Dirbtinio intelekto valdomų „DevOps“ vamzdynų suderinimas su DSPy ir „LangChain“, kad būtų pagerintas programinės įrangos pristatymas

** Dirbtinio intelekto valdomų „DevOps“ vamzdynų suderinimas su DSPy ir „LangChain“, kad būtų pagerintas programinės įrangos pristatymas**

Dirbtinio intelekto (DI), „DevOps“ ir programinės įrangos inžinerijos sankirta sukėlė naują programinės įrangos tiekimo vamzdynų paradigmą. Dirbtinio intelekto valdomi „DevOps“ įrankiai, automatizavimas ir orkestravimas pakeitė programinės įrangos kūrimo, testavimo ir diegimo būdą. Šiame straipsnyje mes išnagrinėsime AI valdomų „DevOps“ vamzdynų, naudojant DSPy ir „LangChain“, valdymo koncepciją ir kaip tai gali pagerinti programinės įrangos pristatymą.

** Reikia dirbtinio intelekto valdomų kūrėjų**

Tradiciniai „DevOps“ dujotiekiai remiasi rankiniais procesais, scenarijais ir įrankiais, kad automatizuotų užduotis. Tačiau šie vamzdynai dažnai yra trapūs, linkę į klaidas ir reikalauja didelės priežiūros. Kita vertus, dirbtinio intelekto valdomi „DevOps“ įrankiai pasitelkia mašininį mokymąsi ir automatizavimą, kad pagerintų programinės įrangos teikimo efektyvumą, tikslumą ir greitį.

Pristatome DSPy ir LangChain

DSPy yra Python biblioteka, kuri suteikia paprastą ir efektyvų būdą kurti ir organizuoti dirbtinio intelekto valdomus DevOps vamzdynus. Kita vertus, „LangChain“ yra „Python“ biblioteka, kuri suteikia pagrindą pokalbio AI programoms kurti. Šiame straipsnyje mes išnagrinėsime, kaip naudoti DSPy ir LangChain kuriant išsamų dirbtinio intelekto maitinamą „DevOps“ dujotiekį.

** Dirbtinio intelekto maitinamo „DevOps“ vamzdyno su DSPy ir „LangChain“ kūrimas**

Norėdami sukurti AI varomą DevOps dujotiekį su DSPy ir LangChain, turime atlikti šiuos veiksmus:

Apibrėžkite konvejerį: apibrėžkite konvejerį naudodami DSPy konvejerio API. Tai apima užduočių, priklausomybių ir darbo eigos nurodymą.
Pridėti AI pagrįstas užduotis: pridėkite dirbtinio intelekto pagrįstų užduočių prie konvejerio naudodami „LangChain“ pokalbio AI sistemą. Šios užduotys gali apimti tokias užduotis kaip kodo peržiūra, testavimas ir diegimas.
Suorganizuoti konvejerį: suorganizuokite dujotiekį naudodami DSPy orkestravimo API. Tai apima darbo eigos, priklausomybių ir užduočių valdymą.
Stebėkite ir analizuokite: stebėkite ir analizuokite dujotiekį naudodami DSPy stebėjimo ir analizės API.

Kodo pavyzdys: paprasto dirbtinio intelekto maitinamo „DevOps“ vamzdyno kūrimas

Pateikiame kodo bloko pavyzdį, kuriame parodyta, kaip sukurti paprastą AI maitinamą „DevOps“ dujotiekį naudojant DSPy ir „LangChain“.

importuoti dspy
iš langchain importo LLAMA


vamzdynas = dspy.Pipeline(
    užduotys=[
        dspy.Task("code_review", "review_code"),
        dspy.Task("testavimas", "paleisti_testus"),
        dspy.Task("diegimas", "diegimo_programa")
    ],
    priklausomybės=[
        ("code_review", "testing"),
        („testavimas“, „diegimas“)
    ]
)

# Pridėkite AI pagrįstas užduotis
lama = LLAMA ()
pipeline.add_task("code_review", lama.review_code)
pipeline.add_task("testavimas", llama.run_tests)
pipeline.add_task("diegimas", llama.deploy_app)

# Sureguliuokite dujotiekį
orkestrantas = dspy.Orchestrator(pipeline)
orchestrator.run()

# Stebėkite ir analizuokite dujotiekį
monitorius = dspy.Monitor(pipeline)
monitor.analyze()

Šis kodo blokas apibrėžia paprastą konvejerį su trimis užduotimis: kodo peržiūra, testavimas ir diegimas. Dujotiekis naudoja „LangChain“ LLAMA modelį, kad atliktų dirbtinio intelekto užduotis, pvz., kodo peržiūrą, testavimą ir diegimą.

