** DevOps ಏಜೆಂಟ್‌ಗಳು ಮತ್ತು LLM ಗಳೊಂದಿಗೆ ಸ್ವಯಂಚಾಲಿತ ಘಟನೆಯ ತನಿಖೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು**

ಪರಿಚಯ

ಇಂದಿನ ವೇಗದ ಡಿಜಿಟಲ್ ಲ್ಯಾಂಡ್‌ಸ್ಕೇಪ್‌ನಲ್ಲಿ, DevOps ತಂಡಗಳು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಸವಾಲನ್ನು ಎದುರಿಸುತ್ತಿವೆ: ಘಟನೆಗಳನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ಬೇಗ ಗುರುತಿಸುವುದು ಮತ್ತು ಪರಿಹರಿಸುವುದು. ಹಸ್ತಚಾಲಿತ ತನಿಖಾ ವಿಧಾನಗಳು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಮಾನವ ದೋಷಕ್ಕೆ ಗುರಿಯಾಗಬಹುದು, ಇದು ದೀರ್ಘಾವಧಿಯ ಅಲಭ್ಯತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ ಮತ್ತು ಗ್ರಾಹಕರ ತೃಪ್ತಿಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ನಾವು DevOps ಆಟೊಮೇಷನ್, AI-ಚಾಲಿತ ಘಟನೆ ತನಿಖೆ ಮತ್ತು AWS DevOps ಏಜೆಂಟ್ ಮತ್ತು Copado Agentia ನಂತಹ DevOps ಪರಿಕರಗಳನ್ನು ಹೆಚ್ಚಿಸುವಲ್ಲಿ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳ (LLMs) ಪಾತ್ರವನ್ನು ಅನ್ವೇಷಿಸುತ್ತಿದ್ದೇವೆ.

ಘಟನೆಯ ತನಿಖೆಯ ಪ್ರಸ್ತುತ ಸ್ಥಿತಿ

ಘಟನೆಯ ತನಿಖೆಯು DevOps ನ ನಿರ್ಣಾಯಕ ಅಂಶವಾಗಿದೆ, ಸಾಫ್ಟ್‌ವೇರ್ ಸಿಸ್ಟಮ್‌ಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಸಮಸ್ಯೆಗಳ ಗುರುತಿಸುವಿಕೆ, ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಪರಿಹಾರವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳು ಲಾಗ್ ವಿಶ್ಲೇಷಣೆ, ದೋಷ ಟ್ರ್ಯಾಕಿಂಗ್ ಮತ್ತು ಮಧ್ಯಸ್ಥಗಾರರೊಂದಿಗೆ ಸಂವಹನದಂತಹ ಹಸ್ತಚಾಲಿತ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಅವಲಂಬಿಸಿವೆ. ಈ ವಿಧಾನಗಳು ಪರಿಣಾಮಕಾರಿಯಾಗಿದ್ದರೂ, ಅವು ನಿಧಾನವಾಗಿರುತ್ತವೆ ಮತ್ತು ದೋಷಗಳಿಗೆ ಗುರಿಯಾಗಬಹುದು, ಇದು ಕಾರಣವಾಗಬಹುದು:

1. ಹೆಚ್ಚಿದ ಅಲಭ್ಯತೆಯನ್ನು: ಹಸ್ತಚಾಲಿತ ತನಿಖಾ ವಿಧಾನಗಳು ಘಟನೆಯ ಪರಿಹಾರವನ್ನು ವಿಳಂಬಗೊಳಿಸಬಹುದು, ಇದರ ಪರಿಣಾಮವಾಗಿ ದೀರ್ಘಾವಧಿಯ ಅಲಭ್ಯತೆ ಮತ್ತು ಗ್ರಾಹಕರ ತೃಪ್ತಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ.
2. ಮಾನವ ದೋಷ: ಹಸ್ತಚಾಲಿತ ಪ್ರಕ್ರಿಯೆಗಳು ಮಾನವ ದೋಷಕ್ಕೆ ಒಳಗಾಗುತ್ತವೆ, ಇದು ತಪ್ಪಾದ ರೋಗನಿರ್ಣಯ ಮತ್ತು ಘಟನೆಗಳ ಪರಿಹಾರಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು.
3. ಸ್ಕೇಲೆಬಿಲಿಟಿ ಸಮಸ್ಯೆಗಳು: ಸಿಸ್ಟಮ್‌ಗಳ ಗಾತ್ರ ಮತ್ತು ಸಂಕೀರ್ಣತೆ ಬೆಳೆದಂತೆ, ಹಸ್ತಚಾಲಿತ ತನಿಖಾ ವಿಧಾನಗಳು ಅಳೆಯಲು ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗುತ್ತವೆ.

