Rhagymadrodd
Mae cymhlethdod cynyddol systemau meddalwedd modern wedi arwain at gynnydd yn amlder a difrifoldeb digwyddiadau, gan wneud ymchwilio a datrys digwyddiadau yn rhagweithiol yn agwedd hollbwysig ar DevOps. Mae deallusrwydd artiffisial (AI) a dysgu peiriant (ML) wedi dod i'r amlwg fel offer pwerus i wella piblinellau DevOps, gan alluogi awtomeiddio ac offeryniaeth a yrrir gan AI i ganfod a datrys digwyddiadau cyn iddynt effeithio ar y busnes. Yn yr erthygl hon, byddwn yn archwilio sut i weithredu piblinellau DevOps wedi'u pweru gan AI gan ddefnyddio DSPy a LangChain, gan ganolbwyntio ar ymchwilio a datrys digwyddiadau yn rhagweithiol gan ddefnyddio modelau AIOps a RAG, ac integreiddio ag Asiant DevOps AWS ar gyfer ymchwilio i ddigwyddiadau awtomataidd.
Trosolwg o DSPy a LangChain
Mae DSPy yn llyfrgell Python sy'n darparu ffordd syml ac effeithlon o adeiladu a defnyddio piblinellau DevOps wedi'u pweru gan AI. Mae'n caniatáu i ddatblygwyr integreiddio modelau AI ac ML amrywiol, gan gynnwys prosesu iaith naturiol (NLP), gweledigaeth gyfrifiadurol, a dadansoddeg ragfynegol, yn eu piblinellau DevOps. Mae LangChain, ar y llaw arall, yn llyfrgell Python sy'n galluogi datblygwyr i adeiladu a defnyddio modelau AI ar raddfa fawr gan ddefnyddio pensaernïaeth fodiwlaidd a graddadwy.
Gweithredu Piblinellau DevOps AI-Powered gyda DSPy a LangChain
Er mwyn gweithredu piblinellau DevOps wedi'u pweru gan AI gyda DSPy a LangChain, mae angen i ni ddilyn y camau hyn:
- Casglu Data: Casglu data perthnasol o ffynonellau amrywiol, megis logiau, metrigau, a ffeiliau ffurfweddu.
- Rhagbrosesu Data: Rhagbrosesu'r data a gasglwyd i'w baratoi ar gyfer dadansoddi a modelu.
- Hyfforddiant Model: Hyfforddi modelau AI ac ML gan ddefnyddio'r data a broseswyd ymlaen llaw i ganfod a rhagweld digwyddiadau.
- Defnyddio Model: Gosod y modelau hyfforddedig ar y gweill DevOps gan ddefnyddio DSPy a LangChain.
- Ymchwiliad i Ddigwyddiad: Defnyddiwch y modelau a ddefnyddiwyd i ymchwilio i ddigwyddiadau a nodi achosion sylfaenol.
- Datrys Digwyddiad: Defnyddio'r wybodaeth a gafwyd o ymchwilio i ddigwyddiad i ddatrys digwyddiadau yn rhagweithiol.
Enghraifft o God: Gweithredu Model RAG Syml gyda DSPy a LangChain
Dyma enghraifft cod syml sy'n dangos sut i weithredu model RAG (Dadansoddiad o Wraidd y Broblem) gan ddefnyddio DSPy a LangChain:
mewnforio dspy
o fewnforio langchain LLMChain
# Llwythwch y data a broseswyd ymlaen llaw
data = pd.read_csv ("data.csv")
# Diffiniwch y model RAG
rag_model = dspy.RAGModel(
mewnbwn_features =[ "log_level", "error_message"],
output_features=["root_cause"]
)
# Hyfforddi'r model RAG
rag_model.train(data)
# Defnyddio'r model RAG
llm_chain = LLMChain(
model="davinci:002",
uchafswm_hyd = 2048
)
rag_model.deploy(llm_chain)
# Defnyddio'r model RAG a ddefnyddir i ymchwilio i ddigwyddiadau
event_data = pd.DataFrame({
" log_level " : [ " GWALL " ],
" error_message " : [ " Aeth rhywbeth o'i le " ]
})
root_cause = rag_model.predict(digwyddiad_data)
argraffu (root_cause)
Mae'r enghraifft cod hon yn dangos sut i weithredu model RAG syml gan ddefnyddio DSPy a LangChain. Mae'r model RAG yn cymryd lefel log a neges gwall fel nodweddion mewnbwn ac yn rhagweld achos sylfaenol y digwyddiad.
Y 5-10 Gorchymyn/Tamaid mwyaf poblogaidd
Dyma'r 5-10 gorchymyn / pytiau mwyaf poblogaidd ar gyfer DSPy a LangChain:
dspy.RAGModel(input_features, output_features): Diffiniwch fodel RAG gyda nodweddion mewnbwn ac allbwn penodedig.dspy.RAGModel.train(data): Hyfforddwch fodel RAG gan ddefnyddio'r data a ddarparwyd.dspy.RAGModel.deploy(llm_chain): Defnyddio model RAG hyfforddedig gan ddefnyddio LLMChain LangChain.llm_chain = LLMChain(model, max_length): Creu LangChain LLMChain gyda model penodedig a hyd mwyaf.rag_model.predict(data): Defnyddiwch fodel RAG a ddefnyddir i ragfynegi achos sylfaenol digwyddiad.dspy.DataPreprocessor(input_data): Diffiniwch biblinell rhagbrosesu data gan ddefnyddio DSPy.dspy.ModelTrainer(model, data): Hyfforddwch fodel AI neu ML gan ddefnyddio DSPy.dspy.ModelDeployer(model, llm_chain): Defnyddio model hyfforddedig gan ddefnyddio DSPy a LangChain.langchain.LLMChain.predict(input_data): Defnyddiwch LangChain LLMChain i ragfynegi allbwn model.dspy.RAGModel.evaluate(data): Gwerthuso perfformiad model RAG gan ddefnyddio DSPy.
Delweddu
Dyma enghraifft o ddelweddu gan ddefnyddio Chart.js:
{
"type": "bar",
"data": {
" : " labels " : [ " Math o Ddigwyddiad A " , " Math o Ddigwyddiad B " , " Math o Ddigwyddiad C " ],
"setiau data": [
{
" label " : " Achos Gwraidd A",
"data": [10, 15, 7],
"backgroundColor": "rgba(255, 99, 132, 0.2)",
"BorderColor": "rgba(255, 99, 132, 1)",
"Lled ffin": 1
},
{
" label " : " Achos Gwraidd B " ,
"data": [8, 12, 9],
"backgroundColor": "rgba(54, 162, 235, 0.2)",
"borderColor": "rgba(54, 162, 235, 1)",
"Lled ffin": 1
},
{
" label " : " Achos Gwraidd C",
"data": [14, 18, 11],
"backgroundColor": "rgba(255, 206, 86, 0.2)",
"borderColor": "rgba(255, 206, 86, 1)",
"Lled ffin": 1
}
]
},
"opsiynau": {
"title": {
"arddangos": gwir,
" text " : " Dadansoddiad o Wraidd y Broblem "
},
"graddfeydd": {
"yEchelin": [
{
"ticiau": {
"dechrau AtZero": gwir
}
}
]
}
}
}
Mae'r delweddu hwn yn dangos dosbarthiad yr achosion sylfaenol ar gyfer gwahanol fathau o ddigwyddiadau.
Casgliad
Yn yr erthygl hon, fe wnaethom archwilio sut i weithredu piblinellau DevOps wedi'u pweru gan AI gan ddefnyddio DSPy a LangChain, gan ganolbwyntio ar ymchwilio a datrys digwyddiadau yn rhagweithiol gan ddefnyddio modelau AIOps a RAG, ac integreiddio ag Asiant DevOps AWS ar gyfer ymchwilio i ddigwyddiadau awtomataidd. Fe wnaethom ddangos enghraifft cod syml sy'n gweithredu model RAG gan ddefnyddio DSPy a LangChain, a darparu rhestr o'r 5-10 gorchymyn / pytiau a ddefnyddir fwyaf ar gyfer DSPy a LangChain. Fe wnaethom hefyd gynnwys enghraifft delweddu gan ddefnyddio Chart.js. Trwy ddilyn y camau a amlinellir yn yr erthygl hon, gall datblygwyr adeiladu a defnyddio piblinellau DevOps wedi'u pweru gan AI sy'n canfod ac yn datrys digwyddiadau yn rhagweithiol, gan wella effeithlonrwydd a dibynadwyedd cyffredinol eu systemau meddalwedd.