DSPy болон LangChain-тай хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтыг газарзүйн орон зайн тагнуулын ажилд зориулан зохион байгуулах | B4N1

DSPy болон LangChain-тай хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтыг газарзүйн орон зайн тагнуулын ажилд зориулан зохион байгуулах

3 months ago · b4n1 Read time: 4 min

Газар орон зайн тагнуулын хувьд DSPy болон LangChain-тай хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтыг зохион байгуулах

Танилцуулга

Роботын инноваци, програм хангамжийн архитектурын аюулгүй байдлын улмаас үүссэн 5 их наяд долларын салбарын тасалдал нь DevOps автоматжуулалтын үр ашигтай, үр дүнтэй хэрэгцээг бий болгож байна. Газарзүйн лавлагаа мэдээллийг цуглуулах, дүн шинжилгээ хийх, тайлбарлах үйл ажиллагааг хамарсан газарзүйн тагнуул нь энэхүү эвдрэлийн чухал бүрэлдэхүүн хэсэг юм. Энэ нийтлэлд бид DSPy болон LangChain ашиглан хиймэл оюун ухаан, газарзүйн тагнуул, DevOps автоматжуулалтын огтлолцлыг судлах болно. Бид роботын инноваци, програм хангамжийн архитектурын аюулгүй байдлын сорилтуудыг судалж, эдгээр сорилтыг шийдвэрлэхэд DSPy болон LangChain-ийг хэрхэн ашиглаж болохыг харуулах болно.

Роботын инноваци ба програм хангамжийн архитектурын аюулгүй байдлын сорилтууд

Роботын инноваци нь асар их хэмжээний газарзүйн мэдээллийг цуглуулж, дүн шинжилгээ хийх боломжтой бие даасан системийг хөгжүүлэхэд хүргэсэн. Гэсэн хэдий ч энэ нь програм хангамжийн архитектурын аюулгүй байдлын хувьд шинэ сорилтуудыг бий болгосон. Автономит системүүд улам нарийн төвөгтэй болохын хэрээр програм хангамжийн алдаа болон аюулгүй байдлын эмзэг байдлын эрсдэл нэмэгддэг. Энэ нь осол, мэдээлэл зөрчих зэрэг ноцтой үр дагаварт хүргэж болзошгүй.

** DevOps автоматжуулалт дахь хиймэл оюун ухааны үүрэг**

Хиймэл оюун ухаан (AI) нь бодит цагийн ойлголтыг өгч, давтагдах даалгавруудыг автоматжуулах замаар DevOps автоматжуулалтад хувьсгал хийх боломжтой. Хиймэл оюун ухаанаар ажилладаг хэрэгслүүд нь том өгөгдлийн багцад дүн шинжилгээ хийж, хэв маягийг тодорхойлж, таамаглал дэвшүүлж, хөгжүүлэгчдэд өндөр түвшний ажлуудад анхаарлаа төвлөрүүлж, кодын ерөнхий чанарыг сайжруулах боломжийг олгодог.

DSPy болон LangChain-ийг танилцуулж байна

DSPy болон LangChain нь хөгжүүлэгчдэд хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтын хэрэгслийг бий болгох боломжийг олгодог хоёр нээлттэй эхийн хүрээ юм. DSPy нь Python-д суурилсан бүтэц бөгөөд мэдээллийн шинжлэх ухааны шугам сүлжээг бий болгох олон тооны номын сан, хэрэгслээр хангадаг. Харин LangChain нь хөгжүүлэгчдэд Python, Go зэрэг програмчлалын төрөл бүрийн хэлийг ашиглан харилцан ярианы хиймэл оюун ухааны загвар бүтээх боломжийг олгодог хүрээ юм.

Газар орон зайн тагнуулын хувьд DSPy болон LangChain ашиглах

DSPy болон LangChain-ийн чадварыг харуулахын тулд энгийн жишээг авч үзье. Бид хиймэл дагуулын зураг, мэдрэгчийн өгөгдөл зэрэг янз бүрийн эх сурвалжаас газарзүйн мэдээллийг цуглуулж, дүн шинжилгээ хийдэг хэрэгсэл бүтээхийг хүсч байна гэж бодъё. Бид DSPy-ийг ашиглан өгөгдлийг цуглуулж, урьдчилан боловсруулдаг өгөгдлийн шинжлэх ухааны шугам хоолой, LangChain-ийг хөгжүүлэгчдэд ойлголт, зөвлөмж өгдөг харилцан ярианы хиймэл оюун ухааны загварыг бий болгох боломжтой.

Код жишээ: DSPy ашиглан газарзүйн мэдээлэл цуглуулж, дүн шинжилгээ хийх

пандаг pd хэлбэрээр импортлох
numpy-г np хэлбэрээр импортлох
dspy импортын DataPipeline-аас


дамжуулах хоолой = DataPipeline()

# Хиймэл дагуулын зургийн мэдээлэл цуглуулах алхам нэмнэ үү
pipeline.add_step("зургийг_цулах", ламбда: pd.read_csv("satellite_imagery.csv"))

# Өгөгдлийг урьдчилан боловсруулах алхам нэмнэ үү
pipeline.add_step("precess_data", lambda x: x.dropna())

# Мэдээлэлд дүн шинжилгээ хийх алхам нэмнэ үү
pipeline.add_step("өгөгдлийн_шинжилгээ", lambda x: x.describe())

# Дамжуулах хоолойг ажиллуул
үр дүн = pipeline.run()

# Үр дүнг хэвлэх
хэвлэх (үр дүн)

Кодын жишээ: LangChain ашиглан харилцан ярианы хиймэл оюун ухааны загвар бүтээх

үндсэн багц

импортлох (
	"контекст"
	"fmt"

