ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ପାଇଁ DevOps ୱାର୍କଫ୍ଲୋରେ ଏଜେଣ୍ଟିକ୍ AI କାର୍ଯ୍ୟକାରୀ କରିବା

ପରିଚୟ

ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI), DevOps, ଏବଂ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଛକ ଭିତ୍ତିଭୂମି ପରିଚାଳନାରେ ଏକ ନୂତନ ପାରାଦୀପ ସୃଷ୍ଟି କରିଛି - ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ | ଏହି ପଦ୍ଧତି ଭିତ୍ତିଭୂମି ଯୋଗାଣ, ମାପିବା, ଏବଂ ପରିଚାଳନାକୁ ସ୍ୱୟଂଚାଳିତ ଏବଂ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ AI ଏବଂ ମେସିନ୍ ଲର୍ନିଂ (ML) ଆଲଗୋରିଦମକୁ ବ୍ୟବହାର କରିଥାଏ, ଯାହାକି ବିକାଶକାରୀମାନଙ୍କୁ ଉଚ୍ଚ ସ୍ତରୀୟ କାର୍ଯ୍ୟ ଉପରେ ଧ୍ୟାନ ଦେବାକୁ ସକ୍ଷମ କରିଥାଏ | ଏହି ଆର୍ଟିକିଲରେ, ଲ୍ୟାଙ୍ଗଚେନ, DSPy, ଏବଂ ଷ୍ଟାକଗେନ ପରି ଉପକରଣ ଉପରେ ଧ୍ୟାନ ଦେଇ ଡେଭଲପର୍ ଅଭିଜ୍ଞତା ବ Dev ାଇବା ଏବଂ DevOps ୱାର୍କଫ୍ଲୋରେ ମାପନୀୟତାକୁ ଉନ୍ନତ କରିବାରେ ଆମେ ଏଜେଣ୍ଟିକ୍ AI ର ଭୂମିକା ଅନୁସନ୍ଧାନ କରିବୁ |

ଏଜେଣ୍ଟ୍ AI କ’ଣ?

ଏଜେଣ୍ଟିକ୍ AI ଏକ ପ୍ରକାର AI କୁ ବୁ refers ାଏ ଯାହା ସ୍ autonomous ୟଂଶାସିତ ଆଚରଣ ପ୍ରଦର୍ଶନ କରେ, ନିଷ୍ପତ୍ତି ଗ୍ରହଣ କରେ ଏବଂ ନିଜେ ମନୁଷ୍ୟର ହସ୍ତକ୍ଷେପ ନକରି କାର୍ଯ୍ୟାନୁଷ୍ଠାନ ଗ୍ରହଣ କରେ | DevOps ପ୍ରସଙ୍ଗରେ, ଏଜେଣ୍ଟିକ୍ AI କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସ୍ୱୟଂଚାଳିତ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇପାରିବ ଯେପରିକି ଭିତ୍ତିଭୂମି ଯୋଗାଣ, ନିୟୋଜନ, ଏବଂ ମାପିବା, ଏବଂ ମନିଟରିଂ ଏବଂ ଟ୍ରବଲସୁଟିଂ | ଏହି ପଦ୍ଧତି ବିକାଶକାରୀମାନଙ୍କୁ ଉଚ୍ଚ ସ୍ତରୀୟ କାର୍ଯ୍ୟଗୁଡ଼ିକ ଉପରେ ଧ୍ୟାନ ଦେବା ପାଇଁ ସକ୍ଷମ କରିଥାଏ, ଯେପରିକି କୋଡ୍ ଲେଖିବା ଏବଂ ପ୍ରୟୋଗଗୁଡ଼ିକର ପରିକଳ୍ପନା, ଯେତେବେଳେ କି AI ଭିତ୍ତିଭୂମି ଭିତ୍ତିଭୂମିର ଯତ୍ନ ନିଏ |

