** AI-ի վրա աշխատող DevOps խողովակաշարերի կազմակերպում DSPy-ի և LangChain-ի հետ՝ Միջադեպերի ակտիվ հետաքննության և Edge Computing Environments-ում լուծելու համար**

Ներածություն

Ժամանակակից ծրագրային համակարգերի աճող բարդությունը, զուգորդված իրական ժամանակում տվյալների մշակման և վերլուծության աճող պահանջարկի հետ, հանգեցրել է եզրային հաշվողական միջավայրերի առաջացմանը: Այս միջավայրերը, որոնք բնութագրվում են բաշխված, ինքնավար և տարասեռ համակարգերի առկայությամբ, նշանակալի մարտահրավերներ են ստեղծում DevOps թիմերի համար: Այս հոդվածում մենք կուսումնասիրենք, թե ինչպես կարելի է օգտագործել AI-ով աշխատող կոդերի վերանայման գործիքների և AIOps հարթակների, մասնավորապես, DSPy-ի և LangChain-ի վերջին առաջընթացները՝ հնարավորություն տալով միջադեպերի պրոակտիվ հետաքննությունն ու լուծումը եզրային հաշվողական միջավայրերում:

** AI-ի, DevOps-ի և Edge Computing-ի խաչմերուկը**

Եզրային հաշվողական միջավայրերը բնութագրվում են բաշխված, ինքնավար և տարասեռ համակարգերի առկայությամբ, որոնք կարող են դժվարացնել DevOps թիմերի համար միջադեպերը ժամանակին և արդյունավետ կերպով հայտնաբերելն ու լուծելը: Այս մարտահրավերին դիմակայելու համար AI-ով աշխատող կոդերի վերանայման գործիքները և AIOps հարթակները հայտնվել են որպես խոստումնալից լուծում: Այս գործիքները կիրառում են մեքենայական ուսուցման ալգորիթմները և բնական լեզվի մշակման տեխնիկան՝ վերլուծելու համակարգի տեղեկամատյանները, կատարողականության ցուցանիշները և տվյալների այլ աղբյուրները՝ հնարավորություն տալով DevOps թիմերին հայտնաբերել անոմալիաները և կանխատեսել հնարավոր միջադեպերը՝ նախքան դրանք տեղի ունենալը:

DSPy. Python գրադարան՝ AI-ով աշխատող կոդերի վերանայման համար

DSPy-ը Python-ի գրադարան է, որը ծրագրավորողներին հնարավորություն է տալիս օգտագործել AI-ով աշխատող կոդերի վերանայման գործիքների հզորությունը իրենց DevOps խողովակաշարերում: DSPy-ն ապահովում է պարզ և ինտուիտիվ API՝ մեքենայական ուսուցման ալգորիթմները և բնական լեզվի մշակման տեխնիկան կոդի վերանայման աշխատանքային հոսքերում ինտեգրելու համար: DSPy-ի միջոցով մշակողները կարող են վերլուծել համակարգի տեղեկամատյանները, կատարողականության ցուցանիշները և տվյալների այլ աղբյուրներ՝ անոմալիաները հայտնաբերելու և հնարավոր միջադեպերը կանխատեսելու համար:

**LangChain. AI-ի վրա աշխատող AIOps հարթակներ կառուցելու շրջանակ **

LangChain-ը AI-ի վրա աշխատող AIOps հարթակներ ստեղծելու շրջանակ է, որը հնարավորություն է տալիս միջադեպերի պրոակտիվ հետաքննություն և լուծում եզրային հաշվողական միջավայրերում: LangChain-ը տրամադրում է նախապես կառուցված բաղադրիչների և API-ների մի շարք՝ մեքենայական ուսուցման ալգորիթմների, բնական լեզվի մշակման տեխնիկայի և այլ AI-ով աշխատող գործիքներ AIOps հարթակներում ինտեգրելու համար: LangChain-ի միջոցով ծրագրավորողները կարող են ստեղծել հատուկ AIOps հարթակներ, որոնք կօգտագործեն AI-ով աշխատող կոդերի վերանայման գործիքների և AIOps հարթակների վերջին առաջընթացները:

** AI-ով աշխատող DevOps խողովակաշարերի կազմակերպում DSPy-ի և LangChain-ի հետ**

AI-ով աշխատող DevOps խողովակաշարերը DSPy-ի և LangChain-ի հետ կազմակերպելու համար մշակողները կարող են հետևել հետևյալ քայլերին.

1. Ինտեգրել DSPy-ը DevOps խողովակաշարում. ծրագրավորողները կարող են ինտեգրել DSPy-ն DevOps խողովակաշարում՝ օգտագործելով DSPy API-ը՝ համակարգի տեղեկամատյանները, կատարողականության ցուցանիշները և տվյալների այլ աղբյուրները վերլուծելու համար:
2. Օգտագործեք LangChain-ը հատուկ AIOps պլատֆորմ ստեղծելու համար. Մշակողները կարող են օգտագործել LangChain-ը՝ AIOps հարմարեցված հարթակ ստեղծելու համար, որն օգտագործում է AI-ով աշխատող կոդերի վերանայման գործիքների և AIOps հարթակների վերջին առաջընթացները:
3. Ինտեգրեք AIOps պլատֆորմը DevOps խողովակաշարում. Մշակողները կարող են ինտեգրել AIOps հարթակը DevOps խողովակաշարի մեջ՝ օգտագործելով LangChain API-ը՝ համակարգի տեղեկամատյանները, կատարողականության ցուցանիշները և տվյալների այլ աղբյուրները վերլուծելու համար:

Գործնական օրինակ. DSPy-ի օգտագործումը համակարգի գրանցամատյանները վերլուծելու համար

Ահա մի պարզ օրինակ, թե ինչպես օգտագործել DSPy-ը համակարգի տեղեկամատյանները վերլուծելու համար. «Պիթոն». ներմուծել dspy

logs = dspy.load_logs ('system_logs.log')

Վերլուծեք համակարգի տեղեկամատյանները՝ օգտագործելով մեքենայական ուսուցման ալգորիթմ

անոմալիաներ = dspy.analyze_logs (տեղեկամատյաններ, ալգորիթմ='MLP')

Տպեք անոմալիաները

տպագիր (անոմալիաներ)

Այս օրինակում մենք բեռնում ենք համակարգի տեղեկամատյանները՝ օգտագործելով «dspy.load_logs» ֆունկցիան, վերլուծում ենք գրանցամատյանները՝ օգտագործելով մեքենայական ուսուցման ալգորիթմը (MLP)՝ օգտագործելով «dspy.analyze_logs» ֆունկցիան և տպում ենք անոմալիաները:

**Թոփ 5-10 ամենաշատ օգտագործվող հրամաններ/հատվածներ**

Ահա 5-10 ամենաշատ օգտագործվող հրամանները/հատվածները DSPy-ի և LangChain-ի համար.

1. «dspy.load_logs('system_logs.log')»: Բեռնում է համակարգի տեղեկամատյանները:
2. «dspy.analyze_logs(logs, algorithm='MLP')»: Վերլուծում է համակարգի տեղեկամատյանները՝ օգտագործելով մեքենայական ուսուցման ալգորիթմ:
3. «langchain.build_aiops_platform()»: Ստեղծում է հատուկ AIOps հարթակ՝ օգտագործելով LangChain:
4. «langchain.integrate_aiops_platform()»: Ինտեգրում է AIOps հարթակը DevOps խողովակաշարի մեջ:
5. «dspy.visualize_anomalies(anomalies)»: Պատկերացնում է անոմալիաները՝ օգտագործելով գծապատկեր:
6. «langchain.use_ml_algorithm(logs, algorithm='SVM')»: Օգտագործում է մեքենայական ուսուցման ալգորիթմ (SVM)՝ վերլուծելու համակարգի տեղեկամատյանները:
7. «dspy.print_anomalies(anomalies)»: Տպում է անոմալիաները:
8. «langchain.use_nlp_techniques(logs, tekniks=['NER', 'POS'])»: Օգտագործում է բնական լեզվի մշակման տեխնիկան (NER, POS)՝ վերլուծելու համակարգի մատյանները:
9. «dspy.save_anomalies(anomalies, 'anomalies.csv')»: Անոմալիաները պահպանում է CSV ֆայլում:
10. «langchain.use_custom_aiops_platform()»: Օգտագործում է հատուկ AIOps հարթակ, որը ստեղծվել է LangChain-ի միջոցով:

**Վիզուալիզացիա**

Ահա մի օրինակ, թե ինչպես կարելի է պատկերացնել անոմալիաները՝ օգտագործելով աղյուսակը.
``` գծապատկեր
{
  «տեսակ»՝ «բար»,
  "տվյալներ": {
    «պիտակներ»՝ [«Անոմալիա 1», «Անոմալիա 2», «Անոմալիա 3»],
    «տվյալների հավաքածուներ»:
      {
        «պիտակ»: «Անոմալիաներ»,
        «տվյալներ»: [10, 20, 30],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        «սահմանի լայնություն»՝ 1
      }
    ]
  },
  «Ընտրանքներ»: {
    «վերնագիր»: {
      «ցուցադրում»՝ ճշմարիտ,
      "text": "Անոմալիաներ"
    },
    "լեգենդ": {
      «ցուցադրում»: ճշմարիտ
    }
  }
}

Այս օրինակում մենք օգտագործում ենք Chart.js գրադարանը՝ գծապատկեր ստեղծելու համար, որը պատկերացնում է անոմալիաները:

Եզրակացություն

Այս հոդվածում մենք ուսումնասիրեցինք, թե ինչպես կարելի է օգտագործել AI-ով աշխատող կոդերի վերանայման գործիքների և AIOps պլատֆորմների, մասնավորապես DSPy-ի և LangChain-ի վերջին առաջընթացները՝ հնարավորություն տալով միջադեպերի պրոակտիվ հետաքննությունն ու լուծումը եզրային հաշվողական միջավայրերում: Մենք տրամադրեցինք գործնական օրինակ, թե ինչպես կարելի է օգտագործել DSPy-ը համակարգի տեղեկամատյանները վերլուծելու համար և պատկերացնել անոմալիաները՝ օգտագործելով աղյուսակը: Մենք նաև տրամադրեցինք DSPy-ի և LangChain-ի համար ամենաշատ օգտագործվող 5-10 հրամանների/հատվածների ցուցակը: Հետևելով այս հոդվածում նկարագրված քայլերին՝ ծրագրավորողները կարող են ստեղծել հատուկ AIOps հարթակներ, որոնք կօգտագործեն AI-ով աշխատող կոդերի վերանայման գործիքների և AIOps հարթակների վերջին առաջընթացները՝ հնարավորություն տալով միջադեպերի պրոակտիվ հետաքննություն և լուծում եզրային հաշվողական միջավայրերում: