Bi Amûrên Orkestrasyonê re Mîmariya Nermalava Ewlekar û Berbiçav a Bi AI-Driven | B4N1

Bi Amûrên Orkestrasyonê re Mîmariya Nermalava Ewlekar û Berbiçav a Bi AI-Driven

3 months ago · b4n1 Read time: 5 min

Destpêk

Yekbûna îstîxbarata hunerî (AI) di nav sepanên nermalavê de awayê ku em nêzikî çareserkirina pirsgirêk, biryargirtin û otomasyonê dibin şoreş kiriye. Lêbelê, her ku serîlêdanên bi AI-ê ve her ku diçe tevlihevtir dibin, hewcedariya mîmariya ewledar û berbelav bûye xemek zordar. Di vê gotarê de, em ê li hevberdana AI, endezyariya nermalavê, û DevOps, bi giraniyek taybetî li ser karanîna amûrên orkestrasyonê yên mîna DSPy û LangChain vekolin da ku ajanên AI-ê di boriyên DevOps de yek bikin.

Pirsgirêkên Mîmariya Nermalava AI-Driven

Serîlêdanên nermalavê yên AI-ê ji endezyarên nermalavê û tîmên DevOps re kêşeyên bêhempa derdixînin. Hin kêşeyên sereke hene:

  • ** Scalability **: Modelên AI-ê çavkaniyên girîng ên hesabkirinê hewce dike, ku dikare di hawîrdorên hilberînê de bibe sedema pirsgirêkên pîvandinê.
  • **Ewlehî **: Modelên AI-ê dikarin li hember êrîşan xeternak bin, wek jehrîkirina daneyan û êrişên berevajîkirina modelê.
  • ** Tevhevî **: Pêdivî ye ku modelên AI-ê bi pergalên nermalava heyî re werin yek kirin, ku ev dikare bibe karekî tevlihev.
  • **Şopandin û Lênihêrîn **: Modelên AI-ê hewceyê şopandin û domandina domdar in da ku ew rast û pêbawer bimînin.

Amûrên Orkestrasyonê: DSPy û LangChain

Amûrên orkestrasyonê yên mîna DSPy û LangChain ji van pirsgirêkan re çareseriyek peyda dikin bi kirina yekbûna ajanên AI-ê di lûleyên DevOps de. Van amûran çarçoveyek ji bo çêkirin, bicihkirin, û rêvebirina modelên AI-yê peyda dikin, mîmariya ewledar û berbelav ji bo serîlêdanên AI-ê dabîn dikin.

DSPy

DSPy amûrek orkestrasyonê ya çavkaniyek vekirî ye ku li ser Python hatî çêkirin. Ew ji bo çêkirin, bicihkirin û birêvebirina modelên AI-ê API-yek hêsan û xwerû peyda dike. DSPy gelek çarçoveyên AI-ê piştgirî dike, tevî TensorFlow, PyTorch, û scikit-learn.

LangChain

LangChain amûrek din a orkestrasyonê ya çavkaniyek vekirî ye ku çarçoveyek ji bo çêkirin, bicihkirin û birêvebirina modelên AI peyda dike. LangChain li ser Rust-ê hatî çêkirin û API-a performansa bilind peyda dike ji bo yekkirina ajanên AI-ê di lûleyên DevOps de.

Bi DSPy re Mîmariya Nermalava Ewlekar û Berbiçav a AI-Driven

Di vê beşê de, em ê mînakek hêsan a pêkanîna mîmariya nermalava AI-ê ya ewledar û berbelav bi DSPy-ê vekolin.

Mînak: Bi DSPy re Modelek AI-ya Hêsan ava kirin

Ka em mînakek hêsan a avakirina modelek fêrbûna makîneyê bi karanîna DSPy binihêrin. Em ê pirtûkxaneya scikit-learn bikar bînin da ku modelek paşvekêşana xêzek ava bikin.

`` python import dspy wek dsp ji sklearn.linear_model import LinearRegression ji sklearn.datasets import load_diabetes

Daneyên diyabetê bar bikin

databas = load_diabetes()

Danûstendinê li komên perwerdehî û ceribandinê veqetînin

X_train, X_test, y_train, y_test = dsp.split_dataset(dataset.data, dataset.target, test_size=0.2)

Modelek regresyonê ya xêzik ava bikin

model = LinearRegression()

Modelê li ser daneyên perwerdehiyê perwerde bikin

model.fit (X_train, y_train)

Modelê li ser daneyên ceribandinê binirxînin

rastbûn = model.score(X_test, y_test) çapkirin (f"Rastbûna modelê: {rastî:.2f}")


Ev bloka kodê destnîşan dike ka meriv çawa bi karanîna DSPy modelek fêrbûna makîneya hêsan ava dike. Em databasa diyabetê bar dikin, wê li komên perwerdehî û ceribandinê vediqetînin, modelek regresyonê ya xêzik ava dikin, li ser daneyên perwerdehiyê perwerde dikin, û rastbûna wê li ser daneyên ceribandinê dinirxînin.

