Agentinio AI suderinimas „DevOps“ vamzdynuose su DSPy ir „LangChain“, kad būtų patobulintas „ZeroOps“

Agentinio dirbtinio intelekto suderinimas „DevOps“ vamzdynuose su DSPy ir „LangChain“, kad pagerintų „ZeroOps“

Įvadas

Dirbtinio intelekto (DI) integravimas į „DevOps“ vamzdynus pakeitė programinės įrangos kūrimo, testavimo ir diegimo būdą. Agentinis AI, AI pogrupis, leidžiantis savarankiškai priimti sprendimus ir imtis veiksmų, gali dar labiau padidinti DevOps procesų efektyvumą ir efektyvumą. Šiame straipsnyje mes išnagrinėsime agentinio AI organizavimo DevOps vamzdynuose, naudojant DSPy ir LangChain, koncepciją ir aptarsime šio metodo naudą siekiant ZeroOps.

Kas yra agentinis AI?

Agentinis AI reiškia AI tipą, turintį galimybę savarankiškai, be žmogaus įsikišimo, priimti sprendimus ir imtis veiksmų. Tai pasiekiama naudojant pažangius mašininio mokymosi algoritmus, natūralios kalbos apdorojimą ir pažinimo architektūrą. Agentinės AI sistemos gali mokytis iš patirties, prisitaikyti prie naujų situacijų ir bendrauti su žmonėmis natūraliau bei intuityviau.

Kas yra ZeroOps?

„ZeroOps“ yra „DevOps“ filosofija, kuria siekiama pašalinti žmogaus įsikišimo į programinės įrangos kūrimą, diegimą ir priežiūrą poreikį. Tai pasiekiama naudojant automatizavimą, orkestravimą ir AI pagrįstą sprendimų priėmimą. „ZeroOps“ leidžia organizacijoms įdiegti programinę įrangą greičiau, kokybiškiau ir mažesnėmis sąnaudomis.

Agentinio AI organizavimas „DevOps“ vamzdynuose

Norėdami organizuoti agentinį AI „DevOps“ vamzdynuose, turime integruoti dirbtiniu intelektu pagrįstą sprendimų priėmimą ir veiksmų vykdymą. Tai galima pasiekti naudojant DSPy ir LangChain – dvi populiarias AI valdomų programų kūrimo ir diegimo sistemas.

DSPy

DSPy yra „Python“ sistema, skirta dirbtiniu intelektu valdomoms programoms kurti ir diegti. Jame pateikiamas duomenų apdorojimo, mašininio mokymosi ir natūralios kalbos apdorojimo įrankių ir bibliotekų rinkinys. DSPy sukurtas sklandžiai dirbti su populiariomis sistemomis, tokiomis kaip LangChain ir FastAPI.

LangChain

„LangChain“ yra „Python“ sistema, skirta dirbtiniu intelektu valdomoms programoms kurti ir diegti. Jame pateikiamas natūralios kalbos apdorojimo, mašininio mokymosi ir pažinimo architektūros įrankių ir bibliotekų rinkinys. „LangChain“ sukurta sklandžiai dirbti su populiariomis sistemomis, tokiomis kaip DSPy ir FastAPI.

Techninis įgyvendinimas

Norėdami pademonstruoti techninį agentinio AI organizavimo įgyvendinimą DevOps vamzdynuose naudojant DSPy ir LangChain, panagrinėkime paprastą pavyzdį. Tarkime, kad norime automatizuoti žiniatinklio programos diegimą naudodami „DevOps“ dujotiekį. Galime naudoti DSPy kurdami dirbtinio intelekto pagrįstą sprendimų priėmimo sistemą, kuri nustato optimalią diegimo strategiją, pagrįstą tokiais veiksniais kaip programos našumas, vartotojų atsiliepimai ir sistemos ištekliai.

importuoti dspy
iš langchain importo LLM


def deployment_strategy(app_performance, user_feedback, system_resources):
    # Naudokite DSPy duomenims apdoroti ir sprendimams priimti
    duomenys = dspy.Data(programos_našumas, naudotojo_atsiliepimai, sistemos_ištekliai)
    sprendimas = dspy.DecisionMaker(duomenys)
    
    # Naudokite „LangChain“, kad sukurtumėte diegimo planą
    llm = LLM("text-davinci-003")
    plan = llm.generate_text(f"Įdiegti {app_performance} su {user_feedback} ir {system_resources} ištekliais")
    
    grįžimo planas

# Apibrėžkite „DevOps“ dujotiekį
def vamzdynas (programos_našumas, vartotojo_atsiliepimai, sistemos_ištekliai):
    # Naudokite DSPy, kad sutvarkytumėte dujotiekį
    vamzdynas = dspy.Pipeline()
    pipeline.add_task(diegimo_strategija, programos_našumas, vartotojo_atsiliepimai, sistemos_ištekliai)
    pipeline.add_task(dspytasks.Deploy, plan)
    
    # Paleiskite dujotiekį
    pipeline.run()

# Paleiskite dujotiekį
vamzdynas (90, 4.5, 80)

5–10 dažniausiai naudojamų komandų / fragmentų

Čia yra 5–10 dažniausiai naudojamų DSPy ir LangChain komandų / fragmentų:

dspy.Data(): sukuria duomenų objektą apdorojimui ir sprendimų priėmimui.
dspy.DecisionMaker(): priima sprendimus pagal duomenis ir kontekstą.
„LLM.generate_text()“: generuoja tekstą pagal įvesties raginimus.
„dspytasks.Deploy()“: diegia programą, pagrįstą diegimo planu.
„dspy.Pipeline()“: surengia „DevOps“ dujotiekį.
pipeline.add_task(): prideda užduotį prie konvejerio.
pipeline.run(): paleidžia dujotiekį.
dspy.Data.process(): apdoroja duomenis sprendimui priimti.
dspy.DecisionMaker.decide(): priima sprendimą pagal duomenis ir kontekstą.
„LLM.generate_text(prompt)“: generuoja tekstą pagal įvesties raginimus.

Vizualizacija

Čia pateikiama agentinio AI pagrįsto „DevOps“ dujotiekio vizualizacija naudojant Chart.js:

{
  "tipas": "juosta",
  "duomenys": {
    "etiketės": ["Duomenų apdorojimas", "Sprendimų priėmimas", "Įdiegimas"],
    "duomenų rinkiniai": [
      {
        "etiketė": "Agentinis AI",
        "duomenys": [10, 20, 30],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      }
    ]
  },
  "parinktys": {
    "svarstyklės": {
      „yAxes“: [
        {
          "erkės": {
            "beginAtZero": tiesa
          }
        }
      ]
    }
  }
}

Ši vizualizacija parodo tris agentinio AI pagrįsto DevOps dujotiekio etapus: duomenų apdorojimą, sprendimų priėmimą ir diegimą.

Išvada

Šiame straipsnyje mes ištyrėme agentinio AI organizavimo DevOps dujotiekiuose koncepciją naudojant DSPy ir LangChain. Mes parodėme paprastą pavyzdį, kaip automatizuoti žiniatinklio programos diegimą naudojant AI valdomą sprendimų priėmimo sistemą. Taip pat pateikėme agentinio AI pagrįsto „DevOps“ dujotiekio vizualizaciją naudodami Chart.js. Integruodamos agentinį AI į „DevOps“ vamzdynus, organizacijos gali pasiekti „ZeroOps“ ir įdiegti programinę įrangą greičiau, kokybiškiau ir mažesnėmis sąnaudomis.

Agentinio AI suderinimas „DevOps“ vamzdynuose su DSPy ir „LangChain“, kad būtų patobulintas „ZeroOps“

Have Questions?