ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ପାଇଁ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏବଂ ଷ୍ଟାକଜେନ୍ ସହିତ AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ବିକାଶର ଅର୍କେଷ୍ଟ୍ରିଂ

ପରିଚୟ

ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ର ବୃଦ୍ଧି ଏବଂ ସ୍ୱୟଂଚାଳିତ ସଫ୍ଟୱେର୍ ବିକାଶ ଦୃଶ୍ୟପଟରେ ପରିବର୍ତ୍ତନ ଆଣିଛି | ଆଧୁନିକ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମର ଜଟିଳତା ସହିତ, ଦକ୍ଷ ଏବଂ ପ୍ରଭାବଶାଳୀ ଘଟଣାର ଅନୁସନ୍ଧାନ ଏବଂ ସମାଧାନର ଆବଶ୍ୟକତା ପୂର୍ବାପେକ୍ଷା ଅଧିକ ଚାପଗ୍ରସ୍ତ ହୋଇଛି | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ବ୍ୟବହାର କରି ଘଟଣାର ଅନୁସନ୍ଧାନ ଏବଂ ସମାଧାନକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଦୁଇଟି ଶକ୍ତିଶାଳୀ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ଲ୍ୟାଙ୍ଗଚେନ ଏବଂ ଷ୍ଟାକଗେନ ବ୍ୟବହାର କରିବାର ସମ୍ଭାବନା ଅନୁସନ୍ଧାନ କରିବୁ | ଆମେ ମଧ୍ୟ AWS DevOps ଏଜେଣ୍ଟ ଏବଂ କ୍ଲାଉଡ୍ ଏଜେଣ୍ଟଗୁଡିକର ବ୍ୟବହାର ବିଷୟରେ ଅନୁଧ୍ୟାନ କରିବୁ ଏବଂ DevOps ଦଳଗୁଡ଼ିକୁ AI ଚାଳିତ ଅଟୋମେସନ୍ ସହିତ ବଦଳାଇବାର ସମ୍ଭାବନା ପରୀକ୍ଷା କରିବୁ |

ଲାଙ୍ଗ୍ ଚେନ୍ କ’ଣ?

AI ଚାଳିତ ପ୍ରୟୋଗଗୁଡ଼ିକ ନିର୍ମାଣ ପାଇଁ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏକ ମୁକ୍ତ ଉତ୍ସ, ପାଇଥନ୍-ଆଧାରିତ framework ାଞ୍ଚା | ଏହା ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP), ମେସିନ୍ ଲର୍ନିଂ (ML), ଏବଂ ତଥ୍ୟ ବିଜ୍ଞାନ ପାଇଁ ଉପକରଣ ଏବଂ ଲାଇବ୍ରେରୀଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ | ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଡେଭଲପର୍ମାନଙ୍କୁ କଷ୍ଟମ୍ ଏଇ ମଡେଲ୍ ସୃଷ୍ଟି କରିବାକୁ ଏବଂ ସେମାନଙ୍କୁ ବିଭିନ୍ନ ତଥ୍ୟ ଉତ୍ସ ସହିତ ଏକୀକୃତ କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ, ଯାହାକି AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନ ନିର୍ମାଣ ପାଇଁ ଏକ ଆଦର୍ଶ ପସନ୍ଦ କରିଥାଏ |

ଷ୍ଟାକଗେନ୍ କ’ଣ?

