Hadisələrin proaktiv təhqiqatı və həlli üçün DSPy və LangChain ilə AI ilə işləyən DevOps Boru Kəmərlərinin təşkili

Giriş

Müasir proqram sistemlərinin getdikcə artan mürəkkəbliyi hadisələrin tezliyinin və şiddətinin artmasına səbəb olub, hadisələrin proaktiv təhqiqatını və həllini DevOps-un kritik aspektinə çevirib. Süni intellekt (AI) və maşın öyrənməsi (ML) DevOps boru kəmərlərini təkmilləşdirmək üçün güclü vasitələr kimi ortaya çıxdı, süni intellektlə idarə olunan avtomatlaşdırma və orkestrləşdirməyə hadisələri biznesə təsir etməzdən əvvəl aşkar edib həll etməyə imkan verdi. Bu yazıda biz DSPy və LangChain-dən istifadə edərək süni intellektlə işləyən DevOps boru kəmərlərinin necə tətbiq olunacağını, AIOps və RAG modellərindən istifadə edərək hadisələrin proaktiv təhqiqatına və həllinə diqqət yetirməklə və insidentlərin avtomatlaşdırılmış təhqiqatı üçün AWS DevOps Agent ilə inteqrasiyanı araşdıracağıq.

DSPy və LangChain-ə baxış

DSPy, süni intellektlə işləyən DevOps boru kəmərlərini qurmaq və yerləşdirmək üçün sadə və səmərəli üsul təqdim edən Python kitabxanasıdır. O, tərtibatçılara müxtəlif AI və ML modellərini, o cümlədən təbii dil emalı (NLP), kompüter görmə və proqnozlaşdırıcı analitikanı DevOps boru kəmərlərinə inteqrasiya etməyə imkan verir. LangChain, digər tərəfdən, tərtibatçılara modul və genişlənə bilən arxitekturadan istifadə edərək geniş miqyaslı AI modellərini qurmağa və yerləşdirməyə imkan verən Python kitabxanasıdır.

DSPy və LangChain ilə AI ilə işləyən DevOps Boru Kəmərlərinin tətbiqi

DSPy və LangChain ilə AI ilə işləyən DevOps boru kəmərlərini həyata keçirmək üçün bu addımları yerinə yetirməliyik:

Məlumatların Toplanması: Qeydlər, ölçülər və konfiqurasiya faylları kimi müxtəlif mənbələrdən müvafiq məlumatları toplayın.
Məlumatların İlkin Emalı: Toplanmış məlumatları təhlil və modelləşdirmə üçün hazırlamaq üçün əvvəlcədən emal edin.
Model Təlimi: Hadisələri aşkar etmək və proqnozlaşdırmaq üçün əvvəlcədən işlənmiş məlumatlardan istifadə edərək AI və ML modellərini öyrədin.
Model Yerləşdirmə: DSPy və LangChain istifadə edərək təlim keçmiş modelləri DevOps boru kəmərinə yerləşdirin.
Hadisə Təhqiqatı: Hadisələri araşdırmaq və kök səbəbləri müəyyən etmək üçün tətbiq edilmiş modellərdən istifadə edin.
Hadisələrin Həlli: İnsidentləri proaktiv şəkildə həll etmək üçün insidentlərin araşdırılmasından əldə edilən fikirlərdən istifadə edin.

Kod Nümunəsi: DSPy və LangChain ilə sadə RAG modelinin tətbiqi

Budur, DSPy və LangChain istifadə edərək RAG (Kök Səbəb Analizi) modelinin necə həyata keçiriləcəyini nümayiş etdirən sadə kod nümunəsi:

idxal dspy
langchain idxal LMChain-dən

# Əvvəlcədən işlənmiş məlumatları yükləyin
data = pd.read_csv("data.csv")

# RAG modelini müəyyənləşdirin
rag_model = dspy.RAGModel(
    input_features=["log_level", "error_message"],
    output_features=["root_cause"]
)

# RAG modelini öyrədin
rag_model.train(data)

# RAG modelini yerləşdirin
llm_zəncir = LLMCain(
    model="davinci:002",
    maksimum_uzunluq=2048
)
rag_model.deploy(llm_chain)

# Hadisələri araşdırmaq üçün yerləşdirilmiş RAG modelindən istifadə edin
insident_data = pd.DataFrame({
    "log_level": ["ERROR"],
    "error_message": ["Nəsə xəta baş verdi"]
})
kök_səbəbi = rag_model.predict (hadisə_məlumatı)
çap (kök_səbəb)

Bu kod nümunəsi DSPy və LangChain istifadə edərək sadə RAG modelinin necə həyata keçiriləcəyini nümayiş etdirir. RAG modeli log səviyyəsini və səhv mesajını giriş funksiyaları kimi qəbul edir və hadisənin əsas səbəbini proqnozlaşdırır.

Ən çox istifadə olunan 5-10 əmr/parça

DSPy və LangChain üçün ən çox istifadə edilən 5-10 əmr/parçalar bunlardır:

dspy.RAGModel(input_features, output_features): Müəyyən edilmiş giriş və çıxış xüsusiyyətləri ilə RAG modelini müəyyənləşdirin.
dspy.RAGModel.train(data): Təqdim olunan məlumatlardan istifadə edərək RAG modelini məşq edin.
dspy.RAGModel.deploy(llm_chain): LangChain LLMCain istifadə edərək təlim keçmiş RAG modelini yerləşdirin.
llm_chain = LLMCain(model, max_length): Göstərilən model və maksimum uzunluqla LangChain LLMCain yaradın.
rag_model.predict(data): Hadisənin əsas səbəbini proqnozlaşdırmaq üçün yerləşdirilmiş RAG modelindən istifadə edin.
dspy.DataPreprocessor(input_data): DSPy-dən istifadə edərək verilənlərin əvvəlcədən emalı boru xəttini təyin edin.
dspy.ModelTrainer(model, data): DSPy istifadə edərək AI və ya ML modelini öyrədin.
dspy.ModelDeployer(model, llm_chain): DSPy və LangChain istifadə edərək təlim keçmiş modeli yerləşdirin.
langchain.LLMCain.predict(input_data): Modelin çıxışını proqnozlaşdırmaq üçün LangChain LLMCain istifadə edin.
dspy.RAGModel.evaluate(data): DSPy istifadə edərək RAG modelinin performansını qiymətləndirin.

Vizuallaşdırma

Budur Chart.js istifadə edərək vizuallaşdırma nümunəsi:

{
  "növ": "bar",
  "data": {
    "etiketlər": ["Hadisə Tipi A", "Hadisə Tipi B", "Hadisə Tipi"],
    "verilənlər dəsti": [
      {
        "label": "Əsas Səbəb A",
        "data": [10, 15, 7],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      },
      {
        "label": "Əsas səbəb B",
        "data": [8, 12, 9],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "borderWidth": 1
      },
      {
        "label": "Əsas Səbəb C",
        "data": [14, 18, 11],
        "backgroundColor": "rgba(255, 206, 86, 0.2)",
        "borderColor": "rgba(255, 206, 86, 1)",
        "borderWidth": 1
      }
    ]
  },
  "seçimlər": {
    "başlıq": {
      "ekran": doğru,
      "text": "Kök Səbəb Təhlili"
    },
    "tərəzi": {
      "yAxes": [
        {
          "gənə": {
            "beginAtZero": doğrudur
          }
        }
      ]
    }
  }
}

Bu vizuallaşdırma müxtəlif insident növləri üçün kök səbəblərin paylanmasını nümayiş etdirir.

Nəticə

Bu yazıda biz DSPy və LangChain istifadə edərək süni intellektlə işləyən DevOps boru kəmərlərinin necə tətbiq olunacağını, AIOps və RAG modellərindən istifadə edərək hadisələrin proaktiv təhqiqatına və həllinə diqqət yetirməklə və insidentlərin avtomatlaşdırılmış təhqiqatı üçün AWS DevOps Agent ilə inteqrasiyanı araşdırdıq. DSPy və LangChain istifadə edərək RAG modelini həyata keçirən sadə kod nümunəsini nümayiş etdirdik və DSPy və LangChain üçün ən çox istifadə olunan 5-10 əmr/parçaların siyahısını təqdim etdik. Biz həmçinin Chart.js istifadə edərək vizuallaşdırma nümunəsini daxil etdik. Bu məqalədə qeyd olunan addımları izləməklə tərtibatçılar, proqram sistemlərinin ümumi səmərəliliyini və etibarlılığını artıraraq, hadisələri proaktiv şəkildə aşkarlayan və həll edən süni intellektlə işləyən DevOps boru kəmərlərini qura və tətbiq edə bilərlər.