## Bi LangChain-ê re Mîmariya Nermalava Ewlekar û Berbiçav a AI-Driven

Di vê beşê de, em ê mînakek hêsan a pêkanîna mîmariya nermalava AI-ê ya ewledar û berbelav bi LangChain re bigerin.

### Mînak: Bi LangChain re Modelek AI-ya Hêsan ava kirin

Ka em mînakek hêsan a avakirina modelek fêrbûna makîneyê bi karanîna LangChain bihesibînin. Em ê pirtûkxaneya TensorFlow bikar bînin da ku modelek tora neuralî ava bikin.

`` rust
langchain wekî lc bikar bînin;
tensorflow bikar bînin::prelude::*;

// Modela tora neuralî ya hêsan diyar bike
modela fn(vedan: &Tensor) -> Tensor {
    bila derkeve = input.matmul(&Tensor::new(1, 1));
    derketin
}

// Nûnerek LangChain biafirîne
bila agent = lc::Agent::new(model);

// Danasîna danezanê
bila database = lc::Dataset::new(vec![
    lc:: Mînak:: nû(vec![1.0, 2.0], vec![3.0]),
    lc:: Mînak:: nû(vec![4.0, 5.0], vec![6.0]),
]);

// Modelê li ser databasê perwerde bikin
agent.train(&dataset);

// Modela li ser databasê binirxînin
bila rastbûna = agent.evaluate(&dataset);
println!("Rastbûna modelê: {}", rastbûn);

Ev bloka kodê destnîşan dike ka meriv çawa bi karanîna LangChain modelek fêrbûna makîneya hêsan ava dike. Em modelek tora neuralî ya sade diyar dikin, karmendek LangChain diafirînin, danezanek diyar dikin, modelê li ser danûstendinê perwerde dikin, û rastbûna wê li ser danûstendinê dinirxînin.

Serê 5-10 Ferman/Parçeyên Herî Bikaranîn

Li vir 5-10 fermanên herî zêde têne bikar anîn ji bo DSPy û LangChain hene:

DSPy

  • dsp.split_dataset(dane, hedef, test_size=0.2): Danûstendinê li komên perwerde û ceribandinê dabeş dike.
  • dsp.build_model(model_name, model_params): Modelek fêrbûna makîneyê bi karanîna nav û pîvanên diyarkirî yên modelê ava dike.
  • dsp.train_model(model, data): Modela fêrbûna makîneyê li ser daneyên diyarkirî perwerde dike.
  • dsp.evaluate_model(model, dane): Performansa modela fêrbûna makîneyê li ser daneyên diyarkirî dinirxîne.
  • dsp.deploy_model(model, server_url): Modela fêrbûna makîneyê li URL-ya serverê ya diyarkirî bi cih dike.

LangChain

  • lc::Agent::new(model): Nûnerek LangChain bi karanîna modela diyarkirî diafirîne.
  • lc::Dataset::new(nimûne): Danûstendinek LangChain bi karanîna mînakên diyarkirî diafirîne.
  • lc::train(agent, database): Nûnera LangChain li ser databasa diyarkirî perwerde dike.
  • lc::evaluate(agent, database): Performansa agentê LangChain li ser databasa diyarkirî dinirxîne.
  • lc::deploy(agent, server_url): Nûnera LangChain li URL-ya serverê ya diyarkirî bi cih dike.

Visualization

Li vir dîmenek hêsan a mîmariya nermalava AI-ê bi karanîna Chart.js heye:

``javascript const ctx = document.getElementById('myChart').getContext('2d'); nexşeya const = nexşeya nû(ctx, { type: 'bar', data: { etîket: ['Dema Perwerdehiyê', 'Dema Encamê', 'Rastbûna Modelê'], Daneyên daneyan: [{ label: 'DSPy', data: [10, 5, 90], backgroundColor: 'rgba(255, 99, 132, 0.2)', borderColor: 'rgba(255, 99, 132, 1)', Firehiya sînor: 1 }, { label: 'LangChain', data: [8, 6, 92], backgroundColor: 'rgba(54, 162, 235, 0.2)', borderColor: 'rgba(54, 162, 235, 1)', Firehiya sînor: 1 }] }, vebijark: { pîvan: { y: { DestpêkAtZero: rast } } } });


Ev bloka kodê nexşeyek barek hêsan bi karanîna Chart.js diafirîne da ku performansa DSPy û LangChain xuya bike.

## Encam

Di vê gotarê de, me xaçerêya AI, endezyariya nermalavê, û DevOps, bi giraniyek taybetî li ser karanîna amûrên orkestrasyonê yên mîna DSPy û LangChain vekoland da ku ajanên AI-ê di lûleyên DevOps de yek bikin. Me destnîşan kir ka meriv çawa bi karanîna DSPy û LangChain mîmariya nermalava ewledar û berbelavkirî ya AI-ê bicîh dike, û mînakek hêsan a avakirina modelek fêrbûna makîneyê bi karanîna her amûrekê peyda kir. Di heman demê de me ji bo her amûrek 5-10 fermanên herî zêde têne bikar anîn û dîmenek hêsan a mîmariya nermalava AI-ê bi karanîna Chart.js peyda kir.

Have Questions?

Let's Talk

Contact me on LinkedIn