மேம்படுத்தப்பட்ட DevOps க்காக DSPy மற்றும் LangChain உடன் AI-பவர்டு ஆர்கெஸ்ட்ரேஷனை செயல்படுத்துதல்

அறிமுகம்

இன்றைய வேகமான மென்பொருள் மேம்பாட்டு நிலப்பரப்பில், DevOps குழுக்கள் தொடர்ந்து தங்கள் டெலிவரி பைப்லைன்களை மேம்படுத்தவும், செயல்திறனை மேம்படுத்தவும் மற்றும் செலவுகளைக் குறைக்கவும் வழிகளைத் தேடுகின்றன. ஒரு நம்பிக்கைக்குரிய அணுகுமுறை செயற்கை நுண்ணறிவு (AI) மற்றும் இயந்திர கற்றல் (ML) ஆகியவற்றை DevOps பணிப்பாய்வுகளில் ஒருங்கிணைப்பதாகும். இந்தக் கட்டுரை AI-இயக்கப்படும் ஆர்கெஸ்ட்ரேஷனை DSPy மற்றும் LangChain ஐப் பயன்படுத்தி செயல்படுத்துவது பற்றி ஆராய்கிறது, இவை AI- இயக்கப்படும் மென்பொருள் விநியோக பைப்லைன்களுக்கான அளவிடக்கூடிய மற்றும் தகவமைப்பு கட்டமைப்பை வடிவமைக்க உதவும் இரண்டு அதிநவீன கட்டமைப்பாகும்.

பின்னணி

DevOps மென்பொருள் உருவாக்கம், வரிசைப்படுத்துதல் மற்றும் பராமரிக்கும் விதத்தில் புரட்சியை ஏற்படுத்தியுள்ளது. இருப்பினும், பாரம்பரிய DevOps பைப்லைன்கள் பெரும்பாலும் கையேடு செயல்முறைகள், ஸ்கிரிப்டுகள் மற்றும் கருவிகளை நம்பியுள்ளன, இது திறமையின்மை, பிழைகள் மற்றும் தாமதங்களுக்கு வழிவகுக்கும். முன்கணிப்பு பகுப்பாய்வு, ஆட்டோமேஷன் மற்றும் தேர்வுமுறை திறன்களை வழங்குவதன் மூலம் AI மற்றும் ML இந்த சவால்களை எதிர்கொள்ள உதவும்.

DSPy: AI- இயக்கப்படும் DevOps க்கான ஒரு கட்டமைப்பு

DSPy என்பது ஒரு திறந்த மூல கட்டமைப்பாகும், இது AI- இயக்கப்படும் DevOps பைப்லைன்களை உருவாக்க உதவுகிறது. இது AI மாதிரிகளை உருவாக்க, வரிசைப்படுத்த மற்றும் நிர்வகிப்பதற்கான நூலகங்கள் மற்றும் கருவிகளின் தொகுப்பை வழங்குகிறது, அத்துடன் அவற்றை DevOps கருவிகள் மற்றும் பணிப்பாய்வுகளுடன் ஒருங்கிணைக்கிறது.

டிஎஸ்பியின் முக்கிய அம்சங்கள்

மாடல் மேலாண்மை: DSPy ஒரு மையப்படுத்தப்பட்ட மாதிரி மேலாண்மை அமைப்பை வழங்குகிறது, டெவலப்பர்கள் பல சூழல்களில் AI மாதிரிகளை உருவாக்க, வரிசைப்படுத்த மற்றும் நிர்வகிக்க அனுமதிக்கிறது.
பைப்லைன் ஆர்கெஸ்ட்ரேஷன்: சோதனை, வரிசைப்படுத்தல் மற்றும் கண்காணிப்பு போன்ற பணிகளை தானியங்குபடுத்தும் AI-உந்துதல் பைப்லைன்களை உருவாக்குவதற்கு DSPy உதவுகிறது.
ஒருங்கிணைப்பு: DSPy, Jenkins, GitLab மற்றும் Docker உள்ளிட்ட பிரபலமான DevOps கருவிகளுடன் ஒருங்கிணைப்பை ஆதரிக்கிறது.

LangChain: AI- இயங்கும் பயன்பாடுகளை உருவாக்குவதற்கான ஒரு கட்டமைப்பு

LangChain என்பது ஒரு திறந்த மூல கட்டமைப்பாகும், இது AI-இயங்கும் பயன்பாடுகளை உருவாக்க உதவுகிறது. இது AI மாதிரிகளை உருவாக்குவதற்கும், வரிசைப்படுத்துவதற்கும், நிர்வகிப்பதற்குமான நூலகங்கள் மற்றும் கருவிகளின் தொகுப்பை வழங்குகிறது, அத்துடன் இணைய பயன்பாடுகளுடன் அவற்றை ஒருங்கிணைக்கிறது.

LangChain இன் முக்கிய அம்சங்கள்

மாடல் மேலாண்மை: LangChain ஒரு மையப்படுத்தப்பட்ட மாதிரி மேலாண்மை அமைப்பை வழங்குகிறது, டெவலப்பர்கள் பல சூழல்களில் AI மாதிரிகளை உருவாக்க, வரிசைப்படுத்த மற்றும் நிர்வகிக்க அனுமதிக்கிறது.
API ஒருங்கிணைப்பு: வலை பயன்பாடுகளுக்கு AI மாதிரிகள் மற்றும் சேவைகளை வெளிப்படுத்தும் RESTful APIகளை உருவாக்குவதற்கு LangChain உதவுகிறது.
வலை பயன்பாட்டு ஒருங்கிணைப்பு: Django, Flask மற்றும் FastAPI உள்ளிட்ட பிரபலமான வலை கட்டமைப்புகளுடன் ஒருங்கிணைப்பை LangChain ஆதரிக்கிறது.

DSPy மற்றும் LangChain உடன் AI-பவர்டு ஆர்கெஸ்ட்ரேஷனை செயல்படுத்துதல்

DSPy மற்றும் LangChain உடன் AI-இயங்கும் ஆர்கெஸ்ட்ரேஷனைச் செயல்படுத்த, நாங்கள் இந்தப் படிகளைப் பின்பற்றுவோம்:

DSPy மற்றும் LangChain ஐ நிறுவவும்: Pip ஐப் பயன்படுத்தி DSPy மற்றும் LangChain ஐ நிறுவவும்:

pip dspy langchain ஐ நிறுவவும்

2. **DSPy திட்டத்தை உருவாக்கவும்**: `dspy init` கட்டளையைப் பயன்படுத்தி ஒரு புதிய DSPy திட்டத்தை உருவாக்கவும்:
    ```பேஷ்
dspy init my_project

LangChain திட்டத்தை உருவாக்கவும்: langchain init கட்டளையைப் பயன்படுத்தி புதிய LangChain திட்டத்தை உருவாக்கவும்:

langchain init my_project

4. **AI மாடல்களை வரையறுக்கவும்**: DSPy மற்றும் LangChain ஐப் பயன்படுத்தி AI மாதிரிகளை வரையறுக்கவும். எடுத்துக்காட்டாக, scikit-learn ஐப் பயன்படுத்தி ஒரு எளிய இயந்திர கற்றல் மாதிரியை உருவாக்கலாம்:
    ``` மலைப்பாம்பு
sklearn.linear_model இறக்குமதி LogisticRegression இலிருந்து
dspy.மாடல்களில் இருந்து இறக்குமதி மாதிரி

வகுப்பு MyModel(மாடல்):
    def __init__(self):
        சூப்பர்().__init__()
        self.model = LogisticRegression()

    def கணிப்பு (சுய, தரவு):
        திரும்ப self.model.predict(தரவு)

ஒரு பைப்லைனை உருவாக்கவும்: சோதனை மற்றும் வரிசைப்படுத்தல் போன்ற பணிகளை தானியங்குபடுத்தும் DSPy ஐப் பயன்படுத்தி பைப்லைனை உருவாக்கவும். உதாரணமாக:

dspy.pipeline இறக்குமதி பைப்லைனில் இருந்து

வகுப்பு மைபைப்லைன்(பைப்லைன்): def init(self): சூப்பர்().init() self.model = MyModel()

டெஃப் ரன்(சுய):
    # மாதிரியை சோதிக்கவும்
    self.model.test()

    # மாதிரியை வரிசைப்படுத்தவும்
    self.model.deploy()

6. **LangChain உடன் ஒருங்கிணைக்கவும்**: `langchain` நூலகத்தைப் பயன்படுத்தி LangChain உடன் பைப்லைனை ஒருங்கிணைக்கவும். உதாரணமாக:
    ``` மலைப்பாம்பு
லாங்செயின் இறக்குமதி API இலிருந்து

வகுப்பு MyAPI(API):
    def __init__(self):
        சூப்பர்().__init__()
        self.pipeline = MyPipeline()

    டெஃப் ரன்(சுய):
        self.pipeline.run()

பயன்பாட்டை வரிசைப்படுத்து: AWS அல்லது Google Cloud போன்ற கிளவுட் இயங்குதளத்தைப் பயன்படுத்தி பயன்பாட்டை வரிசைப்படுத்தவும்.

காட்சிப்படுத்தல்

AI-இயங்கும் ஆர்கெஸ்ட்ரேஷன் பைப்லைனைக் காட்சிப்படுத்த, Neo4j போன்ற வரைபட தரவுத்தளத்தைப் பயன்படுத்தலாம். AI மாதிரிகள், பணிகள் மற்றும் பணிப்பாய்வுகள் உட்பட பைப்லைனைக் குறிக்கும் வரைபட மாதிரியை நாம் உருவாக்கலாம்.