କୋଡ୍ (IaC) ଭାବରେ ଭିତ୍ତିଭୂମି ନିର୍ମାଣ ଏବଂ ପରିଚାଳନା ପାଇଁ ଷ୍ଟାକଜେନ୍ ହେଉଛି ଏକ କ୍ଲାଉଡ୍-ଦେଶୀ, ମୁକ୍ତ ଉତ୍ସ ଉପକରଣ | ଭିତ୍ତିଭୂମି ସଂରଚନାକୁ ବ୍ୟାଖ୍ୟା କରିବା ପାଇଁ ଏହା ଏକ ଘୋଷିତ ବାକ୍ୟବିନ୍ୟାସ ପ୍ରଦାନ କରିଥାଏ ଏବଂ କ୍ଲାଉଡ୍ ଉତ୍ସଗୁଡ଼ିକର ନିୟୋଜନ ଏବଂ ପରିଚାଳନାକୁ ସ୍ୱୟଂଚାଳିତ କରିଥାଏ | ଷ୍ଟାକ୍ଜେନ୍ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ସହିତ ନିରବଚ୍ଛିନ୍ନ ଭାବରେ ଏକୀଭୂତ ହୁଏ, ବିକାଶକାରୀଙ୍କୁ AI ଚାଳିତ IaC ପାଇପଲାଇନ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରେ ଯାହା ଘଟଣାର ଅନୁସନ୍ଧାନ ଏବଂ ସମାଧାନକୁ ସ୍ୱୟଂଚାଳିତ କରିଥାଏ |

LangChain ଏବଂ StackGen ସହିତ AI- ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପ୍ରୟୋଗ

LangChain ଏବଂ StackGen ସହିତ AI- ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପ୍ରୟୋଗ କରିବାକୁ, ଆମକୁ ଏହି ପଦକ୍ଷେପଗୁଡିକ ଅନୁସରଣ କରିବାକୁ ପଡିବ:

। ୨। । 4। ** ଏକ କ୍ଲୋଡ୍ ଏଜେଣ୍ଟ୍ ସୃଷ୍ଟି କରନ୍ତୁ **: ଆମେ ଏକ କ୍ଲାଉଡ୍ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରୁ, ଏକ ପ୍ରକାର AI ଚାଳିତ ଅଟୋମେସନ୍ ଏଜେଣ୍ଟ ଯାହା DevOps ଦଳକୁ ବଦଳାଇପାରେ |

କୋଡ୍ ଉଦାହରଣ: LangChain AI ମଡେଲ୍

ଏଠାରେ ଏକ ସରଳ କୋଡ୍ ଉଦାହରଣ ଅଛି ଯାହା ଘଟଣାର ବିଶ୍ଳେଷଣ ପାଇଁ କିପରି ଏକ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ AI ମଡେଲ୍ ସୃଷ୍ଟି କରାଯିବ ତାହା ଦର୍ଶାଏ: `` ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | langchain.llms ରୁ LLM ଆମଦାନୀ କରନ୍ତୁ |

ମଡେଲ୍ = LLM ( ନାମ = "ଘଟଣା_ନାଲିସିସ୍", model = "text-davinci-003", max_length = 2048, )

ଘଟଣା ତଥ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ଘଟଣା_ ଡାଟା = { "ଘଟଣା_ଡ": "INC-001", "ବର୍ଣ୍ଣନା": "ଉତ୍ପାଦନ ସର୍ଭରରେ ତ୍ରୁଟି 500", "ଟାଇମଷ୍ଟ୍ୟାମ୍ପ": "2023-02-15 14:30:00", }

ଘଟଣା ତଥ୍ୟ ବିଶ୍ଳେଷଣ କରନ୍ତୁ |

ବିଶ୍ଳେଷଣ = model.run ( prompt = f "ଘଟଣା {ଘଟଣା_ ଡାଟା ['ଘଟଣା_ଡ'] description ବର୍ଣ୍ଣନା {ଘଟଣା_ ଡାଟା ['ବର୍ଣ୍ଣନା']} ସହିତ ବିଶ୍ଳେଷଣ କର, )

ବିଶ୍ଳେଷଣ ମୁଦ୍ରଣ କରନ୍ତୁ |

ମୁଦ୍ରଣ (ବିଶ୍ଳେଷଣ) `` ଏହି କୋଡ୍ ଏକ LangChain AI ମଡେଲକୁ ବ୍ୟାଖ୍ୟା କରେ ଯାହା ଘଟଣାର ତଥ୍ୟ ବିଶ୍ଳେଷଣ କରେ ଏବଂ ସମ୍ଭାବ୍ୟ କାରଣଗୁଡ଼ିକର ଏକ ସାରାଂଶ ପ୍ରଦାନ କରେ |

ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

LangChain ଏବଂ StackGen ପାଇଁ ଏଠାରେ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଅଛି:

1। "Langchain llm": ଉପଲବ୍ଧ LLM ଗୁଡିକ ତାଲିକା (ବଡ଼ ଭାଷା ମଡେଲଗୁଡିକ) 2। "ଲାଙ୍ଗଚେନ୍ ମଡେଲ୍": ଏକ କଷ୍ଟମ୍ AI ମଡେଲ୍ ବ୍ୟାଖ୍ୟା କରେ | 3। "Stackgen init": ଏକ ନୂତନ StackGen ପ୍ରୋଜେକ୍ଟ ଆରମ୍ଭ କରେ | 4। "ଷ୍ଟାକେନ୍ ନିୟୋଜନ": କ୍ଲାଉଡ୍ ରେ ଭିତ୍ତିଭୂମି ବିନ୍ୟାସକରଣ ନିୟୋଜିତ କରେ | 5। "Aws devops ଏଜେଣ୍ଟ ସଂଗ୍ରହ": ଘଟଣା ତଥ୍ୟ ସଂଗ୍ରହ କରେ ଏବଂ ଏହାକୁ ଲ୍ୟାଙ୍ଗଚେନ AI ମଡେଲକୁ ପଠାଏ | 6 7। "ଷ୍ଟାକେନ୍ ଅପଡେଟ୍": ଭିତ୍ତିଭୂମି ସଂରଚନାକୁ ଅଦ୍ୟତନ କରେ ଏବଂ କ୍ଲାଉଡ୍ ରେ ପରିବର୍ତ୍ତନଗୁଡିକ ନିୟୋଜିତ କରେ | 8। "Langchain generate": ବିଶ୍ଳେଷଣର ଏକ ସାରାଂଶ ସୃଷ୍ଟି କରେ | 9। "ଷ୍ଟାକେନ୍ ଡିଲିଟ୍": ଭିତ୍ତିଭୂମି ବିନ୍ୟାସ ଏବଂ ଉତ୍ସଗୁଡ଼ିକୁ ବିଲୋପ କରେ | 10

