Orkestr gurallary bilen ygtybarly we ulaldylan AI bilen dolandyrylýan programma arhitekturasyny durmuşa geçirmek | B4N1

Orkestr gurallary bilen ygtybarly we ulaldylan AI bilen dolandyrylýan programma arhitekturasyny durmuşa geçirmek

6 months ago · b4n1 Read time: 4 min

Giriş

Emeli intellektiň (AI) programma üpjünçiligine birleşdirilmegi, meseläni çözmek, karar bermek we awtomatlaşdyrmak meselesine özgerdi. Şeýle-de bolsa, AI bilen işleýän programmalar barha çylşyrymlaşdygyça, ygtybarly we ulalýan arhitektura zerurlygy möhüm meselä öwrüldi. Bu makalada, AI agentlerini DevOps turbageçirijilerine birikdirmek üçin DSPy we LangChain ýaly orkestr gurallaryny ulanmaga aýratyn üns bermek bilen, AI, programma üpjünçiligi we DevOps-nyň kesişmesini öwreneris.

AI bilen dolandyrylýan programma arhitekturasynyň kynçylyklary

AI tarapyndan dolandyrylýan programma üpjünçiligi programma üpjünçiligi inersenerleri we DevOps toparlary üçin üýtgeşik kynçylyklar döredýär. Esasy kynçylyklaryň käbiri:

  • ** Göwrümlilik **: AI modelleri möhüm hasaplaýyş çeşmelerini talap edýär, bu önümçilik gurşawynda ulalmak meselesine sebäp bolup biler.
  • ** Howpsuzlyk **: AI modelleri maglumatlardan zäherlenmek we model terslik hüjümleri ýaly hüjümlere sezewar bolup biler.
  • ** Integrasiýa **: AI modelleri çylşyrymly mesele bolup biljek bar bolan programma üpjünçiligi ulgamlary bilen birleşdirilmelidir.
  • ** Gözegçilik we tehniki hyzmat **: AI modelleri takyk we ygtybarly bolmagyny üpjün etmek üçin yzygiderli gözegçilik we tehniki hyzmaty talap edýär.

Orkestr gurallary: DSPy we LangChain

DSPy we LangChain ýaly orkestr gurallary, AI agentleriniň DevOps turbageçirijilerine integrasiýasyny üpjün etmek arkaly bu kynçylyklaryň çözgüdini üpjün edýär. Bu gurallar AI modellerini gurmak, ýerleşdirmek we dolandyrmak, AI bilen işleýän programmalar üçin ygtybarly we ulaldylan arhitekturany üpjün etmek üçin çarçuwany üpjün edýär.

DSPy

DSPy Python-yň üstünde gurlan açyk çeşme orkestr guralydyr. AI modellerini gurmak, ýerleşdirmek we dolandyrmak üçin ýönekeý we içgin API üpjün edýär. DSPy, TensorFlow, PyTorch we scikit-learn ýaly AI çarçuwalarynyň giň toplumyny goldaýar.

LangChain

“LangChain” AI modellerini gurmak, ýerleşdirmek we dolandyrmak üçin çarçuwany üpjün edýän açyk çeşme orkestr guralydyr. LangChain, Rüstiň üstünde gurlup, AI agentlerini DevOps turbageçirijilerine birikdirmek üçin ýokary öndürijilikli API üpjün edýär.

DSPy bilen ygtybarly we ulaldylan AI bilen dolandyrylýan programma arhitekturasyny durmuşa geçirmek

Bu bölümde, DSPy bilen ygtybarly we ulaldylan AI bilen dolandyrylýan programma arhitekturasyny durmuşa geçirmegiň ýönekeý mysalyny öwreneris.

Mysal: DSPy bilen ýönekeý AI modelini gurmak

DSPy ulanyp, maşyn öwrenmek modelini gurmagyň ýönekeý bir mysalyna seredeliň. Çyzykly regressiýa modelini gurmak üçin “scikit-learn” kitaphanasyny ulanarys.

`` piton dspy dsp görnüşinde import ediň sklearn.linear_model importyndan LinearRegression sklearn.datasets-den load_diabetes import edýär

Süýji keseliniň maglumat toplumyny ýükläň

maglumat toplumy = ýük_diabet ()

Maglumatlar bazasyny okuw we synag toplumlaryna bölüň

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

Çyzykly regressiýa modelini guruň

model = LinearRegression ()

Okuw maglumatlarynda modeli öwrediň

model.fit (X_train, y_train)

Synag maglumatlarynda modele baha beriň

takyklygy = model.score (X_test, y_test) çap et (f "Modeliň takyklygy: {takyklygy: .2f}") ``

Bu kod bloky, DSPy ulanyp, ýönekeý maşyn öwreniş modelini nädip gurmalydygyny görkezýär. Süýji keseliniň maglumatlar binýadyny ýükleýäris, ony okuw we synag toplumlaryna bölýäris, çyzykly regressiýa modelini döredýäris, okuw maglumatlaryna öwredýäris we synag maglumatlarynyň takyklygyna baha berýäris.

LangChain bilen ygtybarly we ulaldylan AI bilen dolandyrylýan programma arhitekturasyny durmuşa geçirmek

Bu bölümde, LangChain bilen ygtybarly we ulaldylan AI bilen dolandyrylýan programma arhitekturasyny durmuşa geçirmegiň ýönekeý mysalyny öwreneris.

Mysal: LangChain bilen ýönekeý AI modelini gurmak

LangChain ulanyp, maşyn öwreniş modelini gurmagyň ýönekeý bir mysalyna seredeliň. Nerw ulgamynyň modelini döretmek üçin TensorFlow kitaphanasyny ulanarys.

`pos langchain-i lc hökmünde ulanyň; tensorflow ulanyň :: prelude :: *;

// simpleönekeý nerw ulgamynyň modelini kesgitläň fn modeli (giriş: & Tensor) -> Tensor { çykalyň = input.matmul (& Tensor :: täze (1, 1)); çykyş }

// LangChain agentini dörediň agent = lc :: Agent :: täze (model) bolsun;

// Maglumatlar bazasyny kesgitläň goý, dataset = lc :: Maglumatlar bazasy :: täze (vec! [ lc :: Mysal :: täze (vec! [1.0, 2.0], vec! [3.0]), lc :: Mysal :: täze (vec! [4.0, 5.0], vec! [6.0]), ]);

// Maglumatlar bazasyndaky modeli öwrediň agent.train (& maglumat toplumy);

// Maglumatlar bazasyndaky modele baha beriň takyklygy = agent.evaluate (& dataset) bolsun; println! ("Modeliň takyklygy: {}", takyklyk); ``

Bu kod bloky, LangChain ulanyp, ýönekeý maşyn öwreniş modelini nädip gurmalydygyny görkezýär. Simpleönekeý nerw ulgamynyň modelini kesgitleýäris, LangChain agentini döredýäris, maglumat toplumyny kesgitleýäris, modeli maglumatlar bazasynda öwredýäris we maglumatlar bazasyndaky takyklygyna baha berýäris.

Iň köp ulanylýan buýruklar / bölekler

DSPy we LangChain üçin iň köp ulanylýan 5-10 buýruk / bölek:

DSPy

  • dsp.split_dataset (maglumatlar, maksat, test_size = 0.2): Maglumatlar bazasyny okuw we synag toplumlaryna bölýär.
  • dsp.build_model (model_name, model_params): Görkezilen modeliň adyny we parametrlerini ulanyp, maşyn öwreniş modelini gurýar.
  • dsp.train_model (model, maglumatlar): Görkezilen maglumatlar boýunça maşyn öwreniş modelini öwredýär.
  • dsp.evaluate_model (model, maglumatlar): Görkezilen maglumatlardaky maşyn öwreniş modeliniň işine baha berýär.
  • dsp.deploy_model (model, server_url): Maşyn öwreniş modelini görkezilen serwer URL-e ýerleşdirýär.

LangChain

  • lc :: Agent :: new (model): Görkezilen modeli ulanyp, LangChain agentini döredýär.
  • lc :: Dataset :: new (mysallar): Görkezilen mysallary ulanyp, LangChain maglumat bazasyny döredýär.
  • lc :: otly (agent, maglumat toplumy): LangChain agentini görkezilen maglumat bazasynda türgenleşdirýär.
  • lc :: baha beriň (agent, maglumat toplumy): LangChain agentiniň görkezilen maglumat bazasyndaky işine baha berýär.
  • lc :: ýerleşdirmek (agent, server_url): LangChain agentini görkezilen serwer URL-e ýerleşdirýär.

Görkeziş

Ine, Chart.js ulanyp, AI bilen dolandyrylýan programma arhitekturasynyň ýönekeý wizual görnüşi:

javascript const ctx = document.getElementById ('myChart'). getContext ('2d'); const diagramma = täze diagramma (ctx, { görnüşi: 'bar', maglumatlar: { bellikleri: ['Okuw wagty', 'Gözleg wagty', 'Model takyklygy'], maglumat bazalary: [{ belligi: 'DSPy', maglumatlar: [10, 5, 90], backgroundColor: 'rgba (255, 99, 132, 0.2)', borderColor: 'rgba (255, 99, 132, 1)', serhet giňligi: 1 }, { belligi: 'LangChain', maglumatlar: [8, 6, 92], backgroundColor: 'rgba (54, 162, 235, 0.2)', borderColor: 'rgba (54, 162, 235, 1)', serhet giňligi: 1 }] }, opsiýalar: { terezisi: { y: { startAtZero: dogry } } } });

Bu kod bloky, DSPy we LangChain-iň işleýşini göz öňüne getirmek üçin Chart.js ulanyp, ýönekeý çyzgy döredýär.

Netije

Bu makalada AI agentlerini DevOps turbageçirijilerine birikdirmek üçin DSPy we LangChain ýaly orkestr gurallaryny ulanmaga aýratyn üns berip, AI, programma üpjünçiligi we DevOps-nyň kesişmesini öwrendik. DSPy we LangChain ulanyp, ygtybarly we ulaldylan AI bilen dolandyrylýan programma arhitekturasyny nädip durmuşa geçirmelidigini görkezdik we her guralyň kömegi bilen maşyn öwreniş modelini gurmagyň ýönekeý mysalyny hödürledik. Şeýle hem, her gural üçin iň köp ulanylýan 5-10 buýruk / bölek we Chart.js ulanyp, AI tarapyndan dolandyrylýan programma arhitekturasyny ýönekeý şekillendirmek bilen üpjün etdik.

Have Questions?

Let's Talk

Contact me on LinkedIn