Búðu til LangChain LLM dæmi

Að innleiða Secure-by-Default arkitektúr fyrir gervigreind-knún vefforrit

Kynning

Eftir því sem gervigreindarforrit verða sífellt algengari hefur þörfin fyrir öflugan og öruggan arkitektúr aldrei verið brýnni. Með aukningu á AI-drifnum árásum er nauðsynlegt að innleiða örugga sjálfgefið nálgun sem þolir hugsanlegar ógnir. Í þessari grein munum við kanna hvernig á að sameina örugga opna gagnagrunn Percona við örugga sjálfgefið nálgun Chainguard og samþætta við LangChain fyrir gervigreindarforrit.

Ógnanir við gervigreindarforrit

Vefforrit knúin gervigreind eru viðkvæm fyrir ýmsum ógnum, þar á meðal:

• Gagnaeitrun: Hægt er að vinna með gervigreindarlíkön með því að gefa þeim illgjarn gögn, sem leiðir til rangra spár eða ákvarðana.
• Model Inversion: Árásarmenn geta ályktað um viðkvæmar upplýsingar um gervigreindarlíkanið eða þjálfunargögn þess.
• Andstæðrar árásir: Gervigreindarlíkön geta verið blekkt með vandlega útfærðum inntakum sem eru hönnuð til að villa um fyrir líkaninu.

Secure-by-Default Architecture

Til að draga úr þessum ógnum munum við innleiða öruggan sjálfgefinn arkitektúr sem sameinar örugga opna gagnagrunn Percona við örugga sjálfgefið nálgun Chainguard og samþættist LangChain fyrir gervigreindarforrit.

Öruggur opinn gagnagrunnur Percona

Percona býður upp á úrval af öruggum opnum gagnagrunnum, þar á meðal Percona Server fyrir MySQL og Percona Server fyrir PostgreSQL. Þessir gagnagrunnar bjóða upp á öfluga öryggiseiginleika, svo sem:

• Dulkóðun: Gögn eru dulkóðuð í hvíld og í flutningi, sem tryggir að viðkvæmar upplýsingar haldist trúnaðarmál.
• Aðgangsstýring: Fínn aðgangsstýring gerir stjórnendum kleift að takmarka aðgang að viðkvæmum gögnum og tryggja að aðeins viðurkennt starfsfólk geti breytt eða eytt gögnum.
• ** Endurskoðun**: Ítarleg endurskoðunargeta veitir yfirgripsmikla skráningu yfir alla gagnagrunnsvirkni, sem gerir það auðveldara að greina og bregðast við öryggisatvikum.

Örugg aðferð keðjuvarðar

Chainguard býður upp á örugga sjálfgefið nálgun sem tryggir að forrit séu smíðuð með öryggi í huga frá upphafi. Þessi nálgun felur í sér:

• Minstu forréttindi: Forrit eru hönnuð til að keyra með minnstu forréttindum sem nauðsynleg eru til að framkvæma störf sín og draga úr árásaryfirborðinu.
• Óbreytanleg innviði: Innviðir eru hannaðir til að vera óbreytanlegir, sem gerir það auðveldara að greina og bregðast við öryggisatvikum.
• Örugg stilling: Forrit eru stillt með öryggi í huga, þar á meðal öruggar sjálfgefnar stillingar og lágmarksstillingar.

Langkeðjusamþætting

LangChain er Python bókasafn sem veitir einfalt og leiðandi API til að byggja upp gervigreindarforrit. Við munum samþætta LangChain með öruggum opnum gagnagrunnum Percona og örugga sjálfgefnu nálgun Chainguard til að búa til öflugan og öruggan arkitektúr.

