ବର୍ଦ୍ଧିତ ଜିରୋଅପ୍ସ ପାଇଁ DSPy ଏବଂ LangChain ସହିତ DevOps ପାଇପଲାଇନରେ ଏଜେଣ୍ଟିକ୍ AI ର ଅର୍କେଷ୍ଟ୍ରିଂ

ପରିଚୟ

DevOps ପାଇପଲାଇନରେ ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ର ଏକୀକରଣ ସଫ୍ଟୱେୟାରର ବିକାଶ, ପରୀକ୍ଷଣ ଏବଂ ନିୟୋଜନ ପଦ୍ଧତିରେ ପରିବର୍ତ୍ତନ ଆଣିଛି | ଏଜେଣ୍ଟିକ୍ AI, AI ର ଏକ ସବ୍ସେଟ୍ ଯାହା ସ୍ autonomous ୟଂଶାସିତ ନିଷ୍ପତ୍ତି ନେବା ଏବଂ କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଗ୍ରହଣ କରିବାକୁ ସକ୍ଷମ କରେ, DevOps ପ୍ରକ୍ରିୟାଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ କାର୍ଯ୍ୟକାରିତାକୁ ଆହୁରି ବ enhance ାଇବାର କ୍ଷମତା ଅଛି | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି DevOps ପାଇପଲାଇନରେ ଏଜେଣ୍ଟିକ୍ ଏ.ଆଇ.

ଏଜେଣ୍ଟ୍ AI କ’ଣ?

ଏଜେଣ୍ଟିକ୍ AI ଏକ ପ୍ରକାର AI କୁ ବୁ refers ାଏ ଯାହା ମାନବ ହସ୍ତକ୍ଷେପ ବିନା ନିଷ୍ପତ୍ତି ନେବା ଏବଂ ସ୍ onom ତ onom ସ୍ପୃତ ଭାବରେ କାର୍ଯ୍ୟ କରିବାର କ୍ଷମତା ଧାରଣ କରେ | ଉନ୍ନତ ମେସିନ୍ ଲର୍ନିଂ ଆଲଗୋରିଦମ, ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ଜ୍ଞାନଗତ ସ୍ଥାପତ୍ୟର ବ୍ୟବହାର ଦ୍ୱାରା ଏହା ହାସଲ ହୁଏ | ଏଜେଣ୍ଟିକ୍ ଏଇ ସିଷ୍ଟମଗୁଡିକ ଅନୁଭୂତିରୁ ଶିଖିପାରିବେ, ନୂତନ ପରିସ୍ଥିତିକୁ ଅନୁକୂଳ କରିପାରିବେ ଏବଂ ମଣିଷ ସହିତ ଅଧିକ ପ୍ରାକୃତିକ ଏବଂ ଅନ୍ତର୍ନିହିତ ଉପାୟରେ ଯୋଗାଯୋଗ କରିପାରିବେ |

ଜିରୋ ଅପ୍ସ କ’ଣ?

ଜିରୋଅପ୍ସ ହେଉଛି ଏକ DevOps ଦର୍ଶନ ଯାହା ସଫ୍ଟୱେର୍ ବିକାଶ, ନିୟୋଜନ ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣରେ ମାନବ ହସ୍ତକ୍ଷେପର ଆବଶ୍ୟକତାକୁ ଦୂର କରିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛି | ସ୍ୱୟଂଚାଳିତ, ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଏବଂ ଏଇ ଚାଳିତ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ଦ୍ୱାରା ଏହା ହାସଲ ହୁଏ | ଜିରୋଅପ୍ ସଂସ୍ଥାଗୁଡ଼ିକୁ ସଫ୍ଟୱେର୍ ଶୀଘ୍ର, ଉଚ୍ଚ ଗୁଣବତ୍ତା ସହିତ ଏବଂ କମ୍ ଖର୍ଚ୍ଚରେ ନିୟୋଜିତ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ |

DevOps ପାଇପଲାଇନରେ ଏଜେଣ୍ଟିକ୍ AI ର ଅର୍କେଷ୍ଟ୍ରିଂ

DevOps ପାଇପଲାଇନରେ ଏଜେଣ୍ଟିକ୍ AI ର ଅର୍କେଷ୍ଟ୍ରେଟ୍ କରିବାକୁ, ଆମକୁ ପାଇପଲାଇନରେ AI ଚାଳିତ ନିଷ୍ପତ୍ତି ଏବଂ କାର୍ଯ୍ୟାନୁଷ୍ଠାନକୁ ଏକୀକୃତ କରିବାକୁ ପଡିବ | AI- ଚାଳିତ ପ୍ରୟୋଗଗୁଡ଼ିକର ନିର୍ମାଣ ଏବଂ ନିୟୋଜନ ପାଇଁ ଦୁଇଟି ଲୋକପ୍ରିୟ framework ାଞ୍ଚା DSPy ଏବଂ LangChain ର ବ୍ୟବହାର ଦ୍ୱାରା ଏହା ହାସଲ ହୋଇପାରିବ |

DSPy

AI- ଚାଳିତ ପ୍ରୟୋଗଗୁଡ଼ିକ ନିର୍ମାଣ ଏବଂ ନିୟୋଜନ ପାଇଁ DSPy ହେଉଛି ଏକ ପାଇଥନ୍ framework ାଞ୍ଚା | ଡାଟା ପ୍ରକ୍ରିୟାକରଣ, ମେସିନ୍ ଲର୍ନିଂ ଏବଂ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ଏହା ଉପକରଣ ଏବଂ ଲାଇବ୍ରେରୀଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ | DSPy ଲୋକପ୍ରିୟ ଫ୍ରେମୱାର୍କ ଯଥା ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏବଂ ଫାଷ୍ଟପିଏ ସହିତ ନିରବଚ୍ଛିନ୍ନ ଭାବରେ କାର୍ଯ୍ୟ କରିବାକୁ ଡିଜାଇନ୍ କରାଯାଇଛି |

ଲାଙ୍ଗ୍ ଚେନ୍

AI ଚାଳିତ ପ୍ରୟୋଗଗୁଡ଼ିକ ନିର୍ମାଣ ଏବଂ ନିୟୋଜନ ପାଇଁ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି ଏକ ପାଇଥନ୍ framework ାଞ୍ଚା | ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ, ମେସିନ୍ ଲର୍ନିଂ ଏବଂ ଜ୍ଞାନଗତ ସ୍ଥାପତ୍ୟ ପାଇଁ ଏହା ଉପକରଣ ଏବଂ ଲାଇବ୍ରେରୀଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ | ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ DSPy ଏବଂ FastAPI ପରି ଲୋକପ୍ରିୟ framework ାଞ୍ଚା ସହିତ ନିରବିଚ୍ଛିନ୍ନ ଭାବରେ କାର୍ଯ୍ୟ କରିବାକୁ ଡିଜାଇନ୍ କରାଯାଇଛି |

ଯାନ୍ତ୍ରିକ କାର୍ଯ୍ୟାନ୍ୱୟନ

DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି DevOps ପାଇପଲାଇନରେ ଅର୍କେଷ୍ଟ୍ରେଟିଂ ଏଜେଣ୍ଟିକ୍ AI ର ବ technical ଷୟିକ କାର୍ଯ୍ୟକାରିତା ପ୍ରଦର୍ଶନ କରିବାକୁ, ଆସନ୍ତୁ ଏକ ସରଳ ଉଦାହରଣକୁ ବିଚାର କରିବା | ଧରାଯାଉ ଆମେ ଏକ DevOps ପାଇପଲାଇନ ବ୍ୟବହାର କରି ଏକ ୱେବ୍ ଆପ୍ଲିକେସନ୍ ପ୍ରୟୋଗକୁ ସ୍ୱୟଂଚାଳିତ କରିବାକୁ ଚାହୁଁ | ଆମେ AI- ଚାଳିତ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ପ୍ରଣାଳୀ ନିର୍ମାଣ କରିବାକୁ DSPy ବ୍ୟବହାର କରିପାରିବା ଯାହା ପ୍ରୟୋଗ କାର୍ଯ୍ୟଦକ୍ଷତା, ଉପଭୋକ୍ତା ମତାମତ ଏବଂ ସିଷ୍ଟମ୍ ଉତ୍ସ ପରି କାରକ ଉପରେ ଆଧାର କରି ସର୍ବୋଚ୍ଚ ନିୟୋଜନ ରଣନୀତି ନିର୍ଣ୍ଣୟ କରେ |