ଲାଙ୍ଗ୍ ଚେନ୍: ଏଜେଣ୍ଟିକ୍ AI ସିଷ୍ଟମ୍ ଗଠନ ପାଇଁ ଏକ Fr ାଞ୍ଚା

ଲେଙ୍ଗ ଚେନ୍ ହେଉଛି ଏଜେଣ୍ଟିକ୍ AI ସିଷ୍ଟମ୍ ଗଠନ ପାଇଁ ଏକ ମୁକ୍ତ ଉତ୍ସ framework ାଞ୍ଚା ଯାହା ଉପଭୋକ୍ତାମାନଙ୍କ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ, କାର୍ଯ୍ୟଗୁଡିକ ସଂପାଦନ କରିପାରିବ ଏବଂ ନିଷ୍ପତ୍ତି ନେଇପାରେ | କଥାବାର୍ତ୍ତା ଇଣ୍ଟରଫେସ୍, ପ୍ରାକୃତିକ ଭାଷା ପ୍ରକ୍ରିୟାକରଣ (NLP), ଏବଂ ମେସିନ୍ ଲର୍ନିଂ ମଡେଲ ଗଠନ ପାଇଁ ଏହା API ଏବଂ ଉପକରଣଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ | ଚାଙ୍ଗବଟ୍ ଏବଂ ଭର୍ଚୁଆଲ୍ ଆସିଷ୍ଟାଣ୍ଟ ଠାରୁ ଆରମ୍ଭ କରି ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ସିଷ୍ଟମ୍ ପର୍ଯ୍ୟନ୍ତ ବିଭିନ୍ନ ପ୍ରକାରର ପ୍ରୟୋଗ ନିର୍ମାଣ ପାଇଁ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ବ୍ୟବହାର କରାଯାଇପାରିବ |

DSPy: ଏଜେଣ୍ଟିକ୍ AI ସିଷ୍ଟମ୍ ଗଠନ ପାଇଁ ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ

ଏଜେଣ୍ଟିକ୍ AI ସିଷ୍ଟମ୍ ଗଠନ ପାଇଁ DSPy ହେଉଛି ଏକ ପାଇଥନ୍ ଲାଇବ୍ରେରୀ ଯାହା ଉପଭୋକ୍ତାମାନଙ୍କ ସହିତ ଯୋଗାଯୋଗ କରିପାରିବ, କାର୍ଯ୍ୟଗୁଡିକ ସଂପାଦନ କରିପାରିବ ଏବଂ ନିଷ୍ପତ୍ତି ନେଇପାରେ | କଥାବାର୍ତ୍ତା ଇଣ୍ଟରଫେସ୍, NLP, ଏବଂ ମେସିନ୍ ଲର୍ନିଂ ମଡେଲ ଗଠନ ପାଇଁ ଏହା API ଏବଂ ଉପକରଣଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ | ଚାଟବଟ୍ ଏବଂ ଭର୍ଚୁଆଲ୍ ଆସିଷ୍ଟାଣ୍ଟ ଠାରୁ ଆରମ୍ଭ କରି ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟେସନ୍ ସିଷ୍ଟମ୍ ପର୍ଯ୍ୟନ୍ତ ବିଭିନ୍ନ ପ୍ରକାରର ପ୍ରୟୋଗ ନିର୍ମାଣ ପାଇଁ DSPy ବ୍ୟବହାର କରାଯାଇପାରିବ |

ଷ୍ଟାକଜେନ୍: ଭିତ୍ତିଭୂମି ନିର୍ମାଣ ଏବଂ ପରିଚାଳନା ପାଇଁ ଏକ ଉପକରଣ

କୋଡ୍ ଭାବରେ ଭିତ୍ତିଭୂମି ନିର୍ମାଣ ଏବଂ ପରିଚାଳନା ପାଇଁ ଷ୍ଟାକଜେନ୍ ହେଉଛି ଏକ ଉପକରଣ | ଭିତ୍ତିଭୂମି ବିନ୍ୟାସକରଣ, ଉତ୍ସ ଯୋଗାଇବା ଏବଂ ନିୟୋଜନ ପରିଚାଳନା ପାଇଁ ଏହା API ଏବଂ ଉପକରଣଗୁଡ଼ିକର ଏକ ସେଟ୍ ପ୍ରଦାନ କରେ | ଭର୍ଚୁଆଲ୍ ମେସିନ୍ ଏବଂ ପାତ୍ରଗୁଡିକ ଠାରୁ ଆରମ୍ଭ କରି ସର୍ଭରହୀନ କାର୍ଯ୍ୟ ଏବଂ କ୍ଲାଉଡ୍-ଦେଶୀ ପ୍ରୟୋଗଗୁଡ଼ିକ ପର୍ଯ୍ୟନ୍ତ ବିଭିନ୍ନ ପ୍ରକାରର ଭିତ୍ତିଭୂମି ନିର୍ମାଣ ଏବଂ ପରିଚାଳନା ପାଇଁ ଷ୍ଟାକଜେନ୍ ବ୍ୟବହାର କରାଯାଇପାରିବ |

DevOps ୱାର୍କଫ୍ଲୋରେ ଏଜେଣ୍ଟିକ୍ AI କାର୍ଯ୍ୟକାରୀ କରିବା

DevOps ୱାର୍କଫ୍ଲୋରେ ଏଜେଣ୍ଟିକ୍ AI କାର୍ଯ୍ୟକାରୀ କରିବାକୁ, ଆମେ ଲ୍ୟାଙ୍ଗଚେନ, DSPy, ଏବଂ ଷ୍ଟାକଗେନର ଏକ ମିଶ୍ରଣ ବ୍ୟବହାର କରିପାରିବା | ଏକ ସ୍ autonomous ୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ସିଷ୍ଟମ ଗଠନ ପାଇଁ ଆମେ କିପରି ଏହି ଉପକରଣଗୁଡ଼ିକୁ ବ୍ୟବହାର କରିପାରିବା ତାହାର ଏକ ଉଦାହରଣ ଏଠାରେ ଅଛି:

"ପାଇଥନ୍ | langchain ଆମଦାନି କରନ୍ତୁ | dspy ଆମଦାନି କରନ୍ତୁ | ଷ୍ଟାକେନ୍ ଆମଦାନି କରନ୍ତୁ |

ଭିତ୍ତିଭୂମି_କନ୍ଫିଗ୍ = { "ଉତ୍ସଗୁଡିକ": [ {"ନାମ": "ୱେବ୍ ସର୍ଭର", "ପ୍ରକାର": "EC2", "ଅଞ୍ଚଳ": "ଆମ-ପଶ୍ଚିମ -2"}, {"ନାମ": "ଡାଟାବେସ୍", "ପ୍ରକାର": "RDS", "ଅଞ୍ଚଳ": "ଆମ-ପଶ୍ଚିମ -2"} ] }

ନିୟୋଜନ ସଂରଚନାକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

ନିୟୋଜନ_କନ୍ଫିଗ୍ = { "ସେବା": [ {"ନାମ": "ୱେବ୍ ସର୍ଭର", "ପ୍ରତିଛବି": "nginx: ସର୍ବଶେଷ", "ପୋର୍ଟ": 80}, {"ନାମ": "ଡାଟାବେସ୍", "ପ୍ରତିଛବି": "mysql: ସର୍ବଶେଷ", "ପୋର୍ଟ": 3306} ] }

ଏକ LangChain ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ |

ଏଜେଣ୍ଟ = langchain.Agent ( ନାମ = "ଭିତ୍ତିଭୂମି-ଅର୍କେଷ୍ଟେଟର", description = "ଏକ ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟେସନ୍ ସିଷ୍ଟମ୍" )

ଏକ DSPy ମଡେଲ୍ ସୃଷ୍ଟି କରନ୍ତୁ |

ମଡେଲ୍ = dspy.Model ( ନାମ = "ଭିତ୍ତିଭୂମି-ଅର୍କେଷ୍ଟେଟର", description = "ଭିତ୍ତିଭୂମି ଆବଶ୍ୟକତା ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଏକ ମଡେଲ୍" )

ଏକ ଷ୍ଟାକଜେନ୍ ଷ୍ଟାକ ସୃଷ୍ଟି କରନ୍ତୁ |

stack = stackgen.Stack ( ନାମ = "ଭିତ୍ତିଭୂମି-ଅର୍କେଷ୍ଟେଟର", description = "ଭିତ୍ତିଭୂମି ପରିଚାଳନା ପାଇଁ ଏକ ଷ୍ଟାକ" )

ଏଜେଣ୍ଟିକ୍ AI କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ |

କାର୍ଯ୍ୟ ପ୍ରବାହ = [ step "ପଦକ୍ଷେପ": "predict_infrastructure_requirements", "model": ମଡେଲ୍}, step "ଷ୍ଟେପ୍": "ପ୍ରୋଭିଜେସନ୍_ ଇନଫ୍ରାଷ୍ଟ୍ରକଚର", "ଷ୍ଟାକ": ଷ୍ଟାକ}, step "ଷ୍ଟେପ୍": "ନିୟୋଜନ_ ସେବା", "ନିୟୋଜନ_କନ୍ଫିଗ୍": ନିୟୋଜନ_କନ୍ଫିଗ୍} ]

ଏଜେଣ୍ଟ୍ AI ୱାର୍କଫ୍ଲୋ ଚଲାନ୍ତୁ |

agent.run (କାର୍ଯ୍ୟ ପ୍ରବାହ) ``

ଏହି କୋଡ୍ ଏକ ସ୍ autonomous ୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ସିଷ୍ଟମକୁ ବ୍ୟାଖ୍ୟା କରେ ଯାହା ଭିତ୍ତିଭୂମି ଆବଶ୍ୟକତା, ଯୋଗାଣ ଉତ୍ସ ଏବଂ ସେବା ନିୟୋଜନ ପାଇଁ ଲ୍ୟାଙ୍ଗ ଚେନ୍, DSPy, ଏବଂ ଷ୍ଟାକଜେନ୍ ବ୍ୟବହାର କରେ |

ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍

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

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି ଏଜେଣ୍ଟିକ୍ AI ୱାର୍କଫ୍ଲୋର ଏକ ଭିଜୁଆଲାଇଜେସନ୍: json { "ପ୍ରକାର": "ଦଣ୍ଡିକା", "ଡାଟା": { "ଲେବଲ୍": ["ଭିତ୍ତିଭୂମି ଆବଶ୍ୟକତା ପୂର୍ବାନୁମାନ", "ଯୋଗାଣ ଭିତ୍ତିଭୂମି", "ସେବା ନିୟୋଜନ"], "ଡାଟାବେସ୍": [ { "ଲେବଲ୍": "ଏଜେଣ୍ଟ୍ AI ୱାର୍କଫ୍ଲୋ", "ଡାଟା": [10, 20, 30], "ପୃଷ୍ଠଭୂମି ରଙ୍ଗ": "rgba (255, 99, 132, 0.2)", "borderColor": "rgba (255, 99, 132, 1)", "ସୀମା ଓସାର": 1 } ] }, "ବିକଳ୍ପଗୁଡିକ": { "ଆଖ୍ୟା": { "ପ୍ରଦର୍ଶନ": ସତ୍ୟ, "ପାଠ୍ୟ": "ଏଜେଣ୍ଟ୍ AI ୱାର୍କଫ୍ଲୋ" }, "ମାପ": { "yAxes": [ { "ଟିକ୍ସ": { "startAtZero": ସତ୍ୟ | } } ] } } } ଏହି ଭିଜୁଆଲାଇଜେସନ୍ ଭିତ୍ତିଭୂମି ଆବଶ୍ୟକତା ପୂର୍ବାନୁମାନ କରିବା, ଭିତ୍ତିଭୂମି ଯୋଗାଇବା ଏବଂ ସେବା ନିୟୋଜନ କରିବାର ତିନୋଟି ସୋପାନ ସହିତ ବାର୍ ଚାର୍ଟ ଭାବରେ ଏଜେଣ୍ଟିକ୍ AI କାର୍ଯ୍ୟ ପ୍ରବାହକୁ ଦର୍ଶାଏ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଡେଭଲପର୍ ଅଭିଜ୍ଞତା ବ Dev ାଇବା ଏବଂ DevOps ୱାର୍କଫ୍ଲୋରେ ମାପନୀୟତାକୁ ଉନ୍ନତ କରିବାରେ ଆମେ ଏଜେଣ୍ଟିକ୍ AI ର ଭୂମିକା ଅନୁସନ୍ଧାନ କରିଛୁ | ଆମେ ଏଜେଣ୍ଟ୍ AI ସିଷ୍ଟମ୍ ଗଠନ ପାଇଁ ସାଧନ ଭାବରେ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍, DSPy, ଏବଂ ଷ୍ଟାକଗେନ୍ କୁ ପରିଚିତ କରାଇଲୁ ଏବଂ ଏକ ସ୍ୱୟଂଶାସିତ ଭିତ୍ତିଭୂମି ଅର୍କେଷ୍ଟେସନ୍ ସିଷ୍ଟମ୍ ଗଠନ ପାଇଁ ଏହି ଉପକରଣଗୁଡ଼ିକୁ କିପରି ବ୍ୟବହାର କରାଯିବ ତାହା ପ୍ରଦର୍ଶନ କରିଥିଲୁ | Chart.js ବ୍ୟବହାର କରି ଆମେ ଏଜେଣ୍ଟିକ୍ AI କାର୍ଯ୍ୟ ପ୍ରବାହର ଏକ ଭିଜୁଆଲାଇଜେସନ୍ ମଧ୍ୟ ପ୍ରଦାନ କରିଛୁ | ଏଜେଣ୍ଟିକ୍ AI କୁ ବ୍ୟବହାର କରି, ଡେଭଲପର୍ମାନେ ଉଚ୍ଚ ସ୍ତରୀୟ କାର୍ଯ୍ୟ ଉପରେ ଧ୍ୟାନ ଦେଇପାରିବେ, ଯେପରିକି କୋଡ୍ ଲେଖିବା ଏବଂ ପ୍ରୟୋଗର ପରିକଳ୍ପନା କରିବା, ଯେତେବେଳେ କି AI ଭିତ୍ତିଭୂମି ଭିତ୍ତିଭୂମିର ଯତ୍ନ ନିଏ |