ක්‍රියාකාරී සිදුවීම් විමර්ශනය සහ විභේදනය සඳහා DSPy සහ LangChain සමඟ AI-බලවත් DevOps නල මාර්ග සංවිධානය කිරීම

හැඳින්වීම

නවීන මෘදුකාංග පද්ධතිවල දිනෙන් දින වර්ධනය වන සංකීර්ණත්වය සිදුවීම්වල සංඛ්‍යාතය සහ බරපතලකම වැඩි වීමට හේතු වී ඇති අතර, ක්‍රියාකාරී සිදුවීම් විමර්ශනය සහ විසර්ජනය DevOps හි තීරණාත්මක අංගයක් බවට පත් කරයි. කෘත්‍රිම බුද්ධිය (AI) සහ යන්ත්‍ර ඉගෙනීම (ML) DevOps නල මාර්ග වැඩි දියුණු කිරීම සඳහා ප්‍රබල මෙවලම් ලෙස මතු වී ඇති අතර, AI මත ධාවනය වන ස්වයංක්‍රීයකරණය සහ ව්‍යාපාරයට බලපෑම් කිරීමට පෙර සිද්ධීන් හඳුනා ගැනීමට සහ විසඳීමට වාද්‍ය වෘන්දය සක්‍රීය කරයි. මෙම ලිපියෙන්, AIOps සහ RAG මාදිලි භාවිතා කරමින් ක්‍රියාකාරී සිදුවීම් විමර්ශනය සහ විභේදනය කෙරෙහි අවධානය යොමු කරමින් සහ ස්වයංක්‍රීය සිදුවීම් විමර්ශනය සඳහා AWS DevOps නියෝජිතයා සමඟ ඒකාබද්ධ වෙමින් DSPy සහ LangChain භාවිතයෙන් AI බලයෙන් ක්‍රියාත්මක වන DevOps නල මාර්ග ක්‍රියාත්මක කරන්නේ කෙසේදැයි අපි ගවේෂණය කරන්නෙමු.

DSPy සහ LangChain පිළිබඳ දළ විශ්ලේෂණය

DSPy යනු AI බලයෙන් ක්‍රියාත්මක වන DevOps නල මාර්ග තැනීමට සහ යෙදවීමට සරල සහ කාර්යක්ෂම ක්‍රමයක් සපයන පයිතන් පුස්තකාලයකි. ස්වභාවික භාෂා සැකසුම් (NLP), පරිගණක දැක්ම සහ අනාවැකි විශ්ලේෂණ ඇතුළු විවිධ AI සහ ML ආකෘති ඔවුන්ගේ DevOps නල මාර්ගවලට ඒකාබද්ධ කිරීමට එය සංවර්ධකයින්ට ඉඩ සලසයි. අනෙක් අතට, LangChain යනු පයිතන් පුස්තකාලයක් වන අතර එය සංවර්ධකයින්ට මොඩියුලර් සහ පරිමාණය කළ හැකි ගෘහ නිර්මාණ ශිල්පයක් භාවිතයෙන් මහා පරිමාණ AI ආකෘති තැනීමට සහ යෙදවීමට හැකියාව ලබා දෙයි.

DSPy සහ LangChain සමඟ AI-බලවත් DevOps නල මාර්ග ක්‍රියාත්මක කිරීම

DSPy සහ LangChain සමඟ AI බලයෙන් ක්‍රියාත්මක වන DevOps නල මාර්ග ක්‍රියාත්මක කිරීමට, අපි මෙම පියවර අනුගමනය කළ යුතුය:

1. දත්ත එකතු කිරීම: ලඝු-සටහන්, ප්‍රමිතික සහ වින්‍යාස ගොනු වැනි විවිධ මූලාශ්‍රවලින් අදාළ දත්ත රැස් කරන්න.
2. දත්ත පෙරසැකසීම: එකතු කරන ලද දත්ත විශ්ලේෂණය සහ ආකෘති නිර්මාණය සඳහා සූදානම් කිරීම සඳහා පෙර සකසන්න.
3. ආදර්ශ පුහුණුව: සිදුවීම් හඳුනා ගැනීමට සහ පුරෝකථනය කිරීමට පෙර සැකසූ දත්ත භාවිතා කරමින් AI සහ ML මාදිලි පුහුණු කරන්න.
4. ආදර්ශ යෙදවීම: DSPy සහ LangChain භාවිතයෙන් DevOps නල මාර්ගයට පුහුණු කරන ලද ආකෘති යොදවන්න.
5. සිදුවීම් විමර්ශනය: සිදුවීම් විමර්ශනය කිරීමට සහ මූල හේතු හඳුනා ගැනීමට යොදවා ඇති ආකෘති භාවිතා කරන්න.
6. සිද්ධි විභේදනය: සිදුවීම් කල්තියා විසඳීමට සිද්ධි විමර්ශනයෙන් ලබාගත් අවබෝධය භාවිතා කරන්න.

කේත උදාහරණය: DSPy සහ LangChain සමඟ සරල RAG ආකෘතියක් ක්‍රියාත්මක කිරීම

DSPy සහ LangChain භාවිතයෙන් RAG (මූල හේතු විශ්ලේෂණය) ආකෘතියක් ක්‍රියාත්මක කරන්නේ කෙසේද යන්න පෙන්නුම් කරන සරල කේත උදාහරණයක් මෙන්න:

ආනයනය dspy
langchain ආනයනය LLMCchain වෙතින්

# පෙර සැකසූ දත්ත පූරණය කරන්න
දත්ත = pd.read_csv("data.csv")

# RAG ආකෘතිය නිර්වචනය කරන්න
rag_model = dspy.RAGModel(
    input_features=["log_level", "error_message"],
    output_features=["root_cause"]
)

# RAG ආකෘතිය පුහුණු කරන්න
rag_model.train(දත්ත)

# RAG ආකෘතිය යොදන්න
llm_chain = LLMCchain(
    ආකෘතිය="davinci:002",
    max_length=2048
)
rag_model.deploy(llm_chain)

# සිදුවීම් විමර්ශනය කිරීමට යොදවා ඇති RAG ආකෘතිය භාවිතා කරන්න
සිද්ධිය_දත්ත = pd.DataFrame({
    "log_level": ["ERROR"],
    "error_message": ["යමක් වැරදී ඇත"]
})
root_cause = rag_model.predict(incident_data)
මුද්‍රණය (මූල_හේතුව)

මෙම කේත උදාහරණය DSPy සහ LangChain භාවිතයෙන් සරල RAG ආකෘතියක් ක්‍රියාත්මක කරන ආකාරය පෙන්නුම් කරයි. RAG ආකෘතිය ලොග් මට්ටම සහ දෝෂ පණිවිඩය ආදාන විශේෂාංග ලෙස ගන්නා අතර සිද්ධියේ මූල හේතුව පුරෝකථනය කරයි.

Top 5-10 වැඩිපුරම භාවිතා කරන ලද විධාන/Snippets

DSPy සහ LangChain සඳහා වැඩිපුරම භාවිතා කරන ලද විධාන/snippets 5-10 මෙන්න:

1. dspy.RAGModel(input_features, output_features): නිශ්චිත ආදාන සහ ප්‍රතිදාන විශේෂාංග සහිත RAG ආකෘතියක් නිර්වචනය කරන්න.
2. dspy.RAGModel.train(data): සපයා ඇති දත්ත භාවිතයෙන් RAG ආකෘතියක් පුහුණු කරන්න.
3. dspy.RAGModel.deploy(llm_chain): LangChain LLMCchain භාවිතයෙන් පුහුණු RAG ආකෘතියක් යොදවන්න.
4. llm_chain = LLMCchain(model, max_length): නිශ්චිත මාදිලිය සහ උපරිම දිග සහිත LangChain LLMCchain සාදන්න.
5. rag_model.predict(data): සිදුවීමක මූලික හේතුව පුරෝකථනය කිරීමට යොදවා ඇති RAG ආකෘතියක් භාවිතා කරන්න.
6. dspy.DataPreprocessor(input_data): DSPy භාවිතයෙන් දත්ත පෙර සැකසුම් නල මාර්ගයක් නිර්වචනය කරන්න.
7. dspy.ModelTrainer(ආකෘතිය, දත්ත): DSPy භාවිතයෙන් AI හෝ ML ආකෘතියක් පුහුණු කරන්න.
8. dspy.ModelDeployer(model, llm_chain): DSPy සහ LangChain භාවිතයෙන් පුහුණු ආකෘතියක් යොදවන්න.
9. langchain.LLMCchain.predict(input_data): ආකෘතියක ප්‍රතිදානය පුරෝකථනය කිරීමට LangChain LLMCchain භාවිතා කරන්න.
10. dspy.RAGModel.evaluate(data): DSPy භාවිතයෙන් RAG ආකෘතියක කාර්ය සාධනය ඇගයීම.