"ପାଇଥନ୍ | dspy ଆମଦାନି କରନ୍ତୁ | langchain ଆମଦାନି LLM ରୁ |

def ନିୟୋଜନ_ ଷ୍ଟ୍ରାଟେଜୀ (ଆପ୍_ ପ୍ରଦର୍ଶନ, ଉପଭୋକ୍ତା_ ଫିଡବ୍ୟାକ୍, ସିଷ୍ଟମ୍_ ଉତ୍ସ): ଡାଟା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ DSPy ବ୍ୟବହାର କରନ୍ତୁ | ଡାଟା = dspy.Data (app_performance, user_feedback, system_resources) ନିଷ୍ପତ୍ତି = dspy.DecisionMaker (ତଥ୍ୟ)

# ଏକ ନିୟୋଜନ ଯୋଜନା ସୃଷ୍ଟି କରିବାକୁ LangChain ବ୍ୟବହାର କରନ୍ତୁ |
llm = LLM ("text-davinci-003")
plan = llm.generate_text (f "{user_feedback} ଏବଂ {system_resources} ଉତ୍ସଗୁଡ଼ିକ ସହିତ ନିୟୋଜନ {app_performance})

ଫେରସ୍ତ ଯୋଜନା

DevOps ପାଇପଲାଇନକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ଡିଫ୍ ପାଇପଲାଇନ (ଆପ୍_ଫର୍ମାନ୍ସ, ୟୁଜର୍_ ଫିଡବ୍ୟାକ୍, ସିଷ୍ଟମ୍_ ରିସୋର୍ସ): # ପାଇପଲାଇନକୁ ଅର୍କେଷ୍ଟ୍ରେଟ୍ କରିବାକୁ DSPy ବ୍ୟବହାର କରନ୍ତୁ | ପାଇପଲାଇନ = dspy। ପାଇପଲାଇନ () pipeline.add_task (ନିୟୋଜନ_ କ ategy ଶଳ, ଆପ୍_ ପ୍ରଦର୍ଶନ, ଉପଭୋକ୍ତା_ ଫିଡବ୍ୟାକ୍, ସିଷ୍ଟମ୍_ ଉତ୍ସ) pipeline.add_task (dspytasks.Deploy, plan)

# ପାଇପଲାଇନ ଚଲାନ୍ତୁ |
pipeline.run ()

ପାଇପଲାଇନ ଚଲାନ୍ତୁ |

ପାଇପଲାଇନ (90, 4.5, 80) ``

ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

DSPy ଏବଂ LangChain ପାଇଁ ଏଠାରେ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଅଛି:

