ତୁ |

ନିୟୋଜନ। deploy ()

ଟ୍ରାଫିକ୍ ଚାହିଦା ଉପରେ ଆଧାର କରି ପ୍ରୟୋଗକୁ ମାପନ୍ତୁ |

orchestrator.scale_app (ଏଜେଣ୍ଟ, ନିୟୋଜନ) ``

ଏହି ଉଦାହରଣରେ, ଆମେ LangChain ବ୍ୟବହାର କରି ଏକ AI ଏଜେଣ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରିଛୁ ଯାହା ଟ୍ରାଫିକ୍ ଚାହିଦା ଉପରେ ଆଧାର କରି ଏକ ୱେବ୍ ଆପ୍ଲିକେସନ୍ ମାପିବା ପ୍ରକ୍ରିୟାକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଷ୍ଟାକଜେନ୍ ସହିତ ଏକୀଭୂତ ହୋଇଛି | ଟ୍ରାଫିକ୍ ତଥ୍ୟ ବିଶ୍ଳେଷଣ କରିବା ଏବଂ ଅନୁପ୍ରୟୋଗକୁ ମାପିବା ବିଷୟରେ ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ ଏଜେଣ୍ଟ ଏକ ପୂର୍ବ-ତାଲିମପ୍ରାପ୍ତ ଭାଷା ମଡେଲ୍ ବ୍ୟବହାର କରେ |

ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

ଜିରୋ ଅପ୍ସ ପାଇଁ ସାଧାରଣତ used ବ୍ୟବହୃତ କମାଣ୍ଡ ଏବଂ ସ୍ନିପେଟ୍ ଗୁଡିକ ଏଠାରେ ଅଛି:

1। ** langchain init **: ଏକ ନୂତନ LangChain ପ୍ରକଳ୍ପ ଆରମ୍ଭ କରେ | bash langchain init my_project 2। ** llm ଶୃଙ୍ଖଳା **: ଏକ ନୂତନ LLM ଶୃଙ୍ଖଳା ସୃଷ୍ଟି କରେ | "ପାଇଥନ୍ | langchain.agents ରୁ LLMChain ଆମଦାନି କରେ | langchain.llms ରୁ LangChainLLM ଆମଦାନି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = LLMChain ( llm = LangChainLLM ( model_name = "code-davinci-002", ତାପମାତ୍ରା = 0.7, max_tokens = 2048, stop_sequences = ["\ n", "\ n \ n"] ), chain_name = "my_chain" ) 3। ** ଷ୍ଟାକେନ୍ ନିୟୋଜନ **: କ୍ଲାଉଡ୍ ପ୍ରଦାନକାରୀଙ୍କୁ ଏକ ଷ୍ଟାକଜେନ୍ ଟେମ୍ପଲେଟ୍ ନିୟୋଜିତ କରେ | bash stackgen my_template.yaml ନିୟୋଜିତ କରନ୍ତୁ | `` 4। ** orchestrator scale_app **: ଟ୍ରାଫିକ୍ ଚାହିଦା ଉପରେ ଆଧାର କରି ଏକ ଅନୁପ୍ରୟୋଗ ମାପକାଠି | "ପାଇଥନ୍ | langchain.agents ରୁ LLMChain ଆମଦାନି କରେ | langchain.llms ରୁ LangChainLLM ଆମଦାନି କରନ୍ତୁ |

orchestrator = LangChainLLM ( model_name = "code-davinci-002", ତାପମାତ୍ରା = 0.7, max_tokens = 2048, stop_sequences = ["\ n", "\ n \ n"] )

orchestrator.scale_app (ଏଜେଣ୍ଟ, ନିୟୋଜନ) 5। ** ଏଜେଣ୍ଟ ଟ୍ରେନ୍ **: ଏକ ଡାଟାବେସରେ ଏକ AI ଏଜେଣ୍ଟକୁ ତାଲିମ ଦିଏ | bash ଏଜେଣ୍ଟ my_dataset.csv ଟ୍ରେନ୍ କରେ | 6। ** ଷ୍ଟାକେନ୍ ନୀତି **: ଏକ ପ୍ରୟୋଗ ପାଇଁ ଏକ ମାପିବା ନୀତି ବ୍ୟାଖ୍ୟା କରେ | "ପାଇଥନ୍ | ନୀତି = { "ସର୍ତ୍ତ": "ଟ୍ରାଫିକ୍> 1000", "କାର୍ଯ୍ୟ": { "ପ୍ରତିକୃତି": ୨ } } 7। ** langchain ଭିଜୁଆଲାଇଜ୍ **: ଏକ AI ଏଜେଣ୍ଟର ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ପ୍ରକ୍ରିୟାକୁ ଭିଜୁଆଲାଇଜ୍ କରେ | bash langchain my_agent.json ଭିଜୁଆଲ୍ କରନ୍ତୁ | 8। ** ଅର୍କେଷ୍ଟେଟର୍ ସ୍ଥିତି **: ଏକ ଅନୁପ୍ରୟୋଗର ସ୍ଥିତି ପ୍ରଦର୍ଶନ କରେ | bash orchestrator ସ୍ଥିତି my_app | 9। ** ଷ୍ଟାକେନ୍ ଲଗ୍ **: ଏକ ଷ୍ଟାକଜେନ୍ ନିୟୋଜନର ଲଗ୍ ପ୍ରଦର୍ଶନ କରେ | bash ଷ୍ଟାକେନ୍ ଲଗ୍ my_deployment 10। ** ଏଜେଣ୍ଟ ମୂଲ୍ୟାଙ୍କନ **: ଏକ AI ଏଜେଣ୍ଟର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରେ | bash ଏଜେଣ୍ଟ my_agent.json ମୂଲ୍ୟାଙ୍କନ କରେ |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି ZeroOps ସ୍ଥାପତ୍ୟର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["ଏଜେଣ୍ଟିକ୍ AI", "ଷ୍ଟାକଜେନ୍", "ଲାଙ୍ଗଚେନ୍"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "ଉପାଦାନଗୁଡିକ", "ଡାଟା": [10, 8, 12], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": [ "rgba (255, 99, 132, 0.2)", "rgba (54, 162, 235, 0.2)", "rgba (255, 206, 86, 0.2)" ], "borderColor": [ "rgba (255, 99, 132, 1)", "rgba (54, 162, 235, 1)", "rgba (255, 206, 86, 1)" ], "ସୀମା ଓସାର": 1 } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ମାପ": { "yAxes": [ { "ଟିକ୍ସ": { "startAtZero": ସତ୍ୟ | } } ] } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଜିରୋ ଅପ୍ସର ତିନୋଟି ମୂଳ ଉପାଦାନକୁ ଦର୍ଶାଏ: ଏଜେଣ୍ଟିକ୍ ଏଇ, ଷ୍ଟାକଜେନ୍, ଏବଂ ଲ୍ୟାଙ୍ଗଚେନ | ବାର୍ ଚାର୍ଟ ଜିରୋ ଅପ୍ସ ସ୍ଥାପତ୍ୟରେ ପ୍ରତ୍ୟେକ ଉପାଦାନର ଆପେକ୍ଷିକ ଗୁରୁତ୍ୱକୁ ବର୍ଣ୍ଣନା କରେ |

ସିଦ୍ଧାନ୍ତ

ଜିରୋ ଅପ୍ସ ହେଉଛି ଭିତ୍ତିଭୂମି ପରିଚାଳନା ପାଇଁ ଏକ ବ revolutionary ପ୍ଳବିକ ଆଭିମୁଖ୍ୟ ଯାହା ସ୍ autonomous ୟଂଶାସିତ ଭିତ୍ତିଭୂମି ପରିଚାଳନା ହାସଲ କରିବା ପାଇଁ ଏଜେଣ୍ଟିକ୍ ଏଇ, ଷ୍ଟାକଜେନ୍, ଏବଂ ଲ୍ୟାଙ୍ଗଚେନକୁ ବ୍ୟବହାର କରିଥାଏ | AI ଏବଂ IaC ର ଶକ୍ତି ବ୍ୟବହାର କରି, ଜିରୋଅପ୍ ସଂସ୍ଥାଗୁଡ଼ିକୁ ଭିତ୍ତିଭୂମି ପରିଚାଳନାକୁ ସ୍ୱୟଂଚାଳିତ କରିବାକୁ, ମାନବ ତ୍ରୁଟି ହ୍ରାସ କରିବାକୁ ଏବଂ ସାମଗ୍ରିକ ଦକ୍ଷତା ବୃଦ୍ଧି କରିବାକୁ ସକ୍ଷମ କରିଥାଏ | ଏହାର ବ୍ୟବହାରିକ ପ୍ରୟୋଗ, ଟପ୍ କମାଣ୍ଡ ଏବଂ ଭିଜୁଆଲାଇଜେସନ୍ ସହିତ, ଜିରୋ ଅପ୍ସ କ୍ଲାଉଡ୍-ଦେଶୀ ପରିବେଶରେ ଭିତ୍ତିଭୂମି ପରିଚାଳନା କରିବାର ପଦ୍ଧତିକୁ ପରିବର୍ତ୍ତନ କରିବାକୁ ପ୍ରସ୍ତୁତ |