5–10 dažniausiai naudojamų komandų / fragmentų

Čia yra 5–10 dažniausiai naudojamų DSPy ir LangChain komandų / fragmentų:

dspy.Pipeline(tasks=[...]): apibrėžkite konvejerį su užduotimis ir priklausomybėmis.
pipeline.add_task(užduoties_pavadinimas, užduoties_funkcija): pridėkite DI valdomą užduotį prie dujotiekio.
orchestrator = dspy.Orchestrator(pipeline): orkestruoti dujotiekį.
„orchestrator.run()“: paleiskite konvejerį.
„Monitor = dspy.Monitor(pipeline)“: Stebėkite konvejerį.
"Monitor.analyze()": analizuokite dujotiekį.
„Lama = LLAMA()“: inicijuokite LLAMA modelį.
„llama.review_code()“: atlikite kodo peržiūrą naudodami LLAMA modelį.
„llama.run_tests()“: atlikite testavimą naudodami LLAMA modelį.
„llama.deploy_app()“: vykdykite diegimą naudodami LLAMA modelį.

Vizualizacija

Čia yra AI maitinamo „DevOps“ dujotiekio vizualizacija naudojant Chart.js:

{
  "tipas": "juosta",
  "duomenys": {
    "labels": ["Kodo peržiūra", "Testavimas", "Diegimas"],
    "duomenų rinkiniai": [
      {
        "label": "Vamzdynas",
        "duomenys": [10, 20, 30],
        "backgroundColor": "rgba(255, 99, 132, 0.2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      }
    ]
  },
  "parinktys": {
    "pavadinimas": {
      "display": tiesa,
      "text": "AI maitinamas "DevOps Pipeline"
    },
    "svarstyklės": {
      „yAxes“: [
        {
          "erkės": {
            "beginAtZero": tiesa
          }
        }
      ]
    }
  }
}

Ši vizualizacija parodo konvejerį su trimis užduotimis: kodo peržiūra, testavimas ir diegimas. Dujotiekis pavaizduotas juostinėje diagramoje, o x ašis reiškia užduotis, o y ašis – laiką, skirtą kiekvienai užduočiai atlikti.

Išvada

Šiame straipsnyje mes ištyrėme AI valdomų „DevOps“ vamzdynų, naudojant DSPy ir „LangChain“, organizavimo koncepciją. Parodėme, kaip sukurti paprastą dirbtinio intelekto „DevOps“ dujotiekį naudojant DSPy ir „LangChain“, ir pateikėme dujotiekio vizualizaciją naudodami Chart.js. Taip pat pateikėme 5–10 dažniausiai naudojamų DSPy ir LangChain komandų / fragmentų sąrašą. Naudodami dirbtinio intelekto „DevOps“ įrankius, automatizavimą ir orkestravimą, galime patobulinti programinės įrangos tiekimo vamzdynus ir sumažinti laiką bei pastangas, kurių reikia norint sukurti, išbandyti ir įdiegti programinę įrangą.

Ateities darbas

Būsimas darbas apima:

Integravimas su kitais dirbtinio intelekto „DevOps“ įrankiais: integruokite DSPy ir „LangChain“ su kitais dirbtiniu intelektu maitinamais „DevOps“ įrankiais, kad pagerintumėte programinės įrangos tiekimo vamzdynų efektyvumą ir tikslumą.
Patobulinti konvejerinę API: patobulinkite konvejerio API, kad ji būtų efektyvesnė ir lengviau naudojama.
Pridėkite daugiau dirbtinio intelekto užduočių: pridėkite daugiau dirbtiniu intelektu pagrįstų užduočių, kad pagerintumėte programinės įrangos tiekimo vamzdynų efektyvumą ir tikslumą.
Suteikite daugiau vizualizavimo parinkčių: pateikite daugiau vizualizacijos parinkčių, kad naudotojai suprastų dujotiekį ir jo veikimą.

Tęsdami DSPy ir LangChain tobulinimą ir plėtrą, galime toliau tobulinti programinės įrangos tiekimo vamzdynus ir sumažinti laiką bei pastangas, kurių reikia programinei įrangai kurti, išbandyti ir įdiegti.

Dirbtinio intelekto valdomų „DevOps“ vamzdynų suderinimas su DSPy ir „LangChain“, kad būtų pagerintas programinės įrangos pristatymas

Have Questions?