ಸ್ವಯಂಚಾಲಿತ ಘಟನೆಯ ತನಿಖೆಗಾಗಿ ಲ್ಯಾಂಗ್‌ಚೈನ್ ಮತ್ತು ಸ್ಟಾಕ್‌ಜೆನ್‌ನೊಂದಿಗೆ AI-ಚಾಲಿತ DevOps ಅನ್ನು ಆಯೋಜಿಸುವುದು

ಪರಿಚಯ

DevOps ಪ್ರಪಂಚವು ವೇಗವಾಗಿ ವಿಕಸನಗೊಳ್ಳುತ್ತಿದೆ, AI ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯು ಘಟನೆಯ ತನಿಖೆ ಮತ್ತು ನಿರ್ಣಯವನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಮತ್ತು ಉತ್ತಮಗೊಳಿಸುವಲ್ಲಿ ಹೆಚ್ಚು ಮಹತ್ವದ ಪಾತ್ರವನ್ನು ವಹಿಸುತ್ತದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ಘಟನೆಯ ತನಿಖೆ ಮತ್ತು ನಿರ್ಣಯವನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ AI-ಚಾಲಿತ DevOps ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ರಚಿಸಲು GPT-5.5 ನಂತಹ AI ಮಾದರಿಗಳಲ್ಲಿನ ಇತ್ತೀಚಿನ ಪ್ರಗತಿಗಳ ಜೊತೆಯಲ್ಲಿ ನಾವು LangChain ಮತ್ತು StackGen, ಎರಡು ಶಕ್ತಿಶಾಲಿ ಆರ್ಕೆಸ್ಟ್ರೇಶನ್ ಪರಿಕರಗಳ ಬಳಕೆಯನ್ನು ಅನ್ವೇಷಿಸುತ್ತೇವೆ.

ಹಿನ್ನೆಲೆ

DevOps ಎನ್ನುವುದು ಸಾಫ್ಟ್‌ವೇರ್ ಬಿಡುಗಡೆಗಳ ವೇಗ, ಗುಣಮಟ್ಟ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಸುಧಾರಿಸಲು ಸಾಫ್ಟ್‌ವೇರ್ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಅಭ್ಯಾಸಗಳ ಗುಂಪಾಗಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ DevOps ಪರಿಕರಗಳು ನಿಯೋಜನೆ ಮತ್ತು ಪರೀಕ್ಷೆಯಂತಹ ಹಸ್ತಚಾಲಿತ ಕಾರ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ, ಆದರೆ ಘಟನೆಯ ತನಿಖೆ ಮತ್ತು ನಿರ್ಣಯದ ಸಂಕೀರ್ಣತೆಗಳನ್ನು ಪರಿಹರಿಸುವಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತವೆ.

ಮತ್ತೊಂದೆಡೆ, AI ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯು ಘಟನೆಯ ತನಿಖೆ ಮತ್ತು ನಿರ್ಣಯವನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು ಹೊಸ ಮಾದರಿಯನ್ನು ನೀಡುತ್ತದೆ. ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ಗಳು ಮತ್ತು ಸಂಕೀರ್ಣ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ನಿಯಂತ್ರಿಸುವ ಮೂಲಕ, AI ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಬಹುದು, ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಬಹುದು ಮತ್ತು ಮಾನವ ನಿರ್ವಾಹಕರು ತಪ್ಪಿಸಿಕೊಳ್ಳಬಹುದಾದ ಒಳನೋಟಗಳನ್ನು ಒದಗಿಸಬಹುದು.

LangChain: ಒಂದು ಶಕ್ತಿಯುತ ಆರ್ಕೆಸ್ಟ್ರೇಶನ್ ಟೂಲ್

ಲ್ಯಾಂಗ್‌ಚೈನ್ ಒಂದು ಓಪನ್-ಸೋರ್ಸ್ ಆರ್ಕೆಸ್ಟ್ರೇಶನ್ ಸಾಧನವಾಗಿದ್ದು ಅದು ಡೆವಲಪರ್‌ಗಳಿಗೆ ಸಂಕೀರ್ಣ AI-ಚಾಲಿತ ವರ್ಕ್‌ಫ್ಲೋಗಳನ್ನು ನಿರ್ಮಿಸಲು, ನಿಯೋಜಿಸಲು ಮತ್ತು ನಿರ್ವಹಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಲ್ಯಾಂಗ್‌ಚೈನ್‌ನೊಂದಿಗೆ, ಡೆವಲಪರ್‌ಗಳು ಬಹು AI ಮಾದರಿಗಳು, ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು DevOps ಪರಿಕರಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಕಸ್ಟಮ್ ವರ್ಕ್‌ಫ್ಲೋಗಳನ್ನು ರಚಿಸಬಹುದು.