1। "Dspy.Data ()": ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ ଏକ ଡାଟା ବସ୍ତୁ ସୃଷ୍ଟି କରେ | 2। "Dspy.DecisionMaker ()": ତଥ୍ୟ ଏବଂ ପ୍ରସଙ୍ଗ ଉପରେ ଆଧାର କରି ନିଷ୍ପତ୍ତି ନିଏ | 3। "LLM.generate_text ()": ଇନପୁଟ୍ ପ୍ରମ୍ପ୍ଟ ଉପରେ ଆଧାର କରି ପାଠ୍ୟ ସୃଷ୍ଟି କରେ | 4। "Dspytasks.Deploy ()": ଏକ ନିୟୋଜନ ଯୋଜନା ଉପରେ ଆଧାର କରି ଏକ ପ୍ରୟୋଗ ନିୟୋଜିତ କରେ | 5। "Dspy.Pipeline ()": ଏକ DevOps ପାଇପଲାଇନକୁ ଅର୍କେଷ୍ଟ୍ରେଟ୍ କରେ | 6। "Pipeline.add_task ()": ପାଇପଲାଇନରେ ଏକ କାର୍ଯ୍ୟ ଯୋଗ କରେ | 7। "Pipeline.run ()": ପାଇପଲାଇନ ଚଲାଇଥାଏ | 8। "Dspy.Data.process ()": ନିଷ୍ପତ୍ତି ନେବା ପାଇଁ ତଥ୍ୟ ପ୍ରକ୍ରିୟାକରଣ କରେ | 9। "Dspy.DecisionMaker.decide ()": ତଥ୍ୟ ଏବଂ ପ୍ରସଙ୍ଗ ଉପରେ ଆଧାର କରି ଏକ ନିଷ୍ପତ୍ତି ନିଏ | 10। "LLM.generate_text (ପ୍ରମ୍ପ୍ଟ)": ଇନପୁଟ୍ ପ୍ରମ୍ପ୍ଟ ଉପରେ ଆଧାର କରି ପାଠ୍ୟ ସୃଷ୍ଟି କରେ |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି ଏଜେଣ୍ଟ୍ AI- ଚାଳିତ DevOps ପାଇପଲାଇନର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["ଡାଟା ପ୍ରକ୍ରିୟାକରଣ", "ନିଷ୍ପତ୍ତି ନେବା", "ନିୟୋଜନ"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "ଏଜେଣ୍ଟ୍ AI", "ଡାଟା": [10, 20, 30], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": "rgba (255, 99, 132, 0.2)", "borderColor": "rgba (255, 99, 132, 1)", "ସୀମା ଓସାର": 1 } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ମାପ": { "yAxes": [ { "ଟିକ୍ସ": { "startAtZero": ସତ୍ୟ | } } ] } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଏଜେଣ୍ଟ୍ AI- ଚାଳିତ DevOps ପାଇପଲାଇନର ତିନୋଟି ପର୍ଯ୍ୟାୟ ଦେଖାଏ: ଡାଟା ପ୍ରକ୍ରିୟାକରଣ, ନିଷ୍ପତ୍ତି ନେବା ଏବଂ ନିୟୋଜନ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି DevOps ପାଇପଲାଇନରେ ଏଜେଣ୍ଟିକ୍ AI ର ଅର୍କେଷ୍ଟ୍ରିଙ୍ଗ୍ ଧାରଣା ଅନୁସନ୍ଧାନ କରିଛୁ | ଏକ AI ଚାଳିତ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ସିଷ୍ଟମ ବ୍ୟବହାର କରି ଏକ ୱେବ୍ ଆପ୍ଲିକେସନ୍ ନିୟୋଜନକୁ କିପରି ସ୍ୱୟଂଚାଳିତ କରାଯିବ ତାହାର ଏକ ସରଳ ଉଦାହରଣ ଆମେ ପ୍ରଦର୍ଶନ କରିଥିଲୁ | Chart.js ବ୍ୟବହାର କରି ଆମେ ଏଜେଣ୍ଟ୍ AI- ଚାଳିତ DevOps ପାଇପଲାଇନର ଏକ ଭିଜୁଆଲାଇଜେସନ୍ ମଧ୍ୟ ପ୍ରଦାନ କରିଛୁ | DevOps ପାଇପଲାଇନରେ ଏଜେଣ୍ଟିକ୍ AI କୁ ଏକତ୍ର କରି, ସଂଗଠନଗୁଡ଼ିକ ଜିରୋ ଅପ୍ସ ହାସଲ କରିପାରିବେ ଏବଂ ଉଚ୍ଚ ଗୁଣବତ୍ତା ସହିତ ଏବଂ କମ୍ ଖର୍ଚ୍ଚରେ ସଫ୍ଟୱେର୍ ଶୀଘ୍ର ନିୟୋଜିତ କରିପାରିବେ |