Գործակալական AI-ի կազմակերպում DevOps խողովակաշարերում DSPy-ի և LangChain-ի միջոցով ընդլայնված ZeroOps-ի համար

Ներածություն

Արհեստական ինտելեկտի (AI) ինտեգրումը DevOps խողովակաշարերում հեղափոխել է ծրագրակազմի մշակման, փորձարկման և տեղակայման եղանակը: Agentic AI-ն՝ AI-ի ենթաբազմություն, որը հնարավորություն է տալիս ինքնուրույն որոշումներ կայացնել և գործողություններ ձեռնարկել, ունի ներուժ՝ հետագայում բարձրացնելու DevOps գործընթացների արդյունավետությունն ու արդյունավետությունը: Այս հոդվածում մենք կուսումնասիրենք DSPy-ի և LangChain-ի միջոցով DevOps խողովակաշարերում գործակալական AI-ի կազմակերպման հայեցակարգը և կքննարկենք այս մոտեցման առավելությունները ZeroOps-ին հասնելու համար:

Ի՞նչ է Agentic AI-ն:

Agentic AI-ն վերաբերում է AI-ի մի տեսակին, որն օժտված է ինքնուրույն որոշումներ կայացնելու և գործողություններ կատարելու կարողություն՝ առանց մարդու միջամտության: Սա ձեռք է բերվում առաջադեմ մեքենայական ուսուցման ալգորիթմների, բնական լեզվի մշակման և ճանաչողական ճարտարապետությունների կիրառմամբ: Գործակալական AI համակարգերը կարող են սովորել փորձից, հարմարվել նոր իրավիճակներին և շփվել մարդկանց հետ ավելի բնական և ինտուիտիվ ձևով:

Ի՞նչ է ZeroOps-ը:

ZeroOps-ը DevOps-ի փիլիսոփայություն է, որի նպատակն է վերացնել մարդկային միջամտության անհրաժեշտությունը ծրագրային ապահովման մշակման, տեղակայման և պահպանման գործում: Սա ձեռք է բերվում ավտոմատացման, նվագախմբի և AI-ի վրա հիմնված որոշումների կայացման միջոցով: ZeroOps-ը կազմակերպություններին հնարավորություն է տալիս ավելի արագ, ավելի բարձր որակով և ավելի ցածր ծախսերով ծրագրային ապահովում տեղակայել:

Գործակալական AI-ի կազմակերպում DevOps Pipelines-ում

DevOps խողովակաշարերում գործակալական AI-ն կազմակերպելու համար մենք պետք է ինտեգրենք AI-ի վրա հիմնված որոշումների կայացումը և գործողությունների կատարումը խողովակաշարի մեջ: Դրան կարելի է հասնել DSPy-ի և LangChain-ի օգտագործման միջոցով՝ երկու հանրաճանաչ շրջանակներ՝ AI-ի վրա հիմնված հավելվածներ ստեղծելու և տեղակայելու համար:

DSPy

DSPy-ը Python-ի շրջանակ է՝ AI-ի վրա հիմնված հավելվածներ ստեղծելու և տեղակայելու համար: Այն տրամադրում է մի շարք գործիքներ և գրադարաններ տվյալների մշակման, մեքենայական ուսուցման և բնական լեզվի մշակման համար: DSPy-ը նախագծված է անխափան աշխատելու հայտնի շրջանակների հետ, ինչպիսիք են LangChain-ը և FastAPI-ը:

LangChain

LangChain-ը Python-ի շրջանակ է՝ AI-ի վրա հիմնված հավելվածներ ստեղծելու և տեղակայելու համար: Այն ապահովում է մի շարք գործիքներ և գրադարաններ բնական լեզվի մշակման, մեքենայական ուսուցման և ճանաչողական ճարտարապետության համար: LangChain-ը նախատեսված է անխափան աշխատելու հանրաճանաչ շրջանակների հետ, ինչպիսիք են DSPy-ը և FastAPI-ը:

Տեխնիկական իրականացում

DSPy-ի և LangChain-ի միջոցով DevOps խողովակաշարերում խմբավորման գործակալական AI-ի տեխնիկական իրականացումը ցուցադրելու համար եկեք դիտարկենք մի պարզ օրինակ: Ենթադրենք, որ մենք ցանկանում ենք ավտոմատացնել վեբ հավելվածի տեղակայումը DevOps խողովակաշարի միջոցով: Մենք կարող ենք օգտագործել DSPy-ը՝ AI-ի վրա հիմնված որոշումների կայացման համակարգ ստեղծելու համար, որը որոշում է տեղակայման օպտիմալ ռազմավարությունը՝ հիմնվելով այնպիսի գործոնների վրա, ինչպիսիք են հավելվածի կատարումը, օգտատերերի կարծիքը և համակարգի ռեսուրսները:

«Պիթոն». ներմուծել dspy langchain import LLM-ից

def deployment_strategy (app_performance, user_feedback, system_resources): # Օգտագործեք DSPy տվյալները մշակելու և որոշումներ կայացնելու համար data = dspy.Data (app_performance, user_feedback, system_resources) որոշում = dspy.DecisionMaker(տվյալներ)

# Օգտագործեք LangChain-ը՝ տեղակայման պլան ստեղծելու համար
llm = LLM ("text-davinci-003")
plan = llm.generate_text(f"Տեղակայել {app_performance}-ը {user_feedback} և {system_resources} ռեսուրսներով")

վերադարձի պլան

Սահմանեք DevOps խողովակաշարը

def pipeline (app_performance, user_feedback, system_resources): # Օգտագործեք DSPy խողովակաշարը կազմակերպելու համար խողովակաշար = dspy.Pipeline() pipeline.add_task(deployment_strategy, app_performance, user_feedback, system_resources) pipeline.add_task(dspytasks.Deploy, plan)

# Գործարկել խողովակաշարը
pipeline.run()

Գործարկել խողովակաշարը

խողովակաշար (90, 4.5, 80)

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

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

1. «dspy.Data()»: Ստեղծում է տվյալների օբյեկտ մշակման և որոշումների կայացման համար:
2. «dspy.DecisionMaker()»: որոշումներ է կայացնում տվյալների և համատեքստի հիման վրա:
3. «LLM.generate_text()»: Ստեղծում է տեքստ՝ հիմնված մուտքագրման հուշումների վրա:
4. `dspytasks.Deploy()`` տեղակայում է հավելված` հիմնված տեղակայման պլանի վրա:
5. «dspy.Pipeline()»: Կազմակերպում է DevOps խողովակաշարը:
6. «pipeline.add_task()»: Ավելացնում է առաջադրանք խողովակաշարին:
7. «pipeline.run()»: Գործարկում է խողովակաշարը:
8. «dspy.Data.process()»: Մշակում է տվյալները որոշումների կայացման համար:
9. `dspy.DecisionMaker.decide()`` որոշում է կայացնում տվյալների և համատեքստի հիման վրա:
10. «LLM.generate_text(prompt)»: Ստեղծում է տեքստ՝ հիմնված մուտքագրման հուշումների վրա:

**Վիզուալիզացիա**

Ահա AI-ի վրա հիմնված DevOps խողովակաշարի վիզուալիզացիան՝ օգտագործելով Chart.js.
```ջսոն
{
  «տեսակ»՝ «բար»,
  "տվյալներ": {
    «պիտակներ»՝ [«Տվյալների մշակում», «Որոշումների կայացում», «Տեղակայում»],
    «տվյալների հավաքածուներ»:
      {
        «պիտակ»: «Գործակալական AI»,
        «տվյալներ»: [10, 20, 30],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        «սահմանի լայնություն»՝ 1
      }
    ]
  },
  «Ընտրանքներ»: {
    «կշեռքներ»: {
      «yAxes»:
        {
          "ticks": {
            «beginAtZero»: ճիշտ է
          }
        }
      ]
    }
  }
}

Այս վիզուալիզացիան ցույց է տալիս գործակալական AI-ի վրա հիմնված DevOps խողովակաշարի երեք փուլերը՝ տվյալների մշակում, որոշումների կայացում և տեղակայում:

Եզրակացություն

Այս հոդվածում մենք ուսումնասիրեցինք DSPy-ի և LangChain-ի միջոցով DevOps խողովակաշարերում գործակալական AI-ի կազմակերպման հայեցակարգը: Մենք ցույց տվեցինք պարզ օրինակ, թե ինչպես կարելի է ավտոմատացնել վեբ հավելվածի տեղակայումը՝ օգտագործելով AI-ի վրա հիմնված որոշումների կայացման համակարգը: Մենք նաև տրամադրեցինք AI-ի վրա հիմնված DevOps խողովակաշարի վիզուալիզացիա՝ օգտագործելով Chart.js: Գործակալական AI-ն DevOps խողովակաշարերում ինտեգրելով՝ կազմակերպությունները կարող են հասնել ZeroOps-ին և ծրագրային ապահովում ավելի արագ, բարձր որակով և ավելի ցածր գնով տեղակայել: