===========================================================

ପରିଚୟ

DevOps ସ୍ୱୟଂଚାଳିତରେ ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ଏବଂ ମେସିନ୍ ଲର୍ନିଂ (ML) ର ବୃଦ୍ଧି ସହିତ ସଫ୍ଟୱେର୍ ବିକାଶ ଦୃଶ୍ୟ ଦ୍ରୁତ ଗତିରେ ବିକାଶ କରୁଛି | AI ଚାଳିତ ସ୍ୱୟଂଚାଳିତ ଜଟିଳ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ଶୃଙ୍ଖଳିତ କରିବାରେ, ଦକ୍ଷତାକୁ ଉନ୍ନତ କରିବାରେ ଏବଂ ମାନବ ତ୍ରୁଟିର ସମ୍ଭାବନାକୁ ହ୍ରାସ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ | ଏହି ଆର୍ଟିକିଲରେ, ସଫ୍ଟୱେର୍ ଡେଭଲପମେଣ୍ଟ ପାଇପଲାଇନରେ ମୂଳ କାରଣ ବିଶ୍ଳେଷଣ ଏବଂ ଦକ୍ଷତା ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ AI- ଚାଳିତ ଏଜେଣ୍ଟଗୁଡ଼ିକୁ କିପରି କାର୍ଯ୍ୟକାରୀ କରିବାକୁ DSPy ଏବଂ LangChain କୁ ଲିଭର୍ କରାଯିବ ତାହା ଆମେ ଅନୁସନ୍ଧାନ କରିବୁ |

DSPy କ’ଣ?

DSPy ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା ବିକାଶକାରୀଙ୍କୁ AI ଚାଳିତ ସ୍ୱୟଂଚାଳିତ କାର୍ଯ୍ୟ ପ୍ରବାହ ନିର୍ମାଣ ଏବଂ ନିୟୋଜନ କରିବାକୁ ଅନୁମତି ଦିଏ | ବିଭିନ୍ନ AI ଏବଂ ML ମଡେଲଗୁଡିକୁ ଏକୀକରଣ କରିବା ପାଇଁ ଏହା ଏକ ମାପନୀୟ ଏବଂ ନମନୀୟ framework ାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ, ଯାହାକି ଏହାକୁ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ ଏକ ଆଦର୍ଶ ପସନ୍ଦ କରିଥାଏ |

LangChain କ’ଣ?

ଲାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା ଡେଭଲପର୍ମାନଙ୍କୁ ବାର୍ତ୍ତାଳାପକାରୀ AI ଏଜେଣ୍ଟ ଗଠନ ଏବଂ ନିୟୋଜନ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ | ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବା ପାଇଁ ଏହା ଏକ ସରଳ ଏବଂ ଅନ୍ତର୍ନିହିତ API ପ୍ରଦାନ କରେ ଯାହା ପ୍ରାକୃତିକ ଭାଷା ଇନପୁଟକୁ ବୁ understand ିପାରେ ଏବଂ ପ୍ରତିକ୍ରିୟା କରିପାରିବ |

ମୂଳ କାରଣ ବିଶ୍ଳେଷଣ ପାଇଁ AI ଏଜେଣ୍ଟଗୁଡ଼ିକୁ କାର୍ଯ୍ୟକାରୀ କରିବା |

ମୂଳ କାରଣ ବିଶ୍ଳେଷଣ ହେଉଛି DevOps ସ୍ୱୟଂଚାଳିତର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ, କାରଣ ଏହା ସମସ୍ୟାଗୁଡିକର ମୂଳ କାରଣଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିବାରେ ସାହାଯ୍ୟ କରେ ଏବଂ ଭବିଷ୍ୟତରେ ସେଗୁଡିକୁ ରୋକିବାରେ ସାହାଯ୍ୟ କରେ | AI- ଚାଳିତ ମୂଳ କାରଣ ବିଶ୍ଳେଷଣକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ, ଆମେ DSPy କୁ ଏକ କାର୍ଯ୍ୟ ପ୍ରବାହ ସୃଷ୍ଟି କରିବାକୁ ବ୍ୟବହାର କରିପାରିବା ଯାହା LangChain ସହିତ ଏକୀଭୂତ ହୁଏ |

କାର୍ଯ୍ୟ ପ୍ରବାହର ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ ସମୀକ୍ଷା ଏଠାରେ ଅଛି:

1। ** ତଥ୍ୟ ସଂଗ୍ରହ **: ବିଭିନ୍ନ ଉତ୍ସରୁ ପ୍ରଯୁଜ୍ୟ ତଥ୍ୟ ସଂଗ୍ରହ କରନ୍ତୁ, ଯେପରିକି ଲଗ୍, ମେଟ୍ରିକ୍, ଏବଂ ବିନ୍ୟାସ ଫାଇଲ୍ | 2। ** ଡାଟା ପ୍ରୋସେସିଂ **: ସଂଗୃହିତ ତଥ୍ୟକୁ ବିଶ୍ଳେଷଣ ପାଇଁ ପ୍ରସ୍ତୁତ କରିବାକୁ ପ୍ରସ୍ତୁତ କର | 3। ** ମଡେଲ୍ ଟ୍ରେନିଂ **: s ାଞ୍ଚା ଏବଂ ସମ୍ପର୍କ ଚିହ୍ନଟ କରିବାକୁ ପ୍ରିପ୍ରୋସେସ୍ ହୋଇଥିବା ତଥ୍ୟ ଉପରେ ଏକ ML ମଡେଲ୍ ଟ୍ରେନ୍ କରନ୍ତୁ | 4। ** ମଡେଲ୍ ନିୟୋଜନ **: ଏକ DSPy କାର୍ଯ୍ୟ ପ୍ରବାହରେ ତାଲିମପ୍ରାପ୍ତ ମଡେଲକୁ ନିୟୋଜିତ କରନ୍ତୁ | 5। ** ଏଜେଣ୍ଟ୍ ଇଣ୍ଟିଗ୍ରେସନ୍ **: ପ୍ରାକୃତିକ ଭାଷାର ପାରସ୍ପରିକ କ୍ରିୟାକୁ ସକ୍ଷମ କରିବାକୁ ଏକ LangChain ଏଜେଣ୍ଟ ସହିତ DSPy ୱାର୍କଫ୍ଲୋକୁ ଏକତ୍ର କରନ୍ତୁ |

କୋଡ୍ ଉଦାହରଣ: ମୂଳ କାରଣ ବିଶ୍ଳେଷଣ କାର୍ଯ୍ୟ ପ୍ରବାହ |

"ପାଇଥନ୍ | dspy କୁ dsp ଭାବରେ ଆମଦାନି କରନ୍ତୁ | langchain ଆମଦାନି ଏଜେଣ୍ଟରୁ |

DSPy କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

କାର୍ଯ୍ୟ ପ୍ରବାହ = dsp.Workflow ( ନାମ = "root_cause_analysis", କାର୍ଯ୍ୟ = [ dsp.Task ("data_collection", "ଲଗ ଏବଂ ମେଟ୍ରିକରୁ ତଥ୍ୟ ସଂଗ୍ରହ କରନ୍ତୁ"), dsp.Task ("data_preprocessing", "ବିଶ୍ଳେଷଣ ପାଇଁ ପ୍ରିପ୍ରୋସେସ୍ ଡାଟା"), dsp.Task ("ମଡେଲ୍_ ଟ୍ରେନିଂ", "ପ୍ରୋସେସ୍ ହୋଇଥିବା ଡାଟା ଉପରେ ML ମଡେଲ୍ ଟ୍ରେନ୍"), dsp.Task ("model_deployment", "DSPy ୱାର୍କଫ୍ଲୋରେ ତାଲିମପ୍ରାପ୍ତ ମଡେଲ୍ ନିୟୋଜନ"), ], )

ଲାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ ( ନାମ = "root_cause_agent", ମଡେଲ୍ = "ଡିଷ୍ଟିଲବର୍ଟ-ବେସ୍-ଅବ୍ୟବହୃତ", prompt = "ସମସ୍ୟାର ମୂଳ କାରଣ କ’ଣ?", )

LangPhain ଏଜେଣ୍ଟ ସହିତ DSPy କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ଏକତ୍ର କର |

workflow.add_agent (ଏଜେଣ୍ଟ)

କାର୍ଯ୍ୟଧାରା ଚଲାନ୍ତୁ |

workflow.run () ``

ଦକ୍ଷତା ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ AI ଏଜେଣ୍ଟଗୁଡିକୁ କାର୍ଯ୍ୟକାରୀ କରିବା |

ଦକ୍ଷତା ଅପ୍ଟିମାଇଜେସନ୍ ହେଉଛି DevOps ସ୍ୱୟଂଚାଳିତର ଅନ୍ୟ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ, କାରଣ ଏହା ସଫ୍ଟୱେର୍ ବିକାଶ ପାଇପଲାଇନର ଗତି ଏବଂ ଉତ୍ପାଦକତାରେ ଉନ୍ନତି ଆଣିବାରେ ସାହାଯ୍ୟ କରେ | AI ଚାଳିତ ଦକ୍ଷତା ଅପ୍ଟିମାଇଜେସନ୍ କାର୍ଯ୍ୟକାରୀ କରିବାକୁ, ଆମେ DSPy ବ୍ୟବହାର କରି ଏକ ୱାର୍କଫ୍ଲୋ ସୃଷ୍ଟି କରିବା ଯାହାକି LangChain ସହିତ ଏକୀଭୂତ ହୁଏ |

କାର୍ଯ୍ୟ ପ୍ରବାହର ଏକ ଉଚ୍ଚ ସ୍ତରୀୟ ସମୀକ୍ଷା ଏଠାରେ ଅଛି:

1। ** ତଥ୍ୟ ସଂଗ୍ରହ **: ବିଭିନ୍ନ ଉତ୍ସରୁ ପ୍ରଯୁଜ୍ୟ ତଥ୍ୟ ସଂଗ୍ରହ କରନ୍ତୁ, ଯେପରିକି ଲଗ୍, ମେଟ୍ରିକ୍, ଏବଂ ବିନ୍ୟାସ ଫାଇଲ୍ | 2। ** ଡାଟା ପ୍ରୋସେସିଂ **: ସଂଗୃହିତ ତଥ୍ୟକୁ ବିଶ୍ଳେଷଣ ପାଇଁ ପ୍ରସ୍ତୁତ କରିବାକୁ ପ୍ରସ୍ତୁତ କର | 3। ** ମଡେଲ୍ ଟ୍ରେନିଂ **: s ାଞ୍ଚା ଏବଂ ସମ୍ପର୍କ ଚିହ୍ନଟ କରିବାକୁ ପ୍ରିପ୍ରୋସେସ୍ ହୋଇଥିବା ତଥ୍ୟ ଉପରେ ଏକ ML ମଡେଲ୍ ଟ୍ରେନ୍ କରନ୍ତୁ | 4। ** ମଡେଲ୍ ନିୟୋଜନ **: ଏକ DSPy କାର୍ଯ୍ୟ ପ୍ରବାହରେ ତାଲିମପ୍ରାପ୍ତ ମଡେଲକୁ ନିୟୋଜିତ କରନ୍ତୁ | 5। ** ଏଜେଣ୍ଟ୍ ଇଣ୍ଟିଗ୍ରେସନ୍ **: ପ୍ରାକୃତିକ ଭାଷାର ପାରସ୍ପରିକ କ୍ରିୟାକୁ ସକ୍ଷମ କରିବାକୁ ଏକ LangChain ଏଜେଣ୍ଟ ସହିତ DSPy ୱାର୍କଫ୍ଲୋକୁ ଏକତ୍ର କରନ୍ତୁ |

କୋଡ୍ ଉଦାହରଣ: ଦକ୍ଷତା ଅପ୍ଟିମାଇଜେସନ୍ ୱାର୍କଫ୍ଲୋ |

"ପାଇଥନ୍ | dspy କୁ dsp ଭାବରେ ଆମଦାନି କରନ୍ତୁ | langchain ଆମଦାନି ଏଜେଣ୍ଟରୁ |

DSPy କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

କାର୍ଯ୍ୟ ପ୍ରବାହ = dsp.Workflow ( ନାମ = "ଦକ୍ଷତା_ ଅପ୍ଟିମାଇଜେସନ୍", କାର୍ଯ୍ୟ = [ dsp.Task ("data_collection", "ଲଗ ଏବଂ ମେଟ୍ରିକରୁ ତଥ୍ୟ ସଂଗ୍ରହ କରନ୍ତୁ"), dsp.Task ("data_preprocessing", "ବିଶ୍ଳେଷଣ ପାଇଁ ପ୍ରିପ୍ରୋସେସ୍ ଡାଟା"), dsp.Task ("ମଡେଲ୍_ ଟ୍ରେନିଂ", "ପ୍ରୋସେସ୍ ହୋଇଥିବା ଡାଟା ଉପରେ ML ମଡେଲ୍ ଟ୍ରେନ୍"), dsp.Task ("model_deployment", "DSPy ୱାର୍କଫ୍ଲୋରେ ତାଲିମପ୍ରାପ୍ତ ମଡେଲ୍ ନିୟୋଜନ"), ], )

ଲାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ ( ନାମ = "ଦକ୍ଷତା_ଜେଣ୍ଟ", ମଡେଲ୍ = "ଡିଷ୍ଟିଲବର୍ଟ-ବେସ୍-ଅବ୍ୟବହୃତ", ପ୍ରମ୍ପ୍ଟ = "ଉନ୍ନତ ଦକ୍ଷତା ପାଇଁ ମୁଁ କିପରି ପାଇପଲାଇନକୁ ଅପ୍ଟିମାଇଜ୍ କରିପାରିବି?", )

LangPhain ଏଜେଣ୍ଟ ସହିତ DSPy କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ଏକତ୍ର କର |

workflow.add_agent (ଏଜେଣ୍ଟ)

କାର୍ଯ୍ୟଧାରା ଚଲାନ୍ତୁ |

workflow.run () ``

ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ |

DSPy ଏବଂ LangChain ପାଇଁ ସାଧାରଣତ used ବ୍ୟବହୃତ କମାଣ୍ଡ ଏବଂ ସ୍ନିପେଟ୍ ଗୁଡିକ ଏଠାରେ ଅଛି:

DSPy

1। "Dsp.Workflow (name =" my_workflow ", task = [...])": ଏକ ନୂତନ DSPy କାର୍ଯ୍ୟଧାରା ସୃଷ୍ଟି କରନ୍ତୁ | ।। ।। 4। "Workflow.run ()": ଏକ DSPy ୱାର୍କଫ୍ଲୋ ଚଲାନ୍ତୁ | 5। "Dsp.get_task_output (ଟାସ୍କ)": ଏକ DSPy ୱାର୍କଫ୍ଲୋରେ ଏକ ଟାସ୍କର ଆଉଟପୁଟ୍ ପାଆନ୍ତୁ |

ଲାଙ୍ଗ୍ ଚେନ୍ |

1। "ଏଜେଣ୍ଟ (ନାମ =" my_agent ", ମଡେଲ୍ =" ଡିଷ୍ଟିଲବର୍ଟ-ବେସ୍-ଅବ୍ୟବହୃତ ", ପ୍ରମ୍ପ୍ଟ =" ମୋ ପ୍ରମ୍ପ୍ଟ "): ଏକ ନୂତନ ଲାଙ୍ଗଚେନ୍ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ | ।। 3। "Agent.add_context (ପ୍ରସଙ୍ଗ =" ମୋ ପ୍ରସଙ୍ଗ "): ଏକ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟରେ ପ୍ରସଙ୍ଗ ଯୋଡନ୍ତୁ | 4। "Agent.remove_context (ପ୍ରସଙ୍ଗ =" ମୋ ପ୍ରସଙ୍ଗ ")`: ଏକ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟରୁ ପ୍ରସଙ୍ଗ ଅପସାରଣ କରନ୍ତୁ | 5। "Agent.get_model ()": ଏକ ଲାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟର ଅନ୍ତର୍ନିହିତ ML ମଡେଲ୍ ପାଆନ୍ତୁ |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି DSPy ଏବଂ LangChain ୱାର୍କଫ୍ଲୋର ଏକ ଭିଜୁଆଲାଇଜେସନ୍:

json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["ମୂଳ କାରଣ ବିଶ୍ଳେଷଣ", "ଦକ୍ଷତା ଅପ୍ଟିମାଇଜେସନ୍"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "DSPy ୱାର୍କଫ୍ଲୋ", "ଡାଟା": [10, 20], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": ["# 4CAF50", "# FF9800"] }, { "label": "LangChain Agent", "ଡାଟା": [5, 15], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": ["# 2196F3", "# 009688"] } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "text": "DSPy ଏବଂ LangChain Workflow" }, "ମାପ": { "yAxes": [ { "ଟିକ୍ସ": { "startAtZero": ସତ୍ୟ | } } ] } } }

ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ପ୍ରତ୍ୟେକ DSPy ୱାର୍କଫ୍ଲୋରେ କାର୍ଯ୍ୟଗୁଡ଼ିକର ସଂଖ୍ୟା ଏବଂ ପ୍ରତ୍ୟେକ ଲ୍ୟାଙ୍ଗଚେନ୍ ଏଜେଣ୍ଟରୁ ପ୍ରତିକ୍ରିୟା ସଂଖ୍ୟା ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ସଫ୍ଟୱେର୍ ଡେଭଲପମେଣ୍ଟ ପାଇପଲାଇନରେ ମୂଳ କାରଣ ବିଶ୍ଳେଷଣ ଏବଂ ଦକ୍ଷତା ଅପ୍ଟିମାଇଜେସନ୍ ପାଇଁ AI- ଚାଳିତ ଏଜେଣ୍ଟଗୁଡ଼ିକୁ କାର୍ଯ୍ୟକାରୀ କରିବା ପାଇଁ DSPy ଏବଂ LangChain କୁ କିପରି ଲିଭର୍ କରାଯିବ ସେ ବିଷୟରେ ଆମେ ଅନୁସନ୍ଧାନ କରିଛୁ | ଧାରଣାକୁ ବର୍ଣ୍ଣନା କରିବା ପାଇଁ ଆମେ କୋଡ୍ ଉଦାହରଣ ଏବଂ ଭିଜୁଆଲାଇଜେସନ୍ ପ୍ରଦାନ କରିଥିଲୁ ଏବଂ DSPy ଏବଂ LangChain ପାଇଁ ଆମେ ସାଧାରଣତ used ବ୍ୟବହୃତ କମାଣ୍ଡ ଏବଂ ସ୍ନିପେଟ୍ ଗୁଡିକୁ ହାଇଲାଇଟ୍ କରିଥିଲୁ | ଏହି ଗାଇଡ୍ ଅନୁସରଣ କରି, ଡେଭଲପର୍ମାନେ DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି ସେମାନଙ୍କର ନିଜସ୍ୱ AI- ଚାଳିତ ସ୍ୱୟଂଚାଳିତ କାର୍ଯ୍ୟ ପ୍ରବାହ ସୃଷ୍ଟି କରିପାରିବେ |