Hladdu LLM líkaninu og auðkennisbúnaðinum

Að innleiða sjálfvirka atviksrannsókn með DevOps umboðsmönnum og LLMs

Kynning

Í hröðu stafrænu landslagi nútímans standa DevOps teymi frammi fyrir sífellt flóknari áskorun: að bera kennsl á og leysa atvik eins fljótt og auðið er. Handvirkar rannsóknaraðferðir geta verið tímafrekar og viðkvæmt fyrir mannlegum mistökum, sem leiðir til langvarandi niður í miðbæ og minni ánægju viðskiptavina. Til að takast á við þetta mál erum við að kanna gatnamót DevOps sjálfvirkni, gervigreindar atvikarannsókna og hlutverk Large Language Models (LLMs) við að efla DevOps verkfæri eins og AWS DevOps Agent og Copado Agentia.

Núverandi ástand atviksrannsóknar

Atviksrannsókn er mikilvægur þáttur í DevOps, sem felur í sér auðkenningu, greiningu og úrlausn mála sem hafa áhrif á hugbúnaðarkerfi. Hefðbundnar aðferðir byggja á handvirkum ferlum, svo sem greiningu á annálum, villurakningu og samskiptum við hagsmunaaðila. Þó þessar aðferðir séu árangursríkar geta þær verið hægar og viðkvæmar fyrir villum, sem leiðir til:

Aukinn niður í miðbæ: Handvirkar rannsóknaraðferðir geta tafið úrlausn atvika, sem hefur í för með sér lengri niður í miðbæ og minni ánægju viðskiptavina.
Mannleg mistök: Handvirk ferli eru næm fyrir mannlegum mistökum, sem geta leitt til rangrar greiningar og úrlausnar atvika.
Stærðarvandamál: Eftir því sem stærð og flókið kerfi vaxa verður sífellt erfiðara að skala handvirkar rannsóknaraðferðir.

Hlutverk DevOps umboðsmanna í atviksrannsókn

DevOps umboðsmenn, eins og AWS DevOps Agent og Copado Agentia, gegna mikilvægu hlutverki í sjálfvirkri rannsókn atvika. Þessir umboðsmenn geta:

Safna og greina annála: DevOps umboðsmenn geta safnað og greint annála frá ýmsum aðilum og veitt dýrmæta innsýn í orsakir atvika.
Sjálfvirk villurakningu: Umboðsmenn geta sjálfvirkt villurakningu og dregið úr þeim tíma og fyrirhöfn sem þarf til handvirkrar rannsóknar.
Aukið samskipti: Umboðsmenn geta auðveldað samskipti milli teyma, hagsmunaaðila og kerfa og tryggt að upplýsingum um atvik sé deilt á skilvirkan hátt.

Hlutverk LLM í rannsókn atvika

Stór tungumálalíkön (LLM) hafa gjörbylt sviði náttúrulegrar málvinnslu (NLP), sem gerir vélum kleift að skilja og búa til mannlegan texta. Í tengslum við rannsókn atvika geta LLMs:

** Greindu atviksskýrslur**: LLMs geta greint atviksskýrslur, auðkennt lykilupplýsingar og mynstur sem geta gefið til kynna undirrót atviks.
Búa til atvikasamantektir: LLMs geta búið til hnitmiðaðar samantektir yfir atvikaskýrslur, auðvelda samskipti og ákvarðanatöku.
Láta fram samhengisvitaðar tillögur: LLMs geta lagt fram samhengisvitaðar tillögur um úrlausn atvika, að teknu tilliti til tiltekins kerfis, umhverfis og hagsmunaaðila sem taka þátt.

Að innleiða sjálfvirka atviksrannsókn með DevOps umboðsmönnum og LLMs

Til að innleiða sjálfvirka atviksrannsókn með DevOps umboðsmönnum og LLM, munum við fylgja skref-fyrir-skref nálgun:

Sættu DevOps umboðsmenn: Samþættu DevOps umboðsmenn, eins og AWS DevOps Agent og Copado Agentia, við atvikastjórnunarkerfið þitt.
Safna og greina annála: Stilltu DevOps umboðsmenn til að safna og greina annála frá ýmsum aðilum, sem veitir dýrmæta innsýn í orsakir atvika.
Þjálfa LLM líkan: Þjálfa LLM líkan á gagnasafni með atvikaskýrslum, annálum og öðrum viðeigandi upplýsingum.
Sættu LLM við DevOps umboðsmenn: Samþættu LLM líkanið við DevOps umboðsmenn, sem gerir LLM kleift að greina atvikaskýrslur og koma með tillögur að úrlausn atvika.
Innleiða lausnina: Settu upp sjálfvirku atviksrannsóknarlausnina og tryggðu að hún sé skalanleg, áreiðanleg og örugg.

