መግቢያ

በሶፍትዌር ምህንድስና መስክ፣ DevOps አውቶሜሽን ለስላሳ እና ቀልጣፋ ስርጭት፣ ክትትል እና አፕሊኬሽኖች ጥገናን የማረጋገጥ ወሳኝ ገጽታ ሆኗል። ይሁን እንጂ የዘመናዊው የሶፍትዌር ስርዓቶች ውስብስብነት እየጨመረ በሄደ ቁጥር በእጅ ጣልቃ መግባት እና የሰዎች ቁጥጥር አስፈላጊነት ከጊዜ ወደ ጊዜ እየጨመረ ይሄዳል. የዜሮኦፕስ ፅንሰ-ሀሳብ የሚመጣው እዚህ ላይ ነው - AI ወኪሎች የሚያቀናጁበት እና ውስብስብ ስራዎችን በራስ ሰር የሚሰሩበት፣ የሰው ገንቢዎችን ከዕለት ተዕለት እና ተደጋጋሚ ተግባራት ነፃ የሚያወጡበት ራዕይ።

በዚህ ጽሑፍ ውስጥ ዜሮኦፕስን ለማግኘት የ AI፣ የሶፍትዌር ምህንድስና እና የዴቭኦፕ አውቶሜሽን መገናኛን እንቃኛለን። ይህንን ራዕይ ለማስቻል የ LangChain እና DSPy ሚና በጥልቀት እንመረምራለን እና እነዚህ ቴክኖሎጂዎች ውስብስብ ስራዎችን በራስ ሰር ለመስራት እንዴት ጥቅም ላይ እንደሚውሉ ተግባራዊ ምሳሌዎችን እናቀርባለን።

ከባህላዊ DevOps አውቶማቲክ ጋር ያለው ችግር

የባህላዊ DevOps አውቶማቲክ እንደ ጄንኪንስ፣ ሊቻል የሚችል እና ዶከር ባሉ መሳሪያዎች ስክሪፕት እና በእጅ ውቅር ላይ በእጅጉ ይተማመናል። እነዚህ መሳሪያዎች የልማት እና የሥምሪት ሂደትን ለማቀላጠፍ ትልቅ አስተዋፅዖ ቢኖራቸውም, ለማዋቀር እና ለመጠገን ብዙ ጊዜ ከፍተኛ እውቀት እና ጊዜ ይጠይቃሉ.

ከዚህም በላይ አፕሊኬሽኖች ይበልጥ የተወሳሰቡ እና የተከፋፈሉ ሲሆኑ፣ የእውነተኛ ጊዜ ክትትል እና ግብረመልስ አስፈላጊነት እየጨመረ ይሄዳል። የ AI ወኪሎች የሚመጡበት ቦታ ይህ ነው - ከተለያዩ ምንጮች የተገኙ መረጃዎችን መተንተን, ቅጦችን መለየት እና በራስ ገዝ ውሳኔዎችን ማድረግ ይችላሉ.

በዴቭኦፕስ አውቶሜሽን የ AI ወኪሎች መነሳት

የ AI ወኪሎች የእውነተኛ ጊዜ ክትትልን፣ ያልተለመደ መገኘትን እና በራስ ሰር ውሳኔን በመስጠት የዴቭኦፕስ አውቶሜትስን የመቀየር አቅም አላቸው። የማሽን መማሪያ ስልተ ቀመሮችን እና የተፈጥሮ ቋንቋን በማቀናበር AI ወኪሎች ወሳኝ ከመሆናቸው በፊት ሊሆኑ የሚችሉ ጉዳዮችን ለመለየት የምዝግብ ማስታወሻዎችን፣ መለኪያዎችን እና ሌሎች የመረጃ ምንጮችን መተንተን ይችላሉ።

LangChain እና DSPy በዚህ አብዮት ግንባር ቀደም የሆኑት ሁለት ቴክኖሎጂዎች ናቸው። LangChain የውይይት AI ወኪሎችን ለመፍጠር የሚያስችል የፓይዘን ቤተ-መጽሐፍት ሲሆን DSPy ደግሞ የ AI ሞዴሎችን ለመገንባት እና ለማሰማራት ከፍተኛ ደረጃ በይነገጽ የሚሰጥ የ Rust ቤተ-መጽሐፍት ነው።

LangChain፡ የፓይዘን ቤተ መፃህፍት ለውይይት AI ወኪሎች

LangChain የውይይት AI ወኪሎችን መፍጠር የሚያስችል የፓይዘን ቤተ-መጽሐፍት ነው። ቻትቦቶችን፣ የድምጽ ረዳቶችን እና ሌሎች የውይይት መገናኛዎችን ለመገንባት እና ለማሰማራት ቀላል እና ሊታወቅ የሚችል ኤፒአይ ያቀርባል።

የ LangChain ቁልፍ ባህሪያት አንዱ የቋንቋ ሞዴሎችን, የእውቀት ግራፎችን እና የውሳኔ ዛፎችን ጨምሮ ከተለያዩ AI ሞዴሎች ጋር የመዋሃድ ችሎታ ነው. ይህ ገንቢዎች በቀላሉ ሊሰማሩ እና ሊቆዩ የሚችሉ ውስብስብ የውይይት ፍሰቶችን እና የውሳኔ ሰጭ አመክንዮ እንዲፈጥሩ ያስችላቸዋል።

LangChainን በመጠቀም ቀላል ቻትቦትን እንዴት መፍጠር እንደሚቻል ምሳሌ እዚህ አለ፡- `` ፓይቶን አስመጣ langchain

የቋንቋ ሞዴል ይፍጠሩ

ሞዴል = langchain.LMModel("distilbert-base-uncased")

የእውቀት ግራፍ ይፍጠሩ

ግራፍ = langchain. የእውቀት ግራፍ("የእኔ_ግራፍ")

ቻትቦት ይፍጠሩ

chatbot = langchain.Chatbot (ሞዴል፣ ግራፍ)

የንግግር ፍሰትን ይግለጹ

ፍሰት = [ {"ግቤት": "ሄሎ", "ውፅዓት": "ሄሎ!"}, {"ግቤት"፡ "እንዴት ነህ"፣ "ውጤት"፡ "ጥሩ እየሰራሁ ነው አመሰግናለሁ!"} ]

ቻትቦትን አሰማራ

chatbot.deploy(ፍሰት)

## DSPy: AI ሞዴሎችን ለመገንባት እና ለማሰማራት የዝገት ቤተ-መጽሐፍት

DSPy AI ሞዴሎችን ለመገንባት እና ለማሰማራት ከፍተኛ ደረጃ በይነገጽ የሚያቀርብ Rust ቤተ-መጽሐፍት ነው። ገንቢዎች TensorFlow እና PyTorchን ጨምሮ የተለያዩ ስልተ ቀመሮችን እና ማዕቀፎችን በመጠቀም የማሽን መማሪያ ሞዴሎችን እንዲፈጥሩ እና እንዲያሠለጥኑ ያስችላቸዋል።

ከ DSPy ቁልፍ ባህሪያት አንዱ የውሂብ ጎታዎችን፣ ኤፒአይዎችን እና የፋይል ስርዓቶችን ጨምሮ ከተለያዩ የመረጃ ምንጮች ጋር የመዋሃድ ችሎታው ነው። ይህ ገንቢዎች በቀላሉ ሊሰማሩ እና ሊቆዩ የሚችሉ ውስብስብ የውሂብ ቧንቧዎችን እና የስራ ሂደቶችን እንዲፈጥሩ ያስችላቸዋል።

DSPy ን በመጠቀም ቀላል የማሽን መማሪያ ሞዴል እንዴት መፍጠር እንደሚቻል ምሳሌ እዚህ አለ፡-
`` ዝገት
dspy ይጠቀሙ:: {ሞዴል, ዳታሴት};

// የውሂብ ስብስብ ይፍጠሩ
የውሂብ ስብስብ = የውሂብ ስብስብ :: አዲስ ("የእኔ_ዳታ ስብስብ");

