AI ଚାଳିତ ଏଜେଣ୍ଟ ଏବଂ DevOps ସାଧନ ସହିତ ଘଟଣାର ଅନୁସନ୍ଧାନ ସ୍ୱୟଂଚାଳିତ

ପରିଚୟ

ଆଜିର କ୍ଲାଉଡ୍-ଦେଶୀ ପରିବେଶରେ, ଘଟଣାର ଅନୁସନ୍ଧାନ ଏବଂ ସମାଧାନ ହେଉଛି DevOps ଅଭ୍ୟାସର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ | ତଥାପି, ମାନୁଆଲ ଘଟଣାର ଅନୁସନ୍ଧାନ ସମୟ ସାପେକ୍ଷ, ତ୍ରୁଟି ପ୍ରବଣ ହୋଇପାରେ ଏବଂ ପ୍ରାୟତ ext ବ୍ୟାପକ ଜ୍ଞାନକ .ଶଳ ଆବଶ୍ୟକ କରେ | ଏହି ଆହ୍ address ାନଗୁଡିକର ସମାଧାନ ପାଇଁ, ଆମେ ସ୍ୱୟଂଚାଳିତ ଘଟଣାର ଅନୁସନ୍ଧାନ ଏବଂ ସମାଧାନ ପାଇଁ AWS DevOps ଏଜେଣ୍ଟ ଏବଂ DSPy ସହିତ କିରୋ AI ଚାଳିତ ଏଜେଣ୍ଟଗୁଡିକର ଏକୀକରଣକୁ ଅନୁସନ୍ଧାନ କରିବୁ |

** ଉପାଦାନଗୁଡ଼ିକୁ ବୁ ** ିବା **

ଏକୀକରଣରେ ବୁଡ଼ିବା ପୂର୍ବରୁ, ଆସନ୍ତୁ ଜଡିତ ଉପାଦାନଗୁଡ଼ିକୁ ବୁ understand ିବା:

** କିରୋ AI- ଚାଳିତ ଏଜେଣ୍ଟ **: କିରୋ ହେଉଛି ଏକ AI- ଚାଳିତ ପ୍ଲାଟଫର୍ମ ଯାହା କାର୍ଯ୍ୟ ଏବଂ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ କଷ୍ଟମ୍ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରେ | ଏହି ଏଜେଣ୍ଟମାନଙ୍କୁ ଲଗ, ମେଟ୍ରିକ୍ସ ଏବଂ ବିନ୍ୟାସ ଫାଇଲ ସହିତ ବିଭିନ୍ନ ତଥ୍ୟ ଉତ୍ସ ଉପରେ ତାଲିମ ଦିଆଯାଇପାରିବ |
** AWS DevOps ଏଜେଣ୍ଟ **: AWS DevOps ଏଜେଣ୍ଟ ହେଉଛି ଏକ ସାଧନ ଯାହା AWS ରେ କାର୍ଯ୍ୟ ଏବଂ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ସ୍ୱୟଂଚାଳିତ କରିଥାଏ | କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଏହା ଏକ ନମନୀୟ ଏବଂ ମାପନୀୟ ଉପାୟ ପ୍ରଦାନ କରିଥାଏ, ଯେପରିକି ପ୍ରୟୋଗ ନିୟୋଜନ, କାର୍ଯ୍ୟଦକ୍ଷତା ଉପରେ ନଜର ରଖିବା, ଏବଂ ତ୍ରୁଟି ନିବାରଣ ସମସ୍ୟା |
** DSPy **: DSPy ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା କ୍ଲାଉଡ୍-ଦେଶୀ ଡାଟା ପ୍ଲାଟଫର୍ମ DSPy ସହିତ ଯୋଗାଯୋଗ କରିବାର ଏକ ସରଳ ଏବଂ ଦକ୍ଷ ଉପାୟ ପ୍ରଦାନ କରିଥାଏ | DSPy କଷ୍ଟମ୍ ଡାଟା ପାଇପଲାଇନ, ଡାଟା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ଡାଟା ଭିଜୁଆଲାଇଜେସନ୍ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରେ |

ଏକୀକରଣ ସମୀକ୍ଷା

AWS DevOps ଏଜେଣ୍ଟ ଏବଂ DSPy ସହିତ କିରୋ AI- ଚାଳିତ ଏଜେଣ୍ଟଗୁଡିକର ଏକୀକରଣ ନିମ୍ନଲିଖିତ ପଦକ୍ଷେପଗୁଡ଼ିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ:

1। ** ତଥ୍ୟ ସଂଗ୍ରହ **: AWS DevOps ଏଜେଣ୍ଟ ବିଭିନ୍ନ ଉତ୍ସରୁ ତଥ୍ୟ ସଂଗ୍ରହ କରିଥାଏ ଯେପରିକି ଲଗ୍, ମେଟ୍ରିକ୍, ଏବଂ ବିନ୍ୟାସ ଫାଇଲ | 2। ** ଡାଟା ପ୍ରକ୍ରିୟାକରଣ **: ସଂଗୃହିତ ତଥ୍ୟକୁ DSPy ବ୍ୟବହାର କରି ପ୍ରକ୍ରିୟାକରଣ କରାଯାଏ, ଯାହା କଷ୍ଟମ୍ ଡାଟା ପାଇପଲାଇନ, ଡାଟା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ଡାଟା ଭିଜୁଆଲାଇଜେସନ୍ ସୃଷ୍ଟି କରିବାକୁ ସକ୍ଷମ କରିଥାଏ | 3। ** ଏଜେଣ୍ଟ୍ ଟ୍ରେନିଂ **: କିରୋ AI ଚାଳିତ ଏଜେଣ୍ଟକୁ ତାଲିମ ଦେବା ପାଇଁ ପ୍ରକ୍ରିୟାକୃତ ତଥ୍ୟ ବ୍ୟବହୃତ ହୁଏ, ଯାହା ଏଜେଣ୍ଟକୁ ତଥ୍ୟରେ s ାଞ୍ଚା ଏବଂ ଅସନ୍ତୁଷ୍ଟତା ଶିଖିବାକୁ ସକ୍ଷମ କରିଥାଏ | 4। ** ଘଟଣାର ଅନୁସନ୍ଧାନ **: ଯେତେବେଳେ ଏକ ଘଟଣା ଘଟେ, ତାଲିମ ପ୍ରାପ୍ତ ମଡେଲ ଏବଂ ତଥ୍ୟ ବ୍ୟବହାର କରି ଘଟଣାର ଅନୁସନ୍ଧାନ ପାଇଁ କିରୋ ଏଆଇ ଚାଳିତ ଏଜେଣ୍ଟ ଟ୍ରିଗର ହୋଇଥାଏ | 5। ** ରିଜୋଲ୍ୟୁସନ୍ **: ଏଜେଣ୍ଟ୍ ଘଟଣାର ସମାଧାନ ପାଇଁ ସୁପାରିଶ ପ୍ରଦାନ କରେ, ଯାହା AWS DevOps ଏଜେଣ୍ଟ ବ୍ୟବହାର କରି କାର୍ଯ୍ୟକାରୀ ହୋଇପାରିବ |

କୋଡ୍ ଉଦାହରଣ

aws_config = json.load (ଖୋଲନ୍ତୁ ('aws_config.json'))

ଏକ କିରୋ AI ଚାଳିତ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣାର ଅନୁସନ୍ଧାନ ଏବଂ ସମାଧାନ', ମଡେଲ୍ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ମୋଡେଲ୍' | )

ଏକ DSPy ଉଦାହରଣ ସୃଷ୍ଟି କରନ୍ତୁ |

dspy = DSPy ( ହୋଷ୍ଟ = 'ଲୋକାଲ୍ ହୋଷ୍ଟ', ପୋର୍ଟ = 8080, ଉପଯୋଗକର୍ତ୍ତା ନାମ = 'ଆଡମିନି', ପାସୱାର୍ଡ = 'ପାସୱାର୍ଡ' )

DSPy ବ୍ୟବହାର କରି ଏକ ଡାଟା ପାଇପଲାଇନକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ପାଇପଲାଇନ = dspy.pipeline ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ ପାଇପଲାଇନ', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ପାଇପଲାଇନ', ଉତ୍ସ = ['ଲଗ', 'ମେଟ୍ରିକ୍ସ', 'ବିନ୍ୟାସ'] )

ଡାଟା ପାଇପଲାଇନ ବ୍ୟବହାର କରି କିରୋ AI ଚାଳିତ ଏଜେଣ୍ଟକୁ ତାଲିମ ଦିଅନ୍ତୁ |

agent.train ( ପାଇପଲାଇନ = ପାଇପଲାଇନ, ଡାଟା = dspy.data ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ ଡାଟା', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ତଥ୍ୟ' ) )

ଏକ ଘଟଣାର ଅନୁସନ୍ଧାନ ପାଇଁ କିରୋ AI ଚାଳିତ ଏଜେଣ୍ଟକୁ ଟ୍ରିଗର କରନ୍ତୁ |

ଘଟଣା = { 'id': 'INC-12345', 'ବର୍ଣ୍ଣନା': 'ପ୍ରୟୋଗ ଡାଉନଟାଇମ୍' } agent.trigger ( ଘଟଣା = ଘଟଣା, ଡାଟା = dspy.data ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ ଡାଟା', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ତଥ୍ୟ' ) )

ଘଟଣାର ସମାଧାନ ପାଇଁ ଏଜେଣ୍ଟଙ୍କ ସୁପାରିଶ ପାଆନ୍ତୁ |

ସୁପାରିଶ = ଏଜେଣ୍ଟ। ଘଟଣା = ଘଟଣା, ଡାଟା = dspy.data ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ ଡାଟା', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ତଥ୍ୟ' ) )

AWS DevOps ଏଜେଣ୍ଟ ବ୍ୟବହାର କରି ଏଜେଣ୍ଟଙ୍କ ସୁପାରିଶକୁ କାର୍ଯ୍ୟକାରୀ କରନ୍ତୁ |

aws_config ['ସୁପାରିଶ'] = ସୁପାରିଶ | aws_config ['ଘଟଣା_ଡ'] = ଘଟଣା ['id'] aws_config ['description'] = ଘଟଣା ['ବର୍ଣ୍ଣନା'] `` ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

ଏହି ଟେକ୍ନୋଲୋଜି ପାଇଁ ଏଠାରେ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଅଛି:

1। ** କିରୋ AI- ଚାଳିତ ଏଜେଣ୍ଟ ସୃଷ୍ଟି **: "ପାଇଥନ୍ | ଏଜେଣ୍ଟ = ଏଜେଣ୍ଟ ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣାର ଅନୁସନ୍ଧାନ ଏବଂ ସମାଧାନ', ମଡେଲ୍ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ମୋଡେଲ୍' | ) 2। ** DSPy ଇନଷ୍ଟାନ୍ସ ସୃଷ୍ଟି **: "ପାଇଥନ୍ | dspy = DSPy ( ହୋଷ୍ଟ = 'ଲୋକାଲ୍ ହୋଷ୍ଟ', ପୋର୍ଟ = 8080, ଉପଯୋଗକର୍ତ୍ତା ନାମ = 'ଆଡମିନି', ପାସୱାର୍ଡ = 'ପାସୱାର୍ଡ' ) 3। ** ଡାଟା ପାଇପଲାଇନ ସଂଜ୍ଞା **: "ପାଇଥନ୍ | ପାଇପଲାଇନ = dspy.pipeline ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ ପାଇପଲାଇନ', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ପାଇପଲାଇନ', ଉତ୍ସ = ['ଲଗ', 'ମେଟ୍ରିକ୍ସ', 'ବିନ୍ୟାସ'] ) 4। ** କିରୋ AI- ଚାଳିତ ଏଜେଣ୍ଟ ତାଲିମ **: "ପାଇଥନ୍ | agent.train ( ପାଇପଲାଇନ = ପାଇପଲାଇନ, ଡାଟା = dspy.data ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ ଡାଟା', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ତଥ୍ୟ' ) ) 5। ** କିରୋ AI- ଚାଳିତ ଏଜେଣ୍ଟ ଟ୍ରାଇଜିଂ **: "ପାଇଥନ୍ | agent.trigger ( ଘଟଣା = ଘଟଣା, ଡାଟା = dspy.data ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ ଡାଟା', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ତଥ୍ୟ' ) ) 6। ** ଏଜେଣ୍ଟ ସୁପାରିଶ ପୁନରୁଦ୍ଧାର **: "ପାଇଥନ୍ | ସୁପାରିଶ = ଏଜେଣ୍ଟ। ଘଟଣା = ଘଟଣା, ଡାଟା = dspy.data ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ ଡାଟା', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ତଥ୍ୟ' ) ) 7। ** AWS DevOps ଏଜେଣ୍ଟ ବିନ୍ୟାସ ଲୋଡିଂ **: "ପାଇଥନ୍ | aws_config = json.load (ଖୋଲନ୍ତୁ ('aws_config.json')) 8। ** AWS DevOps ଏଜେଣ୍ଟ ସୁପାରିଶ ନିଷ୍ପାଦନ **: "ପାଇଥନ୍ | aws_config ['ସୁପାରିଶ'] = ସୁପାରିଶ | aws_config ['ଘଟଣା_ଡ'] = ଘଟଣା ['id'] aws_config ['description'] = ଘଟଣା ['ବର୍ଣ୍ଣନା'] 9। ** DSPy ଡାଟା ପୁନରୁଦ୍ଧାର **: "ପାଇଥନ୍ | ଡାଟା = dspy.data ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ ଡାଟା', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ତଥ୍ୟ' ) 10। ** କିରୋ AI- ଚାଳିତ ଏଜେଣ୍ଟ ମଡେଲ୍ ଲୋଡିଂ **: "ପାଇଥନ୍ | model = agent.model ( ନାମ = 'ଘଟଣା_ ଅନୁସନ୍ଧାନ_ମୋଡେଲ୍', description = 'ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ମଡେଲ' )

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି ଏକୀକରଣର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["ଡାଟା ସଂଗ୍ରହ", "ଡାଟା ପ୍ରକ୍ରିୟାକରଣ", "ଏଜେଣ୍ଟ ଟ୍ରେନିଂ", "ଘଟଣାର ଅନୁସନ୍ଧାନ", "ରିଜୋଲ୍ୟୁସନ୍"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "ସମୟ (ସେକେଣ୍ଡ୍)", "ତଥ୍ୟ": [10, 20, 30, 40, 50], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": [ "rgba (255, 99, 132, 0.2)", "rgba (54, 162, 235, 0.2)", "rgba (255, 206, 86, 0.2)", "rgba (75, 192, 192, 0.2)", "rgba (153, 102, 255, 0.2)" ], "borderColor": [ "rgba (255, 99, 132, 1)", "rgba (54, 162, 235, 1)", "rgba (255, 206, 86, 1)", "rgba (75, 192, 192, 1)", "rgba (153, 102, 255, 1)" ], "ସୀମା ଓସାର": 1 } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ମାପ": { "yAxes": [ { "ଟିକ୍ସ": { "startAtZero": ସତ୍ୟ | } } ] } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଏକୀକରଣ ପ୍ରକ୍ରିୟାରେ ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପ ପାଇଁ ନିଆଯାଇଥିବା ସମୟକୁ ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, କ୍ଲାଉଡ୍-ଦେଶୀ ପରିବେଶରେ ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ଏବଂ ସମାଧାନ ପାଇଁ AWS DevOps ଏଜେଣ୍ଟ ଏବଂ DSPy ସହିତ କିରୋ AI- ଚାଳିତ ଏଜେଣ୍ଟମାନଙ୍କର ଏକୀକରଣ ବିଷୟରେ ଆମେ ଅନୁସନ୍ଧାନ କଲୁ | ଆମେ ଜଡିତ ଉପାଦାନଗୁଡ଼ିକର ଏକ ବିସ୍ତୃତ ସମୀକ୍ଷା, ଏକୀକରଣ ପ୍ରକ୍ରିୟା, ଏବଂ ଏକ ସରଳ କୋଡ୍ ଉଦାହରଣ ପ୍ରଦାନ କରିଛୁ ଯାହା ଏକୀକରଣକୁ ଦର୍ଶାଏ | ଆମେ Chart.js ବ୍ୟବହାର କରି ଏକୀକରଣର ଏକ ଭିଜୁଆଲାଇଜେସନ୍ ଏବଂ ଏହି ଟେକ୍ନୋଲୋଜି ପାଇଁ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ର ଏକ ତାଲିକା ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ କରିଛୁ |

AWS DevOps ଏଜେଣ୍ଟ ସଂରଚନାକୁ ଧାରଣ କରନ୍ତୁ |