දෘශ්‍යකරණය

මෙන්න Chart.js භාවිතා කරන දෘශ්‍යකරණයක උදාහරණයක්: ''''ජේසන් { "වර්ගය": "බාර්", "දත්ත": { "ලේබල්": ["සිදුවීම් වර්ගය A", "සිදුවීම් වර්ගය B", "සිදුවීම් වර්ගය C"], "දත්ත කට්ටල": [ { "label": "මූල හේතුව A", "දත්ත": [10, 15, 7], "backgroundColor": "rgba(255, 99, 132, 0.2)", "borderColor": "rgba(255, 99, 132, 1)", "දේශසීමා පළල": 1 }, { "label": "Broot Cause B", "දත්ත": [8, 12, 9], "backgroundColor": "rgba(54, 162, 235, 0.2)", "borderColor": "rgba(54, 162, 235, 1)", "දේශසීමා පළල": 1 }, { "label": "මූල හේතුව C", "දත්ත": [14, 18, 11], "backgroundColor": "rgba(255, 206, 86, 0.2)", "borderColor": "rgba(255, 206, 86, 1)", "දේශසීමා පළල": 1 } ] }, "විකල්ප": { "මාතෘකාව": { "දර්ශණය": ඇත්ත, "පෙළ": "මූල හේතු විශ්ලේෂණය" }, "පරිමාණ": { "yAxes": [ { "කිනිතුල්ලන්": { "beginAtZero": ඇත්ත } } ] } } }

මෙම දෘශ්‍යකරණය විවිධ සිදුවීම් වර්ග සඳහා මූලික හේතු බෙදා හැරීම පෙන්නුම් කරයි.

## නිගමනය

මෙම ලිපියෙන්, අපි AIOps සහ RAG ආකෘති භාවිතයෙන් ක්‍රියාශීලී සිදුවීම් විමර්ශනය සහ විභේදනය කෙරෙහි අවධානය යොමු කරමින් සහ ස්වයංක්‍රීය සිදුවීම් විමර්ශනය සඳහා AWS DevOps නියෝජිතයා සමඟ ඒකාබද්ධ වෙමින් DSPy සහ LangChain භාවිතයෙන් AI බලයෙන් ක්‍රියාත්මක වන DevOps නල මාර්ග ක්‍රියාත්මක කරන්නේ කෙසේදැයි ගවේෂණය කළෙමු. අපි DSPy සහ LangChain භාවිතා කරමින් RAG ආකෘතියක් ක්‍රියාත්මක කරන සරල කේත උදාහරණයක් පෙන්වූ අතර DSPy සහ LangChain සඳහා වැඩිපුරම භාවිතා කරන ලද විධාන/snippets 5-10 ලැයිස්තුවක් ලබා දුන්නෙමු. අපි Chart.js භාවිතයෙන් දෘශ්‍යකරණ උදාහරණයක් ද ඇතුළත් කළෙමු. මෙම ලිපියේ දක්වා ඇති පියවර අනුගමනය කිරීමෙන්, සංවර්ධකයින්ට ඔවුන්ගේ මෘදුකාංග පද්ධතිවල සමස්ත කාර්යක්ෂමතාව සහ විශ්වසනීයත්වය වැඩිදියුණු කරමින් සිදුවීම් කල්තියා හඳුනාගෙන විසඳන AI බලයෙන් ක්‍රියාත්මක වන DevOps නල මාර්ග තැනීමට සහ යෙදවීමට හැකිය.