መግቢያ

የአርቴፊሻል ኢንተለጀንስ (AI) ከሶፍትዌር አፕሊኬሽኖች ጋር መቀላቀል ችግር ፈቺ፣ ውሳኔ አሰጣጥ እና አውቶሜሽን በምንቀርብበት መንገድ ላይ ለውጥ አድርጓል። ነገር ግን፣ በ AI የሚነዱ አፕሊኬሽኖች ከጊዜ ወደ ጊዜ ውስብስብ እየሆኑ ሲሄዱ፣ ደህንነቱ የተጠበቀ እና ሊሰፋ የሚችል የሕንፃ ጥበብ አስፈላጊነት አሳሳቢ ጉዳይ ሆኗል። በዚህ ጽሑፍ ውስጥ የ AI ወኪሎችን ወደ DevOps ቧንቧዎች ለማዋሃድ እንደ DSPy እና LangChain ያሉ የኦርኬስትራ መሳሪያዎችን ለመጠቀም ልዩ ትኩረት በመስጠት የ AI ፣ የሶፍትዌር ምህንድስና እና የዴቭኦፕስ መገናኛን እንቃኛለን።

በ AI የሚነዳ ሶፍትዌር አርክቴክቸር ተግዳሮቶች

በ AI የሚነዱ የሶፍትዌር መተግበሪያዎች ለሶፍትዌር መሐንዲሶች እና ለዴቭኦፕስ ቡድኖች ልዩ ፈተናዎችን ይፈጥራሉ። አንዳንድ ቁልፍ ተግዳሮቶች የሚከተሉትን ያካትታሉ:

• ** መጠነ-ሰፊነት ***: AI ሞዴሎች ጉልህ የሆነ የስሌት ሀብቶችን ይፈልጋሉ, ይህም በምርት አካባቢዎች ውስጥ ወደ መስፋፋት ችግሮች ሊያመራ ይችላል. ደህንነት፡ AI ሞዴሎች እንደ መረጃ መመረዝ እና የሞዴል ግልበጣ ጥቃቶች ላሉ ጥቃቶች ሊጋለጡ ይችላሉ። ** ውህደት ***: AI ሞዴሎች አሁን ካሉ የሶፍትዌር ስርዓቶች ጋር መቀላቀል አለባቸው, ይህም ውስብስብ ስራ ሊሆን ይችላል. ** ክትትል እና ጥገና ***: AI ሞዴሎች ትክክለኛ እና አስተማማኝ መሆናቸውን ለማረጋገጥ የማያቋርጥ ክትትል እና ጥገና ያስፈልጋቸዋል።

ኦርኬስትራ መሳሪያዎች፡ DSPy እና LangChain

እንደ DSPy እና LangChain ያሉ የኦርኬስትራ መሳሪያዎች የ AI ወኪሎችን ወደ DevOps የቧንቧ መስመር እንዲቀላቀሉ በማድረግ ለእነዚህ ተግዳሮቶች መፍትሄ ይሰጣሉ። እነዚህ መሳሪያዎች የ AI ሞዴሎችን ለመገንባት፣ ለማሰማራት እና ለማስተዳደር፣ በ AI ለሚመሩ አፕሊኬሽኖች ደህንነቱ የተጠበቀ እና ሊሰፋ የሚችል አርክቴክቸርን ለማረጋገጥ ማዕቀፍ ይሰጣሉ።

DSPy

DSPy በፓይዘን ላይ የተገነባ የክፍት ምንጭ ኦርኬስትራ መሳሪያ ነው። AI ሞዴሎችን ለመገንባት፣ ለማሰማራት እና ለማስተዳደር ቀላል እና ሊታወቅ የሚችል ኤፒአይ ያቀርባል። DSPy TensorFlow፣ PyTorch እና scikit-learnን ጨምሮ ሰፊ የ AI ማዕቀፎችን ይደግፋል።

LangChain

LangChain የ AI ሞዴሎችን ለመገንባት, ለማሰማራት እና ለማስተዳደር ማዕቀፍ የሚያቀርብ ሌላ ክፍት ምንጭ ኦርኬስትራ መሳሪያ ነው. LangChain በሩስት አናት ላይ የተገነባ እና AI ወኪሎችን ወደ DevOps ቧንቧዎች ለማዋሃድ ከፍተኛ አፈጻጸም ያለው ኤፒአይ ያቀርባል።

ደህንነቱ የተጠበቀ እና ሊሰፋ የሚችል በ AI የሚነዳ ሶፍትዌር አርክቴክቸርን ከDSPy ጋር በመተግበር ላይ

በዚህ ክፍል ውስጥ፣ በDSPy ደህንነቱ የተጠበቀ እና ሊሰፋ የሚችል በ AI የሚመራ የሶፍትዌር አርክቴክቸርን ስለመተግበር ቀላል ምሳሌን እንመረምራለን።

ምሳሌ፡- ቀላል AI ሞዴልን በDSPy መገንባት

DSPy ን በመጠቀም የማሽን መማሪያ ሞዴል የመገንባት ቀላል ምሳሌን እንመልከት። መስመራዊ ሪግሬሽን ሞዴል ለመገንባት የscikit-Learn ቤተ-መጽሐፍትን እንጠቀማለን።

`` ፓይቶን dspy እንደ dsp አስመጣ ከ sklearn.linear_model ማስመጣት LinearRegression ከ sklearn.የውሂብ ስብስቦች load_diabetes ያስመጣሉ።

የስኳር በሽታ መረጃ ስብስብን ይጫኑ

የውሂብ ስብስብ = ሎድ_ስኳር በሽታ()

የመረጃ ቋቱን ወደ ስልጠና እና የሙከራ ስብስቦች ይከፋፍሉት

X_train፣ X_test፣ y_train፣ y_test = dsp.split_dataset(dataset.data, dataset.target፣ test_size=0.2)

መስመራዊ ሪግሬሽን ሞዴል ይገንቡ

ሞዴል = LinearRegression()

ሞዴሉን በስልጠና መረጃ ላይ አሰልጥኑ

model.fit(X_ባቡር፣ y_ባቡር)

ሞዴሉን በሙከራ መረጃው ላይ ይገምግሙ

ትክክለኛነት = ሞዴል. ነጥብ (X_test፣ y_test) ማተም (f"የሞዴል ትክክለኛነት: {ትክክለኛነት:.2f}")

ይህ ኮድ ብሎክ በ DSPy በመጠቀም ቀላል የማሽን መማሪያ ሞዴል እንዴት እንደሚገነባ ያሳያል። የስኳር በሽታ ዳታ ስብስብን እንጭነዋለን፣ ወደ ስልጠና እና የሙከራ ስብስቦች እንከፋፍለን፣ መስመራዊ ሪግሬሽን ሞዴል እንገነባለን፣ በስልጠናው መረጃ ላይ እናሠለጥናለን እና በፈተና መረጃ ላይ ያለውን ትክክለኛነት እንገመግማለን።

## ደህንነቱ የተጠበቀ እና ሊለካ የሚችል በ AI የሚነዳ የሶፍትዌር አርክቴክቸር ከላንግቻይን ጋር መተግበር

በዚህ ክፍል ከላንግቻይን ጋር ደህንነቱ የተጠበቀ እና ሊሰፋ የሚችል በ AI የሚመራ የሶፍትዌር አርክቴክቸርን የመተግበር ቀላል ምሳሌን እንመረምራለን።

### ምሳሌ፡ ቀላል AI ሞዴልን ከላንግቻይን መገንባት

LangChainን በመጠቀም የማሽን መማሪያ ሞዴል የመገንባት ቀላል ምሳሌን እንመልከት። የነርቭ አውታር ሞዴልን ለመገንባት የ TensorFlow ቤተ-መጽሐፍትን እንጠቀማለን።

`` ዝገት
langchain እንደ lc ይጠቀሙ;
Tensorflow ተጠቀም::መቅድሚያ::*;

// ቀላል የነርቭ ኔትወርክ ሞዴልን ይግለጹ
fn ሞዴል (ግቤት: &Tensor) -> Tensor {
    ውፅዓት = ግብዓት.matmul (& Tensor :: አዲስ (1, 1));
    ውጤት
}

// የ LangChain ወኪል ይፍጠሩ
ወኪል = lc :: ወኪል :: አዲስ (ሞዴል);

// የውሂብ ስብስብን ይግለጹ
let dataset = lc :: የውሂብ ስብስብ :: አዲስ(vec![
    lc:: ምሳሌ:: አዲስ(vec![1.0, 2.0], vec![3.0]),
    lc:: ምሳሌ:: አዲስ(vec![4.0, 5.0], vec![6.0]),
]);

// ሞዴሉን በውሂብ ስብስብ ላይ ያሠለጥኑ
agent.train (& የውሂብ ስብስብ);

// ሞዴሉን በውሂብ ስብስብ ላይ ይገምግሙ
ትክክለኛነት ይሁን = agent.መገምገም (& የውሂብ ስብስብ);
println! ("የሞዴል ትክክለኛነት: {}", ትክክለኛነት);

ይህ ኮድ ብሎክ LangChainን በመጠቀም ቀላል የማሽን መማሪያ ሞዴል እንዴት እንደሚገነባ ያሳያል። ቀላል የነርቭ አውታር ሞዴልን እንገልፃለን, የ LangChain ወኪል እንፈጥራለን, የውሂብ ስብስብን እንገልፃለን, ሞዴሉን በመረጃ ቋቱ ላይ እናሠለጥናለን እና በመረጃ ስብስብ ላይ ያለውን ትክክለኛነት እንገመግማለን.

