වැඩිදියුණු කළ ZeroOps සඳහා DSPy සහ LangChain සමඟ DevOps නල මාර්ගවල නියෝජිත AI සංවිධානය කිරීම

** වැඩිදියුණු කළ ZeroOps සඳහා DSPy සහ LangChain සමඟ DevOps නල මාර්ගවල නියෝජිත AI සංවිධානය කිරීම**

හැඳින්වීම

DevOps නල මාර්ගවල කෘත්‍රිම බුද්ධිය (AI) ඒකාබද්ධ කිරීම මෘදුකාංග සංවර්ධනය, පරීක්‍ෂා කිරීම සහ යෙදවීම විප්ලවීය වෙනසක් සිදු කර ඇත. Agentic AI, ස්වයංක්‍රීය තීරණ ගැනීම සහ ක්‍රියා කිරීම සක්‍රීය කරන AI හි උප කුලකයක්, DevOps ක්‍රියාවලිවල කාර්යක්ෂමතාව සහ සඵලතාවය තවදුරටත් වැඩිදියුණු කිරීමේ හැකියාව ඇත. මෙම ලිපියෙන්, අපි DSPy සහ LangChain භාවිතා කරමින් DevOps නල මාර්ගවල නියෝජිත AI සංවිධානය කිරීමේ සංකල්පය ගවේෂණය කරන අතර ZeroOps සාක්ෂාත් කර ගැනීමේදී මෙම ප්‍රවේශයේ ප්‍රතිලාභ සාකච්ඡා කරමු.

Agentic AI යනු කුමක්ද?

Agentic AI යන්නෙන් අදහස් කරන්නේ මානව මැදිහත්වීමකින් තොරව ස්වයංක්‍රීයව තීරණ ගැනීමට සහ ක්‍රියා කිරීමට හැකියාව ඇති AI වර්ගයකි. උසස් යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතම, ස්වාභාවික භාෂා සැකසුම් සහ සංජානන ගෘහ නිර්මාණ ශිල්පය භාවිතයෙන් මෙය සාක්ෂාත් කරගනු ලැබේ. නියෝජිත AI පද්ධතිවලට අත්දැකීම් වලින් ඉගෙන ගැනීමටත්, නව තත්වයන්ට අනුවර්තනය වීමටත්, මිනිසුන් සමඟ වඩාත් ස්වාභාවික සහ අවබෝධාත්මක ආකාරයෙන් අන්තර් ක්‍රියා කිරීමටත් හැකිය.

ZeroOps යනු කුමක්ද?

ZeroOps යනු මෘදුකාංග සංවර්ධනය, යෙදවීම සහ නඩත්තුව සඳහා මානව මැදිහත්වීමේ අවශ්‍යතාවය ඉවත් කිරීම අරමුණු කරගත් DevOps දර්ශනයකි. මෙය සාක්ෂාත් කරගනු ලබන්නේ ස්වයංක්‍රීයකරණය, වාද්‍ය වෘන්දය සහ AI මත පදනම් වූ තීරණ ගැනීම මගිනි. ZeroOps මඟින් ආයතනවලට මෘදුකාංග වේගයෙන්, උසස් තත්ත්වයෙන් සහ අඩු පිරිවැයකින් යෙදවීමට හැකියාව ලැබේ.

DevOps නල මාර්ගවල නියෝජිත AI සංවිධානය කිරීම

DevOps නල මාර්ගවල නියෝජිත AI සංවිධානය කිරීමට, අපි AI මත පදනම් වූ තීරණ ගැනීම සහ ක්‍රියා කිරීම නල මාර්ගයට ඒකාබද්ධ කළ යුතුය. AI මත පදනම් වූ යෙදුම් තැනීම සහ යෙදවීම සඳහා ජනප්‍රිය රාමු දෙකක් වන DSPy සහ LangChain භාවිතයෙන් මෙය සාක්ෂාත් කරගත හැකිය.

DSPy

DSPy යනු AI මත ධාවනය වන යෙදුම් තැනීම සහ යෙදවීම සඳහා වන පයිතන් රාමුවකි. එය දත්ත සැකසීම, යන්ත්‍ර ඉගෙනීම සහ ස්වභාවික භාෂා සැකසීම සඳහා මෙවලම් සහ පුස්තකාල සමූහයක් සපයයි. DSPy නිර්මාණය කර ඇත්තේ LangChain සහ FastAPI වැනි ජනප්‍රිය රාමු සමඟ බාධාවකින් තොරව ක්‍රියා කිරීමටය.

LangChain

LangChain යනු AI මත ධාවනය වන යෙදුම් තැනීම සහ යෙදවීම සඳහා වන Python රාමුවකි. එය ස්වභාවික භාෂා සැකසීම, යන්ත්‍ර ඉගෙනීම සහ සංජානන ගෘහ නිර්මාණ ශිල්පය සඳහා මෙවලම් සහ පුස්තකාල සමූහයක් සපයයි. LangChain නිර්මාණය කර ඇත්තේ DSPy සහ FastAPI වැනි ජනප්‍රිය රාමු සමඟ බාධාවකින් තොරව වැඩ කිරීමටය.

