በAI-powered ወኪሎች እና DevOps መሳሪያዎች ጋር በራስ ሰር የክስተት ምርመራ ማድረግ

መግቢያ

በዛሬው የደመና-ተወላጅ አካባቢዎች፣ የአደጋ ምርመራ እና አፈታት የDevOps ልምዶች ወሳኝ አካላት ናቸው። ነገር ግን፣ በእጅ የሚደረግ የክስተት ምርመራ ጊዜ የሚወስድ፣ ለስህተት የተጋለጠ እና ብዙ ጊዜ ሰፊ እውቀትን የሚጠይቅ ሊሆን ይችላል። እነዚህን ተግዳሮቶች ለመፍታት፣ የኪሮ AI-ኃይል ወኪሎችን ከAWS DevOps ወኪል እና DSPy ጋር በራስ ሰር የአደጋ ምርመራ እና መፍትሄ ለማግኘት ያላቸውን ውህደት እንመረምራለን።

** አካላትን መረዳት ***

ወደ ውህደቱ ከመግባታችን በፊት፣ የተካተቱትን አካላት እንረዳ፡-

ኪሮ AI-Powered Agents፡ ኪሮ ስራዎችን እና የስራ ፍሰቶችን በራስ ሰር ለመስራት ብጁ ወኪሎችን መፍጠር የሚያስችል በ AI የሚሰራ መድረክ ነው። እነዚህ ወኪሎች የምዝግብ ማስታወሻዎች፣ መለኪያዎች እና የውቅረት ፋይሎችን ጨምሮ በተለያዩ የመረጃ ምንጮች ላይ ማሰልጠን ይችላሉ። ** የAWS DevOps ወኪል**፡ የAWS DevOps ወኪል በAWS ላይ ተግባራትን እና የስራ ፍሰቶችን በራስ ሰር ለመስራት የሚያስችል መሳሪያ ነው። እንደ አፕሊኬሽኖች መዘርጋት፣ አፈጻጸምን መከታተል እና ችግሮችን መላ መፈለግ ያሉ ተግባራትን በራስ ሰር ለመስራት ተለዋዋጭ እና ሊሰፋ የሚችል መንገድ ይሰጣል። ** DSPy ***: DSPy ከDSPy ጋር ለመግባባት ቀላል እና ቀልጣፋ መንገድ የሚያቀርብ የፓይዘን ቤተ-መጽሐፍት ሲሆን ከደመና-ቤተኛ የመረጃ መድረክ። DSPy ብጁ የውሂብ ቧንቧዎችን፣ የውሂብ ሂደትን እና የውሂብ እይታን መፍጠር ያስችላል።

የውህደት አጠቃላይ እይታ

የኪሮ AI-ኃይል ወኪሎች ከAWS DevOps ወኪል እና DSPy ጋር መቀላቀል የሚከተሉትን ደረጃዎች ያካትታል።

** የውሂብ ስብስብ ***፡ የAWS DevOps ወኪል ከተለያዩ ምንጮች እንደ ምዝግብ ማስታወሻዎች፣ ሜትሪክስ እና የውቅረት ፋይሎች ያሉ መረጃዎችን ይሰበስባል።
መረጃ ማቀናበር፡ የተሰበሰበው መረጃ የሚካሄደው DSPy በመጠቀም ሲሆን ይህም ብጁ ዳታ ቧንቧዎችን፣ የውሂብ ሂደትን እና የመረጃ እይታን መፍጠር ያስችላል።
የወኪል ስልጠና፡ የተቀነባበረው መረጃ የኪሮ AI-powered ወኪልን ለማሰልጠን ይጠቅማል፣ይህም ወኪሉ በመረጃው ውስጥ ቅጦችን እና ያልተለመዱ ነገሮችን እንዲማር ያስችለዋል።
የአደጋ ምርመራ፡- አንድ ክስተት ሲከሰት የኪሮ AI ኃይል ያለው ወኪል የሰለጠኑ ሞዴሎችን እና መረጃዎችን በመጠቀም ክስተቱን ለመመርመር ይነሳሳል።
** ጥራት ***፡ ወኪሉ የAWS DevOps ወኪልን በመጠቀም ሊፈጸም የሚችለውን ችግር ለመፍታት ምክሮችን ይሰጣል።

የኮድ ምሳሌ

የኪሮ AI ኃይል ያላቸው ወኪሎች ከAWS DevOps ወኪል እና DSPy ጋር መቀላቀላቸውን የሚያሳይ ቀላል የኮድ ምሳሌ ይኸውና፡ `` ፓይቶን አስመጣ os json አስመጣ ከኪሮስ አስመጪ ወኪል ከ dspy አስመጣ DSPy

aws_config = json.load(ክፍት('aws_config.json'))

