මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය සහ DevOps ස්වයංක්‍රීයකරණය සඳහා නියෝජිත AI භාවිතා කිරීම

හැඳින්වීම

කෘත්‍රිම බුද්ධිය (AI) සහ යන්ත්‍ර ඉගෙනීම (ML) හි වේගවත් පරිණාමය හේතුවෙන් ක්‍රියා කළ හැකි සහ තනිවම තීරණ ගත හැකි AI වර්ගයක් වන agentic AI වර්ධනය වීමට හේතු වී ඇත. මෙම තාක්‍ෂණයට අප මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය සහ DevOps ස්වයංක්‍රීයකරණයට ප්‍රවේශ වන ආකාරය විප්ලවීය වෙනසක් කිරීමට හැකියාව ඇත. මෙම ලිපියෙන්, අපි මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය, යටිතල පහසුකම් සහ DevOps ක්‍රියාවලි ස්වයංක්‍රීය කිරීම සඳහා නියෝජිත AI, විශාල භාෂා ආකෘති (LLMs) සහ LangChain සහ DSPy වැනි වාද්‍ය වෘන්දය ඒකාබද්ධ කිරීම ගවේෂණය කරන්නෙමු.

Agentic AI යනු කුමක්ද?

Agentic AI යන්නෙන් අදහස් කරන්නේ ක්‍රියා කළ හැකි සහ තනිවම තීරණ ගත හැකි AI වර්ගයකි. මෙය සාම්ප්‍රදායික AI පද්ධතිවලට ප්‍රතිවිරුද්ධ වන අතර ඒවා සාමාන්‍යයෙන් නිශ්චිත කාර්යයන් ඉටු කිරීමට සහ පූර්ව නිශ්චිත නීති මාලාවක් අනුගමනය කිරීමට නිර්මාණය කර ඇත. අනෙක් අතට, නියෝජිත AI පද්ධති සැලසුම් කර ඇත්තේ වඩාත් ස්වාධීන සහ අනුවර්තනය වීමට හැකි වන පරිදි, ඔවුන්ගේ පරිසරයෙන් ඉගෙන ගැනීමට සහ ඔවුන්ගේම අරමුණු සහ අරමුණු මත පදනම්ව තීරණ ගැනීමට ඉඩ සලසයි.

නියෝජිත AI හි LLM වල කාර්යභාරය

Large Language Models (LLMs) යනු අතිවිශාල පෙළ දත්ත ප්‍රමාණයක් මත පුහුණු කරන ලද සහ මිනිසාට සමාන භාෂාවක් ජනනය කිරීමේ හැකියාව ඇති AI වර්ගයකි. LLM යනු නියෝජිත AI පද්ධතිවල ප්‍රධාන අංගයකි, මන්ද ඒවා මිනිස් භාෂාව තේරුම් ගැනීමට සහ උත්පාදනය කිරීමට හැකියාව ලබා දෙයි. මෙමගින් නියෝජිත AI පද්ධතිවලට මිනිසුන් සහ අනෙකුත් පද්ධති සමඟ වඩාත් ස්වභාවික සහ අවබෝධාත්මක ආකාරයෙන් සන්නිවේදනය කිරීමට ඉඩ සලසයි.

වාද්‍ය වෘන්දය මෙවලම්: LangChain සහ DSPy

LangChain සහ DSPy වැනි වාද්‍ය වෘන්ද මෙවලම් විවිධ පද්ධති සහ සංරචක අතර අන්තර්ක්‍රියා කළමනාකරණය කිරීමට සහ සම්බන්ධීකරණය කිරීමට සැලසුම් කර ඇත. මෙම මෙවලම් දත්ත සැකසීම, ආකෘති පුහුණුව සහ යෙදවීම වැනි කාර්යයන් ඇතුළත් කළ හැකි කාර්ය ප්‍රවාහයන් නිර්වචනය කිරීමට සහ ක්‍රියාත්මක කිරීමට ක්‍රමයක් සපයයි.

LangChain

LangChain යනු වැඩ ප්‍රවාහයන් ගොඩනැගීම සහ කළමනාකරණය කිරීම සඳහා නම්‍යශීලී සහ විස්තීරණ රාමුවක් සපයන විවෘත මූලාශ්‍ර වාද්‍ය වෘන්ද මෙවලමකි. LangChain නිර්මාණය කර ඇත්තේ LLMs, දත්ත සමුදායන් සහ APIs ඇතුළුව පුළුල් පරාසයක පද්ධති සහ සංරචක සමඟ වැඩ කිරීමටය.

DSPy

DSPy යනු පයිතන් මත පදනම් වූ වාද්‍ය වෘන්ද මෙවලමක් වන අතර එය කාර්ය ප්‍රවාහයන් නිර්වචනය කිරීමට සහ ක්‍රියාත්මක කිරීමට සරල සහ අවබෝධාත්මක ක්‍රමයක් සපයයි. DSPy නිර්මාණය කර ඇත්තේ LLM, දත්ත සමුදායන් සහ API ඇතුළුව පුළුල් පරාසයක පද්ධති සහ සංරචක සමඟ වැඩ කිරීමටය.

මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය සහ DevOps ක්‍රියාවලි ස්වයංක්‍රීය කිරීම

Agentic AI, LLMs, සහ LangChain සහ DSPy වැනි වාද්‍ය වෘන්ද මෙවලම් පුළුල් පරාසයක මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය සහ DevOps ක්‍රියාවලි ස්වයංක්‍රීය කිරීමට භාවිතා කළ හැක. සමහර උදාහරණ ඇතුළත් වේ:

• ස්වයංක්‍රීය කේත සමාලෝචනය: කේත සමාලෝචනය කිරීමට සහ දෝෂ සහ ආරක්ෂක දුර්වලතා වැනි විය හැකි ගැටළු හඳුනා ගැනීමට නියෝජිත AI පද්ධති භාවිතා කළ හැක.
• ස්වයංක්‍රීය පරීක්‍ෂණය: ඒකක පරීක්‍ෂණය, ඒකාබද්ධතා පරීක්‍ෂණය සහ අන්තයේ සිට පරීක්‍ෂා කිරීම ඇතුළුව පරීක්‍ෂණ ස්වයංක්‍රීය කිරීමට නියෝජිත AI පද්ධති භාවිත කළ හැක.
• ස්වයංක්‍රීය යෙදවීම: කේත, වින්‍යාස කිරීම සහ වෙනත් සම්පත් යෙදවීම ඇතුළුව යෙදවීම ස්වයංක්‍රීය කිරීමට නියෝජිත AI පද්ධති භාවිතා කළ හැක.
• ස්වයංක්‍රීය අධීක්‍ෂණය: පද්ධති ක්‍රියාකාරිත්වය, ආරක්‍ෂාව, සහ අනෙකුත් ප්‍රමිතික නිරීක්‍ෂණය කිරීම ඇතුළුව නිරීක්‍ෂණය ස්වයංක්‍රීය කිරීමට නියෝජිත AI පද්ධති භාවිත කළ හැක.

ප්‍රායෝගිකව ක්‍රියාත්මක කිරීම

මෙම කොටසේදී, මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය සහ DevOps ක්‍රියාවලියක් ස්වයංක්‍රීය කිරීම සඳහා LangChain සහ DSPy භාවිතා කරන්නේ කෙසේද යන්න පිළිබඳ සරල උදාහරණයක් අපි සපයනු ඇත.

උදාහරණය: ස්වයංක්‍රීය කේත සමාලෝචනය

මෙම උදාහරණයේදී, අපි කේත සමාලෝචනය ස්වයංක්‍රීය කිරීමට LangChain සහ DSPy භාවිතා කරමු. පහත පියවර ඇතුළත් කාර්ය ප්‍රවාහයක් අපි නිර්වචනය කරන්නෙමු:

1. කේත විශ්ලේෂණය: වැඩ ප්‍රවාහය කේතය විශ්ලේෂණය කිරීමට සහ විභව ගැටළු හඳුනා ගැනීමට LLM භාවිතා කරයි.
2. කේත සමාලෝචනය: කාර්ය ප්‍රවාහය කේතය සමාලෝචනය කිරීමට සහ විභව ගැටළු හඳුනා ගැනීමට නියෝජිත AI පද්ධතියක් භාවිතා කරනු ඇත.
3. කේත යෙදවීම: කාර්ය ප්‍රවාහය නිෂ්පාදන පරිසරයකට කේතය යෙදවීමට යෙදවීමේ මෙවලමක් භාවිතා කරයි.

LangChain සහ DSPy භාවිතයෙන් මෙම කාර්ය ප්‍රවාහය ක්‍රියාත්මක කරන්නේ කෙසේද යන්න පිළිබඳ උදාහරණයක් මෙන්න:

langchain ආනයනය කරන්න
langchain ආනයනය LLM වෙතින්

# LLM නිර්වචනය කරන්න
llm = LLM("text-davinci-003")

# නියෝජිත AI පද්ධතිය නිර්වචනය කරන්න
ai_system = langchain.AgenticAI()

# කාර්ය ප්‍රවාහය නිර්වචනය කරන්න
වැඩ ප්‍රවාහය = langchain.Workflow(
    පියවර =[
        langchain.Step(
            නම = "කේත විශ්ලේෂණය",
            func=llm.analyze_code,
            inputs={"code": "def hello_world(): print('Hello World')"},
        ),
        langchain.Step(
            නම="කේත සමාලෝචනය",
            func=ai_system.review_code,
            inputs={"code": "def hello_world(): print('Hello World')"},
        ),
        langchain.Step(
            name="කේත යෙදවීම",
            func=langchain.deploy_code,
            inputs={"code": "def hello_world(): print('Hello World')"},
        ),
    ]
)