// ሞዴል ይፍጠሩ
ሞዴል = ሞዴል :: አዲስ ("my_model");

// ሞዴሉን ያሠለጥኑ
model.train (የውሂብ ስብስብ);

// ሞዴሉን ያሰራጩ
ሞዴል.deploy ();

AI ወኪሎችን በላንግቻይን እና በDSPy በማደራጀት ላይ

አሁን LangChain እና DSPy የውይይት AI ወኪሎችን እና የማሽን መማሪያ ሞዴሎችን ለመፍጠር እንዴት ጥቅም ላይ እንደሚውሉ አይተናል፣ እስቲ እነዚህ ቴክኖሎጂዎች AI ወኪሎችን ለማቀናጀት እንዴት ጥቅም ላይ እንደሚውሉ እንመርምር።

በDevOps አውቶሜሽን ውስጥ ካሉት ቁልፍ ተግዳሮቶች አንዱ የተቀናጀ እና አውቶማቲክ የስራ ፍሰት ለመፍጠር በርካታ መሳሪያዎችን እና አገልግሎቶችን ማቀናጀት ነው። ይህ LangChain እና DSPy የሚመጡበት ነው - ከተለያዩ መሳሪያዎች እና አገልግሎቶች ጋር ሊዋሃዱ የሚችሉ AI ወኪሎችን ለመገንባት እና ለማሰማራት ከፍተኛ ደረጃ በይነገጽ ይሰጣሉ.

LangChainን እና DSPyን በመጠቀም AI ወኪሎችን እንዴት ማቀናበር እንደሚቻል ምሳሌ እዚህ አለ፡- `` ፓይቶን አስመጣ langchain አስመጣ dspy

የቋንቋ ሞዴል ይፍጠሩ

ሞዴል = langchain.LMModel("distilbert-base-uncased")

የእውቀት ግራፍ ይፍጠሩ

ግራፍ = langchain. የእውቀት ግራፍ("የእኔ_ግራፍ")

ቻትቦት ይፍጠሩ

chatbot = langchain.Chatbot (ሞዴል፣ ግራፍ)

የማሽን መማሪያ ሞዴል ይፍጠሩ

ml_model = dspy.Model("የእኔ_ሞዴል")

የንግግር ፍሰትን ይግለጹ

ፍሰት = [ {"ግቤት": "ሄሎ", "ውፅዓት": "ሄሎ!"}, {"ግቤት"፡ "እንዴት ነህ"፣ "ውጤት"፡ "ጥሩ እየሰራሁ ነው አመሰግናለሁ!"} ]

ቻትቦትን አሰማራ

chatbot.deploy(ፍሰት)

የማሽን መማሪያ ሞዴልን ማሰልጠን

ml_model.train("የእኔ_ውሂብ ስብስብ")

የማሽን መማሪያ ሞዴሉን ያሰማሩ

ml_model.deploy()

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

ለ LangChain እና DSPy በጣም ጥቅም ላይ የዋሉት 5-10 ከፍተኛ ትዕዛዞች/ቅንጣዎች እነሆ፡-

1. `langchain.LMModel("distilbert-base-uncased")`፡ የDistilBERT ስልተ ቀመርን በመጠቀም የቋንቋ ሞዴል ይፈጥራል።
2. `langchain.KnowledgeGraph("my_graph")`፡ የተገለጸውን ግራፍ በመጠቀም የእውቀት ግራፍ ይፈጥራል።
3. `langchain.Chatbot(ሞዴል፣ ግራፍ)`፡ የተገለጸውን የቋንቋ ሞዴል እና የእውቀት ግራፍ በመጠቀም ቻትቦት ይፈጥራል።
4. `dspy.Model("my_model")`፡ የተገለጸውን ሞዴል በመጠቀም የማሽን መማሪያ ሞዴል ይፈጥራል።
5. `dspy.Dataset("my_dataset")`፡ የተገለጸውን የውሂብ ስብስብ በመጠቀም የውሂብ ስብስብ ይፈጥራል።
6. `model.train(dataset)`፡ የማሽን መማሪያ ሞዴሉን በተጠቀሰው ዳታ ስብስብ ያሠለጥናል።
7. `model.deploy()`፡ የማሽን መማሪያ ሞዴሉን ያሰማራል።
8. `chatbot.deploy(flow)`፡ የተገለጸውን የንግግር ፍሰት በመጠቀም ቻትቦትን ያሰማራል።
9. `graph.add_node("node1", "node2")': ወደ እውቀት ግራፉ አንጓ ይጨምራል።
10. `graph.add_edge("node1", "node2")'፡ በእውቀት ግራፉ ላይ ጠርዝን ይጨምራል።

## እይታ

Chart.jsን በመጠቀም የ LangChain እና DSPy አርክቴክቸር ምስላዊ እይታ እዚህ አለ፡-
``json
{
  "አይነት": "ባር",
  "ውሂብ": {
    "መለያዎች": ["LangChain", "DSPy"],
    "መረጃዎች": [
      {
        "label": "የውይይት AI ወኪሎች",
        "ውሂብ": [10, 5],
        "backgroundColor": ["#4CAF50", "#FF9800"]
      }
      {
        "label": "የማሽን መማሪያ ሞዴሎች",
        "ውሂብ": [5, 10],
        "የጀርባ ቀለም": ["#2196F3", "#9C27B0"]
      }
    ]
  }
  "አማራጮች": {
    "ርዕስ": {
      "ማሳያ": እውነት,
      "text": "LangChain እና DSPy Architecture"
    }
    "አፈ ታሪክ": {
      "ማሳያ": እውነት
    }
  }
}

ይህ እይታ በLangChain እና DSPy መካከል የንግግር AI ወኪሎችን እና የማሽን መማሪያ ሞዴሎችን ስርጭት ያሳያል።

መደምደሚያ

በዚህ ጽሑፍ ውስጥ ዜሮኦፕስን ለማግኘት የ AI፣ የሶፍትዌር ምህንድስና እና የዴቭኦፕስ አውቶሜሽን መገናኛን መርምረናል። የውይይት AI ወኪሎችን እና የማሽን መማሪያ ሞዴሎችን ለመፍጠር LangChain እና DSPy እንዴት መጠቀም እንደሚቻል እና እነዚህ ቴክኖሎጂዎች AI ወኪሎችን ለማቀናጀት እንዴት ጥቅም ላይ እንደሚውሉ አይተናል።

የ AI እና አውቶሜሽን ኃይልን በመጠቀም ገንቢዎች በቀላሉ ሊሰማሩ እና ሊቆዩ የሚችሉ ውስብስብ እና ቀልጣፋ የስራ ሂደቶችን መፍጠር ይችላሉ። ልምድ ያካበቱ ገንቢም ይሁኑ ገና በመጀመር ላይ፣ LangChain እና DSPy AI ወኪሎችን ለመገንባት እና ለማሰማራት ኃይለኛ እና ሊታወቅ የሚችል በይነገጽ ይሰጣሉ።

የሶፍትዌር ምህንድስና ዓለም በዝግመተ ለውጥ ሲቀጥል፣የአውቶሜሽን እና AI ፍላጎት ማደጉን ብቻ ይቀጥላል። እነዚህን ቴክኖሎጂዎች በመቀበል፣ ገንቢዎች ከተለዋዋጭ መስፈርቶች እና አከባቢዎች ጋር የሚጣጣሙ ይበልጥ ቀልጣፋ፣ ሊሰፉ የሚችሉ እና ሊጠበቁ የሚችሉ ስርዓቶችን መፍጠር ይችላሉ።

በሚቀጥለው ርዕስ ውስጥ, ከሌሎች መሳሪያዎች እና አገልግሎቶች ጋር እንዴት እንደሚዋሃዱ እና ብጁ AI ሞዴሎችን እና የስራ ፍሰቶችን እንዴት መፍጠር እንደሚችሉ ጨምሮ በ LangChain እና DSPy ውስጥ የበለጠ የላቁ ርዕሶችን እንመረምራለን. ተከታተሉት!