Giriş

Döwrebap programma üpjünçilik ulgamlarynyň günsaýyn ösýän çylşyrymlylygy, wakalaryň ýygylygynyň we agyrlygynyň ýokarlanmagyna sebäp boldy, hadysalary derňemek we çözmek DevOps-yň möhüm tarapyna öwrüldi. Emeli intellekt (AI) we maşyn öwrenmek (ML), DevOps turbageçirijilerini ösdürmek üçin güýçli gural hökmünde ýüze çykdy, AI bilen dolandyrylýan awtomatlaşdyryş we orkestr, işe täsir etmezden wakalary ýüze çykarmaga we çözmäge mümkinçilik berýär. Bu makalada, AIOps we RAG modellerini ulanyp, wakalary işjeň derňemek we çözmek we AWS DevOps Agent bilen awtomatiki hadysalary derňemek üçin DSPy we LangChain ulanyp, AI bilen işleýän DevOps turbageçirijilerini nädip durmuşa geçirmelidigini öwreneris.

DSPy we LangChain hakda umumy syn

DSPy, AI bilen işleýän DevOps turbageçirijilerini gurmagyň we ýerleşdirmegiň ýönekeý we täsirli usulyny üpjün edýän Python kitaphanasydyr. Döredijilere dürli AI we ML modellerini, şol sanda tebigy dili gaýtadan işlemek (NLP), kompýuter görmek we çaklaýyş analitikasy ýaly DevOps turbageçirijilerine birleşdirmäge mümkinçilik berýär. LangChain, beýleki tarapdan, modully we ulaldylan arhitekturany ulanyp, uly göwrümli AI modellerini gurmaga we ýerleşdirmäge mümkinçilik berýän Python kitaphanasydyr.

DSPy we LangChain bilen AI bilen işleýän DevOps turbageçirijilerini durmuşa geçirmek

DSPy we LangChain bilen AI bilen işleýän DevOps turbageçirijilerini durmuşa geçirmek üçin şu ädimleri ýerine ýetirmeli:

1. ** Maglumat ýygnamak **: surnallar, ölçegler we konfigurasiýa faýllary ýaly dürli çeşmelerden degişli maglumatlary ýygnaň.
2. ** Maglumatlary gaýtadan işlemek **: collectedygnalan maglumatlary derňemek we modellemek üçin taýýarlamak üçin gaýtadan işläň.
3. ** Model okuw **: AI we ML modellerini hadysalary ýüze çykarmak we çaklamak üçin öňünden işlenen maglumatlary ulanyp öwrediň.
4. ** Model ýerleşdiriş **: DSPy we LangChain ulanyp, taýýarlanan modelleri DevOps turbageçirijisine ýerleşdiriň.
5. ** Waka derňewi **: Wakalary derňemek we düýp sebäplerini kesgitlemek üçin ýerleşdirilen modelleri ulanyň.
6. ** Waka çözgüdi **: Waka derňewinden alnan düşünjeleri wakalary işjeň çözmek üçin ulanyň.

Kod mysaly: DSPy we LangChain bilen ýönekeý RAG modelini durmuşa geçirmek

Ine, DSPy we LangChain ulanyp, RAG (Root Cause Analysis) modelini nädip durmuşa geçirmelidigini görkezýän ýönekeý kod mysaly: `` piton dspy import et langchain importyndan LLMChain

Öňünden işlenen maglumatlary ýükläň

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

RAG modelini kesgitläň

rag_model = dspy.RAGModel ( input_feature = ["log_level", "error_message"], çykyş_feature = ["root_cause"] )

RAG modelini öwrediň

rag_model.train (maglumatlar)

RAG modelini ýerleşdiriň

llm_chain = LLMChain ( model = "davinci: 002", max_length = 2048 ) rag_model.deploy (llm_chain)

Wakalary derňemek üçin ýerleşdirilen RAG modelini ulanyň

waka_data = pd.DataFrame ({ "log_level": ["RALRYŞLYK"], "error_message": ["Bir zat nädogry boldy"] }) root_cause = rag_model.predict (waka_data) çap et (root_cause) `` Bu kod mysaly, DSPy we LangChain ulanyp, ýönekeý RAG modelini nädip durmuşa geçirmelidigini görkezýär. RAG modeli giriş aýratynlyklary hökmünde ýalňyşlyk derejesini we ýalňyşlyk habaryny alýar we wakanyň düýp sebäbini çaklaýar.

Iň köp ulanylýan buýruklar / bölekler

DSPy we LangChain üçin iň köp ulanylýan 5-10 buýruk / bölek:

1. "Dspy.RAGModel (giriş_feature, çykyş_feature)": Görkezilen giriş we çykyş aýratynlyklary bilen RAG modelini kesgitläň.
2. "Dspy.RAGModel.train (maglumatlar)": Berlen maglumatlary ulanyp RAG modelini öwrediň.
3. "Dspy.RAGModel.deploy (llm_chain)": LangChain LLMChain ulanyp, tälim berlen RAG modelini ýerleşdiriň.
4. "Llm_chain = LLMChain (model, max_length)": Görkezilen model we iň uzynlygy bolan LangChain LLMChain dörediň.
5. "Rag_model.predict (maglumatlar)": Wakanyň düýp sebäbini çaklamak üçin ýerleşdirilen RAG modelini ulanyň.
6. "Dspy.DataPreprocessor (input_data)": DSPy ulanyp, maglumatlary gaýtadan işleýän turbageçirijini kesgitläň.
7. "Dspy.ModelTrainer (model, maglumatlar)": DSPy ulanyp AI ýa-da ML modelini öwrediň.
8. "Dspy.ModelDeployer (model, llm_chain)": DSPy we LangChain ulanyp, taýýarlanan modeli ýerleşdiriň.
9. "Langchain.LLMChain.predict (input_data)": Modeliň çykyşyny çaklamak üçin LangChain LLMChain ulanyň.
10. "Dspy.RAGModel.evaluate (maglumatlar)": DSPy ulanyp, RAG modeliniň işine baha beriň.

Görkeziş

Ine, Chart.js ulanyp wizuallaşdyrmagyň mysaly: json { "tip": "bar", "maglumatlar": { "bellikler": ["Waka görnüşi A", "B hadysanyň görnüşi", "Waka görnüşi C"], "maglumat bazalary": [ { "bellik": "Kök sebäp A", "maglumatlar": [10, 15, 7], "backgroundColor": "rgba (255, 99, 132, 0.2)", "borderColor": "rgba (255, 99, 132, 1)", "borderWidth": 1 }, { "bellik": "Kök sebäp B", "maglumatlar": [8, 12, 9], "backgroundColor": "rgba (54, 162, 235, 0.2)", "borderColor": "rgba (54, 162, 235, 1)", "borderWidth": 1 }, { "bellik": "Kök sebäp C", "maglumatlar": [14, 18, 11], "backgroundColor": "rgba (255, 206, 86, 0.2)", "borderColor": "rgba (255, 206, 86, 1)", "borderWidth": 1 } ] }, "opsiýalar": { "title": { "görkezmek": dogry, "text": "Kök sebäbiniň derňewi" }, "terezisi": { "yAxes": [ { "bellikler": { "startAtZero": dogry } } ] } } } Bu şekillendiriş, dürli hadysalaryň görnüşleriniň düýp sebäpleriniň paýlanyşyny görkezýär.

Netije

Bu makalada, AIOps we RAG modellerini ulanyp, hadysalary derňemek we çözmek we AWS DevOps Agent bilen awtomatiki hadysalary derňemek üçin DSPy we LangChain ulanyp, AI bilen işleýän DevOps turbageçirijilerini nädip durmuşa geçirmelidigini öwrendik. DSPy we LangChain ulanyp, RAG modelini ýerine ýetirýän ýönekeý kod mysalyny görkezdik we DSPy we LangChain üçin iň köp ulanylýan 5-10 buýruk / bölekleriň sanawyny hödürledik. Şeýle hem, Chart.js ulanyp, wizuallaşdyrma mysalyny goşduk. Bu makalada görkezilen ädimleri ýerine ýetirmek bilen, döredijiler programma üpjünçilik ulgamlarynyň umumy netijeliligini we ygtybarlylygyny ýokarlandyryp, hadysalary anyk kesgitleýän we çözýän AI bilen işleýän DevOps turbageçirijilerini gurup we ýerleşdirip bilerler.