Réamhrá
Tá comhtháthú na hIntleachta Saorga (AI) le feidhmchláir bogearraí tar éis an bealach a théimid i ngleic le réiteach fadhbanna, cinnteoireacht agus uathoibriú a athrú ó bhonn. Mar sin féin, de réir mar a éiríonn feidhmchláir faoi thiomáint AI ag éirí níos casta, tá an gá le hailtireacht shlán agus inscálaithe ina ábhar imní práinneach. San Airteagal seo, déanfaimid iniúchadh ar thrasnú AI, innealtóireacht bogearraí, agus DevOps, le béim ar leith ar úsáid a bhaint as uirlisí ceolfhoirne mar DSPy agus LangChain chun gníomhairí AI a chomhtháthú i bpíblínte DevOps.
Na Dúshláin a bhaineann le hAiltireacht Bogearraí atá Tiomanta ag AI
Cruthaíonn feidhmchláir bhogearraí AI-tiomáinte dúshláin uathúla d’innealtóirí bogearraí agus d’fhoirne DevOps. I measc cuid de na príomhdhúshláin tá:
- Inscálaitheacht: Tá acmhainní suntasacha ríomhaireachta ag teastáil ó shamhlacha AI, rud a d’fhéadfadh saincheisteanna inscálaitheachta i dtimpeallachtaí táirgthe a bheith mar thoradh orthu.
- Slándáil: Is féidir le samhlacha AI a bheith i mbaol ionsaithe, mar nimhiú sonraí agus ionsaithe inbhéartaithe samhlacha.
- Comhtháthú: Ní mór samhlacha AI a chomhtháthú le córais bogearraí atá ann cheana féin, ar féidir leis a bheith ina thasc casta.
- Faireachán agus Cothabháil: Teastaíonn monatóireacht agus cothabháil leanúnach ar mhúnlaí AI chun a chinntiú go bhfanann siad cruinn agus iontaofa.
Uirlisí Ceolfhoirne: DSPy agus LangChain
Soláthraíonn uirlisí ceolfhoirne mar DSPy agus LangChain réiteach ar na dúshláin seo trí chomhtháthú gníomhairí AI a chumasú i bpíblínte DevOps. Soláthraíonn na huirlisí seo creat chun samhlacha AI a thógáil, a imscaradh agus a bhainistiú, lena n-áirithítear ailtireacht shlán agus inscálaithe d’fheidhmchláir atá á dtiomáint ag AI.
DSPy
Is uirlis cheolfhoirne foinse oscailte é DSPy a tógadh ar bharr Python. Soláthraíonn sé API simplí iomasach chun samhlacha AI a thógáil, a imscaradh agus a bhainistiú. Tacaíonn DSPy le raon leathan creataí AI, lena n-áirítear TensorFlow, PyTorch, agus scikit-learn.
LangChain
Is uirlis cheolfhoirne foinse oscailte eile é LangChain a sholáthraíonn creat chun samhlacha AI a thógáil, a imscaradh agus a bhainistiú. Tá LangChain tógtha ar bharr Rust agus soláthraíonn sé API ardfheidhmíochta chun gníomhairí AI a chomhtháthú i bpíblínte DevOps.
Ailtireacht Bhogearraí Slán agus Inscálaithe atá Tiomanta ag AI a Chur i bhFeidhm le DSPy
Sa chuid seo, scrúdóimid sampla simplí d’ailtireacht bhogearraí AI-tiomáinte atá slán agus inscálaithe a chur i bhfeidhm le DSPy.
Sampla: Samhail AI Simplí a Thógáil le DSPy
Breathnaímid ar shampla simplí de mhúnla meaisínfhoghlama a thógáil ag baint úsáide as DSPy. Bainfimid úsáid as an leabharlann scikit-learn chun samhail líneach aischéimniúcháin a thógáil.
allmhairiú dspy mar dsp
ó iompórtáil sklearn.linear_model LinearRegression
ó sklearn.datasets allmhairiú load_diabetes
# Luchtaigh an tacar sonraí diaibéiteas
tacar sonraí = load_diaibéiteas()
# Roinn an tacar sonraí ina thacair oiliúna agus tástála
X_train, X_test, y_train, y_test = dsp.split_dataset(dataset.data, set data.target, test_size=0.2)
# Samhail líneach aischéimnithe a thógáil
samhail = Aischéimniú Líneach()
# Cuir oiliúint ar an tsamhail ar na sonraí oiliúna
model.fit(X_train, y_train)
# Déan an tsamhail a mheas ar na sonraí tástála
cruinneas = model.score(X_test, y_test)
print(f"Cruinneas an mhúnla: {cruinneas:.2f}")
Léiríonn an cód-bhloc seo conas samhail mheaisínfhoghlama shimplí a thógáil ag baint úsáide as DSPy. Déanaimid an tacar sonraí diaibéiteas a luchtú, é a roinnt ina thacair oiliúna agus thástála, tógaimid samhail líneach aischéimniúcháin, cuirimid oiliúint ar na sonraí oiliúna, agus déanaimid meastóireacht ar a chruinneas ar na sonraí tástála.
Ailtireacht Bogearraí Slán agus Inscálaithe atá Tiomanta ag AI a Chur i bhFeidhm le LangChain
Sa chuid seo, déanfaimid iniúchadh ar shampla simplí d'ailtireacht bogearraí AI-tiomáinte slán agus inscálaithe a chur i bhfeidhm le LangChain.
Sampla: Samhail AI Simplí a Thógáil le LangChain
Breathnaímid ar shampla simplí de mhúnla meaisínfhoghlama a thógáil ag baint úsáide as LangChain. Bainfimid úsáid as leabharlann TensorFlow chun samhail líonra néarúil a thógáil.
bain úsáid as langchain mar lc;
úsáid tensorflow::prelude::*;
// Sainmhínigh samhail líonra néar simplí
múnla fn (ionchur: &Tensor) -> teansóir {
ligean aschur = ionchur.matmul(&Tensor::nua(1, 1));
aschur
}
// Cruthaigh gníomhaire LangChain
lig gníomhaire = lc ::Gníomhaire::nua(samhail);
// Sainmhínigh tacar sonraí
lig tacar sonraí = lc::Tacar sonraí::nua(vec![
lc::Sampla::nua(vec![1.0, 2.0], vec![3.0]),
lc::Sampla::nua(vec![4.0, 5.0], vec![6.0]),
]);
// Traenáil an tsamhail ar an tacar sonraí
agent.train(& tacar sonraí);
// Déan measúnú ar an tsamhail ar an tacar sonraí
beachtas = agent.evaluate(&tacar sonraí);
println!("Cruinneas múnla: {}", cruinneas);
Léiríonn an bloc cód seo conas múnla meaisínfhoghlama simplí a thógáil ag baint úsáide as LangChain. Sainmhínímid samhail líonra néarúil simplí, cruthaímid gníomhaire LangChain, sainmhínímid tacar sonraí, déanaimid oiliúint ar an tsamhail ar an tacar sonraí, agus déanaimid measúnú ar a chruinneas ar an tacar sonraí.
Na 5-10 nOrd/Blúire is Mó Úsáidte
Seo iad na 5-10 orduithe/blúine is mó a úsáidtear le haghaidh DSPy agus LangChain:
DSPy
dsp.split_dataset(data, target, test_size=0.2): Roinntear an tacar sonraí ina thacair oiliúna agus tástála.dsp.build_model(model_name, model_params): Tógann sé samhail meaisínfhoghlama agus úsáid á baint as ainm an mhúnla agus na paraiméadair sonraithe.dsp.train_model(samhail, sonraí): Traenálann an tsamhail mheaisínfhoghlama ar na sonraí sonraithe.dsp.evaluate_model(samhail, sonraí): Déantar feidhmíocht na samhla meaisínfhoghlama a mheas ar na sonraí sonraithe.dsp.deploy_model(samhail, server_url): Imscartar an tsamhail mheaisínfhoghlama chuig URL an fhreastalaí sonraithe.
LangChain
lc ::Gníomhaire ::nua(múnla): Cruthaíonn sé gníomhaire LangChain ag baint úsáide as an múnla sonraithe.lc::Tacar Sonraí::nua(samplaí): Cruthaítear tacar sonraí LangChain ag baint úsáide as na samplaí sonraithe.lc::traein(gníomhaire, tacar sonraí): Traenálann an gníomhaire LangChain ar an tacar sonraí sonraithe.lc::valuate(gníomhaire, tacar sonraí): Déantar feidhmíocht an ghníomhaire LangChain ar an tacar sonraí sonraithe a mheas.lc:: imscaradh(gníomhaire, server_url): Imscartar an gníomhaire LangChain chuig URL an fhreastalaí sonraithe.
Amharcléiriú
Seo léirshamhlú simplí ar an ailtireacht bogearraí atá á thiomáint ag AI ag baint úsáide as Chart.js:
const ctx = document.getElementById('myChart').getContext('2d');
chairt const = Cairt nua(ctx, {
cineál: 'barra',
sonraí: {
lipéid: ['Am Oiliúna', 'Am Tátail', 'Cruinneas Múnla'],
tacair shonraí: [{
lipéad: 'DSPy',
sonraí: [10, 5, 90],
dath cúlra: 'rgba(255, 99, 132, 0.2)',
dath teorann: 'rgba(255, 99, 132, 1)',
teorann Leithead: 1
}, {
lipéad: 'LangChain',
sonraí: [8, 6, 92],
dath cúlra: 'rgba(54, 162, 235, 0.2)',
dath teorann: 'rgba(54, 162, 235, 1)',
teorann Leithead: 1
}]
},
roghanna: {
scálaí: {
y: {
startAtZero: fíor
}
}
}
});
Cruthaíonn an bloc cód seo barrachairt shimplí ag baint úsáide as Chart.js chun feidhmíocht DSPy agus LangChain a léirshamhlú.
Conclúid
San Airteagal seo, rinneamar iniúchadh ar a dtrasnaíonn AI, innealtóireacht bogearraí, agus DevOps, le béim ar leith ar úsáid a bhaint as uirlisí ceolfhoirne mar DSPy agus LangChain chun gníomhairí AI a chomhtháthú i bpíblínte DevOps. Léiríomar conas ailtireacht bogearraí AI-tiomáinte slán agus inscálaithe a chur i bhfeidhm ag baint úsáide as DSPy agus LangChain, agus sholáthraíomar sampla simplí de mhúnla meaisínfhoghlama a thógáil ag baint úsáide as gach uirlis. Chuireamar 5-10 n-orduithe/blúine is mó a úsáidtear ar fáil do gach uirlis chomh maith agus léirshamhlú simplí ar ailtireacht bogearraí AI-tiomáinte ag baint úsáide as Chart.js.