Dirbtinio intelekto valdomos „DevOps“ automatizacijos su DSPy ir „LangChain“ suderinimas geoerdviniam intelektui | B4N1

Dirbtinio intelekto valdomos „DevOps“ automatizacijos su DSPy ir „LangChain“ suderinimas geoerdviniam intelektui

3 months ago · b4n1 Read time: 3 min

** Dirbtinio intelekto valdomos „DevOps“ automatizacijos su DSPy ir „LangChain“ suderinimas geoerdviniam intelektui**

Įvadas

5 trilijonų dolerių vertės pramonės sutrikimas, kurį sukėlė robotikos naujovės ir programinės įrangos architektūros saugumas, sukėlė neatidėliotiną veiksmingo ir efektyvaus „DevOps“ automatizavimo poreikį. Geoerdvinė žvalgyba, apimanti geografiškai nurodytų duomenų rinkimą, analizę ir interpretavimą, yra esminis šio sutrikimo komponentas. Šiame straipsnyje mes išnagrinėsime AI, geografinės erdvės žvalgybos ir „DevOps“ automatizavimo sankirtą naudojant DSPy ir LangChain. Mes gilinsimės į robotikos naujovių ir programinės įrangos architektūros saugumo iššūkius ir parodysime, kaip DSPy ir LangChain gali būti naudojami šiems iššūkiams spręsti.

Robotikos inovacijų ir programinės įrangos architektūros saugos iššūkiai

Robotikos naujovės paskatino sukurti autonomines sistemas, kurios gali rinkti ir analizuoti didelius geoerdvinių duomenų kiekius. Tačiau tai taip pat sukėlė naujų iššūkių programinės įrangos architektūros saugos požiūriu. Kadangi autonominės sistemos tampa sudėtingesnės, didėja programinės įrangos klaidų ir saugumo spragų rizika. Tai gali turėti rimtų pasekmių, įskaitant avarijas ir duomenų pažeidimus.

** AI vaidmuo „DevOps“ automatizavime**

Dirbtinis intelektas (AI) gali pakeisti „DevOps“ automatizavimą, pateikdamas įžvalgas realiuoju laiku ir automatizuodamas pasikartojančias užduotis. Dirbtinio intelekto įrankiai gali analizuoti didelius duomenų rinkinius, nustatyti modelius ir numatyti prognozes, todėl kūrėjai gali sutelkti dėmesį į aukšto lygio užduotis ir pagerinti bendrą kodo kokybę.

Pristatome DSPy ir LangChain

„DSPy“ ir „LangChain“ yra dvi atvirojo kodo sistemos, leidžiančios kūrėjams kurti dirbtinio intelekto pagrindu veikiančius „DevOps“ automatizavimo įrankius. DSPy yra Python pagrindu sukurta sistema, teikianti bibliotekų ir įrankių rinkinį duomenų mokslo vamzdynams kurti. Kita vertus, „LangChain“ yra sistema, leidžianti kūrėjams kurti pokalbio AI modelius naudojant įvairias programavimo kalbas, įskaitant Python ir Go.

DSPy ir LangChain naudojimas geografinei žvalgybai

Norėdami parodyti DSPy ir LangChain galimybes, panagrinėkime paprastą pavyzdį. Tarkime, kad norime sukurti įrankį, kuris renka ir analizuoja geoerdvinius duomenis iš įvairių šaltinių, įskaitant palydovinius vaizdus ir jutiklių duomenis. Galime naudoti DSPy, kad sukurtume duomenų mokslo vamzdyną, kuris renka ir iš anksto apdoroja duomenis, o „LangChain“ – pokalbio AI modeliui, teikiančiam kūrėjams įžvalgų ir rekomendacijų, sukurti.

Kodo pavyzdys: Geoerdvinių duomenų rinkimas ir analizavimas naudojant DSPy

importuoti pandas kaip pd
importuoti numpy kaip np
iš dspy import DataPipeline


vamzdynas = DataPipeline()

# Pridėkite veiksmą, kad rinktumėte palydovinių vaizdų duomenis
pipeline.add_step("rinkti_vaizdus", lambda: pd.read_csv("satellite_imagery.csv"))

# Pridėkite veiksmą išankstiniam duomenų apdorojimui
pipeline.add_step("preprocess_data", lambda x: x.dropna())

# Pridėkite veiksmą duomenų analizei
pipeline.add_step("analyze_data", lambda x: x.describe())

# Paleiskite dujotiekį
rezultatai = pipeline.run()

# Spausdinkite rezultatus
spausdinti (rezultatai)

Kodo pavyzdys: pokalbio AI modelio kūrimas naudojant „LangChain“

pagrindinis paketas

importuoti (
	"kontekstas"
	"fmt"

	"github.com/lngchain/lngchain-go/v2/core/types"
	"github.com/lngchain/lngchain-go/v2/executor"
)

func main() {
	// Sukurkite naują kontekstą
	ctx := kontekstas.Fonas()

	// Sukurti naują vykdytoją
	vykdytojas := vykdytojas.NewExecutor(ctx)

	// Apibrėžkite naują pokalbio AI modelį
	modelis := &vykdytojas.Modelis{
		Pavadinimas: "geospatial_intelligence",
		Veiksmai: []vykdytojas.Žingsnis{
			{
				Pavadinimas: "collect_imagery",
				Funkcija: func(ctx kontekstas. Kontekstas, įvesties tipai. Įvestis) (tipai. Išvestis, klaida) {
					// Surinkite palydovinių vaizdų duomenis
					grąžinimo tipai. Išvestis{Duomenys: []baitas("palydovo_vaizdų_duomenys")}, nulis
				},
			},
			{
				Pavadinimas: "preprocess_data",
				Funkcija: func(ctx kontekstas. Kontekstas, įvesties tipai. Įvestis) (tipai. Išvestis, klaida) {
					// Iš anksto apdoroti duomenis
					grąžinimo tipai. Išvestis{Duomenys: []baitas("iš anksto apdoroti_duomenys")}, nulis
				},
			},
			{
				Pavadinimas: "analyze_data",
				Funkcija: func(ctx kontekstas. Kontekstas, įvesties tipai. Įvestis) (tipai. Išvestis, klaida) {
					// Išanalizuoti duomenis
					grąžinimo tipai. Išvestis{Duomenys: []baitas("analizuoti_duomenys")}, nulis
				},
			},
		},
	}

	// Paleiskite modelį
	išvestis, klaida := vykdytojas.RunModel(ctx, modelis)

	// Spausdinti išvestį
	fmt.Println(išvestis)
}

** 5–10 dažniausiai naudojamų komandų / fragmentų, skirtų DSPy ir LangChain**

Štai keletas dažniausiai naudojamų DSPy ir LangChain komandų ir fragmentų:

  • DSPy:
    • dspy.DataPipeline(): sukuria naują duomenų konvejerį.
    • pipeline.add_step(): į duomenų konvejerį įtraukiamas naujas veiksmas.
    • pipeline.run(): paleidžia duomenų konvejerį.
    • pd.read_csv(): nuskaito CSV failą į Pandas duomenų rėmelį.
    • x.dropna(): iš Pandas duomenų rėmelio išmeta eilutes su trūkstamomis reikšmėmis.
  • LangChain:
    • executor.NewExecutor(): sukuria naują vykdytoją.
    • modelis := &vykdytojas.Modelis{...}: apibrėžia naują pokalbio AI modelį.
    • modelis.Žingsniai = []vykdytojas.Žingsnis{...}: apibrėžia pokalbio AI modelio veiksmus.
    • executor.RunModel(): paleidžia pokalbio AI modelį.
    • types.Input{Data: []byte("input_data")}: sukuria naują pokalbio AI modelio įvestį.

Vizualizacija

Štai vizualizacijos naudojant Chart.js pavyzdys:

{
  "tipas": "juosta",
  "duomenys": {
    "etiketės": ["Palydoviniai vaizdai", "Jutiklio duomenys", "Kita"],
    "duomenų rinkiniai": [
      {
        "label": "Duomenų šaltiniai",
        "duomenys": [10, 20, 30],
        "backgroundColor": ["#FF0000", "#00FF00", "#0000FF"]
      }
    ]
  },
  "parinktys": {
    "pavadinimas": {
      "display": tiesa,
      "text": "Duomenų šaltiniai"
    },
    "legenda": {
      ekranas: tiesa
    }
  }
}

Ši vizualizacija parodo geoerdvinės žvalgybos programos duomenų šaltinių pasiskirstymą.

Išvada

Šiame straipsnyje mes ištyrėme AI, geografinės erdvės žvalgybos ir „DevOps“ automatizavimo sankirtą naudodami DSPy ir LangChain. Parodėme, kaip šias sistemas galima naudoti kuriant dirbtinio intelekto valdomus „DevOps“ automatizavimo įrankius, kurie renka ir analizuoja geoerdvinius duomenis. Taip pat pateikėme kodo pavyzdžių ir vizualizaciją, iliustruojančią DSPy ir LangChain galimybes. Naudodami šias sistemas, kūrėjai gali sukurti efektyvesnius ir efektyvesnius „DevOps“ automatizavimo įrankius, kurie pagerina jų kodo kokybę ir patikimumą.

Have Questions?

Let's Talk

Contact me on LinkedIn