ZeroOps: إنشاء بنية تحتية مستقلة باستخدام وكلاء الذكاء الاصطناعي وStackGen وLangChain

ZeroOps: إنشاء بنية أساسية مستقلة باستخدام وكلاء الذكاء الاصطناعي وStackGen وLangChain

مقدمة

في المشهد المتطور باستمرار للبيئات السحابية الأصلية، لم يكن الطلب على إدارة البنية التحتية الفعالة والقابلة للتطوير أعلى من أي وقت مضى. لقد لعبت أدوات الأتمتة التقليدية دورًا فعالًا في تبسيط العمليات، لكنها غالبًا ما تفشل في معالجة التعقيدات والفروق الدقيقة في البنية التحتية الحديثة. وهنا يأتي دور ZeroOps – وهو نهج ثوري يستفيد من Agentic AI لتحقيق إدارة مستقلة للبنية التحتية. في هذه المقالة، سنتعمق في عالم ZeroOps، ونستكشف مكوناته الأساسية وفوائده وتطبيقاته العملية.

ما هو ZeroOps؟

ZeroOps هو نموذج ناشئ يجمع بين قوة الذكاء الاصطناعي (AI) ومرونة البيئات السحابية الأصلية لإنشاء بنية تحتية ذاتية الإدارة. من خلال تسخير إمكانات وكلاء الذكاء الاصطناعي وStackGen وLangChain، تمكن ZeroOps المؤسسات من أتمتة إدارة البنية التحتية وتقليل الأخطاء البشرية وتحسين الكفاءة العامة.

الذكاء الاصطناعي الوكيل: قلب ZeroOps

يشير الذكاء الاصطناعي الوكيل إلى نوع من الذكاء الاصطناعي يُظهر السلوك الذكي وقدرات اتخاذ القرار والقدرة على التكيف. في سياق ZeroOps، تم تصميم وكلاء Agentic AI للتعلم من أنماط البنية التحتية وتحديد الحالات الشاذة واتخاذ الإجراءات التصحيحية. يمكن تدريب هؤلاء الوكلاء على مصادر البيانات المختلفة، بما في ذلك السجلات والمقاييس وملفات التكوين، لتطوير فهم عميق لسلوك البنية التحتية.

StackGen: محرك البنية التحتية كرمز (IaC)

StackGen هو محرك IaC مفتوح المصدر يمكّن المؤسسات من تحديد البنية التحتية وإدارتها كرمز. باستخدام StackGen، يمكن للمطورين إنشاء قوالب البنية التحتية ونشر التطبيقات وإدارة الموارد بطريقة متسقة وقابلة للتكرار. يتيح تكامل StackGen مع وكلاء Agentic AI إنشاء بنية تحتية ذاتية الإصلاح، حيث يمكن للوكلاء اكتشاف المشكلات وتصحيحها في الوقت الفعلي.

LangChain: منسق البنية التحتية المدعومة بالذكاء الاصطناعي

LangChain هو إطار عمل قائم على لغة Python يمكّن المطورين من إنشاء ونشر منسقي البنية التحتية المدعومة بالذكاء الاصطناعي. من خلال الاستفادة من LangChain، يمكن للمؤسسات إنشاء عوامل ذكاء اصطناعي مخصصة تتكامل مع StackGen وأدوات البنية التحتية الأخرى لتحقيق إدارة البنية التحتية المستقلة. إن بنية LangChain المعيارية ومكتبتها الواسعة من المكونات المعدة مسبقًا تجعلها خيارًا مثاليًا لبناء حلول البنية التحتية المعقدة التي تعمل بالذكاء الاصطناعي.

تطبيق عملي: مثال بسيط

دعونا نفكر في مثال بسيط لكيفية تطبيق ZeroOps في بيئة سحابية أصلية. لنفترض أن لدينا تطبيق ويب منشورًا على مجموعة Kubernetes، ونريد أتمتة عملية توسيع نطاق التطبيق بناءً على طلب حركة المرور.


import langchain
من langchain.agents قم باستيراد LLMChain
من langchain.llms قم باستيراد LangChainLLM

# تعريف وكيل الذكاء الاصطناعي
الوكيل = LLMChain(
    llm=LangChainLLM(
        model_name="code-davinci-002"،
        درجة الحرارة = 0.7،
        max_tokens=2048,
        stop_sequences=["\n", "\n\n"]
    )،
    chain_name = "scale_app"
)

# تحديد قالب StackGen
القالب = {
    "النوع": "النشر"،
    "البيانات الوصفية": {
        "الاسم": "تطبيق الويب"
    },
    "المواصفات": {
        "النسخ المتماثلة": 1
    }
}

# تحديد سياسة التحجيم
السياسة = {
    "الحالة": "حركة المرور> 1000"،
    "الإجراء": {
        "النسخ المتماثلة": 2
    }
}

# إنشاء منسق البنية التحتية المدعومة بالذكاء الاصطناعي
منسق = LangChainLLM(
    model_name="code-davinci-002"،
    درجة الحرارة = 0.7،
    max_tokens=2048,
    stop_sequences=["\n", "\n\n"]
)

# تحديد نشر StackGen
النشر = StackGen(
    قالب=قالب،
    سياسة=سياسة
)

# نشر التطبيق
نشر.نشر ()

# قم بقياس التطبيق بناءً على الطلب على حركة المرور
Orchestra.scale_app (الوكيل، النشر)

في هذا المثال، قمنا بتعريف وكيل الذكاء الاصطناعي باستخدام LangChain الذي يتكامل مع StackGen لأتمتة عملية توسيع نطاق تطبيق الويب بناءً على طلب حركة المرور. يستخدم الوكيل نموذج لغة مدربًا مسبقًا لتحليل بيانات حركة المرور واتخاذ القرارات بشأن توسيع نطاق التطبيق.

أهم 5-10 أوامر/مقتطفات الأكثر استخدامًا

فيما يلي بعض الأوامر والمقتطفات الأكثر استخدامًا لـ ZeroOps:

langchain init: تهيئة مشروع LangChain جديد.

langchain init my_project

سلسلة LLM: إنشاء سلسلة LLM جديدة.

من langchain.agents قم باستيراد LLMChain
من langchain.llms قم باستيراد LangChainLLM

الوكيل = LLMChain(
    llm=LangChainLLM(
        model_name="code-davinci-002"،
        درجة الحرارة = 0.7،
        max_tokens=2048,
        stop_sequences=["\n", "\n\n"]
    )،
    chain_name = "my_chain"
)

نشر Stackgen: ينشر قالب StackGen إلى موفر السحابة.

نشر مكدس my_template.yaml

orchestratorscale_app: يقوم بقياس تطبيق بناءً على الطلب على حركة المرور.

من langchain.agents قم باستيراد LLMChain
من langchain.llms قم باستيراد LangChainLLM

منسق = LangChainLLM(
    model_name="code-davinci-002"،
    درجة الحرارة = 0.7،
    max_tokens=2048,
    stop_sequences=["\n", "\n\n"]
)

Orchestra.scale_app (الوكيل، النشر)

تدريب الوكيل: لتدريب وكيل الذكاء الاصطناعي على مجموعة بيانات.

تدريب الوكيل my_dataset.csv

** سياسة المكدس **: تحدد سياسة التوسع للتطبيق.

السياسة = {
    "الحالة": "حركة المرور> 1000"،
    "الإجراء": {
        "النسخ المتماثلة": 2
    }
}

langchain visualize: تصور عملية اتخاذ القرار لوكيل الذكاء الاصطناعي.

langchain تصور my_agent.json

حالة المنسق: يعرض حالة التطبيق.

حالة المنسق my_app

سجلات StackGen: يعرض سجلات نشر StackGen.

يسجل Stackgen my_deployment

تقييم الوكيل: يقيم أداء وكيل الذكاء الاصطناعي.

وكيل تقييم my_agent.json

التصور

فيما يلي تصور لبنية ZeroOps باستخدام Chart.js:

{
  "النوع": "شريط"،
  "البيانات": {
    "labels": ["Agentic AI"، "StackGen"، "LangChain"]،
    "مجموعات البيانات": [
      {
        "التسمية": "المكونات"،
        "بيانات": [10، 8، 12]،
        "لون الخلفية": [
          "رغبا (255، 99، 132، 0.2)"،
          "رغبا (54، 162، 235، 0.2)"،
          "رغبا (255، 206، 86، 0.2)"
        ]،
        "لون الحدود": [
          "رغبا (255، 99، 132، 1)"،
          "رغبا (54، 162، 235، 1)"،
          "رغبا (255، 206، 86، 1)"
        ]،
        "عرض الحدود": 1
      }
    ]
  },
  "الخيارات": {
    "المقاييس": {
      "المحاور": [
        {
          "القراد": {
            "beginAtZero": صحيح
          }
        }
      ]
    }
  }
}

يُظهر هذا التصور المكونات الأساسية الثلاثة لـ ZeroOps: Agentic AI وStackGen وLangChain. يوضح المخطط الشريطي الأهمية النسبية لكل مكون في بنية ZeroOps.

الخلاصة

يُعد ZeroOps نهجًا ثوريًا لإدارة البنية التحتية يستفيد من Agentic AI وStackGen وLangChain لتحقيق إدارة البنية التحتية المستقلة. من خلال تسخير قوة الذكاء الاصطناعي وIaC، تمكن ZeroOps المؤسسات من أتمتة إدارة البنية التحتية، وتقليل الأخطاء البشرية، وتحسين الكفاءة العامة. بفضل تطبيقاتها العملية وأوامرها العليا وتصوراتها، تستعد ZeroOps لتغيير الطريقة التي ندير بها البنية التحتية في البيئات السحابية الأصلية.

ZeroOps: إنشاء بنية تحتية مستقلة باستخدام وكلاء الذكاء الاصطناعي وStackGen وLangChain

Have Questions?