ପରିଚୟ

ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ଏବଂ ମେସିନ୍ ଲର୍ନିଂ (ML) ର ଏକୀକରଣ ସହିତ ଡିଭୋପ୍ସ କ୍ଷେତ୍ର ନିକଟ ଅତୀତରେ ବହୁ ପରିବର୍ତ୍ତନ ଆଣିଛି | ଏକ ପ୍ରମୁଖ କ୍ଷେତ୍ର ଯେଉଁଠାରେ AI ଏକ ମହତ୍ impact ପୂର୍ଣ୍ଣ ପ୍ରଭାବ ପକାଉଛି ତାହା ହେଉଛି ସ୍ୱୟଂଚାଳିତ କ୍ଷେତ୍ରରେ | AI ଏଜେଣ୍ଟମାନଙ୍କୁ ଲିଭର୍ କରି, ସଂସ୍ଥାଗୁଡ଼ିକ ସେମାନଙ୍କର ସଫ୍ଟୱେର୍ ବିକାଶ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ଶୃଙ୍ଖଳିତ କରିପାରିବେ, ମାନୁଆଲ୍ ତ୍ରୁଟି ହ୍ରାସ କରିପାରିବେ ଏବଂ ସାମଗ୍ରିକ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିପାରିବେ |

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy framework ାଞ୍ଚା ଉପରେ ଧ୍ୟାନ ଦେଇ AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ଦୁନିଆକୁ ଅନୁଧ୍ୟାନ କରିବୁ | ସକ୍ରିୟ ଇସୁ ରିଜୋଲ୍ୟୁସନ୍ ସିଷ୍ଟମ ସୃଷ୍ଟି କରିବା ଏବଂ ସଫ୍ଟୱେର୍ ବିକାଶ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଏହି ଉପକରଣଗୁଡିକ କିପରି ବ୍ୟବହାର କରାଯାଇପାରିବ ଆମେ ଅନୁସନ୍ଧାନ କରିବୁ | ଅତିରିକ୍ତ ଭାବରେ, ଆମେ ଆପଣଙ୍କର DevOps ପାଇପଲାଇନରେ ବଡ଼ ଭାଷା ମଡେଲଗୁଡିକ (LLM) କୁ କିପରି ସଂଯୋଗ କରିବେ ତାହାର ଏକ ବ୍ୟବହାରିକ ଉଦାହରଣ ପ୍ରଦାନ କରିବୁ |

LangChain ଏବଂ DSPy କ’ଣ?

ଆମେ AI- ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତର ସବିଶେଷ ବିବରଣୀ ଭିତରକୁ ଯିବା ପୂର୍ବରୁ, ଚାଲନ୍ତୁ ଲ୍ୟାଙ୍ଗଚେନ ଏବଂ DSPy framework ାଞ୍ଚାଗୁଡ଼ିକ ଉପରେ ସଂକ୍ଷିପ୍ତ ଦୃଷ୍ଟି ଦେବା |

ଲାଙ୍ଗ୍ ଚେନ୍ |

LangChain ହେଉଛି ଏକ ମୁକ୍ତ ଉତ୍ସ framework ାଞ୍ଚା ଯାହା ଡେଭଲପର୍ମାନଙ୍କୁ ବଡ଼ ଭାଷା ମଡେଲଗୁଡିକ (LLMs) ବ୍ୟବହାର କରି କଥାବାର୍ତ୍ତା AI ପ୍ରୟୋଗଗୁଡ଼ିକ ନିର୍ମାଣ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ | LLM ସହିତ ଯୋଗାଯୋଗ ପାଇଁ ଏହା ଏକ ସରଳ ଏବଂ ଅନ୍ତର୍ନିହିତ API ପ୍ରଦାନ କରିଥାଏ, ଯାହାକି ବିକାଶକାରୀମାନଙ୍କୁ ସେମାନଙ୍କ ପ୍ରୟୋଗଗୁଡ଼ିକ ପାଇଁ କଷ୍ଟମ୍ କଥାବାର୍ତ୍ତା ଇଣ୍ଟରଫେସ୍ ସୃଷ୍ଟି କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ |

ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ LLaMA, BERT, ଏବଂ RoBERTa ପରି ଲୋକପ୍ରିୟ ମଡେଲଗୁଡିକ ସହିତ LLM ର ଏକ ବ୍ୟାପକ ସୀମାକୁ ସମର୍ଥନ କରେ | ନିର୍ଦ୍ଦିଷ୍ଟ ବ୍ୟବହାର ମାମଲା ଅନୁଯାୟୀ LLM ଗୁଡ଼ିକୁ ସୂକ୍ଷ୍ମ-ସଜାଇବା ଏବଂ କଷ୍ଟମାଇଜ୍ କରିବା ପାଇଁ ଏହା ବିଭିନ୍ନ ଉପକରଣ ମଧ୍ୟ ପ୍ରଦାନ କରେ |

DSPy

DSPy ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା AI Dev କୁ ଆପଣଙ୍କର DevOps ପାଇପଲାଇନରେ ସଂଯୋଗ କରିବା ପାଇଁ ଏକ ସରଳ ଏବଂ ଦକ୍ଷ ଉପାୟ ପ୍ରଦାନ କରେ | ଏହା LangChain ସହିତ AI framework ାଞ୍ଚାର ଏକ ବିସ୍ତୃତ ପରିସରକୁ ସମର୍ଥନ କରେ ଏବଂ AI ଚାଳିତ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ବିଭିନ୍ନ ଉପକରଣ ପ୍ରଦାନ କରେ |

DSPy ଜେନକିନସ୍, ଗିଟଲାବ୍, ଏବଂ ଡକର୍ ପରି ଲୋକପ୍ରିୟ DevOps ଉପକରଣଗୁଡ଼ିକ ସହିତ ନିରବଚ୍ଛିନ୍ନ ଭାବରେ କାର୍ଯ୍ୟ କରିବାକୁ ଡିଜାଇନ୍ ହୋଇଛି, ଯାହାକି ସେମାନଙ୍କ ବିଦ୍ୟମାନ DevOps ଭିତ୍ତିଭୂମିରେ AI କୁ ଏକତ୍ର କରିବାକୁ ଚାହୁଁଥିବା ସଂସ୍ଥାଗୁଡ଼ିକ ପାଇଁ ଏହା ଏକ ଆଦର୍ଶ ପସନ୍ଦ ଅଟେ |

DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ AI ଏଜେଣ୍ଟଗୁଡିକର ଅର୍କେଷ୍ଟ୍ରିଂ |

ବର୍ତ୍ତମାନ ଯେହେତୁ ଆମର LangChain ଏବଂ DSPy ର ଏକ ସଂକ୍ଷିପ୍ତ ସମୀକ୍ଷା ଅଛି, ଆସନ୍ତୁ ଜାଣିବା ଏହି framework ାଞ୍ଚାଗୁଡ଼ିକ କିପରି DevOps ସ୍ୱୟଂଚାଳିତ ପାଇଁ AI ଏଜେଣ୍ଟମାନଙ୍କୁ ଅର୍କେଷ୍ଟ୍ରେଟ୍ କରାଯାଇପାରିବ |

ସକ୍ରିୟ ଇସୁ ରିଜୋଲ୍ୟୁସନ୍ |

AI ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତର ଏକ ପ୍ରମୁଖ ଲାଭ ହେଉଛି ପ୍ରମୁଖ ସମସ୍ୟା ହେବା ପୂର୍ବରୁ ସକ୍ରିୟ ଭାବରେ ସମାଧାନ କରିବାର କ୍ଷମତା | କଷ୍ଟମ୍ କଥାବାର୍ତ୍ତା ଇଣ୍ଟରଫେସ୍ ସୃଷ୍ଟି କରିବାକୁ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy ବ୍ୟବହାର କରାଯାଇପାରିବ ଯାହା ସମ୍ଭାବ୍ୟ ସମସ୍ୟାଗୁଡିକ ଚିହ୍ନଟ କରିବା ଏବଂ ସମାଧାନ ପାଇଁ ସୁପାରିଶ ପ୍ରଦାନ କରିବାକୁ LLM ସହିତ ଯୋଗାଯୋଗ କରିଥାଏ |

ଏହା କିପରି କାର୍ଯ୍ୟ କରିପାରିବ ତାହାର ଏକ ସରଳ ଉଦାହରଣ ଏଠାରେ ଅଛି:

`` ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | langchain.chat_models ରୁ LLaMA ଆମଦାନି କରନ୍ତୁ |

ଏକ LangChain ଚାଟ୍ ମଡେଲ୍ ସୃଷ୍ଟି କରନ୍ତୁ |

chat_model = LLaMA ()

ଚାଟ୍ ମଡେଲ୍ ସହିତ ଯୋଗାଯୋଗ କରିବାକୁ ଏକ କାର୍ଯ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

def interact_with_chat_model (ପ୍ରମ୍ପ୍ଟ): ପ୍ରତିକ୍ରିୟା = chat_model.run (ପ୍ରମ୍ପ୍ଟ) ଫେରସ୍ତ ପ୍ରତିକ୍ରିୟା

ସମ୍ଭାବ୍ୟ ସମସ୍ୟାଗୁଡିକ ଚିହ୍ନଟ କରିବାକୁ ଏକ କାର୍ଯ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

def identify_issues (କୋଡ୍): prompt = f "ନିମ୍ନଲିଖିତ ସଂକେତରେ ସମ୍ଭାବ୍ୟ ସମସ୍ୟାଗୁଡିକ ଚିହ୍ନଟ କର: {କୋଡ୍}" ପ୍ରତିକ୍ରିୟା = ଇଣ୍ଟରାକ୍ଟ_ୱିଥ୍_ ଚାଟ୍_ମୋଡେଲ୍ (ପ୍ରମ୍ପ୍ଟ) ଫେରସ୍ତ ପ୍ରତିକ୍ରିୟା

ରେଜୋଲୁସନ ପାଇଁ ସୁପାରିଶ ପ୍ରଦାନ କରିବାକୁ ଏକ କାର୍ଯ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

def provide_recommendations (ଇସ୍ୟୁ): prompt = f "ନିମ୍ନଲିଖିତ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ସୁପାରିଶ ପ୍ରଦାନ କରନ୍ତୁ: {ସମସ୍ୟା}" ପ୍ରତିକ୍ରିୟା = ଇଣ୍ଟରାକ୍ଟ_ୱିଥ୍_ ଚାଟ୍_ମୋଡେଲ୍ (ପ୍ରମ୍ପ୍ଟ) ଫେରସ୍ତ ପ୍ରତିକ୍ରିୟା

ଉଦାହରଣ ବ୍ୟବହାର

code = "" " def add (x, y): x + y ଫେରସ୍ତ "" " ଇସୁ = ଚିହ୍ନଟ_ସୁସ୍ (କୋଡ୍) ସୁପାରିଶ = ପ୍ରଦାନ_ ସୁପାରିଶ (ସମସ୍ୟା) ମୁଦ୍ରଣ (ସୁପାରିଶ) ``

ଏହି ଉଦାହରଣରେ, ଆମେ ଏକ ସରଳ ଫଙ୍କସନ୍ “ଇଣ୍ଟରାକ୍ଟ_ୱିଥ୍_ ଚାଟ୍_ମୋଡେଲ୍” କୁ ବ୍ୟାଖ୍ୟା କରୁ ଯାହା ଏକ ପ୍ରଦତ୍ତ ପ୍ରମ୍ପ୍ଟର ପ୍ରତିକ୍ରିୟା ପ୍ରଦାନ କରିବାକୁ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଚାଟ୍ ମଡେଲ୍ ସହିତ ଯୋଗାଯୋଗ କରିଥାଏ | ତାପରେ ଆମେ ଦୁଇଟି ଅତିରିକ୍ତ ଫଙ୍କସନ୍ “ଚିହ୍ନଟ_ସୁସ୍” ଏବଂ “ପ୍ରଦାନ_ ସୁପାରିଶ” କୁ ବ୍ୟାଖ୍ୟା କରୁ ଯାହାକି କିଛି ନମୁନା କୋଡ଼ରେ ସମ୍ଭାବ୍ୟ ସମସ୍ୟାଗୁଡିକ ଚିହ୍ନଟ କରିବାକୁ ଏବଂ ସମାଧାନ ପାଇଁ ସୁପାରିଶ ପ୍ରଦାନ କରିବାକୁ ଚାଟ୍ ମଡେଲ୍ ବ୍ୟବହାର କରେ |

ସଫ୍ଟୱେର୍ ବିକାଶ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ସ୍ୱୟଂଚାଳିତ କରିବା |

ଆପଣଙ୍କର ବିଦ୍ୟମାନ DevOps ପାଇପଲାଇନରେ AI ମଡେଲଗୁଡ଼ିକୁ ସଂଯୋଗ କରି ସଫ୍ଟୱେର୍ ବିକାଶ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy ମଧ୍ୟ ବ୍ୟବହାର କରାଯାଇପାରିବ |

ଏହା କିପରି କାର୍ଯ୍ୟ କରିପାରେ ତାହାର ଏକ ଉଦାହରଣ ଏଠାରେ ଅଛି:

`` ପାଇଥନ୍ | dspy ଆମଦାନି କରନ୍ତୁ | dspy ଆମଦାନି ୱାର୍କଫ୍ଲୋରୁ |

ଏକ DSPy କାର୍ଯ୍ୟଧାରାକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ୱାର୍କଫ୍ଲୋ = ୱାର୍କଫ୍ଲୋ ()

ଏକ କୋଡ୍ ବିଶ୍ଳେଷଣ ଉପକରଣ ଚଲାଇବା ପାଇଁ ଏକ କାର୍ଯ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

def run_code_analysis (କୋଡ୍): # ସମ୍ଭାବ୍ୟ ସମସ୍ୟାଗୁଡିକ ଚିହ୍ନଟ କରିବାକୁ ଏକ କୋଡ୍ ବିଶ୍ଳେଷଣ ଉପକରଣ ଚଲାନ୍ତୁ | ସମସ୍ୟା = [] # ... ଫେରସ୍ତ ପ୍ରସଙ୍ଗଗୁଡିକ

ସମାଧାନ ପାଇଁ ସୁପାରିଶ ପ୍ରଦାନ କରିବାକୁ ଏକ କାର୍ଯ୍ୟକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

def provide_recommendations (ଇସ୍ୟୁ): # ସୁପାରିଶ କରିବାକୁ LangChain ଚାଟ୍ ମଡେଲ୍ ବ୍ୟବହାର କରନ୍ତୁ | prompt = f "ନିମ୍ନଲିଖିତ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ସୁପାରିଶ ପ୍ରଦାନ କରନ୍ତୁ: {ସମସ୍ୟା}" ପ୍ରତିକ୍ରିୟା = langchain.chat_model.run (ପ୍ରମ୍ପ୍ଟ) ଫେରସ୍ତ ପ୍ରତିକ୍ରିୟା

କୋଡ୍ ନିୟୋଜନ କରିବାକୁ ଏକ କାର୍ଯ୍ୟ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

def ନିୟୋଜନ_କୋଡ୍ (କୋଡ୍): # ଏକ ଉତ୍ପାଦନ ପରିବେଶରେ କୋଡ୍ ନିୟୋଜନ କରନ୍ତୁ | # ...

କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

workflow.add_task (run_code_analysis) workflow.add_task (ପ୍ରଦାନ_ ସୁପାରିଶ) workflow.add_task (ନିୟୋଜନ_କୋଡ୍)

କାର୍ଯ୍ୟଧାରା ଚଲାନ୍ତୁ |

workflow.run () ``

ଏହି ଉଦାହରଣରେ, ଆମେ ଏକ ସରଳ DSPy ୱାର୍କଫ୍ଲୋକୁ ବ୍ୟାଖ୍ୟା କରୁ ଯାହା ତିନୋଟି କାର୍ଯ୍ୟକୁ ନେଇ ଗଠିତ: ଏକ କୋଡ୍ ଆନାଲିସିସ୍ ଟୁଲ୍ ଚଳାଇବା, ରିଜୋଲ୍ୟୁସନ୍ ପାଇଁ ସୁପାରିଶ ପ୍ରଦାନ କରିବା ଏବଂ କୋଡ୍ ନିୟୋଜନ | ତା’ପରେ ଆମେ ପ୍ରତ୍ୟେକ କାର୍ଯ୍ୟ ଯୋଗ କରି ଏହାକୁ ଚଳାଇ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ବ୍ୟାଖ୍ୟା କରୁ |

ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ |

LangChain ଏବଂ DSPy ପାଇଁ ସାଧାରଣତ used ବ୍ୟବହୃତ କମାଣ୍ଡ ଏବଂ ସ୍ନିପେଟ୍ ଗୁଡିକ ଏଠାରେ ଅଛି:

ଲାଙ୍ଗ୍ ଚେନ୍ |

• langchain.chat_models.LLaMA (): LLaMA ମଡେଲ୍ ବ୍ୟବହାର କରି ଏକ LangChain ଚାଟ୍ ମଡେଲ୍ ସୃଷ୍ଟି କରନ୍ତୁ |
• langchain.chat_model.run (ପ୍ରମ୍ପ୍ଟ): ପ୍ରଦତ୍ତ ପ୍ରମ୍ପ୍ଟ ସହିତ ଚାଟ୍ ମଡେଲକୁ ଚଲାନ୍ତୁ |
• langchain.chat_model.interact_with (ପ୍ରମ୍ପ୍ଟ): ପ୍ରଦତ୍ତ ପ୍ରମ୍ପ୍ଟ ବ୍ୟବହାର କରି ଚାଟ୍ ମଡେଲ୍ ସହିତ ଯୋଗାଯୋଗ କରନ୍ତୁ |

DSPy

• dspy.Workflow (): ଏକ DSPy କାର୍ଯ୍ୟ ପ୍ରବାହ ସୃଷ୍ଟି କରନ୍ତୁ |
• ୱାର୍କଫ୍ଲୋ.ଆଡ_ ଟାସ୍କ (ଟାସ୍କ): ୱାର୍କଫ୍ଲୋରେ ଏକ ଟାସ୍କ ଯୋଡନ୍ତୁ |
• workflow.run (): ୱାର୍କ ଫ୍ଲୋ ଚଲାନ୍ତୁ |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି କାର୍ଯ୍ୟ ପ୍ରବାହର ଏକ ସରଳ ଭିଜୁଆଲାଇଜେସନ୍:

json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["କୋଡ୍ ଆନାଲିସିସ୍", "ସୁପାରିଶ", "ନିୟୋଜନ"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "କାର୍ଯ୍ୟ ପ୍ରବାହ", "ଡାଟା": [10, 20, 30], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": [ "rgba (255, 99, 132, 0.2)", "rgba (54, 162, 235, 0.2)", "rgba (255, 206, 86, 0.2)" ], "borderColor": [ "rgba (255, 99, 132, 1)", "rgba (54, 162, 235, 1)", "rgba (255, 206, 86, 1)" ], "ସୀମା ଓସାର": 1 } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "ପାଠ୍ୟ": "କାର୍ଯ୍ୟ ପ୍ରବାହ" }, "ମାପ": { "yAxes": [ { "ଟିକ୍ସ": { "startAtZero": ସତ୍ୟ | } } ] } } }

ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଏକ ସରଳ ବାର୍ ଚାର୍ଟକୁ ୱାର୍କଫ୍ଲୋକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, ତିନୋଟି ବାର୍ କୋଡ୍ ବିଶ୍ଳେଷଣ, ସୁପାରିଶ ଏବଂ ନିୟୋଜନ କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ LangChain ଏବଂ DSPy ବ୍ୟବହାର କରି AI- ଚାଳିତ DevOps ସ୍ୱୟଂଚାଳିତ ଜଗତକୁ ଅନୁସନ୍ଧାନ କଲୁ | ଆମେ ଦେଖିଲୁ କିପରି ଏହି framework ାଞ୍ଚାଗୁଡ଼ିକ ସକ୍ରିୟ ଇସୁ ରିଜୋଲ୍ୟୁସନ୍ ସିଷ୍ଟମ ସୃଷ୍ଟି କରିବା ଏବଂ ସଫ୍ଟୱେର୍ ବିକାଶ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ | ଆପଣଙ୍କ DevOps ପାଇପଲାଇନରେ LLM ଗୁଡ଼ିକୁ କିପରି ସଂଯୋଗ କରାଯିବ ଏବଂ Chart.js ବ୍ୟବହାର କରି କାର୍ଯ୍ୟଧାରାକୁ ଭିଜୁଆଲ୍ କରିବାକୁ ଆମେ ବ୍ୟବହାରିକ ଉଦାହରଣ ମଧ୍ୟ ପ୍ରଦାନ କରିଛୁ |

AI ଏବଂ ସ୍ୱୟଂଚାଳିତର ଶକ୍ତି ବ୍ୟବହାର କରି ସଂଗଠନଗୁଡ଼ିକ ସେମାନଙ୍କର ସଫ୍ଟୱେର୍ ବିକାଶ କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ଶୃଙ୍ଖଳିତ କରିପାରିବେ, ମାନୁଆଲ୍ ତ୍ରୁଟି ହ୍ରାସ କରିପାରିବେ ଏବଂ ସାମଗ୍ରିକ ଦକ୍ଷତା ବୃଦ୍ଧି କରିପାରିବେ | ଆପଣ ଜଣେ DevOps ଇଞ୍ଜିନିୟର, ସଫ୍ଟୱେର୍ ଡେଭଲପର୍, କିମ୍ବା ବ୍ୟବସାୟ ନେତା, ଲାଙ୍ଗଚେନ ଏବଂ DSPy ହେଉଛି ଶକ୍ତିଶାଳୀ ସାଧନ ଯାହା ଆପଣଙ୍କ ଲକ୍ଷ୍ୟ ହାସଲ କରିବାରେ ସାହାଯ୍ୟ କରିଥାଏ |