Кереш

Заманча программа системаларының көннән-көн үсә барган катлаулылыгы вакыйгаларның ешлыгын һәм авырлыгын арттыруга китерде, вакыйгаларны актив тикшерү һәм чишү DevOpsның критик аспектына әйләнде. Ясалма интеллект (AI) һәм машина өйрәнү (ML) DevOps торба үткәргечләрен көчәйтү өчен көчле корал булып барлыкка килде, AI белән идарә итүче автоматлаштыру һәм оркестрга бизнеска тәэсир иткәнче вакыйгаларны ачыклау һәм чишү мөмкинлеге бирә. Бу мәкаләдә без AIOps һәм RAG модельләрен кулланып, вакыйгаларны актив рәвештә тикшерүгә һәм карар кабул итүгә, һәм автоматлаштырылган вакыйгаларны тикшерү өчен AWS DevOps Агент белән интеграцияләнгән DSPy һәм LangChain ярдәмендә AI белән эшләнгән DevOps торбаларын ничек тормышка ашырырга икәнлеген тикшерәчәкбез.

DSPy һәм LangChain турында гомуми күзәтү

DSPy - Python китапханәсе, AI белән эшләнгән DevOps торбаларын төзү һәм урнаштыру өчен гади һәм эффектив юл тәкъдим итә. Бу эшләүчеләргә төрле AI һәм ML модельләрен, шул исәптән табигый тел эшкәртү (NLP), компьютер күренеше, прогнозлы аналитика, DevOps торбаларына интеграцияләргә мөмкинлек бирә. LangChain, киресенчә, Python китапханәсе, ул модульле һәм масштаблы архитектура ярдәмендә уйлап табучыларга зур масштаблы AI модельләрен төзергә һәм урнаштырырга мөмкинлек бирә.

DSPy һәм LangChain белән AI белән эшләнгән DevOps торбаларын тормышка ашыру

DSPy һәм LangChain белән AI белән эшләнгән DevOps торбаларын тормышка ашыру өчен, безгә бу адымнарны ясарга кирәк:

1. ** Мәгълүмат җыю **: Бүрәнәләр, метрика, конфигурация файллары кебек төрле чыганаклардан тиешле мәгълүмат туплагыз.
2. ** Мәгълүматны эшкәртү **: collectedыелган мәгълүматны анализлау һәм модельләштерү өчен әзерләү.
3. ** Модель Тренинг **: AI һәм ML модельләрен вакыйгаларны ачыклау һәм фаразлау өчен алдан эшкәртелгән мәгълүматны кулланып өйрәтегез.
4. ** Модель урнаштыру **: DSPy һәм LangChain ярдәмендә DevOps торбасына әзерләнгән модельләрне урнаштырыгыз.
5. ** Вакыйгаларны тикшерү **: Вакыйгаларны тикшерү һәм төп сәбәпләрен ачыклау өчен урнаштырылган модельләрне кулланыгыз.
6. ** Вакыйгаларны чишү **: Вакыйгаларны тикшерү өчен алынган мәгълүматларны кулланыгыз.

Код үрнәге: DSPy һәм LangChain белән гади RAG моделен кертү

Менә гади код мисалы, DSPy һәм LangChain ярдәмендә RAG (тамыр сәбәпләрен анализлау) моделен ничек тормышка ашырырга икәнен күрсәтә: "питон dspy импорт LLMChain импортыннан

Алдан эшкәртелгән мәгълүматны йөкләгез

data = pd.read_csv ("data.csv")

RAG моделен билгеләгез

rag_model = dspy.RAGModel ( input_feature = ["log_level", "error_message"], output_feature = ["root_cause"] )

RAG моделен өйрәтегез

rag_model.train (мәгълүмат)

RAG моделен урнаштырыгыз

llm_chain = LLMChain ( модель = "davinci: 002", max_length = 2048 ) rag_model.deploy (llm_chain)

Вакыйгаларны тикшерү өчен урнаштырылган RAG моделен кулланыгыз

вакыйга_дата = pd.DataFrame ({ "log_level": ["Хата"], "error_message": ["Нәрсәдер дөрес булмаган"] }) root_cause = rag_model.predict (вакыйга_дата) бастыру (root_cause) " Бу код мисалы DSPy һәм LangChain ярдәмендә гади RAG моделен ничек тормышка ашырырга икәнен күрсәтә. RAG моделе кертү үзенчәлекләре буларак бүрәнә дәрәҗәсен һәм хата хәбәрен ала һәм вакыйганың төп сәбәбен фаразлый.

Иң күп кулланылган командалар / Сниппетлар

Менә DSPy һәм LangChain өчен иң күп кулланылган 5-10 командалар / фрагментлар:

1. "Dspy.RAGModel (input_feature, output_feature)": RAG моделен күрсәтелгән кертү һәм чыгару үзенчәлекләре белән билгеләгез.
2. "Dspy.RAGModel.train (мәгълүмат)": бирелгән мәгълүматны кулланып RAG моделен өйрәтегез.
3. "Dspy.RAGModel.deploy (llm_chain)": LangChain LLMChain ярдәмендә әзерләнгән RAG моделен урнаштырыгыз.
4. "Llm_chain = LLMChain (модель, max_length)": күрсәтелгән модель һәм максималь озынлык белән LangChain LLMChain ясагыз.
5. "Rag_model.predict (мәгълүмат)": вакыйганың төп сәбәбен алдан әйтү өчен урнаштырылган RAG моделен кулланыгыз.
6. "Dspy.DataPreprocessor (input_data)": DSPy ярдәмендә мәгълүматны эшкәртү торбасын билгеләгез.
7. "Dspy.ModelTrainer (модель, мәгълүматлар)": DSPy ярдәмендә AI яки ML моделен өйрәтегез.
8. "Dspy.ModelDeployer (модель, llm_chain)": DSPy һәм LangChain ярдәмендә әзерләнгән модельне урнаштырыгыз.
9. "Langchain.LLMChain.predict (input_data)": модельнең чыгарылышын фаразлау өчен LangChain LLMChain кулланыгыз.
10. "Dspy.RAGModel.evaluate (мәгълүмат)": DSPy ярдәмендә RAG моделенең эшләвен бәяләгез.

Визуализация

Менә Chart.js ярдәмендә визуализациянең мисалы: "json { "тип": "бар", "мәгълүмат": { "этикеткалар": "мәгълүматлар базасы": [ { "ярлык": "Тамыр сәбәбе А", "мәгълүмат": [10, 15, 7], "backgroundColor": "rgba (255, 99, 132, 0,2)", "borderColor": "rgba (255, 99, 132, 1)", "чик киңлеге": 1 }, { "ярлык": "В тамырының сәбәбе", "мәгълүмат": [8, 12, 9], "backgroundColor": "rgba (54, 162, 235, 0.2)", "borderColor": "rgba (54, 162, 235, 1)", "чик киңлеге": 1 }, { "ярлык": "Тамыр сәбәбе C", "мәгълүмат": [14, 18, 11], "backgroundColor": "rgba (255, 206, 86, 0.2)", "borderColor": "rgba (255, 206, 86, 1)", "чик киңлеге": 1 } ] }, "вариантлар": { "титул": { "күрсәтү": дөрес, "текст": "Тамыр сәбәпләрен анализлау" }, "тараза": { "yAxes": [ { "таллар": { "startAtZero": дөрес } } ] } } } " Бу визуализация төрле вакыйгаларның төп сәбәпләренең бүленүен күрсәтә.

Йомгаклау

Бу мәкаләдә без AIOps һәм RAG модельләрен кулланып, вакыйгаларны актив рәвештә тикшерүгә һәм карар кабул итүгә, һәм AWS DevOps Агент белән интеграцияләнгән вакыйгаларга игътибар итеп, DSPy һәм LangChain ярдәмендә AI белән эшләнгән DevOps торбаларын ничек тормышка ашырырга өйрәндек. Без DSPy һәм LangChain ярдәмендә RAG моделен кертә торган гади код мисалын күрсәттек, һәм DSPy һәм LangChain өчен иң күп кулланылган 5-10 командалар / фрагментлар исемлеген бирдек. Без шулай ук ​​Chart.js ярдәмендә визуализация мисалын керттек. Бу мәкаләдә күрсәтелгән адымнарны үтәп, уйлап табучылар AI белән эшләнгән DevOps торба үткәргечләрен төзи һәм урнаштыра ала, алар вакыйгаларны ачыклый һәм чишә, аларның программа системаларының гомуми эффективлыгын һәм ышанычлылыгын күтәрә.