# කාර්ය ප්‍රවාහය ක්‍රියාත්මක කරන්න
workflow.execute()

මෙම කේතය පියවර තුනක් ඇතුළත් කාර්ය ප්‍රවාහයක් නිර්වචනය කරයි: කේත විශ්ලේෂණය, කේත සමාලෝචනය සහ කේත යෙදවීම. කාර්ය ප්‍රවාහය කේතය විශ්ලේෂණය කිරීමට LLM භාවිතා කරයි, කේතය සමාලෝචනය කිරීමට නියෝජිත AI පද්ධතියක් සහ නිෂ්පාදන පරිසරයකට කේතය යෙදවීමට යෙදවීමේ මෙවලමක් භාවිතා කරයි.

Top 5-10 වැඩිපුරම භාවිතා කරන ලද විධාන/Snippets

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

1. langchain.Workflow(steps=[...]): පියවර කිහිපයක් සහිත කාර්ය ප්‍රවාහයක් නිර්වචනය කරන්න.
2. langchain.Step(name="...", func=..., inputs={...}): වැඩ ප්‍රවාහයක තනි පියවරක් නිර්වචනය කරන්න.
3. llm.analyze_code(inputs={"code": ...}): කේතය විශ්ලේෂණය කිරීමට LLM භාවිතා කරන්න.
4. ai_system.review_code(inputs={"code": ...}): කේතය සමාලෝචනය කිරීමට නියෝජිත AI පද්ධතියක් භාවිතා කරන්න.
5. langchain.deploy_code(inputs={"code": ...}): නිෂ්පාදන පරිසරයකට කේතය යෙදවීම.
6. langchain.AgenticAI(): නියෝජිත AI පද්ධතියක උදාහරණයක් සාදන්න.
7. langchain.LLM(): LLM හි අවස්ථාවක් සාදන්න.
8. langchain.deploy_code(): නිෂ්පාදන පරිසරයකට කේතය යෙදවීම.
9. langchain.execute_workflow(): කාර්ය ප්‍රවාහයක් ක්‍රියාත්මක කරන්න.
10. langchain.get_workflow_status(): වැඩ ප්‍රවාහයක තත්ත්වය ලබා ගන්න.

දෘශ්‍යකරණය

Chart.js භාවිතයෙන් කාර්ය ප්‍රවාහයක් දෘශ්‍යමාන කරන්නේ කෙසේද යන්න පිළිබඳ උදාහරණයක් මෙන්න: '''' ජේසන් { "වර්ගය": "බාර්", "දත්ත": { "ලේබල්": ["කේත විශ්ලේෂණය", "කේත සමාලෝචනය", "කේත යෙදවීම"], "දත්ත කට්ටල": [ { "label": "වැඩ ප්‍රවාහ පියවර", "දත්ත": [10, 20, 30], "පසුබිම් වර්ණය": [ "rgba(255, 99, 132, 0.2)", "rgba(54, 162, 235, 0.2)", "rgba(255, 206, 86, 0.2)" ], "දේශසීමා වර්ණය": [ "rgba(255, 99, 132, 1)", "rgba(54, 162, 235, 1)", "rgba(255, 206, 86, 1)" ], "දේශසීමා පළල": 1 } ] }, "විකල්ප": {} }

මෙම කේතය ලේබල් තුනක් සහිත තීරු සටහනක් නිර්වචනය කරයි: කේත විශ්ලේෂණය, කේත සමාලෝචනය සහ කේත යෙදවීම. වැඩ ප්‍රවාහයේ එක් එක් අදියරෙහි පියවර ගණන වගුවේ දැක්වේ.

## නිගමනය

Agentic AI, LLMs, සහ LangChain සහ DSPy වැනි වාද්‍ය වෘන්ද මෙවලම් වලට අප මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය සහ DevOps ස්වයංක්‍රීයකරණයට ප්‍රවේශ වන ආකාරය විප්ලවීය වෙනසක් කිරීමට හැකියාව ඇත. කේත සමාලෝචනය, පරීක්ෂා කිරීම සහ යෙදවීම වැනි කාර්යයන් ස්වයංක්‍රීය කිරීම මගින්, අපගේ සංවර්ධන ක්‍රියාවලීන්හි කාර්යක්ෂමතාව සහ සඵලතාවය වැඩිදියුණු කළ හැක. මෙම ලිපියෙන්, අපි මෙම තාක්ෂණයන් ඒකාබද්ධ කිරීම ගවේෂණය කර ඇති අතර මෘදුකාංග ගෘහ නිර්මාණ ශිල්පය සහ DevOps ක්‍රියාවලියක් ස්වයංක්‍රීය කිරීමට ඒවා භාවිතා කරන්නේ කෙසේද යන්න පිළිබඳ සරල උදාහරණයක් ලබා දී ඇත.