LangChain LLM நிகழ்வை உருவாக்கவும்

** AI- இயங்கும் இணையப் பயன்பாடுகளுக்கு பாதுகாப்பான இயல்புநிலை கட்டமைப்பை செயல்படுத்துதல்**

அறிமுகம்

AI-இயங்கும் வலை பயன்பாடுகள் பெருகிய முறையில் பரவி வருவதால், வலுவான மற்றும் பாதுகாப்பான கட்டமைப்பின் தேவை எப்போதும் அதிகமாக இருந்ததில்லை. AI-உந்துதல் தாக்குதல்களின் அதிகரிப்புடன், சாத்தியமான அச்சுறுத்தல்களைத் தாங்கக்கூடிய பாதுகாப்பான இயல்புநிலை அணுகுமுறையை செயல்படுத்துவது அவசியம். இந்தக் கட்டுரையில், பெர்கோனாவின் பாதுகாப்பான திறந்த-மூல தரவுத்தளங்களை Chainguard இன் பாதுகாப்பான-இயல்புநிலை அணுகுமுறையுடன் இணைப்பது மற்றும் AI- இயங்கும் இணையப் பயன்பாடுகளுக்கு LangChain உடன் எவ்வாறு ஒருங்கிணைப்பது என்பதை ஆராய்வோம்.

AI-இயக்கப்படும் இணைய பயன்பாடுகளுக்கு அச்சுறுத்தல்கள்

AI-இயங்கும் வலைப் பயன்பாடுகள் பல்வேறு அச்சுறுத்தல்களுக்கு ஆளாகின்றன, அவற்றுள்:

• தரவு நச்சு: தவறான கணிப்புகள் அல்லது முடிவுகளுக்கு வழிவகுக்கும், தீங்கிழைக்கும் தரவை வழங்குவதன் மூலம் AI மாதிரிகளை கையாளலாம்.
• மாடல் இன்வெர்ஷன்: தாக்குபவர்கள் AI மாதிரி அல்லது அதன் பயிற்சித் தரவு பற்றிய முக்கியமான தகவல்களை ஊகிக்க முடியும்.
• எதிரி தாக்குதல்கள்: மாடலை தவறாக வழிநடத்தும் வகையில் கவனமாக வடிவமைக்கப்பட்ட உள்ளீடுகள் மூலம் AI மாடல்களை ஏமாற்றலாம்.

பாதுகாப்பான இயல்புநிலை கட்டமைப்பு

இந்த அச்சுறுத்தல்களைத் தணிக்க, பெர்கோனாவின் பாதுகாப்பான திறந்த மூல தரவுத்தளங்களை Chainguard இன் பாதுகாப்பான-இயல்புநிலை அணுகுமுறையுடன் ஒருங்கிணைத்து, AI- இயங்கும் இணையப் பயன்பாடுகளுக்கு LangChain உடன் ஒருங்கிணைக்கும் பாதுகாப்பான இயல்புநிலை கட்டமைப்பை நாங்கள் செயல்படுத்துவோம்.

பெர்கோனாவின் பாதுகாப்பான திறந்த மூல தரவுத்தளங்கள்

MySQL க்கான பெர்கோனா சர்வர் மற்றும் PostgreSQL க்கான பெர்கோனா சர்வர் உட்பட பல பாதுகாப்பான திறந்த மூல தரவுத்தளங்களை Percona வழங்குகிறது. இந்த தரவுத்தளங்கள் வலுவான பாதுகாப்பு அம்சங்களை வழங்குகின்றன:

• குறியாக்கம்: தரவு ஓய்வு மற்றும் போக்குவரத்தில் குறியாக்கம் செய்யப்படுகிறது, முக்கியத் தகவல் ரகசியமாக இருப்பதை உறுதி செய்கிறது.
• அணுகல் கட்டுப்பாடு: நுண்ணிய அணுகல் கட்டுப்பாடு நிர்வாகிகள் முக்கியமான தரவுகளுக்கான அணுகலைக் கட்டுப்படுத்த அனுமதிக்கிறது மற்றும் அங்கீகரிக்கப்பட்ட நபர்கள் மட்டுமே தரவை மாற்றவோ அல்லது நீக்கவோ முடியும் என்பதை உறுதிப்படுத்தவும்.
• தணிக்கை: விரிவான தணிக்கை திறன்கள் அனைத்து தரவுத்தள செயல்பாடுகளின் விரிவான பதிவை வழங்குகிறது, இது பாதுகாப்பு சம்பவங்களைக் கண்டறிந்து பதிலளிப்பதை எளிதாக்குகிறது.

Chainguard's Secure-by-Default அணுகுமுறை

Chainguard ஒரு பாதுகாப்பான-இயல்புநிலை அணுகுமுறையை வழங்குகிறது, இது பயன்பாடுகள் ஆரம்பத்தில் இருந்தே பாதுகாப்பை மனதில் கொண்டு உருவாக்கப்படுவதை உறுதி செய்கிறது. இந்த அணுகுமுறை அடங்கும்:

• குறைந்த சிறப்புரிமை: பயன்பாடுகள் அவற்றின் செயல்பாடுகளைச் செய்வதற்குத் தேவையான குறைந்தபட்ச சலுகையுடன் இயங்கும் வகையில் வடிவமைக்கப்பட்டுள்ளன, தாக்குதல் மேற்பரப்பைக் குறைக்கிறது.
• மாறாத உள்கட்டமைப்பு: உள்கட்டமைப்பு மாறாத வகையில் வடிவமைக்கப்பட்டுள்ளது, இது பாதுகாப்பு சம்பவங்களைக் கண்டறிந்து பதிலளிப்பதை எளிதாக்குகிறது.
• பாதுகாப்பான உள்ளமைவு: பாதுகாப்பான இயல்புநிலைகள் மற்றும் குறைந்தபட்ச உள்ளமைவு உள்ளிட்ட பாதுகாப்பை மனதில் கொண்டு பயன்பாடுகள் கட்டமைக்கப்படுகின்றன.

LangChain ஒருங்கிணைப்பு

LangChain என்பது ஒரு பைதான் நூலகமாகும், இது AI-இயங்கும் இணையப் பயன்பாடுகளை உருவாக்குவதற்கான எளிய மற்றும் உள்ளுணர்வு API ஐ வழங்குகிறது. பெர்கோனாவின் பாதுகாப்பான ஓப்பன் சோர்ஸ் தரவுத்தளங்களுடன் LangChain ஐ ஒருங்கிணைத்து, வலுவான மற்றும் பாதுகாப்பான கட்டமைப்பை உருவாக்க, Chainguard இன் பாதுகாப்பான-இயல்புநிலை அணுகுமுறையுடன் ஒருங்கிணைப்போம்.

குறியீடு எடுத்துக்காட்டு

பெர்கோனாவின் பாதுகாப்பான திறந்த-மூல தரவுத்தளங்கள் மற்றும் Chainguard இன் பாதுகாப்பு-மூலம்-இயல்பு அணுகுமுறையுடன் LangChain ஐ எவ்வாறு ஒருங்கிணைப்பது என்பதை விளக்கும் எளிய குறியீடு எடுத்துக்காட்டு இங்கே:

லாங்செயின் இறக்குமதி
லாங்செயின் இறக்குமதி LLM இலிருந்து


llm = LLM(
    model_name="davinci:2-பெரிய",
    சாதனம்="குடா",
    max_tokens=1024,
)

# பெர்கோனா தரவுத்தள இணைப்பை உருவாக்கவும்
mysql.connector ஐ இறக்குமதி செய்யவும்
cnx = mysql.connector.connect(
    பயனர் = 'பயனர் பெயர்',
    கடவுச்சொல்='கடவுச்சொல்',
    புரவலன்='127.0.0.1',
    தரவுத்தளம்='தரவுத்தளம்'
)

# Chainguard பாதுகாப்பான உள்ளமைவை உருவாக்கவும்
இறக்குமதி சங்கிலி
cfg = chainguard.Config(
    app_name="my_app",
    app_version="1.0",
    env_vars={
        "DB_HOST": "127.0.0.1",
        "DB_USER": "பயனர்பெயர்",
        "DB_PASSWORD": "கடவுச்சொல்",
    },
)

# தரவுத்தளத்தை வினவ LangChain ஐப் பயன்படுத்தவும்
வினவல் = "தேர்வு * my_table இலிருந்து"
முடிவு = llm.query(கேள்வி, db=cnx, cfg=cfg)

# முடிவை அச்சிடவும்
அச்சு (முடிவு)

இந்த குறியீடு உதாரணம், LangChain LLM நிகழ்வை எவ்வாறு உருவாக்குவது, Percona தரவுத்தளத்துடன் இணைப்பது மற்றும் Chainguard பாதுகாப்பான உள்ளமைவை எவ்வாறு உருவாக்குவது என்பதை விளக்குகிறது. இது தரவுத்தளத்தை வினவுவதற்கும் முடிவை அச்சிடுவதற்கும் LangChain ஐப் பயன்படுத்துகிறது.

முதல் 5-10 அதிகம் பயன்படுத்தப்பட்ட கட்டளைகள்/துணுக்குகள்

இந்த தொழில்நுட்பத்திற்காக அதிகம் பயன்படுத்தப்படும் முதல் 5-10 கட்டளைகள்/துணுக்குகள்:

1. langchain.LLM(model_name="davinci:2-large", device="cuda", max_tokens=1024) - LangChain LLM நிகழ்வை உருவாக்கவும்.
2. mysql.connector.connect(user='username', password='password', host='127.0.0.1', database='database') - Percona தரவுத்தள இணைப்பை உருவாக்கவும்.
3. `chainguard.Config(app_name="my_app", app_version="1.0", env_vars={"DB_HOST": "127.0.0.1", "DB_USER": "பயனர்பெயர்", "DB_PASSWORD": "கடவுச்சொல்"}) - ஒரு கட்டமைப்பை உருவாக்கவும்.
4. llm.query(query, db=cnx, cfg=cfg) - தரவுத்தளத்தை வினவ, LangChain ஐப் பயன்படுத்தவும்.
5. அச்சிடு(முடிவு) - வினவலின் முடிவை அச்சிடவும்.
6. இறக்குமதி langchain - LangChain நூலகத்தை இறக்குமதி செய்.
7. import mysql.connector - Percona தரவுத்தள இணைப்பியை இறக்குமதி செய்யவும்.
8. இறக்குமதி செயின்கார்டு - செயின்கார்டு நூலகத்தை இறக்குமதி செய்.
9. llm = LLM() - மாதிரியைக் குறிப்பிடாமல் LangChain LLM நிகழ்வை உருவாக்கவும்.
10. cnx = mysql.connector.connect() - தரவுத்தளத்தைக் குறிப்பிடாமல் Percona தரவுத்தள இணைப்பை உருவாக்கவும்.

காட்சிப்படுத்தல்

Chart.js ஐப் பயன்படுத்தி பாதுகாப்பான இயல்புநிலை கட்டமைப்பின் காட்சிப்படுத்தல் இங்கே:

{
  "வகை": "பார்",
  "தரவு": {
    "labels": ["Percona Database", "Chainguard Secure Configuration", "LangChain LLM"],
    "தரவுத்தொகுப்புகள்": [
      {
        "label": "பாதுகாப்பு அம்சங்கள்",
        "தரவு": [10, 8, 12],
        "பின்னணி நிறம்": ["#FF6384", "#36A2EB", "#FFCE56"]
      }
    ]
  },
  "விருப்பங்கள்": {
    "தலைப்பு": {
      "காட்சி": உண்மை,
      "உரை": "பாதுகாப்பான முன்னிருப்பு கட்டமைப்பு"
    },
    "செதில்கள்": {
      "yAxes": [
        {
          "உண்ணி": {
            "beginAtZero": உண்மை
          }
        }
      ]
    }
  }
}

இந்த காட்சிப்படுத்தல் பெர்கோனாவின் பாதுகாப்பான திறந்த-மூல தரவுத்தளங்கள், Chainguard இன் பாதுகாப்பான-இயல்புநிலை அணுகுமுறை மற்றும் LangChain இன் LLM ஆகியவற்றின் பாதுகாப்பு அம்சங்களைக் காட்டுகிறது.

முடிவு

இன்றைய அச்சுறுத்தல் நிலப்பரப்பில் AI-இயங்கும் இணையப் பயன்பாடுகளுக்கான பாதுகாப்பான-இயல்புநிலை கட்டமைப்பைச் செயல்படுத்துவது மிகவும் முக்கியமானது. பெர்கோனாவின் பாதுகாப்பான திறந்த-மூல தரவுத்தளங்களை Chainguard இன் பாதுகாப்பான-மூலம்-இயல்பு அணுகுமுறையுடன் இணைப்பதன் மூலம் மற்றும் LangChain உடன் ஒருங்கிணைப்பதன் மூலம், சாத்தியமான AI- உந்துதல் தாக்குதல்களைத் தாங்கக்கூடிய வலுவான மற்றும் பாதுகாப்பான கட்டமைப்பை நாம் உருவாக்க முடியும். குறியீட்டு எடுத்துக்காட்டுகள் மற்றும் காட்சிப்படுத்தல்கள் உட்பட இந்தக் கட்டமைப்பை எவ்வாறு செயல்படுத்துவது என்பது குறித்த நடைமுறை வழிகாட்டியை இந்தக் கட்டுரை வழங்கியுள்ளது.