LangChain və DSPy ilə süni intellektlə işləyən proqram təminatının hazırlanmasını təşkil etmək | B4N1

LangChain və DSPy ilə süni intellektlə işləyən proqram təminatının hazırlanmasını təşkil etmək

6 months ago · b4n1 Tiempo de lectura: 5 min

LangChain və DSPy ilə süni intellektlə dəstəklənən proqram təminatının inkişafının təşkili

Giriş

Proqram təminatının inkişafı mənzərəsi sürətlə inkişaf edir, süni intellektlə işləyən alətlər və texnologiyalar DevOps avtomatlaşdırılması və proqram arxitekturasında getdikcə daha görkəmli rol oynayır. Bu məkanda iki görkəmli oyunçu, süni intellektlə idarə olunan proqram təminatı inkişaf boru kəmərlərinin qurulması üçün güclü orkestrasiya imkanları təklif edən LangChain və DSPy-dir. Bu yazıda biz LangChain və DSPy dünyasını araşdıraraq, onların süni intellektlə işləyən proqram təminatının inkişafında imkanlarını, faydalarını və praktik tətbiqlərini araşdıracağıq.

LangChain nədir?

LangChain danışıq süni intellekt tətbiqləri yaratmaq üçün açıq mənbəli, Python əsaslı çərçivədir. O, təbii dilin işlənməsi (NLP), maşın öyrənməsi (ML) və proqram təminatının inkişafı üçün güclü alətlər dəstini təmin edir və onu süni intellektlə işləyən proqram təminatının işlənib hazırlanması boru kəmərləri üçün ideal seçim edir. LangChain-in əsas xüsusiyyətlərinə aşağıdakılar daxildir:

  • Danışıqlı AI: LangChain tərtibatçılara NLP və ML texnikalarından istifadə edərək chatbotlar və səsli köməkçilər kimi danışıq interfeysləri yaratmağa imkan verir.
  • Proqram təminatının inkişafı: LangChain proqram təminatının inkişafı üçün bir sıra alətlər təqdim edir, o cümlədən kodun yaradılması, sazlanması və sınaqdan keçirilməsi.
  • Orkestrləşdirmə: LangChain-in orkestrləşdirmə imkanları tərtibatçılara mürəkkəb iş axınlarını və boru kəmərlərini avtomatlaşdırmağa imkan verir ki, bu da irimiqyaslı proqram təminatının hazırlanması layihələrini idarə etməyi asanlaşdırır.

DSPy nədir?

DSPy, məlumat elmi və maşın öyrənmə boru kəmərlərinin qurulması üçün Python əsaslı çərçivədir. O, məlumatların əvvəlcədən işlənməsi, xüsusiyyət mühəndisliyi, model təlimi və yerləşdirmə üçün bir sıra alətlər təqdim edir. DSPy-nin əsas xüsusiyyətlərinə aşağıdakılar daxildir:

  • Data Science: DSPy tərtibatçılara verilənlərin qəbulu, emalı və təhlili daxil olmaqla məlumat elmi boru kəmərləri qurmağa imkan verir.
  • Maşın Öyrənilməsi: DSPy model təlimi, sazlama və yerləşdirmə daxil olmaqla, maşın öyrənməsi üçün bir sıra alətlər təqdim edir.
  • Orkestrləşdirmə: DSPy-nin orkestrləşdirmə imkanları tərtibatçılara mürəkkəb iş axınlarını və boru kəmərlərini avtomatlaşdırmağa imkan verir ki, bu da irimiqyaslı məlumat elmi və maşın öyrənmə layihələrini idarə etməyi asanlaşdırır.

LangChain və DSPy ilə süni intellektlə dəstəklənən proqram təminatının inkişafının təşkili

LangChain və DSPy-nin süni intellektlə işləyən proqram təminatının inkişafındakı gücünü göstərmək üçün sadə bir nümunəyə nəzər salaq. Fərz edək ki, biz aşağıdakı vəzifələri avtomatlaşdıran danışıq süni intellektlə işləyən proqram təminatının inkişafı boru kəməri qurmaq istəyirik:

  1. Kod Yaradılması: Şablondan istifadə edərək veb tətbiqi üçün əsas Python skripti yaradın.
  2. Kod Baxışı: Yaradılmış kodu səhvlər üçün nəzərdən keçirin və təkmilləşdirmələr təklif edin.
  3. Sınaq: Tələb olunan standartlara cavab verdiyinə əmin olmaq üçün yaradılan kodun üzərində avtomatlaşdırılmış testlər keçirin.
  4. Yerləşdirmə: Yaradılmış kodu bulud əsaslı platformaya yerləşdirin.

Bu boru kəmərini avtomatlaşdırmaq üçün LangChain və DSPy-dən necə istifadə olunacağını nümayiş etdirən sadə kod bloku:

idxal langchain
langchain.chains-dən ConversationalAI idxal edir
langchain.llms idxal LLM-dən


boru kəməri = ConversationalAI(
    llm=LLM("text-davinci-003"),
    zəncir=[
        langchain.PipelineStep(
            name="Kod Yaradılması",
            func=lambda x: f"import flask\napp = flask.Flask(__name__)\n@app.route('/')\ndef index():\n return 'Salam Dünya!'",
        ),
        langchain.PipelineStep(
            name="Kod Baxışı",
            func=lambda x: "Yaradılan kod yaxşı görünür, lakin xətanın idarə edilməsini əlavə etməyi düşünün.",
        ),
        langchain.PipelineStep(
            name="Sınaq",
            func=lambda x: "Testlər həyata keçirilir...\nPASS: index()",
        ),
        langchain.PipelineStep(
            name="Yerləşdirmə",
            func=lambda x: "Bulud platformasına yerləşdirilir...\nUğur!",
        ),
    ],
)

# Boru kəmərini işə salın
nəticə = pipeline.run(input="Veb tətbiqi üçün əsas Python skripti yaradın.")

çap (nəticə)

Bu kod bloku danışıq süni intellektlə işləyən proqram inkişaf boru kəmərini avtomatlaşdırmaq üçün LangChain və DSPy-dən necə istifadə olunacağını nümayiş etdirir. Boru kəməri dörd addımdan ibarətdir: kodun yaradılması, kodun nəzərdən keçirilməsi, sınaqdan keçirilməsi və yerləşdirilməsi. Hər bir addım yerinə yetiriləcək xüsusi tapşırığı müəyyən edən LangChain boru kəməri addımından istifadə etməklə həyata keçirilir.

LangChain və DSPy-nin üstünlükləri

LangChain və DSPy-dən süni intellektlə işləyən proqram təminatının hazırlanmasında istifadəsinin faydaları çoxdur:

  • Avtomatlaşdırma: LangChain və DSPy tərtibatçılara mürəkkəb iş axınlarını və boru kəmərlərini avtomatlaşdırmağa imkan verir və bu, irimiqyaslı proqram təminatının hazırlanması layihələrini idarə etməyi asanlaşdırır.
  • Effektivlik: Təkrarlanan tapşırıqları avtomatlaşdırmaqla tərtibatçılar diqqəti yaradıcılıq və problem həll etmə bacarıqları tələb edən daha yüksək səviyyəli tapşırıqlara yönəldə bilərlər.
  • Ardıcıllıq: LangChain və DSPy proqram təminatının inkişaf proseslərində ardıcıllığı təmin edir, xəta riskini azaldır və ümumi keyfiyyəti artırır.
  • Ölçeklenebilirlik: LangChain və DSPy tərtibatçılara irimiqyaslı layihələrin tələblərinə cavab vermək üçün proqram təminatının işlənib hazırlanması boru kəmərlərini genişləndirməyə imkan verir.

Ən çox istifadə olunan 5-10 əmr/parça

LangChain və DSPy üçün ən çox istifadə olunan 5-10 əmr/parçalar bunlardır:

  1. langchain.PipelineStep: Boru kəmərində yerinə yetiriləcək xüsusi tapşırığı müəyyənləşdirir.
pipeline_step = langchain.PipelineStep(
    name="Kod Yaradılması",
    func=lambda x: f"import flask\napp = flask.Flask(__name__)\n@app.route('/')\ndef index():\n return 'Salam Dünya!'",
)
  1. langchain.ConversationalAI: Danışıq AI boru xəttini müəyyən edir.
boru kəməri = langchain.ConversationalAI(
    llm=LLM("text-davinci-003"),
    zəncir=[pipeline_addım],
)
  1. DSPy.DataPipeline: Məlumat elmi boru xəttini müəyyən edir.
boru kəməri = DSPy.DataPipeline(
    data_source="https://example.com/data.csv",
    data_transformer=lambda x: x["sütun1"] + x["sütun2"],
)
  1. DSPy.ModelPipeline: Maşın öyrənmə boru kəmərini müəyyən edir.
boru kəməri = DSPy.ModelPipeline(
    model = "xətti_reqressiya",
    data_source="https://example.com/data.csv",
    data_transformer=lambda x: x["sütun1"] + x["sütun2"],
)
  1. langchain.LLM: Dil modelini müəyyən edir.
llm = langchain.LLM("text-davinci-003")
  1. DSPy.DataTransformer: Məlumat transformatorunu müəyyən edir.
transformator = DSPy.DataTransformer(lambda x: x["sütun1"] + x["sütun2"])
  1. DSPy.ModelTrainer: Model təlimçisini müəyyənləşdirir.
təlimçi = DSPy.ModelTrainer(model="xətti_reqressiya")
  1. langchain.Pipeline: Boru kəmərini müəyyən edir.
boru kəməri = langchain.Pipeline(
    zəncir=[pipeline_addım],
)
  1. DSPy.DataLoader: Məlumat yükləyicisini müəyyən edir.
yükləyici = DSPy.DataLoader(data_source="https://example.com/data.csv")
  1. DSPy.ModelDeployer: Model yerləşdiricisini müəyyən edir.
yerləşdirici = DSPy.ModelDeployer(model="xətti_reqressiya")

Vizuallaşdırma

Budur, Chart.js istifadə edərək LangChain və DSPy boru kəmərinin vizualizasiyası:

{
  "növ": "bar",
  "data": {
    "etiketlər": ["Kod Yaradılması", "Kod Baxışı", "Sınaq", "Yerləşdirmə"],
    "verilənlər dəsti": [
      {
        "label": "LangChain",
        "data": [10, 8, 12, 15],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      },
      {
        "label": "DSPy",
        "data": [8, 10, 12, 15],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "borderWidth": 1
      }
    ]
  },
  "seçimlər": {
    "başlıq": {
      "ekran": doğru,
      "text": "LangChain və DSPy Boru Kəməri"
    },
    "tərəzi": {
      "yAxes": [
        {
          "gənə": {
            "beginAtZero": doğrudur
          }
        }
      ]
    }
  }
}

Bu vizuallaşdırma boru kəmərində LangChain və DSPy tərəfindən yerinə yetirilən tapşırıqların sayını göstərir. X oxu tapşırıqları, y oxu isə yerinə yetirilən tapşırıqların sayını göstərir.

Nəticə

LangChain və DSPy, süni intellektə əsaslanan proqram təminatı inkişaf boru kəmərlərinin qurulması üçün güclü orkestrləşdirmə imkanları təklif edir. Mürəkkəb iş axınlarını və boru kəmərlərini avtomatlaşdırmaqla tərtibatçılar diqqəti yaradıcılıq və problem həll etmə bacarıqları tələb edən daha yüksək səviyyəli tapşırıqlara yönəldə bilərlər. LangChain və DSPy-dən istifadənin üstünlüklərinə avtomatlaşdırma, səmərəlilik, ardıcıllıq və miqyaslılıq daxildir. LangChain və DSPy ilə tərtibatçılar genişmiqyaslı layihələrin tələblərinə cavab verən danışıq süni intellektlə işləyən proqram təminatı inkişaf boru kəmərləri qura bilərlər.

¿Tienes preguntas?

Hablemos

Contáctame en LinkedIn