==============================================================
Giriş
DevOps avtomatlaşdırmasında Süni İntellekt (AI) və Maşın Öyrənmə (ML) tətbiqlərinin artması ilə proqram təminatının inkişafı mənzərəsi sürətlə inkişaf edir. Süni intellektlə işləyən avtomatlaşdırma mürəkkəb iş axınlarını sadələşdirməyə, səmərəliliyi artırmağa və insan səhvi ehtimalını azaltmağa kömək edə bilər. Bu yazıda, proqram təminatının inkişaf boru kəmərlərində kök səbəb təhlili və səmərəliliyin optimallaşdırılması üçün süni intellektlə işləyən agentləri tətbiq etmək üçün DSPy və LangChain-dən necə istifadə edəcəyimizi araşdıracağıq.
DSPy nədir?
DSPy, tərtibatçılara süni intellektlə işləyən avtomatlaşdırma iş axınlarını qurmağa və yerləşdirməyə imkan verən Python kitabxanasıdır. O, müxtəlif AI və ML modellərini inteqrasiya etmək üçün genişlənən və çevik çərçivə təqdim edərək onu DevOps avtomatlaşdırılması üçün ideal seçim edir.
LangChain nədir?
LangChain tərtibatçılara danışıq süni intellekt agentləri qurmağa və yerləşdirməyə imkan verən Python kitabxanasıdır. O, təbii dil daxiletmələrini başa düşə və onlara cavab verə bilən agentlər yaratmaq üçün sadə və intuitiv API təmin edir.
Kök Səbəb Təhlili üçün AI Agentlərinin Tətbiqi
Kök səbəb təhlili DevOps avtomatlaşdırmasının kritik komponentidir, çünki o, problemlərin əsas səbəblərini müəyyənləşdirməyə və gələcəkdə onların baş verməsinin qarşısını almağa kömək edir. Süni intellektlə işləyən kök səbəb analizini həyata keçirmək üçün biz LangChain ilə inteqrasiya edən iş axını yaratmaq üçün DSPy-dən istifadə edə bilərik.
Budur iş axınının yüksək səviyyəli icmalı:
- Məlumatların Toplanması: Qeydlər, ölçülər və konfiqurasiya faylları kimi müxtəlif mənbələrdən müvafiq məlumatları toplayın.
- Məlumatların İlkin Emalı: Toplanmış məlumatları təhlil üçün hazırlamaq üçün əvvəlcədən emal edin.
- Model Təlimi: Nümunələri və əlaqələri müəyyən etmək üçün əvvəlcədən işlənmiş məlumatlar üzərində ML modelini öyrədin.
- Model Yerləşdirmə: Təlim edilmiş modeli DSPy iş prosesində yerləşdirin.
- Agent İnteqrasiyası: Təbii dildə qarşılıqlı əlaqəni təmin etmək üçün DSPy iş axınını LangChain agenti ilə inteqrasiya edin.
Kod Nümunəsi: Kök Səbəb Təhlili İş Akışı
dspy-ni dsp kimi idxal edin
langchain idxal agentindən
# DSPy iş axınını müəyyənləşdirin
iş axını = dsp.İş axını(
ad = "kök_səbəb_analizi",
tapşırıqlar=[
dsp.Task("məlumatların_toplanması", "Loglardan və ölçülərdən məlumat toplamaq"),
dsp.Task("məlumatların_əvvəlcədən işlənməsi", "Təhlil üçün verilənlərin əvvəlcədən işlənməsi"),
dsp.Task("model_təlim", "Qabaqcadan işlənmiş verilənlər üzərində ML modelini öyrət"),
dsp.Task("model_deployment", "Təlim edilmiş modeli DSPy iş prosesində yerləşdir"),
],
)
# LangChain agentini təyin edin
agent = agent(
ad = "root_cause_agent",
model="distilbert-base-uncased",
prompt="Problemin əsas səbəbi nədir?",
)
# DSPy iş axınını LangChain agenti ilə inteqrasiya edin
workflow.add_agent(agent)
# İş prosesini işə salın
workflow.run()
Səmərəliliyin optimallaşdırılması üçün AI agentlərinin tətbiqi
Səmərəliliyin optimallaşdırılması DevOps avtomatlaşdırmasının digər mühüm komponentidir, çünki o, proqram təminatının işlənib hazırlanması boru kəmərlərinin sürətini və məhsuldarlığını artırmağa kömək edir. Süni intellektlə işləyən səmərəliliyin optimallaşdırılmasını həyata keçirmək üçün biz LangChain ilə inteqrasiya edən iş axını yaratmaq üçün DSPy-dən istifadə edə bilərik.
Budur iş axınının yüksək səviyyəli icmalı:
- Məlumatların Toplanması: Qeydlər, ölçülər və konfiqurasiya faylları kimi müxtəlif mənbələrdən müvafiq məlumatları toplayın.
- Məlumatların İlkin Emalı: Toplanmış məlumatları təhlil üçün hazırlamaq üçün əvvəlcədən emal edin.
- Model Təlimi: Nümunələri və əlaqələri müəyyən etmək üçün əvvəlcədən işlənmiş məlumatlar üzərində ML modelini öyrədin.
- Model Yerləşdirmə: Təlim edilmiş modeli DSPy iş prosesində yerləşdirin.
- Agent İnteqrasiyası: Təbii dildə qarşılıqlı əlaqəni təmin etmək üçün DSPy iş axınını LangChain agenti ilə inteqrasiya edin.
Kod Nümunəsi: Səmərəliliyin Optimizasiyası İş Akışı
dspy-ni dsp kimi idxal edin
langchain idxal agentindən
# DSPy iş axınını müəyyənləşdirin
iş axını = dsp.İş axını(
name="efficiency_optimization",
tapşırıqlar=[
dsp.Task("məlumatların_toplanması", "Loglardan və ölçülərdən məlumat toplamaq"),
dsp.Task("məlumatların_əvvəlcədən işlənməsi", "Təhlil üçün verilənlərin əvvəlcədən işlənməsi"),
dsp.Task("model_təlim", "Qabaqcadan işlənmiş verilənlər üzərində ML modelini öyrət"),
dsp.Task("model_deployment", "Təlim edilmiş modeli DSPy iş prosesində yerləşdirin"),
],
)
# LangChain agentini təyin edin
agent = agent(
ad = "efficiency_agent",
model="distilbert-base-uncased",
prompt="Daha yaxşı səmərəlilik üçün boru kəmərini necə optimallaşdıra bilərəm?",
)
# DSPy iş axınını LangChain agenti ilə inteqrasiya edin
workflow.add_agent(agent)
# İş prosesini işə salın
workflow.run()
Ən çox istifadə olunan 5-10 əmr/parça
DSPy və LangChain üçün ən çox istifadə edilən bəzi əmrlər və fraqmentlər bunlardır:
DSPy
dsp.Workflow(name="my_workflow", tasks=[...]): Yeni DSPy iş axını yaradın.dsp.Task(name="my_task", description="Mənim tapşırığım"): DSPy iş prosesində yeni tapşırıq yaradın.workflow.add_agent(agent): DSPy iş axınına LangChain agenti əlavə edin.workflow.run(): DSPy iş axını işə salın.dsp.get_task_output(task): DSPy iş prosesində tapşırığın çıxışını əldə edin.
LangChain
Agent(name="my_agent", model="distilbert-base-uncased", prompt="My prompt"): Yeni LangChain agenti yaradın.agent.respond(prompt="Mənim əmrim"): LangChain agentindən cavab alın.agent.add_context(context="Mənim kontekstim"): LangChain agentinə kontekst əlavə edin.agent.remove_context(context="Mənim kontekstim"): LangChain agentindən konteksti silin.agent.get_model(): LangChain agentinin əsas ML modelini əldə edin.
Vizuallaşdırma
Budur Chart.js istifadə edərək DSPy və LangChain iş axınının vizuallaşdırılması:
{
"növ": "bar",
"data": {
"etiketlər": ["Kök Səbəb Analizi", "Effektivliyin Optimizasiyası"],
"verilənlər dəsti": [
{
"label": "DSPy İş axını",
"data": [10, 20],
"backgroundColor": ["#4CAF50", "#FF9800"]
},
{
"label": "LangChain Agent",
"data": [5, 15],
"backgroundColor": ["#2196F3", "#009688"]
}
]
},
"seçimlər": {
"başlıq": {
"ekran": doğru,
"text": "DSPy və LangChain İş axını"
},
"tərəzi": {
"yAxes": [
{
"gənə": {
"beginAtZero": doğrudur
}
}
]
}
}
}
Bu vizuallaşdırma hər bir DSPy iş prosesində tapşırıqların sayını və hər bir LangChain agentindən gələn cavabların sayını göstərir.
Nəticə
Bu yazıda biz proqram təminatının inkişaf boru kəmərlərində kök səbəb təhlili və səmərəliliyin optimallaşdırılması üçün süni intellektlə işləyən agentləri tətbiq etmək üçün DSPy və LangChain-dən necə istifadə edəcəyimizi araşdırdıq. Konseptləri göstərmək üçün kod nümunələri və vizualizasiyalar təqdim etdik və DSPy və LangChain üçün ən çox istifadə olunan əmr və fraqmentləri vurğuladıq. Bu təlimata əməl etməklə tərtibatçılar DSPy və LangChain istifadə edərək öz süni intellektlə işləyən avtomatlaşdırma iş axınlarını yarada bilərlər.