ಘಟನೆ ತನಿಖೆಯಲ್ಲಿ DevOps ಏಜೆಂಟ್‌ಗಳ ಪಾತ್ರ

AWS DevOps ಏಜೆಂಟ್ ಮತ್ತು Copado Agentia ನಂತಹ DevOps ಏಜೆಂಟ್‌ಗಳು ಘಟನೆಯ ತನಿಖೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಲ್ಲಿ ನಿರ್ಣಾಯಕ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತವೆ. ಈ ಏಜೆಂಟ್‌ಗಳು ಹೀಗೆ ಮಾಡಬಹುದು:

1. ಲಾಗ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ ಮತ್ತು ವಿಶ್ಲೇಷಿಸಿ: DevOps ಏಜೆಂಟ್‌ಗಳು ವಿವಿಧ ಮೂಲಗಳಿಂದ ಲಾಗ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಬಹುದು ಮತ್ತು ವಿಶ್ಲೇಷಿಸಬಹುದು, ಘಟನೆಯ ಕಾರಣಗಳಿಗೆ ಮೌಲ್ಯಯುತ ಒಳನೋಟಗಳನ್ನು ಒದಗಿಸಬಹುದು.
2. ಸ್ವಯಂಚಾಲಿತ ದೋಷ ಟ್ರ್ಯಾಕಿಂಗ್: ಏಜೆಂಟ್‌ಗಳು ದೋಷ ಟ್ರ್ಯಾಕಿಂಗ್ ಅನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಬಹುದು, ಹಸ್ತಚಾಲಿತ ತನಿಖೆಗೆ ಅಗತ್ಯವಿರುವ ಸಮಯ ಮತ್ತು ಶ್ರಮವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು.
3. ಸಂವಹನವನ್ನು ವರ್ಧಿಸಿ: ಏಜೆಂಟ್‌ಗಳು ತಂಡಗಳು, ಮಧ್ಯಸ್ಥಗಾರರು ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳ ನಡುವೆ ಸಂವಹನವನ್ನು ಸುಗಮಗೊಳಿಸಬಹುದು, ಘಟನೆಯ ಮಾಹಿತಿಯನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಹಂಚಿಕೊಳ್ಳಲಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬಹುದು.

ಘಟನೆ ತನಿಖೆಯಲ್ಲಿ LLM ಗಳ ಪಾತ್ರ

ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳು (ಎಲ್‌ಎಲ್‌ಎಂಗಳು) ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ (ಎನ್‌ಎಲ್‌ಪಿ) ಕ್ಷೇತ್ರದಲ್ಲಿ ಕ್ರಾಂತಿಯನ್ನುಂಟುಮಾಡಿವೆ, ಮಾನವ-ತರಹದ ಪಠ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಉತ್ಪಾದಿಸಲು ಯಂತ್ರಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ. ಘಟನೆಯ ತನಿಖೆಯ ಸಂದರ್ಭದಲ್ಲಿ, LLM ಗಳು:

1. ಘಟನೆಯ ವರದಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ: LLMಗಳು ಘಟನೆಯ ವರದಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಬಹುದು, ಘಟನೆಯ ಮೂಲ ಕಾರಣವನ್ನು ಸೂಚಿಸುವ ಪ್ರಮುಖ ಮಾಹಿತಿ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಬಹುದು.
2. ಘಟನೆಯ ಸಾರಾಂಶಗಳನ್ನು ರಚಿಸಿ: LLM ಗಳು ಘಟನೆ ವರದಿಗಳ ಸಂಕ್ಷಿಪ್ತ ಸಾರಾಂಶಗಳನ್ನು ರಚಿಸಬಹುದು, ಸಂವಹನ ಮತ್ತು ನಿರ್ಧಾರ-ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಸುಗಮಗೊಳಿಸಬಹುದು.
3. ಸಂದರ್ಭ-ಅರಿವಿನ ಸಲಹೆಗಳನ್ನು ಒದಗಿಸಿ: ನಿರ್ದಿಷ್ಟ ವ್ಯವಸ್ಥೆ, ಪರಿಸರ ಮತ್ತು ಒಳಗೊಂಡಿರುವ ಮಧ್ಯಸ್ಥಗಾರರನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡು, ಘಟನೆಯ ಪರಿಹಾರಕ್ಕಾಗಿ LLM ಗಳು ಸಂದರ್ಭ-ಜಾಗೃತ ಸಲಹೆಗಳನ್ನು ಒದಗಿಸಬಹುದು.

** DevOps ಏಜೆಂಟ್‌ಗಳು ಮತ್ತು LLM ಗಳೊಂದಿಗೆ ಸ್ವಯಂಚಾಲಿತ ಘಟನೆಯ ತನಿಖೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು**

DevOps ಏಜೆಂಟ್‌ಗಳು ಮತ್ತು LLM ಗಳೊಂದಿಗೆ ಸ್ವಯಂಚಾಲಿತ ಘಟನೆ ತನಿಖೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು, ನಾವು ಹಂತ-ಹಂತದ ವಿಧಾನವನ್ನು ಅನುಸರಿಸುತ್ತೇವೆ:

1. DevOps ಏಜೆಂಟ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸಿ: ನಿಮ್ಮ ಘಟನೆ ನಿರ್ವಹಣಾ ವ್ಯವಸ್ಥೆಯೊಂದಿಗೆ AWS DevOps ಏಜೆಂಟ್ ಮತ್ತು Copado Agentia ನಂತಹ DevOps ಏಜೆಂಟ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸಿ.
2. ಲಾಗ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ ಮತ್ತು ವಿಶ್ಲೇಷಿಸಿ: ವಿವಿಧ ಮೂಲಗಳಿಂದ ಲಾಗ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಲು ಮತ್ತು ವಿಶ್ಲೇಷಿಸಲು DevOps ಏಜೆಂಟ್‌ಗಳನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಿ, ಘಟನೆಯ ಕಾರಣಗಳ ಬಗ್ಗೆ ಮೌಲ್ಯಯುತ ಒಳನೋಟಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
3. ಎಲ್‌ಎಲ್‌ಎಂ ಮಾದರಿಗೆ ತರಬೇತಿ ನೀಡಿ: ಘಟನೆ ವರದಿಗಳು, ಲಾಗ್‌ಗಳು ಮತ್ತು ಇತರ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ LLM ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಿ.
4. DevOps ಏಜೆಂಟ್‌ಗಳೊಂದಿಗೆ LLM ಅನ್ನು ಸಂಯೋಜಿಸಿ: LLM ಮಾದರಿಯನ್ನು DevOps ಏಜೆಂಟ್‌ಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಿ, ಘಟನೆಯ ವರದಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ಘಟನೆಯ ಪರಿಹಾರಕ್ಕಾಗಿ ಸಲಹೆಗಳನ್ನು ಒದಗಿಸಲು LLM ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.
5. ಪರಿಹಾರವನ್ನು ನಿಯೋಜಿಸಿ: ಸ್ವಯಂಚಾಲಿತ ಘಟನೆಯ ತನಿಖಾ ಪರಿಹಾರವನ್ನು ನಿಯೋಜಿಸಿ, ಅದು ಸ್ಕೇಲೆಬಲ್, ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಸುರಕ್ಷಿತವಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ.