LangChain ನ ಪ್ರಮುಖ ವೈಶಿಷ್ಟ್ಯಗಳು ಸೇರಿವೆ:

• ವರ್ಕ್‌ಫ್ಲೋ ಮ್ಯಾನೇಜ್‌ಮೆಂಟ್: ಸಂಕೀರ್ಣವಾದ ವರ್ಕ್‌ಫ್ಲೋಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಮತ್ತು ನಿರ್ವಹಿಸಲು ಲ್ಯಾಂಗ್‌ಚೈನ್ ಒಂದು ದೃಶ್ಯ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಒದಗಿಸುತ್ತದೆ.
• AI ಮಾದರಿ ಏಕೀಕರಣ: ಲ್ಯಾಂಗ್‌ಚೈನ್ GPT-5.5 ಸೇರಿದಂತೆ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ AI ಮಾದರಿಗಳೊಂದಿಗೆ ಏಕೀಕರಣವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.
• ಡೇಟಾ ಸೋರ್ಸ್ ಇಂಟಿಗ್ರೇಷನ್: ಡೇಟಾಬೇಸ್‌ಗಳು, API ಗಳು ಮತ್ತು ಫೈಲ್‌ಗಳು ಸೇರಿದಂತೆ ವಿವಿಧ ಡೇಟಾ ಮೂಲಗಳೊಂದಿಗೆ ಏಕೀಕರಣವನ್ನು LangChain ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.
• DevOps ಟೂಲ್ ಇಂಟಿಗ್ರೇಷನ್: AWS DevOps ಏಜೆಂಟ್ ಸೇರಿದಂತೆ ಜನಪ್ರಿಯ DevOps ಪರಿಕರಗಳೊಂದಿಗೆ LangChain ಏಕೀಕರಣವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.

StackGen: ಮುಂದಿನ ಪೀಳಿಗೆಯ ಆರ್ಕೆಸ್ಟ್ರೇಶನ್ ಟೂಲ್

ಸ್ಟಾಕ್‌ಜೆನ್ ಮುಂದಿನ ಪೀಳಿಗೆಯ ಆರ್ಕೆಸ್ಟ್ರೇಶನ್ ಸಾಧನವಾಗಿದ್ದು ಅದು ಲ್ಯಾಂಗ್‌ಚೈನ್‌ನ ಸಾಮರ್ಥ್ಯದ ಮೇಲೆ ನಿರ್ಮಿಸುತ್ತದೆ. StackGen ಹೆಚ್ಚು ಹೊಂದಿಕೊಳ್ಳುವ ಮತ್ತು ಸ್ಕೇಲೆಬಲ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಒದಗಿಸುತ್ತದೆ, ಡೆವಲಪರ್‌ಗಳಿಗೆ ಬಹು AI ಮಾದರಿಗಳು, ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು DevOps ಪರಿಕರಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಸಂಕೀರ್ಣ ಕೆಲಸದ ಹರಿವುಗಳನ್ನು ನಿರ್ಮಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

StackGen ನ ಪ್ರಮುಖ ವೈಶಿಷ್ಟ್ಯಗಳು ಸೇರಿವೆ:

• ಮಾಡ್ಯುಲರ್ ಆರ್ಕಿಟೆಕ್ಚರ್: StackGen ನ ಮಾಡ್ಯುಲರ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಡೆವಲಪರ್‌ಗಳಿಗೆ ಮರುಬಳಕೆ ಮಾಡಬಹುದಾದ ಘಟಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಕಸ್ಟಮ್ ವರ್ಕ್‌ಫ್ಲೋಗಳನ್ನು ನಿರ್ಮಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.
• AI ಮಾದರಿ ಏಕೀಕರಣ: GPT-5.5 ಸೇರಿದಂತೆ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ AI ಮಾದರಿಗಳೊಂದಿಗೆ StackGen ಏಕೀಕರಣವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.
• ಡೇಟಾ ಸೋರ್ಸ್ ಇಂಟಿಗ್ರೇಷನ್: ಡೇಟಾಬೇಸ್‌ಗಳು, API ಗಳು ಮತ್ತು ಫೈಲ್‌ಗಳು ಸೇರಿದಂತೆ ವಿವಿಧ ಡೇಟಾ ಮೂಲಗಳೊಂದಿಗೆ StackGen ಏಕೀಕರಣವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.
• DevOps ಟೂಲ್ ಇಂಟಿಗ್ರೇಷನ್: AWS DevOps ಏಜೆಂಟ್ ಸೇರಿದಂತೆ ಜನಪ್ರಿಯ DevOps ಉಪಕರಣಗಳೊಂದಿಗೆ StackGen ಏಕೀಕರಣವನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.

LangChain ಮತ್ತು StackGen ನೊಂದಿಗೆ AI- ಚಾಲಿತ DevOps ಆಟೊಮೇಷನ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು

ಲ್ಯಾಂಗ್‌ಚೈನ್ ಮತ್ತು ಸ್ಟಾಕ್‌ಜೆನ್‌ನೊಂದಿಗೆ AI- ಚಾಲಿತ DevOps ಆಟೊಮೇಷನ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು, ನಾವು ಈ ಹಂತಗಳನ್ನು ಅನುಸರಿಸುತ್ತೇವೆ:

1. ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ: ಬಹು AI ಮಾದರಿಗಳು, ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು DevOps ಪರಿಕರಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಕಸ್ಟಮ್ ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು LangChain ನ ದೃಶ್ಯ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ಬಳಸಿ.
2. AI ಮಾಡೆಲ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸಿ: GPT-5.5 ಮತ್ತು ಇತರ AI ಮಾದರಿಗಳನ್ನು LangChain ಮತ್ತು StackGen ಜೊತೆಗೆ ತಮ್ಮ API ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಯೋಜಿಸಿ.
3. ಡೇಟಾ ಮೂಲಗಳನ್ನು ಸಂಯೋಜಿಸಿ: ಡೇಟಾಬೇಸ್‌ಗಳು, API ಗಳು ಮತ್ತು ಫೈಲ್‌ಗಳು ಸೇರಿದಂತೆ ವಿವಿಧ ಡೇಟಾ ಮೂಲಗಳನ್ನು ಲ್ಯಾಂಗ್‌ಚೈನ್ ಮತ್ತು ಸ್ಟಾಕ್‌ಜೆನ್‌ನೊಂದಿಗೆ ಸಂಯೋಜಿಸಿ.
4. DevOps ಪರಿಕರಗಳನ್ನು ಸಂಯೋಜಿಸಿ: AWS DevOps ಏಜೆಂಟ್ ಸೇರಿದಂತೆ, LangChain ಮತ್ತು StackGen ನೊಂದಿಗೆ ಜನಪ್ರಿಯ DevOps ಪರಿಕರಗಳನ್ನು ಸಂಯೋಜಿಸಿ.
5. ನಿಯೋಜನೆ ಮತ್ತು ನಿರ್ವಹಿಸಿ: LangChain ಮತ್ತು StackGen ನ ಸಂಬಂಧಿತ ಇಂಟರ್ಫೇಸ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ನಿಯೋಜಿಸಿ ಮತ್ತು ನಿರ್ವಹಿಸಿ.

