تونۇشتۇرۇش

زامانىۋى يۇمشاق دېتال سىستېمىسىنىڭ كۈنسېرى كۈچىيىۋاتقان مۇرەككەپلىكى ۋەقەلەرنىڭ قېتىم سانى ۋە ئېغىرلىقىنىڭ ئېشىشىنى كەلتۈرۈپ چىقىرىپ ، تەشەببۇسكارلىق بىلەن ۋەقەنى تەكشۈرۈش ۋە ھەل قىلىشنى DevOps نىڭ ھالقىلىق تەرىپى قىلدى. سۈنئىي ئىدراك (AI) ۋە ماشىنا ئۆگىنىشى (ML) DevOps تۇرۇبا يولىنى كۈچەيتىدىغان كۈچلۈك قورال سۈپىتىدە ئوتتۇرىغا چىقىپ ، سۈنئىي ئەقىل ئارقىلىق قوزغىتىلغان ئاپتوماتلاشتۇرۇش ۋە ئوركېستىرنىڭ سودىغا تەسىر كۆرسىتىشتىن ئىلگىرى ۋەقەلەرنى بايقاش ۋە ھەل قىلىش ئىمكانىيىتىگە ئىگە قىلدى. بۇ ماقالىدە ، DSPy ۋە LangChain ئارقىلىق سۈنئىي ئەقىل ئارقىلىق ھەرىكەتلىنىدىغان DevOps تۇرۇبا يولىنى قانداق يولغا قويۇش ئۈستىدە ئىزدىنىمىز ، بۇنىڭدا AIOps ۋە RAG مودېلى ئارقىلىق ئاكتىپ ھادىسىنى تەكشۈرۈش ۋە ھەل قىلىش ھەمدە AWS DevOps ۋاكالەتچىسى بىلەن بىرلەشتۈرۈپ ، ۋەقەنى ئاپتوماتىك تەكشۈرۈشكە ئىشلىتىلىدۇ.

DSPy ۋە LangChain نىڭ ئومۇمىي ئەھۋالى

DSPy بولسا Python كۈتۈپخانىسى بولۇپ ، ئۇ سۈنئىي ئەقلىي ئىقتىدارلىق DevOps تۇرۇبا يولىنى ياساش ۋە ئورۇنلاشتۇرۇشنىڭ ئاددىي ۋە ئۈنۈملۈك ئۇسۇلى بىلەن تەمىنلەيدۇ. ئۇ پروگراممېرلارنىڭ تەبىئىي تىل بىر تەرەپ قىلىش (NLP) ، كومپيۇتېر كۆرۈش ۋە ئالدىن پەرەز قىلىش قاتارلىق ھەرخىل سۈنئىي ئەقىل ۋە ML مودېللىرىنى DevOps تۇرۇبا يولىغا بىرلەشتۈرەلەيدۇ. LangChain بولسا Python كۈتۈپخانىسى بولۇپ ، ئۇ ئاچقۇچىلارغا مودۇللۇق ۋە كېڭەيتكىلى بولىدىغان بىناكارلىق ئارقىلىق چوڭ تىپتىكى سۈنئىي ئەقىل مودېللىرىنى قۇرۇپ ۋە ئورۇنلاشتۇرالايدۇ.

DSPy ۋە LangChain ئارقىلىق سۈنئىي ئەقىل ئارقىلىق ياسالغان DevOps تۇرۇبا يولىنى يولغا قويۇش

DSPy ۋە LangChain ئارقىلىق سۈنئىي ئەقلىي ئىقتىدارلىق DevOps تۇرۇبا يولىنى يولغا قويۇش ئۈچۈن ، بىز بۇ باسقۇچلارنى قوللىنىشىمىز كېرەك:

1. ** سانلىق مەلۇمات توپلاش **: خاتىرە ، ئۆلچەم ۋە سەپلىمە ھۆججەتلىرى قاتارلىق ھەر خىل مەنبەلەردىن مۇناسىۋەتلىك سانلىق مەلۇماتلارنى توپلاڭ.
2. ** سانلىق مەلۇمات بىر تەرەپ قىلىش **: توپلانغان سانلىق مەلۇماتلارنى پىششىقلاپ ئىشلەش ۋە تەھلىل قىلىشقا تەييارلاش.
3. ** مودېل مەشىقى **: سۈنئىي ئەقىل ۋە ML مودېللىرىنى ئالدىن بىر تەرەپ قىلىنغان سانلىق مەلۇماتلارنى ئىشلىتىپ ۋەقەلەرنى بايقاش ۋە ئالدىن پەرەز قىلىش.
4. ** مودېل ئورۇنلاشتۇرۇش **: تەربىيەلەنگەن مودېللارنى DSPy ۋە LangChain ئارقىلىق DevOps تۇرۇبا يولىغا ئورۇنلاشتۇرۇڭ.
5. ** ۋەقەنى تەكشۈرۈش **: ئورۇنلاشتۇرۇلغان مودېللارنى ئىشلىتىپ ۋەقەلەرنى تەكشۈرۈپ ، سەۋەبىنى ئېنىقلاڭ.
6. ** ۋەقەلەرنى ھەل قىلىش **: ۋەقەنى تەكشۈرۈشتىن ئېرىشكەن چۈشەنچىلەردىن پايدىلىنىپ ، ۋەقەلەرنى تەشەببۇسكارلىق بىلەن ھەل قىلىڭ.

كود مىسالى: DSPy ۋە LangChain بىلەن ئاددىي RAG مودېلىنى يولغا قويۇش

بۇ يەردە DSPy ۋە LangChain ئارقىلىق RAG (يىلتىز سەۋەب ئانالىزى) ئەندىزىسىنى قانداق يولغا قويۇشنى كۆرسىتىپ بېرىدىغان ئاددىي كود مىسالى: `` python import dspy langchain import LLMChain

ئالدىن تەييارلانغان سانلىق مەلۇماتلارنى يۈكلەڭ

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

RAG ئەندىزىسىگە ئېنىقلىما بېرىڭ

rag_model = dspy.RAGModel ( input_features = ["log_level", "error_message"], output_features = ["root_cause"] )

RAG ئەندىزىسىنى تەربىيىلەڭ

rag_model.train (سانلىق مەلۇمات)

RAG ئەندىزىسىنى ئورۇنلاشتۇرۇڭ

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

ئورۇنلاشتۇرۇلغان RAG ئەندىزىسىنى ئىشلىتىپ ۋەقەلەرنى تەكشۈرۈڭ

incident_data = pd.DataFrame ({ "log_level": ["ERROR"], "error_message": ["خاتالىق كۆرۈلدى"] }) root_cause = rag_model.predict (ھادىسە_ سانلىق مەلۇمات) print (root_cause) `` بۇ كود مىسالى DSPy ۋە LangChain ئارقىلىق ئاددىي RAG ئەندىزىسىنى قانداق يولغا قويۇشنى كۆرسىتىپ بېرىدۇ. RAG مودېلى خاتىرىلەش دەرىجىسى ۋە خاتالىق ئۇچۇرىنى كىرگۈزۈش ئىقتىدارى سۈپىتىدە ئېلىپ ، ۋەقەنىڭ تۈپ سەۋەبىنى مۆلچەرلەيدۇ.

ئەڭ كۆپ ئىشلىتىلىدىغان 5-10 بۇيرۇق / ئۈزۈندىلەر

بۇ يەردە DSPy ۋە LangChain ئۈچۈن ئەڭ كۆپ ئىشلىتىلگەن 5-10 بۇيرۇق / ئۈزۈندىلەر:

1. dspy.RAGModel (input_feature, output_features) `: بەلگىلەنگەن كىرگۈزۈش ۋە چىقىرىش ئىقتىدارلىرى بىلەن RAG مودېلىنى ئېنىقلاڭ.
2. dspy.RAGModel.train (data): تەمىنلەنگەن سانلىق مەلۇماتلارنى ئىشلىتىپ RAG مودېلىنى تەربىيىلەڭ.
3. dspy.RAGModel.deploy (llm_chain): LangChain LLMChain ئارقىلىق تەربىيەلەنگەن RAG مودېلىنى ئورۇنلاشتۇرۇڭ.
4. llm_chain = LLMChain (مودېل ، max_length): بەلگىلەنگەن مودېل ۋە ئەڭ ئۇزۇن ئۇزۇنلۇقى بىلەن LangChain LLMChain نى قۇرۇڭ.
5. rag_model.predict (data): ئورۇنلاشتۇرۇلغان RAG مودېلىنى ئىشلىتىپ ۋەقەنىڭ كېلىپ چىقىش سەۋەبىنى پەرەز قىلىڭ.
6. dspy.DataPreprocessor (input_data): DSPy ئارقىلىق سانلىق مەلۇمات بىر تەرەپ قىلىش تۇرۇبىسىغا ئېنىقلىما بېرىڭ.
7. dspy.ModelTrainer (مودېل ، سانلىق مەلۇمات) `: DSPy ئارقىلىق AI ياكى ML مودېلىنى تەربىيىلەڭ.
9. langchain.LLMChain.predict (input_data) `: LangChain LLMChain نى ئىشلىتىپ مودېلنىڭ چىقىشىنى ئالدىن پەرەز قىلىڭ.
10. dspy.RAGModel.evaluate (data): DSPy ئارقىلىق RAG مودېلىنىڭ ئىقتىدارىنى باھالىغىن.

