AI ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ପାଇଁ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡିକ ଲିଭର୍ କରିବା

ପରିଚୟ

AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ପାଇଁ ବ demand ୁଥିବା ଚାହିଦା ବିଭିନ୍ନ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡିକର ବିକାଶକୁ ଆଗେଇ ନେଇଛି ଯାହା ସଫ୍ଟୱେର୍ ସିଷ୍ଟମରେ ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ଏବଂ ମେସିନ୍ ଲର୍ନିଂ (ML) କ୍ଷମତାର ନିରବିହୀନ ଏକୀକରଣକୁ ସକ୍ଷମ କରିଥାଏ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ ବର୍ଦ୍ଧିତ ମାପନୀୟତା, କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ନିରାପତ୍ତା ପାଇଁ RAG (Reasoning and Action Graph) ଏବଂ LLM (Large Language Model) କ୍ଷମତାକୁ ଏକୀଭୂତ କରିବା ଉପରେ ଧ୍ୟାନ ଦେଇ, LangChain ଏବଂ DSPy ପରି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ବ୍ୟବହାର କରି AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର କାର୍ଯ୍ୟକାରିତା ବିଷୟରେ ଅନୁସନ୍ଧାନ କରିବୁ |

ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡ଼ିକ କ’ଣ?

ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡ଼ିକ ହେଉଛି ସଫ୍ଟୱେର୍ framework ାଞ୍ଚା ଯାହା ଏକାଧିକ ସେବା, ପ୍ରୟୋଗ, ଏବଂ ସିଷ୍ଟମକୁ ଏକତ୍ର କରି ଜଟିଳ କାର୍ଯ୍ୟ ପ୍ରବାହ ଏବଂ ପ୍ରକ୍ରିୟାଗୁଡ଼ିକର ସ୍ୱୟଂଚାଳିତତାକୁ ସକ୍ଷମ କରିଥାଏ | ବିଭିନ୍ନ ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ପାରସ୍ପରିକ କ୍ରିୟା ପରିଚାଳନା ଏବଂ ସମନ୍ୱୟ, କାର୍ଯ୍ୟଗୁଡ଼ିକର ଦକ୍ଷ ଏବଂ ମାପନୀୟ କାର୍ଯ୍ୟକାରିତାକୁ ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ ସେମାନେ ଏକ କେନ୍ଦ୍ରୀୟ ପ୍ଲାଟଫର୍ମ ପ୍ରଦାନ କରନ୍ତି |

ଲାଙ୍ଗ୍ ଚେନ୍: ଏକ ପାଇଥନ୍-ଆଧାରିତ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍

ଲ୍ୟାଙ୍ଗ ଚେନ୍ ହେଉଛି ଏକ ମୁକ୍ତ ଉତ୍ସ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା AI ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ନିର୍ମାଣ ପାଇଁ ଏକ ବିସ୍ତୃତ framework ାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ | ଏହା ବିଭିନ୍ନ ବ features ଶିଷ୍ଟ୍ୟ ପ୍ରଦାନ କରେ, ଅନ୍ତର୍ଭୁକ୍ତ କରି:

**

• ** LLM (ବଡ଼ ଭାଷା ମଡେଲ୍) ଏକୀକରଣ **: ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ଉତ୍ପାଦନ କାର୍ଯ୍ୟ ପାଇଁ LLaMA ଏବଂ BERT ପରି LLM ର ଏକୀକରଣକୁ ସମର୍ଥନ କରେ |
• ** ମାପନୀୟତା ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା **: କାର୍ଯ୍ୟଗୁଡ଼ିକର ଦକ୍ଷ ଏବଂ ମାପନୀୟ କାର୍ଯ୍ୟକାରିତା ପ୍ରଦାନ କରି, ବଡ଼ ଆକାରର AI କାର୍ଯ୍ୟଭାରକୁ ପରିଚାଳନା କରିବା ପାଇଁ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଡିଜାଇନ୍ କରାଯାଇଛି |

LangChain ସହିତ AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରିବା

LangChain ବ୍ୟବହାର କରି AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର କାର୍ଯ୍ୟକାରିତା ପ୍ରଦର୍ଶନ କରିବାକୁ, ଚାଲ ଚାଟବଟ୍ର ଏକ ସରଳ ଉଦାହରଣକୁ ବିଚାର କରିବା ଯାହାକି ଉପଭୋକ୍ତା ପ୍ରଶ୍ନଗୁଡ଼ିକ ବିଷୟରେ ଯୁକ୍ତି କରିବା ଏବଂ ପ୍ରତିକ୍ରିୟା ସୃଷ୍ଟି କରିବା ପାଇଁ RAG ବ୍ୟବହାର କରେ |

`` ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | langchain.chains ରୁ ଆମଦାନି llm |

rag = langchain.RAG ( name = "chatbot_rag", ନୋଡ୍ = [ name "ନାମ": "ଅଭିବାଦନ", "ପାଠ": "ନମସ୍କାର, ମୁଁ ଆପଣଙ୍କୁ କିପରି ସାହାଯ୍ୟ କରିପାରିବି?"}, name "ନାମ": "ବିଦାୟ", "ପାଠ": "ବିଦାୟ, ଆପଣଙ୍କ ସହ ଚାଟିଂ କରିବା ଭଲ ଲାଗିଲା।"}, ], ଧାର = [ {"ରୁ": "ଅଭିବାଦନ", "ରୁ": "ବିଦାୟ", "ସର୍ତ୍ତ": "ଚାଳକ_ସେ_ଗୋବି"}, ], )

ଏକ LLM ସୃଷ୍ଟି କରନ୍ତୁ |

llm = llm.LLM ( name = "chatbot_llm", ମଡେଲ୍ = "ଲାଲାମା", max_tokens = 100, )

ଏକ ଚାଟ୍ବଟ୍ ଶୃଙ୍ଖଳା ସୃଷ୍ଟି କରନ୍ତୁ |

ଶୃଙ୍ଖଳା = langchain.Chain ( name = "chatbot_chain", llm = llm, rag = rag, )

ଚାଟ୍ବଟ୍ ପରୀକ୍ଷା କରନ୍ତୁ |

user_input = "ନମସ୍କାର, ଆପଣ କେମିତି ଅଛନ୍ତି?" ପ୍ରତିକ୍ରିୟା = chain.run (user_input) ମୁଦ୍ରଣ (ପ୍ରତିକ୍ରିୟା) ``

DSPy: ଏକ ରୁଷ୍ଟ-ଆଧାରିତ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍

DSPy ହେଉଛି ଏକ ରୁଷ୍ଟ-ଆଧାରିତ ଅର୍କେଷ୍ଟେସନ୍ ଟୁଲ୍ ଯାହା AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ନିର୍ମାଣ ପାଇଁ ଏକ ଉଚ୍ଚ-କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ମାପନୀୟ framework ାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ | ଏହା ବିଭିନ୍ନ ବ features ଶିଷ୍ଟ୍ୟ ପ୍ରଦାନ କରେ, ଅନ୍ତର୍ଭୁକ୍ତ କରି:

**

• ** LLM (ବଡ଼ ଭାଷା ମଡେଲ) ଏକୀକରଣ **: ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ଉତ୍ପାଦନ କାର୍ଯ୍ୟ ପାଇଁ DSPy LLM ଏବଂ BERT ପରି LLM ର ଏକୀକରଣକୁ ସମର୍ଥନ କରେ |
• ** ମାପନୀୟତା ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତା **: DSPy ବୃହତ-ପରିମାଣର AI କାର୍ଯ୍ୟଭାରକୁ ପରିଚାଳନା କରିବା ପାଇଁ ଡିଜାଇନ୍ ହୋଇଛି, କାର୍ଯ୍ୟଗୁଡ଼ିକର ଦକ୍ଷ ଏବଂ ମାପନୀୟ କାର୍ଯ୍ୟକାରିତା ପ୍ରଦାନ କରିଥାଏ |

DSPy ସହିତ AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରିବା

DSPy ବ୍ୟବହାର କରି AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର କାର୍ଯ୍ୟକାରିତା ପ୍ରଦର୍ଶନ କରିବାକୁ, ଚାଲ ଚାଟ୍ବଟ୍ର ଏକ ସରଳ ଉଦାହରଣକୁ ବିଚାର କରିବା ଯାହାକି ଉପଭୋକ୍ତା ପ୍ରଶ୍ନଗୁଡ଼ିକ ବିଷୟରେ ଯୁକ୍ତି କରିବା ଏବଂ ପ୍ରତିକ୍ରିୟା ସୃଷ୍ଟି କରିବା ପାଇଁ RAG ବ୍ୟବହାର କରେ |

"କଳଙ୍କ dspy :: ଶୃଙ୍ଖଳା ବ୍ୟବହାର କରନ୍ତୁ; dspy :: llm ବ୍ୟବହାର କରନ୍ତୁ;

