Skipuleggja gervigreindarknúnar DevOps leiðslur með DSPy og LangChain fyrir fyrirbyggjandi atviksrannsókn og úrlausn

Inngangur

Sívaxandi flókið nútíma hugbúnaðarkerfa hefur leitt til aukinnar tíðni og alvarleika atvika, sem gerir frumkvæði atvikarannsókn og úrlausn mikilvægan þátt DevOps. Gervigreind (AI) og vélanám (ML) hafa komið fram sem öflug tæki til að bæta DevOps leiðslur, sem gerir gervigreindardrifinni sjálfvirkni og hljómsveitarstjórn kleift að greina og leysa atvik áður en þau hafa áhrif á fyrirtækið. Í þessari grein munum við kanna hvernig á að innleiða AI-knúnar DevOps leiðslur með DSPy og LangChain, með áherslu á fyrirbyggjandi atviksrannsókn og úrlausn með því að nota AIOps og RAG módel, og samþættingu við AWS DevOps Agent fyrir sjálfvirka atviksrannsókn.

Yfirlit yfir DSPy og LangChain

DSPy er Python bókasafn sem veitir einfalda og skilvirka leið til að byggja og dreifa gervigreindarknúnum DevOps leiðslum. Það gerir forriturum kleift að samþætta ýmis gervigreind og ML líkön, þar á meðal náttúrulega málvinnslu (NLP), tölvusjón og forspárgreiningar, í DevOps leiðslur sínar. LangChain, aftur á móti, er Python bókasafn sem gerir forriturum kleift að smíða og dreifa stórfelldum gervigreindum líkönum með því að nota mát og stigstærð arkitektúr.

Innleiðing á gervigreindarknúnum DevOps leiðslum með DSPy og LangChain

Til að innleiða gervigreind-knúnar DevOps leiðslur með DSPy og LangChain þurfum við að fylgja þessum skrefum:

Gagnasöfnun: Safnaðu viðeigandi gögnum frá ýmsum aðilum, svo sem annálum, mælingum og stillingarskrám.
Forvinnsla gagna: Forvinnsla gagna sem safnað er til að undirbúa þau fyrir greiningu og líkanagerð.
Módelþjálfun: Þjálfðu gervigreind og ML líkön með því að nota forunnin gögnin til að greina og spá fyrir um atvik.
Model Deployment: Settu þjálfuðu módelin inn í DevOps leiðsluna með því að nota DSPy og LangChain.
Rannsókn atvika: Notaðu líkönin sem notuð eru til að rannsaka atvik og greina undirrót.
Aðvikaúrlausn: Notaðu innsýn sem fæst við atviksrannsókn til að leysa atvik með fyrirbyggjandi hætti.

Dæmi um kóða: Innleiðing á einföldu RAG líkani með DSPy og LangChain

Hér er einfalt kóðadæmi sem sýnir hvernig á að útfæra RAG (Root Cause Analysis) líkan með því að nota DSPy og LangChain:

flytja inn dspy
frá langchain import LLMChain

# Hladdu forunnin gögnin
gögn = pd.read_csv("gögn.csv")

# Skilgreindu RAG líkanið
rag_model = dspy.RAGModel(
    input_features=["log_level", "error_message"],
    output_features=["root_cause"]
)

# Þjálfa RAG líkanið
rag_model.train(gögn)

# Settu upp RAG líkanið
llm_chain = LLMChain(
    model="davinci:002",
    hámarkslengd=2048
)
rag_model.deploy(llm_chain)

# Notaðu RAG líkanið til að rannsaka atvik
incident_data = pd.DataFrame({
    "log_level": ["VILLA"],
    "error_message": ["Eitthvað fór úrskeiðis"]
})
root_cause = rag_model.predict(atviksgögn)
print(root_cause)

Þetta kóðadæmi sýnir hvernig á að útfæra einfalt RAG líkan með DSPy og LangChain. RAG líkanið tekur skráningarstig og villuboð sem inntakseiginleika og spáir fyrir um undirrót atviksins.

Topp 5-10 mest notuðu skipanir/bútar

Hér eru 5-10 mest notuðu skipanirnar/bútarnir fyrir DSPy og LangChain:

dspy.RAGModel(input_features, output_features): Skilgreindu RAG líkan með tilgreindum inn- og úttakseiginleikum.
dspy.RAGModel.train(data): Þjálfa RAG líkan með því að nota tilgreind gögn.
dspy.RAGModel.deploy(llm_chain): Settu upp þjálfað RAG líkan með LangChain LLMChain.
llm_chain = LLMChain(model, max_length): Búðu til LangChain LLMChain með tilgreindu líkani og hámarkslengd.
rag_model.predict(data): Notaðu RAG líkan til að spá fyrir um rót atviks.
dspy.DataPreprocessor(input_data): Skilgreindu gagnaforvinnsluleiðslu með DSPy.
dspy.ModelTrainer(líkan, gögn): Þjálfa gervigreind eða ML líkan með DSPy.
dspy.ModelDeployer(model, llm_chain): Settu upp þjálfað líkan með því að nota DSPy og LangChain.
langchain.LLMCain.predict(input_data): Notaðu LangChain LLMChain til að spá fyrir um úttak líkans.
dspy.RAGModel.evaluate(data): Metið árangur RAG líkans með því að nota DSPy.

Sjónræn

Hér er dæmi um sjónmynd sem notar Chart.js:

{
  "type": "bar",
  "gögn": {
    "labels": ["Atvik Tegund A", "Atvik Tegund B", "Atvik Tegund C"],
    "gagnasett": [
      {
        "label": "Rót orsök A",
        "gögn": [10, 15, 7],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      },
      {
        "label": "Rót orsök B",
        "gögn": [8, 12, 9],
        "backgroundColor": "rgba(54, 162, 235, 0.2)",
        "borderColor": "rgba(54, 162, 235, 1)",
        "borderWidth": 1
      },
      {
        "label": "Róstur C",
        "gögn": [14, 18, 11],
        "backgroundColor": "rgba(255, 206, 86, 0.2)",
        "borderColor": "rgba(255, 206, 86, 1)",
        "borderWidth": 1
      }
    ]
  },
  "valkostir": {
    "titill": {
      "display": satt,
      "text": "Grunn á rótum"
    },
    "vog": {
      "yAxes": [
        {
          "tikkar": {
            "beginAtZero": satt
          }
        }
      ]
    }
  }
}

Þessi sjónmynd sýnir dreifingu undirróta fyrir mismunandi gerðir atvika.

Niðurstaða

Í þessari grein könnuðum við hvernig á að innleiða gervigreindarknúnar DevOps leiðslur með DSPy og LangChain, með áherslu á fyrirbyggjandi atviksrannsókn og úrlausn með því að nota AIOps og RAG módel, og samþættingu við AWS DevOps Agent fyrir sjálfvirka atviksrannsókn. Við sýndum einfalt kóðadæmi sem útfærir RAG líkan með DSPy og LangChain og útveguðum lista yfir 5-10 mest notuðu skipanir/búta fyrir DSPy og LangChain. Við settum líka inn myndsýnisdæmi með því að nota Chart.js. Með því að fylgja skrefunum sem lýst er í þessari grein geta verktaki smíðað og dreift gervigreindarknúnum DevOps leiðslum sem greina og leysa atvik með fyrirbyggjandi hætti og bæta heildar skilvirkni og áreiðanleika hugbúnaðarkerfa sinna.