Ներածություն

Ժամանակակից ծրագրային համակարգերի անընդհատ աճող բարդությունը հանգեցրել է միջադեպերի հաճախականության և լրջության աճին՝ միջադեպերի ակտիվ հետաքննությունն ու լուծումը դարձնելով DevOps-ի կարևորագույն կողմը: Արհեստական ինտելեկտը (AI) և մեքենայական ուսուցումը (ML) հայտնվել են որպես հզոր գործիքներ DevOps խողովակաշարերը բարելավելու համար, ինչը թույլ է տալիս AI-ի վրա հիմնված ավտոմատացումն ու կազմակերպումը հայտնաբերել և լուծել միջադեպերը, նախքան դրանք ազդեն բիզնեսի վրա: Այս հոդվածում մենք կուսումնասիրենք, թե ինչպես կարելի է իրականացնել AI-ով աշխատող DevOps խողովակաշարեր՝ օգտագործելով DSPy և LangChain՝ կենտրոնանալով միջադեպերի պրոակտիվ հետաքննության և լուծման վրա՝ օգտագործելով AIOps և RAG մոդելները, և ինտեգրվելով AWS DevOps գործակալին՝ միջադեպերի ավտոմատ հետաքննության համար:

ակնարկ DSPy-ի և LangChain-ի

DSPy-ը Python գրադարան է, որն ապահովում է AI-ով աշխատող DevOps խողովակաշարեր կառուցելու և տեղակայելու պարզ և արդյունավետ միջոց: Այն թույլ է տալիս ծրագրավորողներին ինտեգրել տարբեր AI և ML մոդելներ, ներառյալ բնական լեզվի մշակումը (NLP), համակարգչային տեսլականը և կանխատեսող վերլուծությունները, իրենց DevOps խողովակաշարերում: Մյուս կողմից, LangChain-ը Python գրադարան է, որը ծրագրավորողներին հնարավորություն է տալիս կառուցել և տեղակայել լայնածավալ AI մոդելներ՝ օգտագործելով մոդուլային և մասշտաբային ճարտարապետություն:

AI-ի վրա աշխատող DevOps խողովակաշարերի ներդրում DSPy-ի և LangChain-ի հետ

AI-ով աշխատող DevOps խողովակաշարերը DSPy-ի և LangChain-ի հետ իրականացնելու համար մենք պետք է հետևենք հետևյալ քայլերին.

Տվյալների հավաքագրում. հավաքեք համապատասխան տվյալներ տարբեր աղբյուրներից, ինչպիսիք են տեղեկամատյանները, չափումները և կազմաձևման ֆայլերը:
Տվյալների նախնական մշակում. հավաքագրված տվյալները նախապես մշակեք` դրանք վերլուծության և մոդելավորման համար պատրաստելու համար:
Մոդելների ուսուցում. Վարժեցրեք AI և ML մոդելները՝ օգտագործելով նախապես մշակված տվյալները՝ միջադեպերը հայտնաբերելու և կանխատեսելու համար:
Մոդելի տեղակայում. ուսուցանված մոդելները տեղակայեք DevOps խողովակաշարում՝ օգտագործելով DSPy և LangChain:
Միջադեպերի հետաքննություն. օգտագործեք կիրառված մոդելները միջադեպերը հետաքննելու և հիմնական պատճառները բացահայտելու համար:
Միջադեպի լուծում. Օգտագործեք միջադեպի հետաքննության արդյունքում ձեռք բերված պատկերացումները՝ միջադեպերը ակտիվորեն լուծելու համար:

Կոդի օրինակ. Պարզ RAG մոդելի իրականացում DSPy-ի և LangChain-ի հետ

Ահա մի պարզ կոդի օրինակ, որը ցույց է տալիս, թե ինչպես կարելի է իրականացնել RAG (Root Cause Analysis) մոդելը՝ օգտագործելով DSPy և LangChain: «Պիթոն». ներմուծել dspy langchain import LLMCchain-ից

Բեռնեք նախապես մշակված տվյալները

data = pd.read_csv ("data.csv")

Սահմանեք RAG մոդելը

rag_model = dspy.RAGModel( input_features=[«log_level», «error_message»], output_features=[«root_cause»] )

Վարժեցրեք RAG մոդելը

rag_model.train(տվյալներ)

Տեղադրեք RAG մոդելը

llm_chain = LLMCchain ( մոդել = "davinci:002", max_length=2048 ) rag_model.deploy(llm_chain)

Օգտագործեք տեղակայված RAG մոդելը՝ միջադեպերը հետաքննելու համար

incident_data = pd.DataFrame({ "log_level": ["ՍԽԱԼ"], "error_message": ["Սխալ առաջացավ"] }) root_cause = rag_model.predict(incident_data) տպել (root_cause)

Այս կոդի օրինակը ցույց է տալիս, թե ինչպես կարելի է իրականացնել պարզ RAG մոդել՝ օգտագործելով DSPy և LangChain: RAG մոդելը վերցնում է գրանցամատյանի մակարդակը և սխալի հաղորդագրությունը որպես մուտքային հատկանիշներ և կանխատեսում է միջադեպի հիմնական պատճառը:

## Լավագույն 5-10 Ամենաօգտագործվող հրամաններ/հատվածներ

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

1. «dspy.RAGModel (input_features, output_features)»: Սահմանել RAG մոդել՝ նշված մուտքային և ելքային հատկանիշներով:
2. «dspy.RAGModel.train(data)»: Վարժեցրեք RAG մոդելը՝ օգտագործելով տրամադրված տվյալները:
3. «dspy.RAGModel.deploy(llm_chain)»: Տեղադրեք մարզված RAG մոդել՝ օգտագործելով LangChain LLMChain:
4. «llm_chain = LLMCchain(model, max_length)»: Ստեղծեք LangChain LLMCchain՝ նշված մոդելով և առավելագույն երկարությամբ:
5. «rag_model.predict(data)»: Օգտագործեք տեղակայված RAG մոդելը՝ միջադեպի բուն պատճառը կանխատեսելու համար:
6. «dspy.DataPreprocessor(input_data)»: Սահմանեք տվյալների նախնական մշակման խողովակաշար՝ օգտագործելով DSPy:
7. «dspy.ModelTrainer(մոդել, տվյալներ)»: Վարժեցրեք AI կամ ML մոդելը՝ օգտագործելով DSPy:
8. «dspy.ModelDeployer(model, llm_chain)»: Տեղադրեք վերապատրաստված մոդել՝ օգտագործելով DSPy և LangChain:
9. «langchain.LLMChain.predict(input_data)»: Օգտագործեք LangChain LLMChain մոդելի արդյունքը կանխատեսելու համար:
10. «dspy.RAGModel.evaluate(data)»: Գնահատեք RAG մոդելի աշխատանքը DSPy-ի միջոցով:

## Վիզուալիզացիա

Ահա Chart.js-ի օգտագործմամբ արտացոլման օրինակ.
```ջսոն
{
  «տեսակ»՝ «բար»,
  "տվյալներ": {
    «պիտակներ»՝ [«Միջադեպ տեսակ A», «Միջադեպ տեսակ B», «Միջադեպ տեսակ C»],
    «տվյալների հավաքածուներ»:
      {
        «պիտակ»: «Արմատական պատճառ Ա»,
        «տվյալներ»: [10, 15, 7],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        «սահմանի լայնություն»՝ 1
      },
      {
        «պիտակ»: «Արմատական պատճառ Բ»,
        «տվյալներ»: [8, 12, 9],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        «սահմանի լայնություն»՝ 1
      },
      {
        «պիտակ»: «Արմատական պատճառ C»,
        «տվյալներ»: [14, 18, 11],
        "backgroundColor": "rgba(255, 206, 86, 0.2)",
        "borderColor": "rgba(255, 206, 86, 1)",
        «սահմանի լայնություն»՝ 1
      }
    ]
  },
  «Ընտրանքներ»: {
    «վերնագիր»: {
      «ցուցադրում»՝ ճշմարիտ,
      "text": "Արմատական պատճառների վերլուծություն"
    },
    «կշեռքներ»: {
      «yAxes»:
        {
          "ticks": {
            «beginAtZero»: ճիշտ է
          }
        }
      ]
    }
  }
}

Այս վիզուալիզացիան ցույց է տալիս տարբեր միջադեպերի տեսակների հիմնական պատճառների բաշխումը:

Եզրակացություն

Այս հոդվածում մենք ուսումնասիրեցինք, թե ինչպես կարելի է իրականացնել AI-ով աշխատող DevOps խողովակաշարեր՝ օգտագործելով DSPy և LangChain՝ կենտրոնանալով միջադեպերի պրոակտիվ հետաքննության և լուծման վրա՝ օգտագործելով AIOps և RAG մոդելները, և ինտեգրվելով AWS DevOps գործակալին՝ միջադեպերի ավտոմատ հետաքննության համար: Մենք ցույց տվեցինք մի պարզ կոդի օրինակ, որն իրականացնում է RAG մոդելը՝ օգտագործելով DSPy և LangChain, և տրամադրեցինք 5-10 ամենաշատ օգտագործվող հրամանների/հատվածների ցանկը DSPy-ի և LangChain-ի համար: Մենք ներառել ենք նաև արտացոլման օրինակ՝ օգտագործելով Chart.js-ը: Հետևելով այս հոդվածում նկարագրված քայլերին՝ ծրագրավորողները կարող են կառուցել և տեղակայել AI-ով աշխատող DevOps խողովակաշարեր, որոնք հայտնաբերում և լուծում են միջադեպերը ակտիվորեն՝ բարելավելով իրենց ծրագրային համակարգերի ընդհանուր արդյունավետությունն ու հուսալիությունը:

AI-ով աշխատող DevOps խողովակաշարերի կազմակերպում DSPy-ի և LangChain-ի հետ միջադեպերի ակտիվ հետաքննության և լուծման համար