// ଏକ RAG ସୃଷ୍ଟି କରନ୍ତୁ | rag = ଶୃଙ୍ଖଳା :: RAG :: ନୂଆ ( "chatbot_rag", vec! [ ଶୃଙ୍ଖଳା :: ନୋଡ୍ :: ନୂତନ ("ଅଭିବାଦନ", "ନମସ୍କାର, ମୁଁ ଆପଣଙ୍କୁ କିପରି ସାହାଯ୍ୟ କରିପାରିବି?"), ଶୃଙ୍ଖଳା :: ନୋଡ୍ :: ନୂତନ ("ବିଦାୟ", "ବିଦାୟ, ତୁମ ସହିତ ଚାଟିଂ ଭଲ ଲାଗିଲା |"), ], vec! [ ଶୃଙ୍ଖଳା :: ଧାର :: ନୂତନ ("ଅଭିବାଦନ", "ବିଦାୟ", "ଚାଳକ_ସେ_ଗୁଡି"), ], );

// ଏକ LLM ସୃଷ୍ଟି କରନ୍ତୁ | llm = llm :: LLM :: ନୂଆ ( "chatbot_llm", "ଲାଲାମା", 100, );

// ଏକ ଚାଟ୍ବଟ୍ ଶୃଙ୍ଖଳା ସୃଷ୍ଟି କରନ୍ତୁ | ଶୃଙ୍ଖଳା = ଶୃଙ୍ଖଳା :: ଶୃଙ୍ଖଳା :: ନୂତନ ( "chatbot_chain", llm, ରାଗ, );

// ଚାଟ୍ବଟ୍ ପରୀକ୍ଷା କରନ୍ତୁ | ଚାଳକ_ ଇନପୁଟ୍ = "ନମସ୍କାର, ଆପଣ କେମିତି ଅଛନ୍ତି?"; ପ୍ରତିକ୍ରିୟା = chain.run (user_input) ଦିଅନ୍ତୁ; println! ("{}", ପ୍ରତିକ୍ରିୟା); ``

ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

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

• ଲାଙ୍ଗ୍ ଚେନ୍:
  • langchain.RAG (): ଏକ ନୂତନ RAG ଉଦାହରଣ ସୃଷ୍ଟି କରେ |
  • langchain.LLM (): ଏକ ନୂତନ LLM ଉଦାହରଣ ସୃଷ୍ଟି କରେ |
  • langchain.Chain (): ଏକ ନୂତନ ଶୃଙ୍ଖଳା ଉଦାହରଣ ସୃଷ୍ଟି କରେ |
  • rag.run (): RAG କୁ ଚଲାଇଥାଏ ଏବଂ ଏକ ପ୍ରତିକ୍ରିୟା ସୃଷ୍ଟି କରିଥାଏ |
  • llm.run (): LLM ଚଲାଇଥାଏ ଏବଂ ଏକ ପ୍ରତିକ୍ରିୟା ସୃଷ୍ଟି କରେ |
• DSPy:
  • dspy :: ଶୃଙ୍ଖଳା :: RAG :: ନୂତନ (): ଏକ ନୂତନ RAG ଉଦାହରଣ ସୃଷ୍ଟି କରେ |
  • dspy :: llm :: LLM :: new (): ଏକ ନୂତନ LLM ଉଦାହରଣ ସୃଷ୍ଟି କରେ |
  • dspy :: ଶୃଙ୍ଖଳା :: ଶୃଙ୍ଖଳା :: ନୂତନ (): ଏକ ନୂତନ ଶୃଙ୍ଖଳା ଉଦାହରଣ ସୃଷ୍ଟି କରେ |
  • chain.run (): ଶୃଙ୍ଖଳା ଚଲାଇଥାଏ ଏବଂ ଏକ ପ୍ରତିକ୍ରିୟା ସୃଷ୍ଟି କରେ |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି RAG ଏବଂ LLM କ୍ଷମତାର ଏକ ସରଳ ଭିଜୁଆଲାଇଜେସନ୍:

"ଜାଭାସ୍କ୍ରିପ୍ଟ const ctx = document.getElementById ('myChart')। getContext ('2d'); const ଚାର୍ଟ = ନୂତନ ଚାର୍ଟ (ctx, { ପ୍ରକାର: 'ବାର୍', ତଥ୍ୟ: { ଲେବଲ୍: ['RAG', 'LLM'], ଡାଟାବେସ୍: [{ ଲେବଲ୍: 'ସାମର୍ଥ୍ୟ', ତଥ୍ୟ: [10, 20], ପୃଷ୍ଠଭୂମି ରଙ୍ଗ: [ 'rgba (255, 99, 132, 0.2)', 'rgba (54, 162, 235, 0.2)', ], ସୀମା ରଙ୍ଗ: [ 'rgba (255, 99, 132, 1)', 'rgba (54, 162, 235, 1)', ], ସୀମା ଓସାର: 1 }] }, ବିକଳ୍ପଗୁଡିକ: { ମାପ: { y: { startAtZero: ସତ୍ୟ | } } } }); ``

