ZeroOps DevOps автоматжуулалтад зориулж LangChain болон DSPy-тэй хиймэл оюун ухааны агентуудыг зохион байгуулах | B4N1

ZeroOps DevOps автоматжуулалтад зориулж LangChain болон DSPy-тэй хиймэл оюун ухааны агентуудыг зохион байгуулах

7 months ago · b4n1 Read time: 5 min

Танилцуулга

Програм хангамжийн инженерчлэлийн салбарт DevOps автоматжуулалт нь програмуудыг жигд, үр ашигтай байршуулах, хянах, засвар үйлчилгээ хийх чухал хэсэг болсон. Гэсэн хэдий ч орчин үеийн програм хангамжийн системийн нарийн төвөгтэй байдал өсөхийн хэрээр гарын авлагын оролцоо, хүний ​​​​хяналт шаардлага улам бүр дарамт болж байна. AI агентууд нарийн төвөгтэй даалгавруудыг зохион байгуулж, автоматжуулж, хүний ​​хөгжүүлэгчдийг энгийн бөгөөд давтагдах ажлуудаас чөлөөлдөг алсын хараа болох ZeroOps-ийн үзэл баримтлал энд л гарч ирж байна.

Энэ нийтлэлд бид ZeroOps-д хүрэхийн тулд хиймэл оюун ухаан, програм хангамжийн инженерчлэл, DevOps автоматжуулалтын огтлолцлыг судлах болно. Бид энэхүү алсын харааг бий болгоход LangChain болон DSPy-ийн гүйцэтгэх үүргийн талаар судалж, нарийн төвөгтэй ажлуудыг автоматжуулахад эдгээр технологийг хэрхэн ашиглаж болох талаар практик жишээг өгөх болно.

Уламжлалт DevOps автоматжуулалттай холбоотой асуудал

Уламжлалт DevOps автоматжуулалт нь Jenkins, Ansible, Docker зэрэг хэрэгслүүдийн скрипт болон гарын авлагын тохиргооноос ихээхэн хамаардаг. Эдгээр хэрэгслүүд нь хөгжүүлэлт, байршуулалтын үйл явцыг оновчтой болгоход чухал үүрэг гүйцэтгэсэн боловч тэдгээрийг тохируулах, засварлахад ихээхэн туршлага, цаг хугацаа шаардагддаг.

Түүгээр ч зогсохгүй, программууд илүү төвөгтэй болж, тархах тусам бодит цагийн хяналт, санал хүсэлтийн хэрэгцээ улам бүр чухал болж байна. Энд AI агентууд орж ирдэг - тэд янз бүрийн эх сурвалжаас авсан өгөгдөлд дүн шинжилгээ хийж, хэв маягийг тодорхойлж, бие даан шийдвэр гаргах боломжтой.

DevOps автоматжуулалт дахь AI агентуудын өсөлт

AI агентууд бодит цагийн хяналт, гажиг илрүүлэх, автоматжуулсан шийдвэр гаргах замаар DevOps автоматжуулалтад хувьсгал хийх боломжтой. Машин сургалтын алгоритмууд болон байгалийн хэлний боловсруулалтыг ашигласнаар AI агентууд лог, хэмжүүр болон бусад мэдээллийн эх сурвалжид дүн шинжилгээ хийж болзошгүй асуудлуудыг ноцтой болохоос нь өмнө тодорхойлох боломжтой.

LangChain болон DSPy бол энэхүү хувьсгалын тэргүүн эгнээнд байгаа хоёр технологи юм. LangChain бол харилцан ярианы хиймэл оюун ухааны агентуудыг үүсгэх боломжийг олгодог Python номын сан бол DSPy бол хиймэл оюун ухааны загваруудыг бүтээх, ашиглах өндөр түвшний интерфейсээр хангадаг Rust номын сан юм.

LangChain: Харилцан ярианы AI агентуудад зориулсан Python номын сан

LangChain бол Python номын сан бөгөөд харилцан ярианы хиймэл оюун ухааны агентуудыг үүсгэх боломжийг олгодог. Энэ нь чатбот, дуут туслах болон бусад харилцан ярианы интерфэйсүүдийг бүтээх, ашиглахад хялбар бөгөөд ойлгомжтой API-г өгдөг.

LangChain-ийн гол онцлогуудын нэг нь хэлний загвар, мэдлэгийн график, шийдвэрийн мод зэрэг төрөл бүрийн AI загваруудтай нэгтгэх чадвар юм. Энэ нь хөгжүүлэгчдэд хялбархан байрлуулж, хадгалах боломжтой харилцан ярианы урсгал, шийдвэр гаргах логикийг бий болгох боломжийг олгодог.

LangChain ашиглан энгийн чатбот хэрхэн үүсгэх жишээ энд байна.

langchain импортлох

# Хэлний загвар үүсгэх
загвар = langchain.LMModel("дистильберт-баазгүй")

# Мэдлэгийн график үүсгэх
график = langchain.KnowledgeGraph("миний_граф")

# Чатбот үүсгэх
chatbot = langchain.Chatbot(загвар, график)

# Харилцааны урсгалыг тодорхойлох
урсгал = [
    {"оролт": "сайн уу", "гаралт": "сайн уу!"},
    {"оролт": "сайн байна уу", "гаралт": "Би сайн байна, баярлалаа!"},
]

# Чатботыг байрлуул
chatbot.deploy(урсгал)

DSPy: AI загваруудыг бүтээх, ашиглахад зориулсан зэвний номын сан

DSPy бол AI загваруудыг бүтээх, байрлуулах өндөр түвшний интерфейсээр хангадаг Rust номын сан юм. Энэ нь хөгжүүлэгчдэд TensorFlow, PyTorch зэрэг олон төрлийн алгоритм, хүрээ ашиглан машин сургалтын загвар бүтээх, сургах боломжийг олгодог.

DSPy-ийн гол онцлогуудын нэг нь мэдээллийн сан, API, файлын систем зэрэг янз бүрийн мэдээллийн эх сурвалжтай нэгтгэх чадвар юм. Энэ нь хөгжүүлэгчдэд хялбар байрлуулж, засвар үйлчилгээ хийх боломжтой нарийн төвөгтэй мэдээллийн дамжуулах хоолой, ажлын урсгалыг бий болгох боломжийг олгодог.

DSPy ашиглан энгийн машин сургалтын загварыг хэрхэн бүтээх жишээ энд байна.

dspy ашиглах::{Загвар, Датасет};

// Өгөгдлийн багц үүсгэх
let dataset = Dataset::new("my_dataset");

// Загвар үүсгэх
let model = Model::new("миний_загвар");

// Загварыг сургах
загвар.галт тэрэг (өгөгдлийн багц);

// Загварыг байрлуулах
model.deploy();

AI агентуудыг LangChain болон DSPy ашиглан зохион байгуулах

Одоо бид LangChain болон DSPy-ийг харилцан ярианы AI агентууд болон машин сургалтын загваруудыг бий болгоход хэрхэн ашиглаж болохыг олж харсан тул эдгээр технологийг AI агентуудыг зохион байгуулахад хэрхэн ашиглаж болохыг судалж үзье.

DevOps автоматжуулалтын гол сорилтуудын нэг бол нэгдмэл, автоматжуулсан ажлын урсгалыг бий болгохын тулд олон хэрэгсэл, үйлчилгээг нэгтгэх явдал юм. Энд LangChain болон DSPy орж ирдэг - тэд янз бүрийн хэрэгсэл, үйлчилгээтэй нэгтгэх боломжтой AI агентуудыг бий болгох, байрлуулах өндөр түвшний интерфейсээр хангадаг.

LangChain болон DSPy ашиглан AI агентуудыг хэрхэн зохион байгуулах жишээ энд байна.

langchain импортлох
dspy импортлох

# Хэлний загвар үүсгэх
загвар = langchain.LMModel("дистильберт-баазгүй")

# Мэдлэгийн график үүсгэх
график = langchain.KnowledgeGraph("миний_граф")

# Чатбот үүсгэх
chatbot = langchain.Chatbot(загвар, график)

# Машин сургалтын загварыг бий болгох
ml_model = dspy.Model("миний_загвар")

# Харилцааны урсгалыг тодорхойлох
урсгал = [
    {"оролт": "сайн уу", "гаралт": "сайн уу!"},
    {"оролт": "сайн байна уу", "гаралт": "Би сайн байна, баярлалаа!"},
]

# Чатботыг байрлуул
chatbot.deploy(урсгал)

# Машин сургалтын загварыг сургах
ml_model.train("миний_өгөгдлийн багц")

# Машин сургалтын загварыг ашиглах
ml_model.deploy()

Хамгийн их хэрэглэгддэг 5-10 тушаал/хэсэг

LangChain болон DSPy-д хамгийн их ашиглагддаг 5-10 тушаал/хэсэг энд байна:

  1. langchain.LMModel("distilbert-base-uncased"): DistilBERT алгоритмыг ашиглан хэлний загвар үүсгэнэ.
  2. langchain.KnowledgeGraph("my_graph"): Заасан графикийг ашиглан мэдлэгийн график үүсгэнэ.
  3. langchain.Chatbot(загвар, график): Заасан хэлний загвар болон мэдлэгийн график ашиглан чатбот үүсгэнэ.
  4. dspy.Model("my_model"): Заасан загварыг ашиглан машин сургалтын загварыг үүсгэнэ.
  5. dspy.Dataset("my_dataset"): Заасан датасетийг ашиглан өгөгдлийн багц үүсгэнэ.
  6. model.train(dataset): Заасан өгөгдлийн багцыг ашиглан машин сургалтын загварыг сургадаг.
  7. model.deploy(): Машин сургалтын загварыг байрлуулна.
  8. chatbot.deploy(flow): Заасан харилцан ярианы урсгалыг ашиглан чатботыг байрлуулна.
  9. graph.add_node("node1", "node2"): Мэдлэгийн графикт зангилаа нэмнэ.
  10. graph.add_edge("node1", "node2"): Мэдлэгийн графикт ирмэг нэмнэ.

Дүрслэл

Chart.js ашиглан LangChain болон DSPy архитектурын дүрслэлийг энд үзүүлэв.

{
  "төрөл": "бар",
  "өгөгдөл": {
    "шошго": ["LangChain", "DSPy"],
    "өгөгдлийн багц": [
      {
        "label": "Харилцан ярианы AI агентууд",
        "өгөгдөл": [10, 5],
        "backgroundColor": ["#4CAF50", "#FF9800"]
      },
      {
        "label": "Машин сурах загвар",
        "өгөгдөл": [5, 10],
        "backgroundColor": ["#2196F3", "#9C27B0"]
      }
    ]
  },
  "сонголт": {
    "гарчиг": {
      "дэлгэц": үнэн,
      "текст": "LangChain ба DSPy архитектур"
    },
    "домог": {
      "дэлгэц": үнэн
    }
  }
}

Энэхүү дүрслэл нь LangChain болон DSPy хооронд харилцан ярианы AI агентууд болон машин сургалтын загваруудын тархалтыг харуулж байна.

Дүгнэлт

Энэ нийтлэлд бид ZeroOps-д хүрэхийн тулд хиймэл оюун ухаан, програм хангамжийн инженерчлэл, DevOps автоматжуулалтын огтлолцлыг судалсан. LangChain болон DSPy-ийг харилцан ярианы AI агентууд болон машин сургалтын загваруудыг бий болгоход хэрхэн ашиглаж болохыг, мөн эдгээр технологийг AI агентуудыг зохион байгуулахад хэрхэн ашиглаж болохыг бид харсан.

AI болон автоматжуулалтын хүчийг ашигласнаар хөгжүүлэгчид хялбархан байрлуулж, засвар үйлчилгээ хийх боломжтой нарийн төвөгтэй, үр ашигтай ажлын урсгалыг бий болгож чадна. Та туршлагатай хөгжүүлэгч эсвэл дөнгөж эхэлж байгаа эсэхээс үл хамааран LangChain болон DSPy хиймэл оюун ухааны агентуудыг бий болгох, ашиглахад хүчирхэг, ойлгомжтой интерфейсээр хангадаг.

Програм хангамжийн инженерчлэлийн ертөнц үргэлжлэн хөгжиж байгаа тул автоматжуулалт болон хиймэл оюун ухааны хэрэгцээ улам бүр нэмэгдсээр байх болно. Эдгээр технологийг ашигласнаар хөгжүүлэгчид өөрчлөгдөж буй шаардлага, орчинд дасан зохицож чадах илүү үр ашигтай, өргөтгөх боломжтой, засвар үйлчилгээ хийх боломжтой системийг бий болгож чадна.

Дараагийн өгүүллээр бид LangChain болон DSPy-ийн илүү дэвшилтэт сэдвүүдийг судлах болно, үүнд бусад хэрэгсэл, үйлчилгээнүүдтэй хэрхэн нэгтгэх, AI загвар, ажлын урсгалыг хэрхэн бий болгох зэрэг болно. Хамтдаа байгаарай!

Have Questions?

Let's Talk

Contact me on LinkedIn