Dæmi um kóða: Samþætting LLM við DevOps umboðsmenn

Hér er dæmi um kóðabút í Python, sem sýnir hvernig á að samþætta LLM líkan með DevOps umboðsmanni:

innflutningsskráningu
frá spennum flytja inn AutoModelForSequenceClassification, AutoTokenizer
frá aws_devops_agent import Agent


model = AutoModelForSequenceClassification.from_pretrained("distilbert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("distilbert-base-uncased")

# Frumstilla DevOps umboðsmanninn
umboðsmaður = umboðsmaður()

# Skilgreindu aðgerð til að greina atviksskýrslur með því að nota LLM líkanið
def analyze_incident_report (skýrsla):
    # Forvinna atviksskýrsluna
    inntak = tokenizer.encode_plus(skýrsla, 
                                    add_special_tokens=Satt, 
                                    hámarkslengd=512, 
                                    return_attention_mask=Satt, 
                                    return_tensors='pt')
    
    # Greindu atviksskýrsluna með því að nota LLM líkanið
    úttak = líkan(inntak['inntak_auðkenni'], athyglisgríma=inntak['athyglisgríma'])
    
    # Dragðu út spáð flokksmerki
    predicted_class = torch.argmax(outputs.logits)
    
    skila spáð_flokki

# Skilgreindu aðgerð til að koma með tillögur að úrlausn atvika
def provide_suggestions(spáður_flokkur):
    # Notaðu áætlaða flokksmerkið til að koma með tillögur að úrlausn atvika
    ef spáð_flokkur == 0:
        return "Athugaðu kerfisskrárnar fyrir villur"
    elif predicted_class == 1:
        skila "Staðfestu nettenginguna"
    annað:
        skila "Hafðu samband við þróunarteymið til að fá aðstoð"

# Samþættu LLM líkanið við DevOps umboðsmanninn
def atviksrannsókn():
    # Safnaðu og greindu annálum frá DevOps umboðsmanni
    logs = agent.get_logs()
    
    # Greindu annálana með LLM líkaninu
    predicted_class = analyze_incident_report(logs)
    
    # Komdu með tillögur að úrlausn atvika
    tillögur = veita_uppástungur(spáð_flokkur)
    
    skila tillögum

# Settu upp atviksrannsóknarlausnina
atviksrannsókn()

Top 5-10 mest notuðu skipanir/bútar

Hér eru 5-10 mest notuðu skipanir/bútar fyrir þessa tækni:

aws devops agent get-logs: Safnaðu logs frá DevOps umboðsmanni.
transformers.AutoModelForSequenceClassification.from_pretrained(): Hlaðið LLM líkaninu.
tokenizer.encode_plus(): Forvinnsla atviksskýrslunnar.
model(inputs['input_ids'], attention_mask=inputs['attention_mask']): Greindu atviksskýrsluna með því að nota LLM líkanið.
torch.argmax(outputs.logits): Dragðu út fyrirhugaða flokksmerkið.
veita_tillögur(spá_flokkur): Komdu með tillögur að úrlausn atvika.
agent.get_logs(): Safnaðu annálum frá DevOps umboðsmanni.
analyze_incident_report(report): Greindu atviksskýrsluna með því að nota LLM líkanið.
incident_investigation(): Settu upp atviksrannsóknarlausnina.
torch.save(model.state_dict(), 'model.pth'): Vista LLM líkanið.

Sjónræn

Hér er mynd af sjálfvirku atviksrannsóknarlausninni með því að nota Chart.js:

{
  "type": "bar",
  "gögn": {
    "labels": ["Handvirk rannsókn", "Sjálfvirk rannsókn"],
    "gagnasett": [
      {
        "label": "Tími til að leysa",
        "gögn": [10, 2],
        "bakgrunnslitur": ["rgba(255, 99, 132, 0.2)", "rgba(54, 162, 235, 0.2)"],
        "borderColor": ["rgba(255, 99, 132, 1)", "rgba(54, 162, 235, 1)"],
        "borderWidth": 1
      }
    ]
  },
  "valkostir": {
    "titill": {
      "display": satt,
      "text": "Tími til að leysa atvik"
    },
    "vog": {
      "yAxes": [
        {
          "tikkar": {
            "beginAtZero": satt
          }
        }
      ]
    }
  }
}

Þessi sjónmynd ber saman tíma til að leysa atvik með handvirkum rannsóknaraðferðum samanborið við sjálfvirkar rannsóknaraðferðir sem nota DevOps umboðsmenn og LLM.

Niðurstaða

Innleiðing sjálfvirkrar atvikarannsóknar með DevOps umboðsmönnum og LLMs getur bætt skilvirkni og skilvirkni úrlausnar atvika verulega. Með því að samþætta DevOps umboðsmenn við LLMs geta stofnanir sjálfvirkt greiningu á annálum, komið með samhengisvitaðar tillögur um úrlausn atvika og dregið úr tíma til að leysa atvik. Við höfum kannað gatnamót DevOps sjálfvirkni, gervigreindar atvikarannsókna og hlutverk LLMs í að efla DevOps verkfæri eins og AWS DevOps Agent og Copado Agentia. Með því að fylgja skref-fyrir-skref nálguninni sem lýst er í þessari grein geta stofnanir sett upp stigstærða, áreiðanlega og örugga sjálfvirka atviksrannsóknarlausn.

Hladdu LLM líkaninu og auðkennisbúnaðinum

¿Tienes preguntas?