Neo4j ஐப் பயன்படுத்தும் வரைபட மாதிரியின் எடுத்துக்காட்டு இங்கே:

உருவாக்கு (மாதிரி:மாடல் {பெயர்:"MyModel", வகை:"MachineLearning"})
உருவாக்கு (பைப்லைன்:பைப்லைன் {பெயர்:"மைபைப்லைன்", வகை:"AI"})
உருவாக்கு (பணி:பணி {பெயர்:"TestModel", வகை:"சோதனை"})
உருவாக்கு (பணிப்பாய்வு:வொர்க்ஃப்ளோ {பெயர்:"DeployModel", வகை:"Deployment"})

உருவாக்கு (மாதிரி)-[:HAS_TASK]->(பணி)
உருவாக்கு (பைப்லைன்)-[:HAS_WORKFLOW]->(பணிப்பாய்வு)
உருவாக்கு (பைப்லைன்)-[:HAS_MODEL]->(மாடல்)

வரைபட மாதிரியை வழங்க, Graphviz போன்ற காட்சிப்படுத்தல் கருவியைப் பயன்படுத்தலாம்.

Graphviz உள்ளமைவு கோப்பின் எடுத்துக்காட்டு இங்கே:

டிகிராஃப் பைப்லைன் {
    முனை[shape=box]
    மாதிரி[label="MyModel"]
    பைப்லைன்[label="MyPipeline"]
    பணி[label="TestModel"]
    பணிப்பாய்வு[label="DeployModel"]

    மாதிரி->பணி[label="HAS_TASK"]
    குழாய்->பணிப்பாய்வு[label="HAS_WORKFLOW"]
    குழாய்->மாடல்[label="HAS_MODEL"]
}

முதல் 5-10 அதிகம் பயன்படுத்தப்பட்ட கட்டளைகள்/துணுக்குகள்

DSPy மற்றும் LangChainக்கு அதிகம் பயன்படுத்தப்படும் 5-10 கட்டளைகள்/துணுக்குகள் இங்கே:

DSPy * dspy init my_project: ஒரு புதிய DSPy திட்டத்தை துவக்கவும். * dspy மாதிரி my_model: DSPy ஐப் பயன்படுத்தி புதிய AI மாதிரியை உருவாக்கவும். * dspy பைப்லைன் my_pipeline: DSPy ஐப் பயன்படுத்தி புதிய பைப்லைனை உருவாக்கவும். * dspy deploy my_model: DSPy ஐப் பயன்படுத்தி AI மாதிரியைப் பயன்படுத்தவும். LangChain * langchain init my_project: புதிய LangChain திட்டத்தைத் தொடங்கவும். * langchain api my_api: LangChain ஐப் பயன்படுத்தி புதிய API ஐ உருவாக்கவும். * langchain model my_model: LangChain ஐப் பயன்படுத்தி புதிய AI மாதிரியை உருவாக்கவும். * langchain deploy my_model: LangChain ஐப் பயன்படுத்தி AI மாதிரியைப் பயன்படுத்தவும்.

முடிவு

இந்தக் கட்டுரையில், DSPy மற்றும் LangChain ஐப் பயன்படுத்தி AI-இயங்கும் ஆர்கெஸ்ட்ரேஷனை செயல்படுத்துவதை நாங்கள் ஆராய்ந்தோம். AI-இயக்கப்படும் மென்பொருள் டெலிவரி பைப்லைன்களுக்கான அளவிடக்கூடிய மற்றும் தகவமைப்பு கட்டமைப்பை நாங்கள் வடிவமைத்துள்ளோம், மேலும் AI-இயக்கப்படும் ஆர்கெஸ்ட்ரேஷனை செயல்படுத்துவதற்கான படிப்படியான வழிகாட்டியை வழங்கியுள்ளோம். வரைபடத் தரவுத்தளத்தைப் பயன்படுத்தி பைப்லைனைக் காட்சிப்படுத்தியுள்ளோம், மேலும் DSPy மற்றும் LangChain க்காக அதிகம் பயன்படுத்தப்படும் 5-10 கட்டளைகள்/துணுக்குகளின் பட்டியலை வழங்கியுள்ளோம்.

இந்த வழிகாட்டியைப் பின்பற்றுவதன் மூலம், DevOps குழுக்கள் தங்கள் டெலிவரி பைப்லைன்களை மேம்படுத்தவும், செயல்திறனை மேம்படுத்தவும் மற்றும் செலவுகளைக் குறைக்கவும் AI மற்றும் ML ஐப் பயன்படுத்தலாம்.

மேம்படுத்தப்பட்ட DevOps க்காக DSPy மற்றும் LangChain உடன் AI-பவர்டு ஆர்கெஸ்ட்ரேஷனை செயல்படுத்துதல்

¿Tienes preguntas?