Visualization

بۇ يەردە Chart.js نى ئىشلىتىپ تەسۋىرلەشنىڭ بىر مىسالى بار: json { "type": "bar", "data": { "بەلگە": ["ھادىسە تىپى A" ، "ھادىسە تىپى B" ، "ھادىسە تىپى C"], "datasets": [ { "label": "يىلتىز سەۋەبى A", "data": [10, 15, 7], "backgroundColor": "rgba (255, 99, 132, 0.2)", "borderColor": "rgba (255, 99, 132, 1)", "borderWidth": 1 }, { "label": "يىلتىز سەۋەبى B", "data": [8, 12, 9], "backgroundColor": "rgba (54 ، 162 ، 235 ، 0.2)", "borderColor": "rgba (54, 162, 235, 1)", "borderWidth": 1 }, { "label": "Root Cause C", "data": [14, 18, 11], "backgroundColor": "rgba (255, 206, 86, 0.2)", "borderColor": "rgba (255, 206, 86, 1)", "borderWidth": 1 } ] }, "options": { "title": { "display": true, "text": "يىلتىز سەۋەبىنى تەھلىل قىلىش" }, "تارازا": { "yAxes": [ { "ticks": { "startAtZero": راست } } ] } } } بۇ تەسۋىر ئوخشىمىغان ھادىسە تىپىدىكى يىلتىز سەۋەبلىرىنىڭ تارقىلىشىنى كۆرسىتىپ بېرىدۇ.

خۇلاسە

بۇ ماقالىدە ، DSPy ۋە LangChain ئارقىلىق سۈنئىي ئەقىل ئارقىلىق ھەرىكەتلىنىدىغان DevOps تۇرۇبا يولىنى قانداق يولغا قويۇش ئۈستىدە ئىزدىنىپ ، AIOps ۋە RAG مودېلى ئارقىلىق ئاكتىپ ۋەقەلەرنى تەكشۈرۈش ۋە ھەل قىلىشنى ئاساس قىلىپ ، AWS DevOps ۋاكالەتچىسى بىلەن بىرلەشتۈرۈپ ، ۋەقەنى ئاپتوماتىك تەكشۈردۇق. بىز DSPy ۋە LangChain ئارقىلىق RAG مودېلىنى ئىجرا قىلىدىغان ئاددىي كود مىسالى كۆرسەتتۇق ، ھەمدە DSPy ۋە LangChain ئۈچۈن ئەڭ كۆپ ئىشلىتىلىدىغان 5-10 بۇيرۇق / ئۈزۈندىلەرنىڭ تىزىملىكىنى تەمىنلىدۇق. بىز يەنە Chart.js نى ئىشلىتىپ بىر كۆرۈنۈش مىسالى قوشتۇق. پروگراممېرلار بۇ ماقالىدە كۆرسىتىلگەن باسقۇچلارنى بېسىپ ، ۋەقەلەرنى تەشەببۇسكارلىق بىلەن بايقىيالايدىغان ۋە ھەل قىلىدىغان سۈنئىي ئەقىل ئارقىلىق ھەرىكەتلىنىدىغان DevOps تۇرۇبا يولىنى قۇرۇپ ۋە ئورۇنلاشتۇرالايدۇ ، ئۇلارنىڭ يۇمشاق دېتال سىستېمىسىنىڭ ئومۇمىي ئۈنۈمى ۋە ئىشەنچلىكلىكىنى ئۆستۈرىدۇ.