በኪሮ AI የሚንቀሳቀስ ወኪል ይፍጠሩ

ወኪል = ወኪል ( ስም='የአደጋ_ምርመራ'፣ መግለጫ='ራስ-ሰር የክስተት ምርመራ እና መፍትሄ'፣ ሞዴል='የአደጋ_ምርመራ_ሞዴል' )

የ DSPy ምሳሌ ይፍጠሩ

dspy = DSPy( አስተናጋጅ = 'localhost', ወደብ=8080 የተጠቃሚ ስም = 'አስተዳዳሪ', የይለፍ ቃል = "የይለፍ ቃል" )

DSPy በመጠቀም የውሂብ ቧንቧን ይግለጹ

ቧንቧ = dspy.pipeline ( ስም='ክስተቱ_ምርመራ_ቧንቧ'፣ መግለጫ='ራስ-ሰር የአደጋ ምርመራ ቧንቧ መስመር'፣ ምንጮች=['ምዝግብ ማስታወሻዎች'፣ 'ሜትሪክስ'፣ 'ውቅር'] )

የዳታ ቧንቧን በመጠቀም በኪሮ AI የሚንቀሳቀስ ወኪልን አሰልጥኑ

ወኪል.ባቡር( ቧንቧ = የቧንቧ መስመር, data=dspy.data( ስም='የአደጋ_ምርመራ_ውሂብ'፣ መግለጫ='ራስ-ሰር የክስተቶች ምርመራ ውሂብ' ) )

ክስተትን ለመመርመር በኪሮ AI የተጎላበተ ወኪልን ያነቃቁ

ክስተት = { መታወቂያ፡ 'INC-12345'፣ 'መግለጫ': 'የመተግበሪያ ማቆያ ጊዜ' } ወኪል. ቀስቃሽ ( ክስተት = ክስተት ፣ data=dspy.data( ስም='የአደጋ_ምርመራ_ውሂብ'፣ መግለጫ='ራስ-ሰር የክስተቶች ምርመራ ውሂብ' ) )

ለአደጋ መፍትሄ የወኪሉን ምክሮች ያግኙ

ምክሮች = agent.recommendations( ክስተት = ክስተት ፣ data=dspy.data( ስም='የአደጋ_ምርመራ_ውሂብ'፣ መግለጫ='ራስ-ሰር የክስተቶች ምርመራ ውሂብ' ) )

የAWS DevOps ወኪልን በመጠቀም የወኪሉን ምክሮች ያስፈጽሙ aws_config['recommendations'] = ምክሮች aws_config['incident_id'] = ክስተት['id'] aws_config['መግለጫ'] = ክስተት['መግለጫ']

**ምርጥ 5-10 በብዛት ጥቅም ላይ የዋሉ ትዕዛዞች/ቅንጣዎች**

ለዚህ ቴክኖሎጂ በብዛት ጥቅም ላይ የዋሉት 5-10 ዋና ዋና ትዕዛዞች/ቅንጣዎች እነሆ፡-

1. **ኪሮ AI-Powered ወኪል ፍጥረት**፡
    `` ፓይቶን
ወኪል = ወኪል (
    ስም='የአደጋ_ምርመራ'፣
    መግለጫ='ራስ-ሰር የክስተት ምርመራ እና መፍትሄ'፣
    ሞዴል='የአደጋ_ምርመራ_ሞዴል'
)

** DSPy ምሳሌ ፍጥረት ***: `` ፓይቶን dspy = DSPy( አስተናጋጅ = 'localhost', ወደብ=8080 የተጠቃሚ ስም = 'አስተዳዳሪ', የይለፍ ቃል = "የይለፍ ቃል" )

3. ** የውሂብ ቧንቧ ፍቺ ***:
    `` ፓይቶን
ቧንቧ = dspy.pipeline (
    ስም='ክስተቱ_ምርመራ_ቧንቧ'፣
    መግለጫ='ራስ-ሰር የአደጋ ምርመራ ቧንቧ መስመር'፣
    ምንጮች=['ምዝግብ ማስታወሻዎች'፣ 'ሜትሪክስ'፣ 'ውቅር']
)

ኪሮ AI-Powered ወኪል ስልጠና፡ `` ፓይቶን ወኪል.ባቡር( ቧንቧ = የቧንቧ መስመር, data=dspy.data( ስም='የአደጋ_ምርመራ_ውሂብ'፣ መግለጫ='ራስ-ሰር የክስተቶች ምርመራ ውሂብ' ) )

5. **ኪሮ AI-Powered ወኪል ቀስቅሴ**፡
    `` ፓይቶን
ወኪል. ቀስቃሽ (
    ክስተት = ክስተት ፣
    data=dspy.data(
        ስም='የአደጋ_ምርመራ_ውሂብ'፣
        መግለጫ='ራስ-ሰር የክስተቶች ምርመራ ውሂብ'
    )
)

የወኪሉ ምክሮች ሰርስሮ ማውጣት፡ `` ፓይቶን ምክሮች = agent.recommendations( ክስተት = ክስተት ፣ data=dspy.data( ስም='የአደጋ_ምርመራ_ውሂብ'፣ መግለጫ='ራስ-ሰር የክስተቶች ምርመራ ውሂብ' ) )

7. **AWS DevOps ወኪል ውቅር በመጫን ላይ**፡
    `` ፓይቶን
aws_config = json.load(ክፍት('aws_config.json'))

AWS DevOps ወኪል የውሳኔ አፈጻጸም፡ `` ፓይቶን aws_config['recommendations'] = ምክሮች aws_config['incident_id'] = ክስተት['id'] aws_config['መግለጫ'] = ክስተት['መግለጫ']

9. ** DSPy ውሂብ ሰርስሮ ማውጣት ***:
    `` ፓይቶን
ውሂብ = dspy.data(
    ስም='የአደጋ_ምርመራ_ውሂብ'፣
    መግለጫ='ራስ-ሰር የክስተቶች ምርመራ ውሂብ'
)

ኪሮ AI-Powered ወኪል ሞዴል በመጫን ላይ: `` ፓይቶን ሞዴል = ወኪል. ሞዴል ( ስም='የአደጋ_ምርመራ_ሞዴል'፣ መግለጫ='ራስ-ሰር የክስተቶች ምርመራ ሞዴል' )


**እይታ**

Chart.jsን በመጠቀም የውህደቱ ምስላዊ እይታ እዚህ አለ፡-
``json
{
  "አይነት": "ባር",
  "ውሂብ": {
    "labels": ["የውሂብ ስብስብ", "የውሂብ ሂደት", "የወኪል ስልጠና", "የአደጋ ምርመራ", "መፍትሄ"],
    "መረጃዎች": [
      {
        "label": "ጊዜ (ሰከንድ)",
        "ውሂብ": [10, 20, 30, 40, 50],
        "የጀርባ ቀለም": [
          "rgba (255, 99, 132, 0.2)",
          "rgba (54, 162, 235, 0.2)",
          "rgba (255, 206, 86, 0.2)",
          "rgba (75, 192, 192, 0.2)",
          "rgba (153, 102, 255, 0.2)"
        ]፣
        "የድንበር ቀለም":
          "rgba (255, 99, 132, 1)",
          "rgba(54, 162, 235, 1)",
          "rgba (255, 206, 86, 1)",
          "rgba (75, 192, 192, 1)",
          "rgba (153, 102, 255, 1)"
        ]፣
        "የድንበር ስፋት"፡ 1
      }
    ]
  }
  "አማራጮች": {
    "ሚዛኖች": {
      "yAxes": [
        {
          "መዥገሮች": {
            "beginAtZero"፡ እውነት
          }
        }
      ]
    }
  }
}

ይህ ምስላዊነት በእያንዳንዱ ሂደት ውስጥ ለእያንዳንዱ እርምጃ የሚወስደውን ጊዜ ያሳያል.

** መደምደሚያ**

በዚህ ጽሑፍ ውስጥ፣ የኪሮ AI-ኃይል ወኪሎችን ከAWS DevOps Agent እና DSPy ጋር በራስ ሰር የአደጋ ምርመራ እና በደመና-ተወላጅ አካባቢዎች ውስጥ መፍታትን መርምረናል። የተካተቱትን ክፍሎች፣ የውህደት ሂደትን እና ውህደቱን የሚያሳይ ቀላል የኮድ ምሳሌ ዝርዝር መግለጫ አቅርበናል። እንዲሁም Chart.jsን በመጠቀም የውህደቱን ምስላዊ ምስል እና ለዚህ ቴክኖሎጂ በብዛት ጥቅም ላይ የዋሉት ከ5-10 ምርጥ ትዕዛዞች/ቅንጣዎችን ዝርዝር አካተናል።

የAWS DevOps ወኪል ውቅርን ጫን