** ಉದಾಹರಣೆ ಕೋಡ್: DevOps ಏಜೆಂಟ್‌ಗಳೊಂದಿಗೆ LLM ಅನ್ನು ಸಂಯೋಜಿಸುವುದು**

ಪೈಥಾನ್‌ನಲ್ಲಿನ ಉದಾಹರಣೆ ಕೋಡ್ ತುಣುಕು ಇಲ್ಲಿದೆ, LLM ಮಾದರಿಯನ್ನು DevOps ಏಜೆಂಟ್‌ನೊಂದಿಗೆ ಹೇಗೆ ಸಂಯೋಜಿಸುವುದು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ: ``ಹೆಬ್ಬಾವು ಆಮದು ಲಾಗಿಂಗ್ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್‌ಗಳಿಂದ ಆಟೋಮೋಡೆಲ್‌ಫಾರ್‌ಸೆಕ್ವೆನ್ಸ್‌ಕ್ಲಾಸಿಫಿಕೇಷನ್, ಆಟೋಟೋಕನೈಜರ್ ಆಮದು ಮಾಡಿಕೊಳ್ಳಿ aws_devops_agent ಆಮದು ಏಜೆಂಟ್‌ನಿಂದ

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

DevOps ಏಜೆಂಟ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸಿ

ಏಜೆಂಟ್ = ಏಜೆಂಟ್ ()

LLM ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಘಟನೆ ವರದಿಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಕಾರ್ಯವನ್ನು ವಿವರಿಸಿ

def analysis_incident_report(ವರದಿ): # ಘಟನೆ ವರದಿಯನ್ನು ಪೂರ್ವ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿ ಒಳಹರಿವು = tokenizer.encode_plus(ವರದಿ, add_special_tokens=ನಿಜ, max_length=512, return_attention_mask=ನಿಜ, return_tensors='pt')

# LLM ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಘಟನೆಯ ವರದಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ
ಔಟ್‌ಪುಟ್‌ಗಳು = ಮಾದರಿ (ಇನ್‌ಪುಟ್‌ಗಳು['ಇನ್‌ಪುಟ್_ಐಡಿಗಳು'], ಅಟೆನ್ಶನ್_ಮಾಸ್ಕ್=ಇನ್‌ಪುಟ್‌ಗಳು['ಗಮನ_ಮಾಸ್ಕ್'])

# ಊಹಿಸಲಾದ ವರ್ಗ ಲೇಬಲ್ ಅನ್ನು ಹೊರತೆಗೆಯಿರಿ
ಊಹಿಸಿದ_ವರ್ಗ = torch.argmax(outputs.logits)

ವಾಪಸು ಊಹಿಸಿದ_ವರ್ಗ

ಘಟನೆಯ ಪರಿಹಾರಕ್ಕಾಗಿ ಸಲಹೆಗಳನ್ನು ಒದಗಿಸಲು ಕಾರ್ಯವನ್ನು ವಿವರಿಸಿ

ಡೆಫ್ ಒದಗಿಸುವ_ಸಲಹೆಗಳು(ಭವಿಷ್ಯ_ವರ್ಗ): # ಘಟನೆ ರೆಸಲ್ಯೂಶನ್‌ಗೆ ಸಲಹೆಗಳನ್ನು ಒದಗಿಸಲು ಭವಿಷ್ಯ ವರ್ಗದ ಲೇಬಲ್ ಅನ್ನು ಬಳಸಿ ಊಹಿಸಿದರೆ_ವರ್ಗ == 0: ಹಿಂತಿರುಗಿ "ದೋಷಗಳಿಗಾಗಿ ಸಿಸ್ಟಮ್ ಲಾಗ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ" ಎಲಿಫ್ ಪ್ರೆಡಿಟೆಡ್_ಕ್ಲಾಸ್ == 1: ಹಿಂತಿರುಗಿ "ನೆಟ್‌ವರ್ಕ್ ಸಂಪರ್ಕವನ್ನು ಪರಿಶೀಲಿಸಿ" ಬೇರೆ: ಹಿಂತಿರುಗಿ "ಸಹಾಯಕ್ಕಾಗಿ ಅಭಿವೃದ್ಧಿ ತಂಡವನ್ನು ಸಂಪರ್ಕಿಸಿ"