** ಕೋಡ್ ಉದಾಹರಣೆ: ಲ್ಯಾಂಗ್‌ಚೈನ್‌ನೊಂದಿಗೆ GPT-5.5 ಅನ್ನು ಸಂಯೋಜಿಸುವುದು**

ಲ್ಯಾಂಗ್‌ಚೈನ್‌ನೊಂದಿಗೆ GPT-5.5 ಅನ್ನು ಹೇಗೆ ಸಂಯೋಜಿಸುವುದು ಎಂಬುದನ್ನು ಪ್ರದರ್ಶಿಸುವ ಸರಳ ಕೋಡ್ ಉದಾಹರಣೆ ಇಲ್ಲಿದೆ: ``ಹೆಬ್ಬಾವು ಲ್ಯಾಂಗ್ಚೈನ್ ಅನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಿ langchain.chains ನಿಂದ gpt5_5 ಆಮದು ಮಾಡಿಕೊಳ್ಳಿ

ವರ್ಕ್‌ಫ್ಲೋ = ಲ್ಯಾಂಗ್‌ಚೈನ್. ವರ್ಕ್‌ಫ್ಲೋ( ಹೆಸರು="ಘಟನೆ_ತನಿಖೆ", ಚೈನ್=gpt5_5.ಚೈನ್( input_variables=["incident_data"], output_variables=["investigation_results"] ) )

ಲ್ಯಾಂಗ್‌ಚೈನ್‌ನೊಂದಿಗೆ GPT-5.5 ಅನ್ನು ಸಂಯೋಜಿಸಿ

gpt5_5_model = gpt5_5.ಮಾದರಿ() workflow.chain.model = gpt5_5_model

ಕೆಲಸದ ಹರಿವನ್ನು ರನ್ ಮಾಡಿ

ಘಟನೆ_ಡೇಟಾ = {"incident_id": 123, "incident_type": "network_outage"} ತನಿಖೆ_ಫಲಿತಾಂಶಗಳು = workflow.run(incident_data) ಮುದ್ರಣ (ತನಿಖೆ_ಫಲಿತಾಂಶಗಳು)

**ಟಾಪ್ 5-10 ಹೆಚ್ಚು ಬಳಸಿದ ಆಜ್ಞೆಗಳು/ತುಣುಕುಗಳು**

LangChain ಮತ್ತು StackGen ಗಾಗಿ ಹೆಚ್ಚು ಬಳಸಿದ 5-10 ಕಮಾಂಡ್‌ಗಳು/ತುಣುಕುಗಳು ಇಲ್ಲಿವೆ:

1. `langchain.Workflow()`: ಹೊಸ LangChain ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ರಚಿಸುತ್ತದೆ.
2. `gpt5_5.Chain()`: LangChain ಗಾಗಿ ಹೊಸ GPT-5.5 ಸರಣಿಯನ್ನು ರಚಿಸುತ್ತದೆ.
3. `workflow.chain.model = gpt5_5_model`: GPT-5.5 ಅನ್ನು LangChain ನೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ.
4. `workflow.run(incident_data)`: LangChain ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ರನ್ ಮಾಡುತ್ತದೆ.
5. `stackgen.Workflow()`: ಹೊಸ StackGen ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ರಚಿಸುತ್ತದೆ.
6. `stackgen.Module()`: ಹೊಸ StackGen ಮಾಡ್ಯೂಲ್ ಅನ್ನು ರಚಿಸುತ್ತದೆ.
7. `stackgen.Component()`: ಹೊಸ StackGen ಘಟಕವನ್ನು ರಚಿಸುತ್ತದೆ.
8. `stackgen.Deploy()`: StackGen ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ನಿಯೋಜಿಸುತ್ತದೆ.
9. `langchain.DataSource()`: ಹೊಸ LangChain ಡೇಟಾ ಮೂಲವನ್ನು ರಚಿಸುತ್ತದೆ.
10. `langchain.AiModel()`: ಹೊಸ LangChain AI ಮಾದರಿಯನ್ನು ರಚಿಸುತ್ತದೆ.