ଭିଜୁଆଲାଇଜେସନ୍: AI- ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନ

Chart.js ବ୍ୟବହାର କରି AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: "ଚାର୍ଟ { "type": "dag", "ଡାଟା": { "ନୋଡସ୍": [ { "id": "ଘଟଣା_ ଡାଟା", "ଲେବଲ୍": "ଘଟଣା ତଥ୍ୟ", "x": 0, "y": 0 }, { "id": "langchain_model", "label": "LangChain AI Model", "x": 2, "y": 0 }, { "id": "stackgen_infra", "label": "StackGen Infrastructure", "x": 4, "y": 0 }, { "id": "aws_devops_agent", "label": "AWS DevOps ଏଜେଣ୍ଟ", "x": 6, "y": 0 }, { "id": "claudia_agent", "ଲେବଲ୍": "କ୍ଲୋଡ୍ ଏଜେଣ୍ଟ", "x": 8, "y": 0 } ], "ଧାର": [ { "ଉତ୍ସ": "ଘଟଣା_ ଡାଟା", "ଲକ୍ଷ୍ୟ": "langchain_model", "ଲେବଲ୍": "ବିଶ୍ଳେଷଣ" }, { "ଉତ୍ସ": "langchain_model", "ଲକ୍ଷ୍ୟ": "stackgen_infra", "ଲେବଲ୍": "ନିୟୋଜନ" }, { "ଉତ୍ସ": "stackgen_infra", "ଲକ୍ଷ୍ୟ": "aws_devops_agent", "ଲେବଲ୍": "ସଂଗ୍ରହ" }, { "ଉତ୍ସ": "aws_devops_agent", "ଲକ୍ଷ୍ୟ": "claudia_agent", "label": "ସମାଧାନ" } ] } } `` ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ବିଶ୍ଳେଷଣ ଠାରୁ ରିଜୋଲ୍ୟୁସନ୍ ପର୍ଯ୍ୟନ୍ତ AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ପାଇପଲାଇନ ମାଧ୍ୟମରେ ଘଟଣା ତଥ୍ୟର ପ୍ରବାହକୁ ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ବ୍ୟବହାର କରି ଘଟଣାର ଅନୁସନ୍ଧାନ ଏବଂ ରିଜୋଲ୍ୟୁସନକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଲାଙ୍ଗଚେନ ଏବଂ ଷ୍ଟାକଗେନ ବ୍ୟବହାର କରିବାର ସମ୍ଭାବନା ଅନୁସନ୍ଧାନ କରିଛୁ | ଆମେ AWS DevOps ଏଜେଣ୍ଟ ଏବଂ କ୍ଲାଉଡ୍ ଏଜେଣ୍ଟଗୁଡିକର ବ୍ୟବହାର ପରୀକ୍ଷା କରିଥିଲୁ ଏବଂ DevOps ଦଳଗୁଡ଼ିକୁ AI ଚାଳିତ ଅଟୋମେସନ୍ ସହିତ ବଦଳାଇବାର ସମ୍ଭାବନା ବିଷୟରେ ଆଲୋଚନା କରିଥିଲୁ | ଏହି ଉପକରଣ ଏବଂ ପ୍ରଯୁକ୍ତିବିଦ୍ୟାକୁ ବ୍ୟବହାର କରି ସଂଗଠନଗୁଡ଼ିକ ଘଟଣାର ପ୍ରତିକ୍ରିୟା ସମୟକୁ ଉନ୍ନତ କରିପାରିବେ, ଡାଉନଟାଇମ୍ ହ୍ରାସ କରିପାରିବେ ଏବଂ ସାମଗ୍ରିକ ସିଷ୍ଟମ ନିର୍ଭରଯୋଗ୍ୟତା ବୃଦ୍ଧି କରିପାରିବେ |

ଭବିଷ୍ୟତ କାର୍ଯ୍ୟ

ଏହି କ୍ଷେତ୍ରରେ ଭବିଷ୍ୟତ କାର୍ଯ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ:

• ଘଟଣା ବିଶ୍ଳେଷଣ ଏବଂ ସମାଧାନ ପାଇଁ ଅଧିକ ଉନ୍ନତ AI ମଡେଲଗୁଡିକର ବିକାଶ |
• ଅନ୍ୟାନ୍ୟ DevOps ଉପକରଣ ଏବଂ ପ୍ଲାଟଫର୍ମ ସହିତ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏବଂ ଷ୍ଟାକଗେନ୍ କୁ ଏକୀକୃତ କରିବା |
• ଅନ୍ୟାନ୍ୟ AI- ଚାଳିତ ସ୍ୱୟଂଚାଳିତ ଏଜେଣ୍ଟଗୁଡିକର ବ୍ୟବହାର ଅନୁସନ୍ଧାନ, ଯେପରିକି କ୍ଲୋଡ୍ ଏଜେଣ୍ଟ |
• ବାସ୍ତବ ଦୁନିଆ ପରିସ୍ଥିତିରେ AI- ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତର ପ୍ରଭାବ ଉପରେ ଅଧିକ ଗବେଷଣା କରିବା |

AI- ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତକୁ ନବୀକରଣ ଏବଂ ଉନ୍ନତି କରି, ଆମେ ଅଧିକ ଦକ୍ଷ, ପ୍ରଭାବଶାଳୀ ଏବଂ ନିର୍ଭରଯୋଗ୍ୟ ସଫ୍ଟୱେର୍ ବିକାଶ ପ୍ରକ୍ରିୟା ସୃଷ୍ଟି କରିପାରିବା ଯାହା ଉଭୟ ସଂଗଠନ ଏବଂ ଶେଷ ଉପଭୋକ୍ତାଙ୍କୁ ଲାଭ ଦିଏ |