Өгөгдлийн шугам үүсгэх | B4N1

Өгөгдлийн шугам үүсгэх

8 months ago · b4n1 Read time: 4 min

Agentic AI-г DevOps-т нэгтгэх: DSPy болон LangChain-тай програм хангамжийн хүргэлтийг зохион байгуулах

Танилцуулга

DevOps хөдөлгөөн нь програм хангамжийг хөгжүүлэх, байршуулах, засвар үйлчилгээ хийх аргад хувьсгал хийсэн. Гэсэн хэдий ч програм хангамжийн нарийн төвөгтэй байдал нэмэгдэхийн хэрээр DevOps дамжуулах хоолойд автоматжуулалт, зохион байгуулалтын хэрэгцээ нэмэгдсээр байна. Бие даасан шийдвэр гаргах, үйл ажиллагаанд анхаарлаа төвлөрүүлдэг хиймэл оюун ухааны дэд салбар болох Agentic AI нь засаглалыг автоматжуулж, зохион байгуулалтыг сайжруулснаар DevOps-ийн практикийг өөрчлөх боломжтой. Энэ нийтлэлд бид DSPy болон LangChain зэрэг хэрэгслүүдийг практик хэрэгжүүлэх стратегид анхаарлаа хандуулж, DevOps-д агентын хиймэл оюун ухааныг нэгтгэхэд хэрхэн ашиглаж болохыг судлах болно.

Agentic AI гэж юу вэ?

Agentic AI гэдэг нь бие даасан шийдвэр гаргах, үйлдэл хийх чадвартай хиймэл оюун ухааны төрлийг хэлдэг. Тодорхой үүрэг даалгаврыг гүйцэтгэхэд зориулагдсан уламжлалт AI системүүдээс ялгаатай нь агент AI системүүд нь нарийн төвөгтэй, динамик орчинд суралцах, дасан зохицох, шийдвэр гаргахад зориулагдсан байдаг. Agentic AI нь засаглалыг автоматжуулж, зохион байгуулалтыг сайжруулснаар DevOps-д хувьсгал хийх боломжтой бөгөөд багуудад дээд түвшний ажлуудад анхаарлаа төвлөрүүлж, програм хангамжийн хангамжийг бүхэлд нь сайжруулах боломжийг олгодог.

DSPy гэж юу вэ?

DSPy бол өгөгдөл дамжуулах шугам барих, байрлуулахад зориулагдсан Python номын сан юм. Энэ нь янз бүрийн эх сурвалжаас авсан өгөгдлийг нэгтгэх, хувиргах, төрөл бүрийн форматаар хадгалах энгийн, уян хатан, өргөтгөх боломжтой арга юм. DSPy нь өгөгдлийг ихэвчлэн бодит цаг хугацаанд үүсгэж, боловсруулдаг DevOps дамжуулах хоолойд ашиглахад маш тохиромжтой.

LangChain гэж юу вэ?

LangChain бол харилцан ярианы хиймэл оюун ухааны системийг бий болгох, ашиглахад зориулагдсан Python номын сан юм. Энэ нь байгалийн хэлний боловсруулалт (NLP) болон машин сургалтын (ML) загваруудыг харилцан ярианы интерфэйсүүдэд нэгтгэх энгийн, уян хатан, өргөтгөх боломжтой аргыг санал болгодог. LangChain нь DevOps дамжуулах хоолойд ашиглахад маш тохиромжтой бөгөөд харилцан ярианы интерфейсийг даалгавруудыг автоматжуулах, хэрэглэгчийн туршлагыг сайжруулахад ашиглаж болно.

DSPy болон LangChain-тэй DevOps-д Agentic AI-г нэгтгэх

Агентлаг хиймэл оюун ухааныг DSPy болон LangChain-тай DevOps-д нэгтгэхийн тулд бид дараах алхмуудыг хийх хэрэгтэй.

  1. Өгөгдөл залгих: Өгөгдлийн сан, API, файл гэх мэт янз бүрийн эх сурвалжаас мэдээлэл авахын тулд DSPy ашиглана уу.
  2. Өгөгдөл боловсруулах: Мэдээлэл цэвэрлэх, шүүх, нэгтгэх зэрэг арга техникийг ашиглан залгисан өгөгдлийг хувиргах, боловсруулахын тулд DSPy ашиглана уу.
  3. Загварын сургалт: LangChain ашиглан хяналттай суралцах, хяналтгүй суралцах, бататгах сургалт зэрэг арга техникийг ашиглан боловсруулсан өгөгдөл дээр ML загваруудыг сургах.
  4. Загвар байршуулалт: LangChain ашиглан бэлтгэгдсэн загваруудаа чатбот эсвэл дуут туслах гэх мэт харилцан ярианы интерфейст суулгаарай.
  5. Загварын үнэлгээ: Нарийвчлал, нарийвчлал, эргэн санах зэрэг хэмжүүрүүдийг ашиглан суурилуулсан загваруудын гүйцэтгэлийг үнэлэхийн тулд DSPy ашиглана уу.

Практик хэрэгжүүлэх стратеги

DSPy болон LangChain-тай DevOps-д агент AI-г хэрэгжүүлэхийн тулд бид эдгээр практик стратегийг дагаж мөрдөж болно:

  1. Өгөгдөл залгалтыг автоматжуулахын тулд DSPy ашиглана уу: Өгөгдлийн сан, API, файл гэх мэт янз бүрийн эх сурвалжаас мэдээлэл хүлээн авах ажиллагааг автоматжуулахын тулд DSPy ашиглана уу.
dspy импортлох


дамжуулах хоолой = dspy.Pipeline()

# Дамжуулах хоолойд мэдээллийн эх үүсвэр нэмнэ үү
pipeline.add_source(dspy.DataSource("өгөгдлийн сан", "миний_мэдээллийн сан"))

# Дамжуулах хоолойд өгөгдөл боловсруулагч нэмнэ
pipeline.add_processor(dspy.DataProcessor("хувиргах", "миний_хувиргах"))

# Дамжуулах хоолойг ажиллуул
pipeline.run()
  1. ** LangChain ашиглан ML загваруудыг сургах**: LangChain-г ашиглан хяналттай суралцах, хяналтгүй суралцах, бататгах сургалт зэрэг арга техникийг ашиглан боловсруулсан өгөгдөл дээр ML загваруудыг сургах.
langchain импортлох

# Харилцааны интерфейс үүсгэх
интерфэйс = langchain.ConversationalInterface()

# Харилцааны урсгалыг тодорхойлох
урсгал = langchain.ConversationalFlow(
    intent = "мэндлэх",
    answer="Сайн уу, би танд яаж туслах вэ?"
)

# Загварыг сурга
интерфэйс.галт тэрэг(урсгал)
  1. Загварын гүйцэтгэлийг үнэлэхийн тулд DSPy ашиглах: Нарийвчлал, нарийвчлал, эргэн санах зэрэг хэмжүүрүүдийг ашиглан суурилуулсан загваруудын гүйцэтгэлийг үнэлэхийн тулд DSPy ашиглана уу.
dspy импортлох

# Өгөгдлийн шугам үүсгэх
дамжуулах хоолой = dspy.Pipeline()

# Дамжуулах хоолойд мэдээллийн эх үүсвэр нэмнэ үү
pipeline.add_source(dspy.DataSource("өгөгдлийн сан", "миний_мэдээллийн сан"))

# Дамжуулах хоолойд өгөгдөл боловсруулагч нэмнэ
pipeline.add_processor(dspy.DataProcessor("үнэлгээ хийх", "миний_үнэлгээ"))

# Дамжуулах хоолойг ажиллуул
pipeline.run()

Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг

DSPy болон LangChain-д зориулсан хамгийн их ашиглагддаг 5-10 тушаал/хэсэг:

  1. dspy.Pipeline(): Шинэ өгөгдөл дамжуулах шугам үүсгэнэ.
  2. dspy.DataSource(): Шинэ өгөгдлийн эх үүсвэр үүсгэнэ.
  3. dspy.DataProcessor(): Шинэ өгөгдөл боловсруулагч үүсгэнэ.
  4. langchain.ConversationalInterface(): Шинэ харилцан ярианы интерфейс үүсгэнэ.
  5. langchain.ConversationalFlow(): Харилцааны урсгалыг тодорхойлно.
  6. langchain.train(): Загвар өмсөгчийг сургадаг.
  7. dspy.run(): Дамжуулах шугамыг ажиллуулдаг.
  8. dspy.evaluate(): Загварын гүйцэтгэлийг үнэлдэг.
  9. langchain.deploy(): Загварыг байрлуулна.
  10. langchain.integrate(): Загварыг харилцан ярианы интерфейс болгон нэгтгэдэг.

Дүрслэл

Chart.js-г ашиглан хиймэл хиймэл оюун ухааны шугам хоолойн дүрслэлийг энд үзүүлэв:

{
  "төрөл": "бар",
  "өгөгдөл": {
    "шошго": ["Өгөгдөл залгих", "Өгөгдөл боловсруулах", "Загвар сургалт", "Загвар байршуулалт", "Загварын үнэлгээ"],
    "өгөгдлийн багц": [
      {
        "label": "Agentic AI Pipeline",
        "өгөгдөл": [10, 15, 20, 25, 30],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "хилийн өргөн": 1
      }
    ]
  },
  "сонголт": {
    "гарчиг": {
      "дэлгэц": үнэн,
      "текст": "Агентик AI дамжуулах хоолой"
    },
    "масштаб": {
      "yAxes": [
        {
          "scaleLabel": {
            "дэлгэц": үнэн,
            "labelString": "Утга"
          }
        }
      ]
    }
  }
}

Энэхүү дүрслэл нь хиймэл оюун ухаан дамжуулах хоолойн таван үе шатыг, үе шат бүрт гүйцэтгэсэн ажлуудын тоог харуулдаг.

Дүгнэлт

DSPy болон LangChain-тай агентын хиймэл оюун ухааныг DevOps-д нэгтгэх нь засаглалыг автоматжуулж, зохион байгуулалтыг сайжруулах замаар програм хангамжийн хүргэлтийг өөрчлөх боломжтой. Энэ нийтлэлд дурдсан бодит хэрэгжүүлэх стратегиудыг дагаснаар багууд програм хангамжийн хүргэлтийг сайжруулж, зардлыг бууруулах агент AI системийг бүтээж, байрлуулж чадна. Дүрслэх хэсэг нь хиймэл хиймэл оюун ухааны дамжуулах хоолойн талаар тодорхой бөгөөд товч тоймыг өгдөг бөгөөд энэ технологийг багууд ойлгож, хэрэгжүүлэхэд хялбар болгодог.

Have Questions?

Let's Talk

Contact me on LinkedIn