**ದೃಶ್ಯೀಕರಣ**

Chart.js ಅನ್ನು ಬಳಸಿಕೊಂಡು LangChain ಮತ್ತು StackGen ವರ್ಕ್‌ಫ್ಲೋನ ಸರಳ ದೃಶ್ಯೀಕರಣ ಇಲ್ಲಿದೆ:
```json
{
  "ಪ್ರಕಾರ": "ಬಾರ್",
  "ಡೇಟಾ": {
    "ಲೇಬಲ್‌ಗಳು": ["ಲ್ಯಾಂಗ್‌ಚೈನ್", "ಸ್ಟಾಕ್‌ಜೆನ್"],
    "ಡೇಟಾಸೆಟ್‌ಗಳು": [
      {
        "ಲೇಬಲ್": "ವರ್ಕ್‌ಫ್ಲೋ ಸಂಕೀರ್ಣತೆ",
        "ಡೇಟಾ": [10, 20],
        "backgroundColor": ["#4CAF50", "#FF9800"]
      }
    ]
  },
  "ಆಯ್ಕೆಗಳು": {
    "ಶೀರ್ಷಿಕೆ": {
      "ಪ್ರದರ್ಶನ": ನಿಜ,
      "ಪಠ್ಯ": "ವರ್ಕ್‌ಫ್ಲೋ ಸಂಕೀರ್ಣತೆ ಹೋಲಿಕೆ"
    },
    "ದಂತಕಥೆ": {
      "ಪ್ರದರ್ಶನ": ನಿಜ
    }
  }
}

ಈ ದೃಶ್ಯೀಕರಣವು ಲ್ಯಾಂಗ್‌ಚೈನ್ ಮತ್ತು ಸ್ಟಾಕ್‌ಜೆನ್‌ನ ವರ್ಕ್‌ಫ್ಲೋ ಸಂಕೀರ್ಣತೆಯನ್ನು ಹೋಲಿಸುತ್ತದೆ, ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ವರ್ಕ್‌ಫ್ಲೋಗಳಿಗಾಗಿ ಸ್ಟಾಕ್‌ಜೆನ್ ಬಳಸುವ ಪ್ರಯೋಜನಗಳನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ.

** ತೀರ್ಮಾನ **

ಈ ಲೇಖನದಲ್ಲಿ, ಘಟನೆಯ ತನಿಖೆ ಮತ್ತು ನಿರ್ಣಯವನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ AI-ಚಾಲಿತ DevOps ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ರಚಿಸಲು GPT-5.5 ನಂತಹ AI ಮಾದರಿಗಳಲ್ಲಿನ ಇತ್ತೀಚಿನ ಪ್ರಗತಿಗಳ ಜೊತೆಯಲ್ಲಿ ನಾವು LangChain ಮತ್ತು StackGen ಎಂಬ ಎರಡು ಶಕ್ತಿಶಾಲಿ ಆರ್ಕೆಸ್ಟ್ರೇಶನ್ ಪರಿಕರಗಳ ಬಳಕೆಯನ್ನು ಅನ್ವೇಷಿಸಿದ್ದೇವೆ. ಲ್ಯಾಂಗ್‌ಚೈನ್ ಮತ್ತು ಸ್ಟಾಕ್‌ಜೆನ್‌ನೊಂದಿಗೆ GPT-5.5 ಅನ್ನು ಹೇಗೆ ಸಂಯೋಜಿಸುವುದು ಎಂಬುದನ್ನು ನಾವು ಪ್ರದರ್ಶಿಸಿದ್ದೇವೆ ಮತ್ತು ಈ ಪರಿಕರಗಳನ್ನು ಬಳಸುವ ಪ್ರಯೋಜನಗಳನ್ನು ವಿವರಿಸಲು ಸರಳ ಕೋಡ್ ಉದಾಹರಣೆ ಮತ್ತು ದೃಶ್ಯೀಕರಣವನ್ನು ಒದಗಿಸಿದ್ದೇವೆ. ಲ್ಯಾಂಗ್‌ಚೈನ್ ಮತ್ತು ಸ್ಟಾಕ್‌ಜೆನ್‌ನ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೆಚ್ಚಿಸುವ ಮೂಲಕ, ಡೆವಲಪರ್‌ಗಳು ಸಂಕೀರ್ಣವಾದ ವರ್ಕ್‌ಫ್ಲೋಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದು ಅದು ಬಹು AI ಮಾದರಿಗಳು, ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು DevOps ಪರಿಕರಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ, ವೇಗವಾಗಿ ಮತ್ತು ಹೆಚ್ಚು ನಿಖರವಾದ ಘಟನೆಯ ತನಿಖೆ ಮತ್ತು ನಿರ್ಣಯವನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ.