ପରିଚୟ

ଆଧୁନିକ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମର କ୍ରମାଗତ ଭାବରେ ବ complex ୁଥିବା ଜଟିଳତା ଘଟଣାର ବାରମ୍ବାରତା ଏବଂ ଗମ୍ଭୀରତା ବୃଦ୍ଧି କରିଛି, ଯାହାକି ସକ୍ରିୟ ଘଟଣାର ଅନୁସନ୍ଧାନ ଏବଂ ସମାଧାନକୁ DevOps ର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଦିଗ ଭାବରେ ପରିଣତ କରିଛି | କୃତ୍ରିମ ବୁଦ୍ଧିମତା (AI) ଏବଂ ମେସିନ୍ ଲର୍ନିଂ (ML) DevOps ପାଇପଲାଇନକୁ ବ enhance ାଇବା ପାଇଁ ଶକ୍ତିଶାଳୀ ଉପକରଣ ଭାବରେ ଉଭା ହୋଇଛି, ବ୍ୟବସାୟକୁ ପ୍ରଭାବିତ କରିବା ପୂର୍ବରୁ ଘଟଣାଗୁଡ଼ିକୁ ଚିହ୍ନଟ ଏବଂ ସମାଧାନ କରିବା ପାଇଁ AI ଚାଳିତ ସ୍ୱୟଂଚାଳିତ ଏବଂ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ସକ୍ଷମ କରିଥାଏ | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି AI- ଚାଳିତ DevOps ପାଇପଲାଇନକୁ କିପରି କାର୍ଯ୍ୟକାରୀ କରାଯିବ, AIOps ଏବଂ RAG ମଡେଲ ବ୍ୟବହାର କରି ସକ୍ରିୟ ଘଟଣା ଅନୁସନ୍ଧାନ ଏବଂ ରିଜୋଲ୍ୟୁସନ୍ ଉପରେ ଧ୍ୟାନ ଦେଇ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ପାଇଁ AWS DevOps ଏଜେଣ୍ଟ ସହିତ ଏକୀଭୂତ ହେବ |

DSPy ଏବଂ LangChain ର ସମୀକ୍ଷା |

DSPy ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା AI- ଚାଳିତ DevOps ପାଇପଲାଇନ ନିର୍ମାଣ ଏବଂ ନିୟୋଜନ ପାଇଁ ଏକ ସରଳ ଏବଂ ଦକ୍ଷ ଉପାୟ ପ୍ରଦାନ କରିଥାଏ | ଏହା ଡେଭଲପର୍ମାନଙ୍କୁ ବିଭିନ୍ନ AI ଏବଂ ML ମଡେଲଗୁଡିକ, ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP), କମ୍ପ୍ୟୁଟର ଦୃଷ୍ଟିକୋଣ ଏବଂ ଭବିଷ୍ୟବାଣୀ ଆନାଲିଟିକ୍ସ ସହିତ ସେମାନଙ୍କର DevOps ପାଇପଲାଇନରେ ସଂଯୋଗ କରିବାକୁ ଅନୁମତି ଦିଏ | ଅନ୍ୟପକ୍ଷରେ, ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା ବିକାଶକାରୀମାନଙ୍କୁ ଏକ ମଡ୍ୟୁଲାର୍ ଏବଂ ମାପନୀୟ ସ୍ଥାପତ୍ୟ ବ୍ୟବହାର କରି ବଡ଼ ଆକାରର AI ମଡେଲ ଗଠନ ଏବଂ ନିୟୋଜନ କରିବାକୁ ସକ୍ଷମ କରିଥାଏ |

DSPy ଏବଂ LangChain ସହିତ AI- ଚାଳିତ DevOps ପାଇପଲାଇନ କାର୍ଯ୍ୟକାରୀ କରିବା |

DSPy ଏବଂ LangChain ସହିତ AI- ଚାଳିତ DevOps ପାଇପଲାଇନ କାର୍ଯ୍ୟକାରୀ କରିବାକୁ, ଆମକୁ ଏହି ପଦକ୍ଷେପଗୁଡିକ ଅନୁସରଣ କରିବାକୁ ପଡିବ:

1। ** ତଥ୍ୟ ସଂଗ୍ରହ **: ବିଭିନ୍ନ ଉତ୍ସରୁ ପ୍ରଯୁଜ୍ୟ ତଥ୍ୟ ସଂଗ୍ରହ କରନ୍ତୁ, ଯେପରିକି ଲଗ୍, ମେଟ୍ରିକ୍, ଏବଂ ବିନ୍ୟାସ ଫାଇଲ୍ | 2। ** ଡାଟା ପ୍ରୋସେସିଂ **: ସଂଗୃହିତ ତଥ୍ୟକୁ ବିଶ୍ଳେଷଣ ଏବଂ ମଡେଲିଂ ପାଇଁ ପ୍ରସ୍ତୁତ କରିବା ପାଇଁ ପ୍ରୋସେସ୍ କର | 3। ** ମଡେଲ୍ ଟ୍ରେନିଂ **: ଘଟଣାଗୁଡ଼ିକୁ ଚିହ୍ନଟ ଏବଂ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ପ୍ରି-ପ୍ରୋସେସ୍ ହୋଇଥିବା ତଥ୍ୟ ବ୍ୟବହାର କରି AI ଏବଂ ML ମଡେଲଗୁଡିକୁ ଟ୍ରେନ୍ କରନ୍ତୁ | 4। ** ମଡେଲ୍ ନିୟୋଜନ **: DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି ତାଲିମପ୍ରାପ୍ତ ମଡେଲଗୁଡିକୁ DevOps ପାଇପଲାଇନରେ ନିୟୋଜିତ କରନ୍ତୁ | 5। ** ଘଟଣାର ଅନୁସନ୍ଧାନ **: ଘଟଣାର ଅନୁସନ୍ଧାନ ଏବଂ ମୂଳ କାରଣ ଚିହ୍ନଟ ପାଇଁ ନିୟୋଜିତ ମଡେଲଗୁଡିକ ବ୍ୟବହାର କରନ୍ତୁ | 6। ** ଘଟଣାର ସମାଧାନ **: ଘଟଣାଗୁଡ଼ିକର ସକ୍ରିୟ ଭାବରେ ସମାଧାନ ପାଇଁ ଘଟଣା ଅନୁସନ୍ଧାନରୁ ପ୍ରାପ୍ତ ଜ୍ଞାନକୁ ବ୍ୟବହାର କରନ୍ତୁ |

କୋଡ୍ ଉଦାହରଣ: DSPy ଏବଂ LangChain ସହିତ ଏକ ସରଳ RAG ମଡେଲ୍ କାର୍ଯ୍ୟକାରୀ କରିବା |

ଏଠାରେ ଏକ ସରଳ କୋଡ୍ ଉଦାହରଣ ଅଛି ଯାହା DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି ଏକ RAG (ମୂଳ କାରଣ ବିଶ୍ଳେଷଣ) ମଡେଲକୁ କିପରି କାର୍ଯ୍ୟକାରୀ କରାଯିବ ତାହା ଦର୍ଶାଏ | `` ପାଇଥନ୍ | dspy ଆମଦାନି କରନ୍ତୁ | langchain ଆମଦାନି LLMChain ରୁ |

ପ୍ରୋସେସ୍ ହୋଇଥିବା ଡାଟା ଲୋଡ୍ କରନ୍ତୁ |

ଡାଟା = pd.read_csv ("data.csv")

RAG ମଡେଲକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

rag_model = dspy.RAGModel ( input_feature = ["log_level", "error_message"], ଆଉଟପୁଟ୍_ଫିଚର୍ସ = ["root_cause"] )

RAG ମଡେଲକୁ ତାଲିମ ଦିଅ |

rag_model.train (ତଥ୍ୟ)

RAG ମଡେଲ୍ ନିୟୋଜନ କରନ୍ତୁ |

llm_chain = LLMChain ( model = "davinci: 002", max_length = 2048 ) rag_model.deploy (llm_chain)

ଘଟଣାର ଅନୁସନ୍ଧାନ ପାଇଁ ନିୟୋଜିତ RAG ମଡେଲ୍ ବ୍ୟବହାର କରନ୍ତୁ |

ଘଟଣା_ ଡାଟା = pd ଡାଟା ଫ୍ରେମ୍ ({ "log_level": ["ତ୍ରୁଟି"], "error_message": ["କିଛି ଭୁଲ ହେଲା"] }) root_cause = rag_model.predict (ଘଟଣା_ ଡାଟା) ମୁଦ୍ରଣ (root_cause) `` DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି ଏକ ସରଳ RAG ମଡେଲକୁ କିପରି କାର୍ଯ୍ୟକାରୀ କରାଯିବ ଏହି କୋଡ୍ ଉଦାହରଣ ଦର୍ଶାଏ | RAG ମଡେଲ୍ ଇନପୁଟ୍ ବ features ଶିଷ୍ଟ୍ୟ ଭାବରେ ଲଗ୍ ସ୍ତର ଏବଂ ତ୍ରୁଟି ବାର୍ତ୍ତା ନେଇଥାଏ ଏବଂ ଘଟଣାର ମୂଳ କାରଣ ପୂର୍ବାନୁମାନ କରେ |

ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ |

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

1। "Dspy.RAGModel (input_features, output_feature)": ନିର୍ଦ୍ଦିଷ୍ଟ ଇନପୁଟ୍ ଏବଂ ଆଉଟପୁଟ୍ ବ features ଶିଷ୍ଟ୍ୟ ସହିତ ଏକ RAG ମଡେଲକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ | 2। "Dspy.RAGModel.train (ଡାଟା)": ପ୍ରଦତ୍ତ ତଥ୍ୟ ବ୍ୟବହାର କରି ଏକ RAG ମଡେଲ୍ ଟ୍ରେନ୍ କରନ୍ତୁ | 3। "Dspy.RAGModel.deploy (llm_chain)": ଏକ LangChain LLMChain ବ୍ୟବହାର କରି ଏକ ତାଲିମପ୍ରାପ୍ତ RAG ମଡେଲ୍ ନିୟୋଜିତ କରନ୍ତୁ | 4। "Llm_chain = LLMChain (ମଡେଲ୍, max_length)": ନିର୍ଦ୍ଦିଷ୍ଟ ମଡେଲ୍ ଏବଂ ସର୍ବାଧିକ ଲମ୍ବ ସହିତ ଏକ LangChain LLMChain ସୃଷ୍ଟି କରନ୍ତୁ | 5। "Rag_model.predict (ଡାଟା)": ଏକ ଘଟଣାର ମୂଳ କାରଣ ପୂର୍ବାନୁମାନ କରିବାକୁ ଏକ ନିୟୋଜିତ RAG ମଡେଲ୍ ବ୍ୟବହାର କରନ୍ତୁ | 6। "Dspy.DataPreprocessor (input_data)": DSPy ବ୍ୟବହାର କରି ଏକ ଡାଟା ପ୍ରିପ୍ରୋସେସିଂ ପାଇପଲାଇନକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ | 7। "Dspy.ModelTrainer (ମଡେଲ୍, ଡାଟା)": DSPy ବ୍ୟବହାର କରି ଏକ AI କିମ୍ବା ML ମଡେଲ୍ ଟ୍ରେନ୍ କରନ୍ତୁ | 8। "Dspy.ModelDeployer (ମଡେଲ୍, llm_chain)": DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି ଏକ ତାଲିମପ୍ରାପ୍ତ ମଡେଲ୍ ନିୟୋଜିତ କରନ୍ତୁ | 9। "Langchain.LLMChain.predict (input_data)": ଏକ ମଡେଲର ଫଳାଫଳକୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଏକ LangChain LLMChain ବ୍ୟବହାର କରନ୍ତୁ | 10। "Dspy.RAGModel.evaluate (ଡାଟା)": DSPy ବ୍ୟବହାର କରି RAG ମଡେଲର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କର |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି ଏକ ଭିଜୁଆଲାଇଜେସନ୍ ର ଏକ ଉଦାହରଣ ଏଠାରେ ଅଛି: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["ଘଟଣା ପ୍ରକାର A", "ଘଟଣା ପ୍ରକାର B", "ଘଟଣା ପ୍ରକାର C"], "ଡାଟାବେସ୍": [ { "label": "ମୂଳ କାରଣ A", "ଡାଟା": [10, 15, 7], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": "rgba (255, 99, 132, 0.2)", "borderColor": "rgba (255, 99, 132, 1)", "ସୀମା ଓସାର": 1 }, { "ଲେବଲ୍": "ମୂଳ କାରଣ B", "ଡାଟା": [8, 12, 9], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": "rgba (54, 162, 235, 0.2)", "borderColor": "rgba (54, 162, 235, 1)", "ସୀମା ଓସାର": 1 }, { "ଲେବଲ୍": "ମୂଳ କାରଣ C", "ଡାଟା": [14, 18, 11], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": "rgba (255, 206, 86, 0.2)", "borderColor": "rgba (255, 206, 86, 1)", "ସୀମା ଓସାର": 1 } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "ପାଠ୍ୟ": "ମୂଳ କାରଣ ବିଶ୍ଳେଷଣ" }, "ମାପ": { "yAxes": [ { "ଟିକ୍ସ": { "startAtZero": ସତ୍ୟ | } } ] } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ବିଭିନ୍ନ ଘଟଣା ପ୍ରକାର ପାଇଁ ମୂଳ କାରଣ ବଣ୍ଟନକୁ ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି AI- ଚାଳିତ DevOps ପାଇପଲାଇନକୁ କିପରି କାର୍ଯ୍ୟକାରୀ କରାଯିବ, AIOps ଏବଂ RAG ମଡେଲ ବ୍ୟବହାର କରି ସକ୍ରିୟ ଘଟଣା ଅନୁସନ୍ଧାନ ଏବଂ ରିଜୋଲ୍ୟୁସନ୍ ଉପରେ ଧ୍ୟାନ ଦେଇ ଏବଂ ସ୍ୱୟଂଚାଳିତ ଘଟଣା ଅନୁସନ୍ଧାନ ପାଇଁ AWS DevOps ଏଜେଣ୍ଟ ସହିତ ଏକୀଭୂତ ହେବା ବିଷୟରେ ଅନୁସନ୍ଧାନ କରିଥିଲୁ | ଆମେ ଏକ ସରଳ କୋଡ୍ ଉଦାହରଣ ପ୍ରଦର୍ଶନ କଲୁ ଯାହା DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି ଏକ RAG ମଡେଲ୍ କାର୍ଯ୍ୟକାରୀ କରେ, ଏବଂ DSPy ଏବଂ LangChain ପାଇଁ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ର ଏକ ତାଲିକା ପ୍ରଦାନ କଲା | Chart.js ବ୍ୟବହାର କରି ଆମେ ଏକ ଭିଜୁଆଲାଇଜେସନ୍ ଉଦାହରଣ ମଧ୍ୟ ଅନ୍ତର୍ଭୁକ୍ତ କରିଛୁ | ଏହି ଆର୍ଟିକିଲରେ ବର୍ଣ୍ଣିତ ପଦକ୍ଷେପଗୁଡିକ ଅନୁସରଣ କରି, ବିକାଶକାରୀମାନେ AI- ଚାଳିତ DevOps ପାଇପଲାଇନ ନିର୍ମାଣ ଏବଂ ନିୟୋଜିତ କରିପାରିବେ ଯାହାକି ଘଟଣାଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରି ସମାଧାନ କରିଥାଏ, ସେମାନଙ୍କର ସଫ୍ଟୱେୟାର ସିଷ୍ଟମର ସାମଗ୍ରିକ ଦକ୍ଷତା ଏବଂ ନିର୍ଭରଯୋଗ୍ୟତାକୁ ଉନ୍ନତ କରିଥାଏ |