LLM ಮಾದರಿಯನ್ನು DevOps ಏಜೆಂಟ್‌ನೊಂದಿಗೆ ಸಂಯೋಜಿಸಿ

ಡೆಫ್ ಘಟನೆ_ತನಿಖೆ(): # DevOps ಏಜೆಂಟ್‌ನಿಂದ ಲಾಗ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ ಮತ್ತು ವಿಶ್ಲೇಷಿಸಿ ದಾಖಲೆಗಳು = agent.get_logs()

# LLM ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಲಾಗ್‌ಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ
ಊಹಿಸಿದ_ವರ್ಗ = analyse_incident_report(ಲಾಗ್‌ಗಳು)

# ಘಟನೆ ಪರಿಹಾರಕ್ಕಾಗಿ ಸಲಹೆಗಳನ್ನು ಒದಗಿಸಿ
ಸಲಹೆಗಳು = ಒದಗಿಸಿ_ಸಲಹೆಗಳು (ಮುನ್ಸೂಚಿಸಲಾದ_ವರ್ಗ)

ಸಲಹೆಗಳನ್ನು ಹಿಂತಿರುಗಿಸಿ

ಘಟನೆಯ ತನಿಖೆಯ ಪರಿಹಾರವನ್ನು ನಿಯೋಜಿಸಿ

ಘಟನೆ_ತನಿಖೆ()

**ಟಾಪ್ 5-10 ಹೆಚ್ಚು ಬಳಸಿದ ಆಜ್ಞೆಗಳು/ತುಣುಕುಗಳು**

ಈ ತಂತ್ರಜ್ಞಾನಕ್ಕಾಗಿ ಹೆಚ್ಚು ಬಳಸಿದ 5-10 ಕಮಾಂಡ್‌ಗಳು/ತುಣುಕುಗಳು ಇಲ್ಲಿವೆ:

1. `aws devops agent get-logs`: DevOps ಏಜೆಂಟ್‌ನಿಂದ ಲಾಗ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ.
2. `transformers.AutoModelForSequenceClassification.from_pretrained()`: LLM ಮಾದರಿಯನ್ನು ಲೋಡ್ ಮಾಡಿ.
3. `tokenizer.encode_plus()`: ಘಟನೆ ವರದಿಯನ್ನು ಪೂರ್ವಪ್ರಕ್ರಿಯೆ ಮಾಡಿ.
4. `ಮಾದರಿ(ಇನ್‌ಪುಟ್‌ಗಳು['ಇನ್‌ಪುಟ್_ಐಡಿಗಳು'], ಗಮನ_ಮಾಸ್ಕ್=ಇನ್‌ಪುಟ್‌ಗಳು['ಗಮನ_ಮಾಸ್ಕ್'])`: LLM ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಘಟನೆ ವರದಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ.
5. `torch.argmax(outputs.logits)`: ಊಹಿಸಲಾದ ವರ್ಗ ಲೇಬಲ್ ಅನ್ನು ಹೊರತೆಗೆಯಿರಿ.
6. `ಸಲಹೆಗಳನ್ನು_ಒದಗಿಸಿ (ಮುನ್ಸೂಚಿಸಲಾದ_ವರ್ಗ)`: ಘಟನೆ ಪರಿಹಾರಕ್ಕಾಗಿ ಸಲಹೆಗಳನ್ನು ಒದಗಿಸಿ.
7. `agent.get_logs()`: DevOps ಏಜೆಂಟ್‌ನಿಂದ ಲಾಗ್‌ಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ.
8. `ವಿಶ್ಲೇಷಣೆ_ಘಟನೆ_ವರದಿ(ವರದಿ)`: LLM ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಘಟನೆ ವರದಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ.
9. `ಘಟನೆ_ತನಿಖೆ()`: ಘಟನೆಯ ತನಿಖೆಯ ಪರಿಹಾರವನ್ನು ನಿಯೋಜಿಸಿ.
10. `torch.save(model.state_dict(), 'model.pth')`: LLM ಮಾದರಿಯನ್ನು ಉಳಿಸಿ.

