DSPy اور LangChain کے ساتھ ڈیو اوپس پائپ لائنوں میں آرکیسٹریٹنگ ایجنٹ AI بہتر زیرو اوپس کے لیے

تعارف

DevOps پائپ لائنوں میں مصنوعی ذہانت (AI) کے انضمام نے سافٹ ویئر کو تیار کرنے، جانچنے اور تعینات کرنے کے طریقے میں انقلاب برپا کر دیا ہے۔ Agentic AI، AI کا ایک ذیلی سیٹ جو خود مختار فیصلہ سازی اور کارروائی کو قابل بناتا ہے، اس میں DevOps کے عمل کی کارکردگی اور تاثیر کو مزید بڑھانے کی صلاحیت ہے۔ اس مضمون میں، ہم DSPy اور LangChain کا ​​استعمال کرتے ہوئے DevOps پائپ لائنوں میں آرکیسٹریٹنگ ایجنٹ AI کے تصور کو تلاش کریں گے، اور ZeroOps کو حاصل کرنے میں اس نقطہ نظر کے فوائد پر تبادلہ خیال کریں گے۔

Agentic AI کیا ہے؟

Agentic AI سے مراد AI کی ایک قسم ہے جو انسانی مداخلت کے بغیر خود مختاری سے فیصلے کرنے اور اقدامات کرنے کی صلاحیت رکھتی ہے۔ یہ جدید مشین لرننگ الگورتھم، قدرتی زبان کی پروسیسنگ، اور علمی فن تعمیر کے استعمال سے حاصل کیا جاتا ہے۔ Agentic AI سسٹمز تجربے سے سیکھ سکتے ہیں، نئے حالات کے مطابق ڈھال سکتے ہیں، اور انسانوں کے ساتھ زیادہ فطری اور بدیہی طریقے سے بات چیت کر سکتے ہیں۔

زیرو اوپس کیا ہے؟

ZeroOps ایک DevOps فلسفہ ہے جس کا مقصد سافٹ ویئر کی ترقی، تعیناتی، اور دیکھ بھال میں انسانی مداخلت کی ضرورت کو ختم کرنا ہے۔ یہ آٹومیشن، آرکیسٹریشن، اور AI پر مبنی فیصلہ سازی کے استعمال کے ذریعے حاصل کیا جاتا ہے۔ ZeroOps تنظیموں کو اعلی معیار کے ساتھ اور کم قیمتوں پر تیزی سے سافٹ ویئر تعینات کرنے کے قابل بناتا ہے۔

ڈیو اوپس پائپ لائنز میں آرکیسٹریٹنگ ایجنٹ AI

DevOps پائپ لائنوں میں ایجنٹ AI کو آرکیسٹریٹ کرنے کے لیے، ہمیں AI سے چلنے والی فیصلہ سازی اور کارروائی کو پائپ لائن میں ضم کرنے کی ضرورت ہے۔ یہ DSPy اور LangChain کے استعمال سے حاصل کیا جا سکتا ہے، AI سے چلنے والی ایپلی کیشنز کی تعمیر اور تعیناتی کے لیے دو مشہور فریم ورک۔

DSPy

DSPy AI سے چلنے والی ایپلیکیشنز کی تعمیر اور تعیناتی کے لیے ایک ازگر کا فریم ورک ہے۔ یہ ڈیٹا پروسیسنگ، مشین لرننگ، اور قدرتی زبان کی پروسیسنگ کے لیے ٹولز اور لائبریریوں کا ایک سیٹ فراہم کرتا ہے۔ DSPy کو مشہور فریم ورک جیسے LangChain اور FastAPI کے ساتھ بغیر کسی رکاوٹ کے کام کرنے کے لیے ڈیزائن کیا گیا ہے۔

لینگ چین

LangChain AI سے چلنے والی ایپلی کیشنز کی تعمیر اور تعیناتی کے لیے ایک ازگر کا فریم ورک ہے۔ یہ قدرتی زبان کی پروسیسنگ، مشین لرننگ، اور علمی فن تعمیر کے لیے ٹولز اور لائبریریوں کا ایک سیٹ فراہم کرتا ہے۔ LangChain مقبول فریم ورک جیسے DSPy اور FastAPI کے ساتھ بغیر کسی رکاوٹ کے کام کرنے کے لیے ڈیزائن کیا گیا ہے۔

تکنیکی نفاذ

DSPy اور LangChain کا استعمال کرتے ہوئے DevOps پائپ لائنوں میں آرکیسٹریٹنگ ایجنٹ AI کے تکنیکی نفاذ کو ظاہر کرنے کے لیے، آئیے ایک سادہ مثال پر غور کریں۔ فرض کریں کہ ہم DevOps پائپ لائن کا استعمال کرتے ہوئے ویب ایپلیکیشن کی تعیناتی کو خودکار کرنا چاہتے ہیں۔ ہم DSPy کا استعمال AI سے چلنے والا فیصلہ سازی کا نظام بنانے کے لیے کر سکتے ہیں جو ایپلیکیشن کی کارکردگی، صارف کی رائے، اور سسٹم کے وسائل جیسے عوامل کی بنیاد پر تعیناتی کی بہترین حکمت عملی کا تعین کرتا ہے۔

`` ازگر ڈی ایس پی کو درآمد کریں۔ langchain امپورٹ ایل ایل ایم سے

def deployment_strategy(app_performance, user_feedback, system_resources): # ڈیٹا پر کارروائی کرنے اور فیصلے کرنے کے لیے DSPy کا استعمال کریں۔ ڈیٹا = dspy.Data(app_performance، user_feedback، system_resources) فیصلہ = dspy.DecisionMaker (ڈیٹا)

# تعیناتی کا منصوبہ بنانے کے لیے LangChain استعمال کریں۔
llm = LLM("text-davinci-003")
plan = llm.generate_text(f"{app_performance} کو {user_feedback} اور {system_resources} وسائل کے ساتھ تعینات کریں")

واپسی کا منصوبہ

DevOps پائپ لائن کی وضاحت کریں۔

def پائپ لائن (app_performance، user_feedback، system_resources): # پائپ لائن کو آرکیسٹریٹ کرنے کے لیے DSPy کا استعمال کریں۔ پائپ لائن = dspy.Pipeline() pipeline.add_task(تعیناتی_حکمت عملی، ایپ_پرفارمنس، صارف_فیڈ بیک، سسٹم_وسائل) pipeline.add_task(dspytasks.Deploy, plan)

# پائپ لائن چلائیں۔
pipeline.run()

پائپ لائن چلائیں۔

پائپ لائن (90, 4.5, 80) ``

ٹاپ 5-10 سب سے زیادہ استعمال شدہ کمانڈز/ٹکڑے

DSPy اور LangChain کے لیے سب سے اوپر 5-10 سب سے زیادہ استعمال شدہ کمانڈز/ٹکڑے یہ ہیں:

1. dspy.Data(): پروسیسنگ اور فیصلہ سازی کے لیے ڈیٹا آبجیکٹ بناتا ہے۔
2. dspy.DecisionMaker(): ڈیٹا اور سیاق و سباق کی بنیاد پر فیصلے کرتا ہے۔
3. LLM.generate_text(): ان پٹ پرامپٹس کی بنیاد پر متن تیار کرتا ہے۔
4. dspytasks.Deploy(): تعیناتی پلان کی بنیاد پر ایک ایپلیکیشن تعینات کرتا ہے۔
5. dspy.Pipeline(): ایک DevOps پائپ لائن ترتیب دیتا ہے۔
6. pipeline.add_task(): پائپ لائن میں ایک کام شامل کرتا ہے۔
7. pipeline.run(): پائپ لائن چلاتا ہے۔
8. dspy.Data.process(): فیصلہ سازی کے لیے ڈیٹا پر کارروائی کرتا ہے۔
9. dspy.DecisionMaker.decide(): ڈیٹا اور سیاق و سباق کی بنیاد پر فیصلہ کرتا ہے۔
10. LLM.generate_text(prompt): ان پٹ پرامپٹس کی بنیاد پر متن تیار کرتا ہے۔

تصور

یہاں Chart.js کا استعمال کرتے ہوئے ایجنٹی AI سے چلنے والی DevOps پائپ لائن کا تصور ہے: json { "type": "بار"، "ڈیٹا": { "labels": ["ڈیٹا پروسیسنگ"، "فیصلہ سازی"، "تعیناتی"], "ڈیٹا سیٹ": [ { "label": "Agentic AI", "ڈیٹا": [10، 20، 30]، "backgroundColor": "rgba(255, 99, 132, 0.2)", "borderColor": "rgba(255, 99, 132, 1)", سرحد کی چوڑائی: 1 } ] }، "اختیارات": { "پیمانہ": { "yAxes": [ { "ticks": { "beginAtZero": سچ ہے۔ } } ] } } } یہ تصور ایجنٹ AI سے چلنے والی DevOps پائپ لائن کے تین مراحل دکھاتا ہے: ڈیٹا پروسیسنگ، فیصلہ سازی، اور تعیناتی۔

نتیجہ

اس آرٹیکل میں، ہم نے DSPy اور LangChain کا استعمال کرتے ہوئے DevOps پائپ لائنوں میں آرکیسٹریٹنگ ایجنٹ AI کے تصور کی کھوج کی۔ ہم نے ایک سادہ مثال کا مظاہرہ کیا کہ کس طرح AI سے چلنے والے فیصلہ سازی کے نظام کا استعمال کرتے ہوئے ویب ایپلیکیشن کی تعیناتی کو خودکار بنایا جائے۔ ہم نے Chart.js کا استعمال کرتے ہوئے ایجنٹ AI سے چلنے والی DevOps پائپ لائن کا تصور بھی فراہم کیا۔ ایجنٹی AI کو DevOps پائپ لائنوں میں ضم کر کے، تنظیمیں ZeroOps حاصل کر سکتی ہیں اور اعلیٰ معیار کے ساتھ اور کم قیمتوں پر تیزی سے سافٹ ویئر تعینات کر سکتی ہیں۔