ସିଦ୍ଧାନ୍ତ

ପରିଶେଷରେ, LangChain ଏବଂ DSPy ହେଉଛି ଶକ୍ତିଶାଳୀ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣ ଯାହାକି RAG ଏବଂ LLM କ୍ଷମତା ବ୍ୟବହାର କରି AI ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର କାର୍ଯ୍ୟକାରିତାକୁ ସକ୍ଷମ କରିଥାଏ | ଏହି ସାଧନଗୁଡ଼ିକର ଉପଯୋଗ କରି, ବିକାଶକାରୀମାନେ ମାପନୀୟ, ପ୍ରଦର୍ଶନକାରୀ ଏବଂ ସୁରକ୍ଷିତ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ ସୃଷ୍ଟି କରିପାରିବେ ଯାହା ଜଟିଳ AI କାର୍ଯ୍ୟଭାରକୁ ପରିଚାଳନା କରିପାରିବ | ସେମାନଙ୍କର ବ୍ୟବହାରର ସହଜତା ଏବଂ ନମନୀୟତା ସହିତ, ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy AI ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ନିର୍ମାଣ ପାଇଁ ଆଦର୍ଶ ପସନ୍ଦ |

ସୁପାରିଶ

ଏହି ଆର୍ଟିକିଲରେ ହୋଇଥିବା ଆଲୋଚନା ଉପରେ ଆଧାର କରି, ଡେଭଲପର୍ମାନଙ୍କ ପାଇଁ ଏଠାରେ କିଛି ସୁପାରିଶ ଅଛି ଯେଉଁମାନେ ଲ୍ୟାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy ବ୍ୟବହାର କରି AI ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରିବାକୁ ଚାହୁଁଛନ୍ତି:

• ସେମାନଙ୍କର RAG ଏବଂ LLM କ୍ଷମତାକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରି ଲାଙ୍ଗଚେନ୍ ଏବଂ DSPy ର ମ ics ଳିକ ଶିକ୍ଷା କରି ଆରମ୍ଭ କରନ୍ତୁ |
• ସାଧନଗୁଡ଼ିକ କିପରି କାମ କରେ ସେ ବିଷୟରେ ଅନୁଭବ ପାଇବା ପାଇଁ ସରଳ ଉଦାହରଣ ସହିତ ପରୀକ୍ଷା କରନ୍ତୁ, ଯେପରିକି ଚାଟବଟ୍ ଉଦାହରଣ |
• ଧୀରେ ଧୀରେ ଅଧିକ ଜଟିଳ ପ୍ରକଳ୍ପକୁ ଯାଆନ୍ତୁ, ଯେପରିକି ଏକ ସୁପାରିଶ ପ୍ରଣାଳୀ କିମ୍ବା ଏକ ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ ପାଇପଲାଇନ ନିର୍ମାଣ |
• ସାଧାରଣ କମାଣ୍ଡ ଏବଂ ସ୍ନିପେଟ୍ ପାଇଁ ରେଫରେନ୍ସ ଗାଇଡ୍ ଭାବରେ ଟପ୍ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ବିଭାଗକୁ ବ୍ୟବହାର କରନ୍ତୁ |
• ବିଭିନ୍ନ ଉପାଦାନ ମଧ୍ୟରେ ଥିବା ସମ୍ପର୍କ ବିଷୟରେ ଏକ ଉତ୍ତମ ବୁ understanding ାମଣା ପାଇବା ପାଇଁ Chart.js ବ୍ୟବହାର କରି ଆପଣଙ୍କର RAG ଏବଂ LLM କ୍ଷମତାକୁ ଭିଜୁଆଲ୍ କରନ୍ତୁ |

ଏହି ସୁପାରିଶଗୁଡିକ ଅନୁସରଣ କରି, ଡେଭଲପର୍ମାନେ ଲାଙ୍ଗ ଚେନ୍ ଏବଂ DSPy ର ପୂର୍ଣ୍ଣ ସମ୍ଭାବନାକୁ ଅନଲକ୍ କରିପାରିବେ ଏବଂ AI ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟ ନିର୍ମାଣ କରିପାରିବେ ଯାହା ଜଟିଳ କାର୍ଯ୍ୟଭାରକୁ ପରିଚାଳନା କରିପାରିବ ଏବଂ ଅସାଧାରଣ କାର୍ଯ୍ୟଦକ୍ଷତା ଏବଂ ମାପନୀୟତା ପ୍ରଦାନ କରିପାରିବ |