**ದೃಶ್ಯೀಕರಣ**

Chart.js ಬಳಸಿಕೊಂಡು ಸ್ವಯಂಚಾಲಿತ ಘಟನೆ ತನಿಖಾ ಪರಿಹಾರದ ದೃಶ್ಯೀಕರಣ ಇಲ್ಲಿದೆ:
```json
{
  "ಪ್ರಕಾರ": "ಬಾರ್",
  "ಡೇಟಾ": {
    "ಲೇಬಲ್‌ಗಳು": ["ಹಸ್ತಚಾಲಿತ ತನಿಖೆ", "ಸ್ವಯಂಚಾಲಿತ ತನಿಖೆ"],
    "ಡೇಟಾಸೆಟ್‌ಗಳು": [
      {
        "ಲೇಬಲ್": "ಪರಿಹರಿಸಲು ಸಮಯ",
        "ಡೇಟಾ": [10, 2],
        "backgroundColor": ["rgba(255, 99, 132, 0.2)", "rgba(54, 162, 235, 0.2)"],
        "borderColor": ["rgba(255, 99, 132, 1)", "rgba(54, 162, 235, 1)"],
        "ಬಾರ್ಡರ್ ಅಗಲ": 1
      }
    ]
  },
  "ಆಯ್ಕೆಗಳು": {
    "ಶೀರ್ಷಿಕೆ": {
      "ಪ್ರದರ್ಶನ": ನಿಜ,
      "ಪಠ್ಯ": "ಘಟನೆಗಳನ್ನು ಪರಿಹರಿಸುವ ಸಮಯ"
    },
    "ಮಾಪಕಗಳು": {
      "yAxes": [
        {
          "ಉಣ್ಣಿ": {
            "beginAtZero": ನಿಜ
          }
        }
      ]
    }
  }
}

ಈ ದೃಶ್ಯೀಕರಣವು DevOps ಏಜೆಂಟ್‌ಗಳು ಮತ್ತು LLM ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಹಸ್ತಚಾಲಿತ ತನಿಖಾ ವಿಧಾನಗಳನ್ನು ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ತನಿಖಾ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಘಟನೆಗಳನ್ನು ಪರಿಹರಿಸುವ ಸಮಯವನ್ನು ಹೋಲಿಸುತ್ತದೆ.

** ತೀರ್ಮಾನ **

DevOps ಏಜೆಂಟ್‌ಗಳು ಮತ್ತು LLM ಗಳೊಂದಿಗೆ ಸ್ವಯಂಚಾಲಿತ ಘಟನೆಯ ತನಿಖೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದರಿಂದ ಘಟನೆಯ ನಿರ್ಣಯದ ದಕ್ಷತೆ ಮತ್ತು ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಸುಧಾರಿಸಬಹುದು. LLMಗಳೊಂದಿಗೆ DevOps ಏಜೆಂಟ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ, ಸಂಸ್ಥೆಗಳು ಲಾಗ್‌ಗಳ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಬಹುದು, ಘಟನೆಯ ಪರಿಹಾರಕ್ಕಾಗಿ ಸಂದರ್ಭ-ಅರಿವಿನ ಸಲಹೆಗಳನ್ನು ಒದಗಿಸಬಹುದು ಮತ್ತು ಘಟನೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಮಯವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು. DevOps ಆಟೊಮೇಷನ್, AI-ಚಾಲಿತ ಘಟನೆ ತನಿಖೆ ಮತ್ತು AWS DevOps ಏಜೆಂಟ್ ಮತ್ತು Copado Agentia ನಂತಹ DevOps ಪರಿಕರಗಳನ್ನು ಹೆಚ್ಚಿಸುವಲ್ಲಿ LLM ಗಳ ಪಾತ್ರವನ್ನು ನಾವು ಅನ್ವೇಷಿಸಿದ್ದೇವೆ. ಈ ಲೇಖನದಲ್ಲಿ ವಿವರಿಸಿರುವ ಹಂತ-ಹಂತದ ವಿಧಾನವನ್ನು ಅನುಸರಿಸುವ ಮೂಲಕ, ಸಂಸ್ಥೆಗಳು ಸ್ಕೇಲೆಬಲ್, ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಸುರಕ್ಷಿತ ಸ್ವಯಂಚಾಲಿತ ಘಟನೆ ತನಿಖಾ ಪರಿಹಾರವನ್ನು ನಿಯೋಜಿಸಬಹುದು.