තාක්ෂණික ක්‍රියාත්මක කිරීම

DSPy සහ LangChain භාවිතා කරමින් DevOps නල මාර්ගවල වාද්‍ය කෘත්‍ය කෘත්‍ය කෘත්‍රීම AI ක්‍රියාත්මක කිරීම නිරූපණය කිරීම සඳහා, අපි සරල උදාහරණයක් සලකා බලමු. DevOps නල මාර්ගයක් භාවිතයෙන් වෙබ් යෙදුමක් යෙදවීම ස්වයංක්‍රීය කිරීමට අපට අවශ්‍ය යැයි සිතමු. යෙදුම් ක්‍රියාකාරිත්වය, පරිශීලක ප්‍රතිපෝෂණ සහ පද්ධති සම්පත් වැනි සාධක මත පදනම්ව ප්‍රශස්ත යෙදවීමේ උපාය මාර්ගය තීරණය කරන AI මත පදනම් වූ තීරණ ගැනීමේ පද්ධතියක් ගොඩනැගීමට අපට DSPy භාවිතා කළ හැක.

ආනයනය dspy
langchain ආනයනය LLM වෙතින්


def deployment_strategy(app_performance, user_feedback, system_resources):
    # දත්ත සැකසීමට සහ තීරණ ගැනීමට DSPy භාවිතා කරන්න
    දත්ත = dspy.Data(app_performance, user_feedback, system_resources)
    තීරණය = dspy.DecisionMaker(දත්ත)
    
    # යෙදවීමේ සැලැස්මක් ජනනය කිරීමට LangChain භාවිතා කරන්න
    llm = LLM("text-davinci-003")
    සැලැස්ම = llm.generate_text(f" {app_performance} {user_feedback} සහ {system_resources} සම්පත් සමඟ යෙදවීම")
    
    ආපසු සැලැස්ම

# DevOps නල මාර්ගය නිර්වචනය කරන්න
def නල මාර්ගය (app_performance, user_feedback, system_resources):
    # නල මාර්ගය සංවිධානය කිරීමට DSPy භාවිතා කරන්න
    නල මාර්ගය = dspy.Pipeline()
    pipeline.add_task(deployment_strategy, app_performance, user_feedback, system_resources)
    pipeline.add_task(dspytasks.Deploy, plan)
    
    # නල මාර්ගය ධාවනය කරන්න
    pipeline.run()

# නල මාර්ගය ධාවනය කරන්න
නල මාර්ගය (90, 4.5, 80)

ඉහළම 5-10 වැඩිපුරම භාවිතා කරන ලද විධාන/Snippets

DSPy සහ LangChain සඳහා වැඩිපුරම භාවිතා කරන ලද විධාන/snippets 5-10 මෙන්න:

1. dspy.Data(): සැකසීම සහ තීරණ ගැනීම සඳහා දත්ත වස්තුවක් නිර්මාණය කරයි.
2. dspy.DecisionMaker(): දත්ත සහ සන්දර්භය මත පදනම්ව තීරණ ගනී.
3. LLM.generate_text(): ආදාන විමසුම් මත පදනම්ව පෙළ ජනනය කරයි.
4. dspytasks.Deploy(): යෙදවීමේ සැලැස්මක් මත පදනම්ව යෙදුමක් යොදවයි.
5. dspy.Pipeline(): DevOps නල මාර්ගයක් සංවිධානය කරයි.
6. pipeline.add_task(): නල මාර්ගයට කාර්යයක් එක් කරයි.
7. pipeline.run(): නල මාර්ගය ධාවනය කරයි.
8. dspy.Data.process(): තීරණ ගැනීම සඳහා දත්ත සකසයි.
9. dspy.DecisionMaker.decide(): දත්ත සහ සන්දර්භය මත පදනම්ව තීරණයක් ගනී.
10. LLM.generate_text(prompt): ආදාන විමසුම් මත පදනම්ව පෙළ ජනනය කරයි.

දෘෂ්‍යකරණය

මෙන්න Chart.js භාවිතයෙන් නියෝජිත AI-ධාවනය කරන DevOps නල මාර්ගයේ දෘශ්‍යකරණයකි: '''' ජේසන් { "වර්ගය": "බාර්", "දත්ත": { "ලේබල්": ["දත්ත සැකසීම", "තීරණ ගැනීම", "යෙදීම"], "දත්ත කට්ටල": [ { "label": "Agentic AI", "දත්ත": [10, 20, 30], "backgroundColor": "rgba(255, 99, 132, 0.2)", "borderColor": "rgba(255, 99, 132, 1)", "දේශසීමා පළල": 1 } ] }, "විකල්ප": { "පරිමාණ": { "yAxes": [ { "කිනිතුල්ලන්": { "beginAtZero": ඇත්ත } } ] } } }

මෙම දෘශ්‍යකරණය නියෝජිත AI-ධාවනය කරන DevOps නල මාර්ගයේ අදියර තුන පෙන්වයි: දත්ත සැකසීම, තීරණ ගැනීම සහ යෙදවීම.

** නිගමනය **

මෙම ලිපියෙන්, අපි DSPy සහ LangChain භාවිතයෙන් DevOps නල මාර්ගවල නියෝජිත AI සංවිධානය කිරීමේ සංකල්පය ගවේෂණය කළෙමු. AI මත පදනම් වූ තීරණ ගැනීමේ පද්ධතියක් භාවිතයෙන් වෙබ් යෙදුමක් යෙදවීම ස්වයංක්‍රීය කරන්නේ කෙසේද යන්න පිළිබඳ සරල උදාහරණයක් අපි නිරූපණය කළෙමු. අපි Chart.js භාවිතයෙන් නියෝජිත AI මත ධාවනය වන DevOps නල මාර්ගයේ දෘෂ්‍යකරණයක් ද ලබා දුන්නෙමු. නියෝජිත AI DevOps නල මාර්ගවලට අනුකලනය කිරීමෙන්, සංවිධානවලට ZeroOps සාක්ෂාත් කර ගැනීමට සහ මෘදුකාංග වේගයෙන්, උසස් තත්ත්වයෙන් සහ අඩු පිරිවැයකින් යෙදවිය හැක.