	"github.com/lngchain/lngchain-go/v2/core/types"
	"github.com/lngchain/lngchain-go/v2/executor"
)

func main() {
	// Шинэ контекст үүсгэх
	ctx := context. Background()

	// Шинэ гүйцэтгэгч үүсгэнэ
	гүйцэтгэгч := гүйцэтгэгч.NewExecutor(ctx)

	// Харилцааны AI загварыг тодорхойлох
	загвар := & гүйцэтгэгч.Загвар{
		Нэр: "газар орон зайн_оюун ухаан",
		Алхам: []гүйцэтгэгч.Алхам{
			{
				Нэр: "цуглуулах_зураг",
				Функц: func(ctx context.Context, оролтын төрөл.Input) (төрөл.Гаралт, алдаа) {
					// Хиймэл дагуулын зургийн өгөгдлийг цуглуулах
					буцах төрөл.Гаралт{Өгөгдөл: []байт("хиймэл дагуулын_зургийн_өгөгдөл")}, тэг
				},
			},
			{
				Нэр: "preprocess_data",
				Функц: func(ctx context.Context, оролтын төрөл.Input) (төрөл.Гаралт, алдаа) {
					// Өгөгдлийг урьдчилан боловсруулах
					буцах төрөл.Гаралт{Өгөгдөл: []байт("урьдчилан боловсруулсан_өгөгдөл")}, тэг
				},
			},
			{
				Нэр: "өгөгдлийн_шинжилгээ",
				Функц: func(ctx context.Context, оролтын төрөл.Input) (төрөл.Гаралт, алдаа) {
					// Өгөгдөлд дүн шинжилгээ хийх
					буцах төрөл.Гаралт{Өгөгдөл: []байт("шинжилсэн_өгөгдөл")}, тэг
				},
			},
		},
	}

	// Загварыг ажиллуул
	гаралт, алдаа := гүйцэтгэгч.RunModel(ctx, загвар)

	// Гаралтыг хэвлэх
	fmt.Println(гаралт)
}

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

DSPy болон LangChain-д зориулсан хамгийн түгээмэл хэрэглэгддэг командууд болон хэсгүүдийг энд оруулав.

  • DSPy:
    • dspy.DataPipeline(): Шинэ өгөгдөл дамжуулах шугам үүсгэнэ.
    • pipeline.add_step(): Өгөгдлийн дамжуулах хоолойд шинэ алхам нэмнэ.
    • pipeline.run(): Өгөгдлийн шугамыг ажиллуулна.
    • pd.read_csv(): CSV файлыг Pandas dataframe руу уншина.
    • x.dropna(): Pandas дата фреймээс дутуу утга бүхий мөрүүдийг буулгана.
  • LangChain:
    • executor.NewExecutor(): Шинэ гүйцэтгэгч үүсгэнэ.
    • model := &executor.Model{...}: Харилцааны хиймэл оюун ухааны шинэ загварыг тодорхойлно.
    • model.Steps = []executor.Step{...}: Харилцан ярианы AI загварын алхмуудыг тодорхойлно.
    • executor.RunModel(): Харилцан ярианы AI загварыг ажиллуулдаг.
    • types.Input{Data: []byte("input_data")}: Харилцан ярианы AI загварт шинэ оролт үүсгэнэ.

Дүрслэл

Chart.js ашиглан дүрслэх жишээ энд байна:

{
  "төрөл": "бар",
  "өгөгдөл": {
    "шошго": ["Хиймэл дагуулын зураг", "Мэдрэгчийн өгөгдөл", "Бусад"],
    "өгөгдлийн багц": [
      {
        "label": "Өгөгдлийн эх сурвалж",
        "өгөгдөл": [10, 20, 30],
        "backgroundColor": ["#FF0000", "#00FF00", "#0000FF"]
      }
    ]
  },
  "сонголт": {
    "гарчиг": {
      "дэлгэц": үнэн,
      "текст": "Өгөгдлийн эх сурвалж"
    },
    "домог": {
      "дэлгэц": үнэн
    }
  }
}

Энэхүү дүрслэл нь газарзүйн тагнуулын хэрэглээний мэдээллийн эх сурвалжийн тархалтыг харуулж байна.

Дүгнэлт

Энэ нийтлэлд бид DSPy болон LangChain ашиглан хиймэл оюун ухаан, газарзүйн тагнуул, DevOps автоматжуулалтын огтлолцлыг судалсан. Гео орон зайн өгөгдлийг цуглуулж, дүн шинжилгээ хийдэг хиймэл оюун ухаанаар ажилладаг DevOps автоматжуулалтын хэрэгслийг бүтээхэд эдгээр хүрээг хэрхэн ашиглаж болохыг бид харуулсан. Бид мөн DSPy болон LangChain-ийн чадавхийг харуулах кодын жишээ болон дүрслэлийг өгсөн. Эдгээр хүрээг ашигласнаар хөгжүүлэгчид өөрсдийн кодын чанар, найдвартай байдлыг сайжруулах илүү үр дүнтэй, үр дүнтэй DevOps автоматжуулалтын хэрэгслүүдийг бий болгож чадна.

Have Questions?

Let's Talk

Contact me on LinkedIn