ከፍተኛ 5-10 በብዛት ጥቅም ላይ የዋሉ ትዕዛዞች/ቅንጣዎች

ለDSPy እና LangChain በጣም ጥቅም ላይ የዋሉት 5-10 ዋና ዋና ትዕዛዞች/ቅንጣዎች እነሆ፡-

DSPy

• dsp.split_dataset(ዳታ፣ ዒላማ፣ test_size=0.2)፡ የመረጃ ቋቱን ወደ ስልጠና እና የሙከራ ስብስቦች ይከፍላል።
• dsp.build_model(ሞዴል_ስም ፣ሞዴል_ፓራምስ)፡ የተጠቀሰውን የሞዴል ስም እና መለኪያዎች በመጠቀም የማሽን መማሪያ ሞዴልን ይገነባል።
• dsp.train_model(ሞዴል፣ ዳታ)፡ የማሽን መማሪያ ሞዴሉን በተጠቀሰው ውሂብ ላይ ያሠለጥናል።
• dsp.evaluate_model(ሞዴል፣ ዳታ)፡ የማሽን መማሪያ ሞዴልን በተጠቀሰው ውሂብ ላይ ያለውን አፈጻጸም ይገመግማል።
• dsp.deploy_model(ሞዴል፣አገልጋይ_url)፡ የማሽን መማሪያ ሞዴሉን ወደተገለጸው አገልጋይ URL ያሰማራል።

LangChain

• lc :: ወኪል :: አዲስ(ሞዴል)፡ የተገለጸውን ሞዴል በመጠቀም የLangChain ወኪል ይፈጥራል።
• lc :: የውሂብ ስብስብ :: አዲስ(ምሳሌዎች)፡ የተገለጹትን ምሳሌዎች በመጠቀም የLangChain ዳታ ስብስብ ይፈጥራል።
• lc:: ባቡር(ወኪል፣ ዳታ ስብስብ)፡ የ LangChain ወኪል በተጠቀሰው የውሂብ ስብስብ ላይ ያሰለጥናል።
• lc:: ይገምግሙ(ወኪል፣ ዳታ ስብስብ)፡ በተጠቀሰው የውሂብ ስብስብ ላይ የLangChain ወኪል አፈጻጸምን ይገመግማል።
• lc:: ማሰማራት(ወኪል፣ ሰርቨር_url)፡ የላንግቻይን ወኪልን ወደተገለጸው የአገልጋይ URL ያሰማራዋል።

እይታ

Chart.jsን በመጠቀም በ AI የሚመራ የሶፍትዌር አርክቴክቸር ቀላል እይታ ይኸውና፡

``ጃቫስክሪፕት const ctx = document.getElementById('myChart')።getContext('2d'); const ገበታ = አዲስ ገበታ (ctx፣ { ዓይነት: 'ባር', ውሂብ፡ { መለያዎች፡ ['የስልጠና ጊዜ'፣ 'የግምገማ ጊዜ'፣ 'ሞዴል ትክክለኛነት']፣ የውሂብ ስብስቦች: [{ መለያ: 'DSPy', መረጃ፡ [10፣ 5፣ 90]፣ ዳራ ቀለም፡ 'rgba(255፣ 99፣ 132፣ 0.2)'፣ የድንበር ቀለም፡ 'rgba(255፣ 99፣ 132፣ 1)'፣ የድንበር ስፋት፡ 1 }፣ { መለያ: 'LangChain', መረጃ፡ [8፣ 6፣ 92]፣ ዳራ ቀለም፡ 'rgba(54፣ 162፣ 235፣ 0.2)'፣ የድንበር ቀለም፡ 'rgba(54, 162, 235, 1)'፣ የድንበር ስፋት፡ 1 }] } አማራጮች፡ { ሚዛኖች: { y: { startAtZero፡ እውነት } } } });

ይህ የኮድ እገዳ የDSPy እና LangChainን አፈጻጸም ለማየት Chart.jsን በመጠቀም ቀላል የአሞሌ ገበታ ይፈጥራል።

## መደምደሚያ

በዚህ ጽሑፍ ውስጥ የኤአይኤ ወኪሎችን ወደ DevOps ቧንቧዎች ለማዋሃድ እንደ DSPy እና LangChain ያሉ የኦርኬስትራ መሳሪያዎችን ለመጠቀም ልዩ ትኩረት በመስጠት የ AI, የሶፍትዌር ምህንድስና እና DevOps መገናኛን መርምረናል. DSPy እና LangChainን በመጠቀም ደህንነቱ የተጠበቀ እና ሊሰፋ የሚችል AI-ተኮር የሶፍትዌር አርክቴክቸርን እንዴት መተግበር እንደምንችል አሳይተናል፣ እና እያንዳንዱን መሳሪያ በመጠቀም የማሽን መማሪያ ሞዴልን የመገንባት ቀላል ምሳሌ አቅርበናል። ለእያንዳንዱ መሳሪያ ከፍተኛ 5-10 በጣም ጥቅም ላይ የዋሉ ትዕዛዞች/ቅንጣፎችን እና Chart.jsን በመጠቀም በ AI የሚነዳ የሶፍትዌር አርክቴክቸር ቀላል እይታን አቅርበናል።