Осол гэмтлийг идэвхтэй судалж, шийдвэрлэхийн тулд хиймэл оюун ухаанаар ажилладаг DevOps дамжуулах хоолойг DSPy болон LangChain-тай хамтран зохион байгуулж байна. | B4N1

Осол гэмтлийг идэвхтэй судалж, шийдвэрлэхийн тулд хиймэл оюун ухаанаар ажилладаг DevOps дамжуулах хоолойг DSPy болон LangChain-тай хамтран зохион байгуулж байна.

3 months ago · b4n1 Tiempo de lectura: 3 min

Танилцуулга

Орчин үеийн програм хангамжийн системүүдийн улам бүр өсөн нэмэгдэж буй нарийн төвөгтэй байдал нь ослын давтамж, ноцтой байдлыг нэмэгдүүлэхэд хүргэж, ослыг идэвхтэй судалж, шийдвэрлэх нь DevOps-ийн чухал тал болж байна. Хиймэл оюун ухаан (AI) болон машин сургалт (ML) нь DevOps дамжуулах шугамыг сайжруулах хүчирхэг хэрэгсэл болж гарч ирсэн бөгөөд энэ нь хиймэл оюун ухаанд суурилсан автоматжуулалт, зохион байгуулалтыг бизнест нөлөөлөхөөс нь өмнө илрүүлж шийдвэрлэх боломжийг олгодог. Энэ нийтлэлд бид DSPy болон LangChain ашиглан хиймэл оюун ухаанаар ажилладаг DevOps дамжуулах хоолойг AIOps болон RAG загваруудыг ашиглан идэвхтэй мөрдөн шалгах, шийдвэрлэхэд анхаарч, ослын автоматжуулсан мөрдөн байцаалтад AWS DevOps Agent-тай нэгтгэх талаар судлах болно.

DSPy болон LangChain-ийн тойм

DSPy бол хиймэл оюун ухаанаар ажилладаг DevOps дамжуулах шугамыг бий болгох, байрлуулах энгийн бөгөөд үр дүнтэй аргыг санал болгодог Python номын сан юм. Энэ нь хөгжүүлэгчдэд байгалийн хэлний боловсруулалт (NLP), компьютерийн алсын хараа, урьдчилан таамаглах аналитик зэрэг төрөл бүрийн AI болон ML загваруудыг DevOps шугамандаа нэгтгэх боломжийг олгодог. Нөгөө талаас LangChain нь Python номын сан бөгөөд хөгжүүлэгчдэд модульчлагдсан, өргөтгөх боломжтой архитектурыг ашиглан том хэмжээний AI загваруудыг бүтээж, ашиглах боломжийг олгодог.

DSPy болон LangChain-тай хиймэл оюун ухаанаар ажилладаг DevOps дамжуулах хоолойг хэрэгжүүлэх

DSPy болон LangChain-тай хиймэл оюун ухаанаар ажилладаг DevOps дамжуулах хоолойг хэрэгжүүлэхийн тулд бид дараах алхмуудыг хийх хэрэгтэй.

  1. Өгөгдлийн цуглуулга: Бүртгэл, хэмжүүр, тохиргооны файл гэх мэт янз бүрийн эх сурвалжаас холбогдох өгөгдлийг цуглуулах.
  2. Өгөгдлийн урьдчилсан боловсруулалт: Цуглуулсан өгөгдлийг шинжилгээ, загварчлалд бэлтгэхийн тулд урьдчилан боловсруулна.
  3. Загварын сургалт: Осол гэмтлийг илрүүлэх, урьдчилан таамаглахын тулд урьдчилан боловсруулсан өгөгдлийг ашиглан AI болон ML загваруудыг сургах.
  4. Загвар байршуулалт: DSPy болон LangChain ашиглан сургагдсан загваруудыг DevOps дамжуулах хоолойд байрлуул.
  5. Осол хэргийн мөрдөн байцаалт: Осол гэмтлийг судалж, үндсэн шалтгааныг тогтооход ашигласан загваруудыг ашиглана.
  6. Ойл явдлыг шийдвэрлэх: Ослын мөрдөн байцаалтын явцад олж авсан ойлголтоо ашиглан зөрчлийг идэвхтэй шийдвэрлэх.

Кодын жишээ: DSPy болон LangChain ашиглан энгийн RAG загварыг хэрэгжүүлэх

DSPy болон LangChain ашиглан RAG (Үндэс шалтгааны шинжилгээ) загварыг хэрхэн хэрэгжүүлэхийг харуулсан энгийн кодын жишээ энд байна:

dspy импортлох
langchain импортоос LMChain

# Урьдчилан боловсруулсан өгөгдлийг ачаалах
өгөгдөл = pd.read_csv("data.csv")

# RAG загварыг тодорхойлох
rag_model = dspy.RAGModel(
    input_features=["log_level", "error_message"],
    output_features=["үндэс_шалтгаан"]
)

# RAG загварыг сургах
rag_model.train(өгөгдөл)

# RAG загварыг ашиглах
llm_гинж = LMCchain(
    загвар = "davinci:002",
    хамгийн_урт=2048
)
rag_model.deploy(llm_chain)

# Осол гэмтлийг судлахын тулд байрлуулсан RAG загварыг ашиглана уу
тохиолдлын_өгөгдөл = pd.DataFrame({
    "лог_level": ["ERROR"],
    "error_message": ["Алдаа гарлаа"]
})
root_cause = rag_model.predict (тохиолдлын_өгөгдөл)
хэвлэх(үндсэн_шалтгаан)

Энэхүү кодын жишээ нь DSPy болон LangChain ашиглан энгийн RAG загварыг хэрхэн хэрэгжүүлэхийг харуулж байна. RAG загвар нь бүртгэлийн түвшин болон алдааны мэдээг оролтын функц болгон авч, ослын үндсэн шалтгааныг урьдчилан таамаглаж байна.

Хамгийн их ашиглагддаг 5-10 тушаал/хэсэг

DSPy болон LangChain-д зориулсан хамгийн их ашиглагддаг 5-10 тушаал/хэсэг энд байна:

  1. dspy.RAGModel(input_features, output_features): Заасан оролт гаралтын функц бүхий RAG загварыг тодорхойлно.
  2. dspy.RAGModel.train(data): Өгөгдсөн өгөгдлийг ашиглан RAG загварыг сурга.
  3. dspy.RAGModel.deploy(llm_chain): LangChain LLMCain ашиглан бэлтгэгдсэн RAG загварыг байрлуул.
  4. llm_chain = LLMChain(загвар, max_length): Заасан загвар болон хамгийн их урттай LangChain LLMCain үүсгэнэ үү.
  5. rag_model.predict(data): Осол гарсан үндсэн шалтгааныг урьдчилан таамаглахын тулд суурилуулсан RAG загварыг ашиглана уу.
  6. dspy.DataPreprocessor(input_data): DSPy ашиглан өгөгдлийг урьдчилан боловсруулах шугамыг тодорхойлно.
  7. dspy.ModelTrainer(загвар, өгөгдөл): DSPy ашиглан AI эсвэл ML загварыг сурга.
  8. dspy.ModelDeployer(model, llm_chain): DSPy болон LangChain ашиглан бэлтгэгдсэн загварыг байрлуул.
  9. langchain.LLMCain.predict(input_data): Загварын гаралтыг урьдчилан таамаглахын тулд LangChain LLMCain ашиглана уу.
  10. dspy.RAGModel.evaluate(data): DSPy ашиглан RAG загварын гүйцэтгэлийг үнэлэх.

Дүрслэл

Chart.js ашиглан дүрслэх жишээ энд байна:

{
  "төрөл": "бар",
  "өгөгдөл": {
    "шошго": ["Ойл явдал А төрөл", "Ойл явдлын B төрөл", "Ойл явдлын төрөл"],
    "өгөгдлийн багц": [
      {
        "label": "Үндсэн шалтгаан А",
        "өгөгдөл": [10, 15, 7],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "хилийн өргөн": 1
      },
      {
        "label": "Үндсэн шалтгаан В",
        "өгөгдөл": [8, 12, 9],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "хилийн өргөн": 1
      },
      {
        "label": "Үндсэн шалтгаан C",
        "өгөгдөл": [14, 18, 11],
        "backgroundColor": "rgba(255, 206, 86, 0.2)",
        "borderColor": "rgba(255, 206, 86, 1)",
        "хилийн өргөн": 1
      }
    ]
  },
  "сонголт": {
    "гарчиг": {
      "дэлгэц": үнэн,
      "текст": "Үндэс шалтгааны шинжилгээ"
    },
    "масштаб": {
      "yAxes": [
        {
          "хачиг": {
            "beginAtZero": үнэн
          }
        }
      ]
    }
  }
}

Энэхүү дүрслэл нь янз бүрийн төрлийн ослын үндсэн шалтгаануудын тархалтыг харуулдаг.

Дүгнэлт

Энэ нийтлэлд бид DSPy болон LangChain ашиглан хиймэл оюун ухаанаар ажилладаг DevOps дамжуулах хоолойг хэрхэн хэрэгжүүлэх талаар судалж, AIOps болон RAG загваруудыг ашиглан ослын идэвхтэй мөрдөн байцаалт, шийдвэрлэхэд анхаарлаа хандуулж, ослын автоматжуулсан мөрдөн байцаалтад зориулж AWS DevOps Agent-тай нэгтгэсэн. Бид DSPy болон LangChain ашиглан RAG загварыг хэрэгжүүлдэг энгийн кодын жишээг үзүүлж, DSPy болон LangChain-д зориулсан хамгийн их ашиглагддаг 5-10 тушаал/хэсгүүдийн жагсаалтыг гаргасан. Мөн бид Chart.js ашиглан дүрслэх жишээг оруулсан. Энэ нийтлэлд дурдсан алхмуудыг дагаснаар хөгжүүлэгчид ослыг идэвхтэй илрүүлж, шийдвэрлэдэг хиймэл оюун ухаанаар ажилладаг DevOps шугам сүлжээг бүтээж, байрлуулж, программ хангамжийн системийн ерөнхий үр ашиг, найдвартай байдлыг сайжруулж чадна.

¿Tienes preguntas?

Hablemos

Contáctame en LinkedIn