Kóðadæmi

Hér er einfalt kóðadæmi sem sýnir hvernig á að samþætta LangChain við örugga opna gagnagrunna Percona og örugga sjálfgefnu nálgun Chainguard:

flytja inn langkeðju
frá langchain import LLM


llm = LLM(
    model_name="davinci:2-large",
    device="cuda",
    max_tokens=1024,
)

# Búðu til Percona gagnagrunnstengingu
flytja inn mysql.tengi
cnx = mysql.connector.connect(
    user='notendanafn',
    password='lykilorð',
    host='127.0.0.1',
    gagnagrunnur='gagnagrunnur'
)

# Búðu til Chainguard örugga stillingu
flytja inn keðjuvörn
cfg = chainguard.Config(
    app_name="my_app",
    app_version="1.0",
    env_vars={
        "DB_HOST": "127.0.0.1",
        "DB_USER": "notendanafn",
        "DB_PASSWORD": "lykilorð",
    },
)

# Notaðu LangChain til að spyrjast fyrir um gagnagrunninn
query = "VELJA * ÚR töflunni minni"
niðurstaða = llm.query(query, db=cnx, cfg=cfg)

# Prentaðu niðurstöðuna
prenta (niðurstaða)

Þetta kóðadæmi sýnir hvernig á að búa til LangChain LLM tilvik, tengjast Percona gagnagrunni og búa til Chainguard örugga uppsetningu. Það notar síðan LangChain til að spyrjast fyrir um gagnagrunninn og prenta niðurstöðuna.

Top 5-10 mest notuðu skipanir/bútar

Hér eru 5-10 mest notuðu skipanir/bútar fyrir þessa tækni:

1. langchain.LLM(model_name="davinci:2-large", device="cuda", max_tokens=1024) - Búðu til LangChain LLM tilvik.
2. mysql.connector.connect(user='notandanafn', lykilorð='password', host='127.0.0.1', database='gagnagrunnur') - Búðu til Percona gagnagrunnstengingu.
3. chainguard.Config(app_name="my_app", app_version="1.0", env_vars={"DB_HOST": "127.0.0.1", "DB_USER": "notendanafn", "DB_PASSWORD": "lykilorð"}) - Búðu til Chainguard örugga stillingu.
4. llm.query(query, db=cnx, cfg=cfg) - Notaðu LangChain til að spyrjast fyrir um gagnagrunninn.
5. print(result) - Prentaðu niðurstöðu fyrirspurnarinnar.
6. flytja inn langchain - Flytja inn LangChain bókasafnið.
7. flytja inn mysql.connector - Flytja inn Percona gagnagrunnstengilinn.
8. Import chainguard - Flyttu inn Chainguard bókasafnið.
9. llm = LLM() - Búðu til LangChain LLM tilvik án þess að tilgreina líkan.
10. cnx = mysql.connector.connect() - Búðu til Percona gagnagrunnstengingu án þess að tilgreina gagnagrunn.

Sjónræn

Hér er mynd af öruggum sjálfgefnu arkitektúr með Chart.js:

{
  "type": "bar",
  "gögn": {
    "labels": ["Percona Database", "Chainguard Secure Configuration", "LangChain LLM"],
    "gagnasett": [
      {
        "label": "Öryggiseiginleikar",
        "gögn": [10, 8, 12],
        "bakgrunnslitur": ["#FF6384", "#36A2EB", "#FFCE56"]
      }
    ]
  },
  "valkostir": {
    "titill": {
      "display": satt,
      "text": "Secure-by-Default arkitektúr"
    },
    "vog": {
      "yAxes": [
        {
          "tikkar": {
            "beginAtZero": satt
          }
        }
      ]
    }
  }
}

Þessi sjónmynd sýnir öryggiseiginleikana í öruggum opnum gagnagrunnum Percona, örugga sjálfgefnu nálgun Chainguard og LLM LangChain.

Niðurstaða

Að innleiða öruggan sjálfgefinn arkitektúr fyrir gervigreindarforrit er afar mikilvægt í ógnarlandslagi nútímans. Með því að sameina örugga opna gagnagrunna Percona við örugga sjálfgefið nálgun Chainguard og samþætta við LangChain, getum við búið til öflugan og öruggan arkitektúr sem þolir hugsanlegar gervigreindar-drifnar árásir. Þessi grein hefur veitt hagnýta leiðbeiningar um hvernig á að innleiða þennan arkitektúr, þar á meðal kóðadæmi og sjónmyndir.