សេចក្តីផ្តើម

ការរួមបញ្ចូលនៃ Artificial Intelligence (AI) ទៅក្នុងកម្មវិធីសូហ្វវែរបានផ្លាស់ប្តូរវិធីដែលយើងចូលទៅដោះស្រាយបញ្ហា ការសម្រេចចិត្ត និងស្វ័យប្រវត្តិកម្ម។ ទោះជាយ៉ាងណាក៏ដោយ នៅពេលដែលកម្មវិធីដែលជំរុញដោយ AI កាន់តែស្មុគស្មាញ តម្រូវការសម្រាប់ស្ថាបត្យកម្មដែលមានសុវត្ថិភាព និងអាចធ្វើមាត្រដ្ឋានបានបានក្លាយជាកង្វល់ដ៏ខ្លាំងមួយ។ នៅក្នុងអត្ថបទនេះ យើងនឹងស្វែងយល់ពីចំនុចប្រសព្វនៃ AI វិស្វកម្មផ្នែកទន់ និង DevOps ដោយមានការសង្កត់ធ្ងន់ជាក់លាក់លើការប្រើប្រាស់ឧបករណ៍ orchestration ដូចជា DSPy និង LangChain ដើម្បីរួមបញ្ចូលភ្នាក់ងារ AI ទៅក្នុងបំពង់បង្ហូរ DevOps ។

បញ្ហាប្រឈមនៃស្ថាបត្យកម្មកម្មវិធីដែលជំរុញដោយ AI

កម្មវិធីដែលជំរុញដោយ AI បង្កបញ្ហាប្រឈមពិសេសចំពោះវិស្វករផ្នែកទន់ និងក្រុម DevOps ។ បញ្ហាប្រឈមសំខាន់ៗមួយចំនួនរួមមាន:

• ** លទ្ធភាពធ្វើមាត្រដ្ឋាន **៖ ម៉ូដែល AI ត្រូវការធនធានគណនាយ៉ាងសំខាន់ ដែលអាចនាំឱ្យមានបញ្ហាវិសាលភាពនៅក្នុងបរិយាកាសផលិតកម្ម។
• សុវត្ថិភាព៖ ម៉ូដែល AI អាចងាយរងការវាយប្រហារ ដូចជាការបំពុលទិន្នន័យ និងការវាយប្រហារបញ្ច្រាសគំរូ។
• ការរួមបញ្ចូល៖ គំរូ AI ចាំបាច់ត្រូវបញ្ចូលជាមួយប្រព័ន្ធកម្មវិធីដែលមានស្រាប់ ដែលអាចជាកិច្ចការដ៏ស្មុគស្មាញមួយ។
• ** ការត្រួតពិនិត្យ និងថែទាំ **៖ ម៉ូដែល AI ទាមទារការត្រួតពិនិត្យ និងថែទាំជាបន្តបន្ទាប់ ដើម្បីធានាថាពួកវានៅតែមានភាពត្រឹមត្រូវ និងអាចទុកចិត្តបាន។

ឧបករណ៍ Orchestration៖ DSPy និង LangChain

ឧបករណ៍ Orchestration ដូចជា DSPy និង LangChain ផ្តល់នូវដំណោះស្រាយចំពោះបញ្ហាប្រឈមទាំងនេះដោយបើកការរួមបញ្ចូលភ្នាក់ងារ AI ទៅក្នុងបំពង់បង្ហូរ DevOps ។ ឧបករណ៍ទាំងនេះផ្តល់នូវក្របខ័ណ្ឌសម្រាប់ការសាងសង់ ការដាក់ពង្រាយ និងគ្រប់គ្រងគំរូ AI ធានានូវស្ថាបត្យកម្មដែលមានសុវត្ថិភាព និងអាចធ្វើមាត្រដ្ឋានបានសម្រាប់កម្មវិធីដែលដំណើរការដោយ AI ។

DSPy

DSPy គឺជាឧបករណ៍ orchestration ប្រភពបើកចំហដែលត្រូវបានបង្កើតឡើងនៅលើកំពូលនៃ Python ។ វាផ្តល់នូវ API ដ៏សាមញ្ញ និងវិចារណញាណសម្រាប់ការកសាង ការដាក់ពង្រាយ និងគ្រប់គ្រងគំរូ AI ។ DSPy គាំទ្រក្របខ័ណ្ឌ AI ជាច្រើន រួមទាំង TensorFlow, PyTorch និង scikit-learn ។

LangChain

LangChain គឺជាឧបករណ៍ orchestration ប្រភពបើកចំហមួយផ្សេងទៀតដែលផ្តល់នូវក្របខ័ណ្ឌសម្រាប់ការកសាង ការដាក់ពង្រាយ និងគ្រប់គ្រងគំរូ AI ។ LangChain ត្រូវបានបង្កើតឡើងនៅលើកំពូលនៃ Rust និងផ្តល់នូវ API ដែលដំណើរការខ្ពស់សម្រាប់ការរួមបញ្ចូលភ្នាក់ងារ AI ទៅក្នុងបំពង់ DevOps ។

ការអនុវត្តស្ថាបត្យកម្មកម្មវិធី AI-Driven ដែលមានសុវត្ថិភាព និងអាចធ្វើមាត្រដ្ឋានបានជាមួយ DSPy

នៅក្នុងផ្នែកនេះ យើងនឹងស្វែងយល់ពីឧទាហរណ៍ដ៏សាមញ្ញនៃការអនុវត្តស្ថាបត្យកម្មកម្មវិធីដែលជំរុញដោយ AI ដែលមានសុវត្ថិភាព និងអាចធ្វើមាត្រដ្ឋានបានជាមួយនឹង DSPy ។

ឧទាហរណ៍៖ ការកសាងគំរូ AI សាមញ្ញជាមួយ DSPy

សូមពិចារណាឧទាហរណ៍សាមញ្ញនៃការកសាងគំរូរៀនម៉ាស៊ីនដោយប្រើ DSPy ។ យើងនឹងប្រើបណ្ណាល័យ scikit-learn ដើម្បីបង្កើតគំរូតំរែតំរង់លីនេអ៊ែរ។

``ពស់ថ្លាន់ នាំចូល dspy ជា dsp ពី sklearn.linear_model នាំចូល LinearRegression ពី sklearn.datasets នាំចូល load_diabetes

ផ្ទុកសំណុំទិន្នន័យជំងឺទឹកនោមផ្អែម

សំណុំទិន្នន័យ = load_diabetes()

បំបែកសំណុំទិន្នន័យទៅជាសំណុំបណ្តុះបណ្តាល និងសាកល្បង

X_train, X_test, y_train, y_test = dsp.split_dataset(dataset.data, dataset.target, test_size=0.2)

បង្កើតគំរូតំរែតំរង់លីនេអ៊ែរ

គំរូ = LinearRegression()

បណ្តុះបណ្តាលគំរូលើទិន្នន័យបណ្តុះបណ្តាល

model.fit(X_train, y_train)

វាយតម្លៃគំរូលើទិន្នន័យសាកល្បង

ភាពត្រឹមត្រូវ = model.score(X_test, y_test) print(f"ភាពត្រឹមត្រូវនៃគំរូ៖ {accuracy:.2f}")

ប្លុកកូដនេះបង្ហាញពីរបៀបបង្កើតគំរូរៀនម៉ាស៊ីនសាមញ្ញដោយប្រើ DSPy ។ យើងផ្ទុកសំណុំទិន្នន័យជំងឺទឹកនោមផ្អែម បំបែកវាទៅជាសំណុំបណ្តុះបណ្តាល និងការធ្វើតេស្ត បង្កើតគំរូតំរែតំរង់លីនេអ៊ែរ បណ្តុះបណ្តាលវានៅលើទិន្នន័យបណ្តុះបណ្តាល និងវាយតម្លៃភាពត្រឹមត្រូវរបស់វាលើទិន្នន័យតេស្ត។

## ការអនុវត្តស្ថាបត្យកម្មកម្មវិធី AI-Driven ដែលមានសុវត្ថិភាព និងអាចធ្វើមាត្រដ្ឋានបានជាមួយ LangChain

នៅក្នុងផ្នែកនេះ យើងនឹងស្វែងយល់ពីឧទាហរណ៍ដ៏សាមញ្ញនៃការអនុវត្តស្ថាបត្យកម្មកម្មវិធីដែលជំរុញដោយ AI ដែលមានសុវត្ថិភាព និងអាចធ្វើមាត្រដ្ឋានបានជាមួយ LangChain ។

### ឧទាហរណ៍៖ ការកសាងគំរូ AI សាមញ្ញជាមួយ LangChain

សូមពិចារណាឧទាហរណ៍សាមញ្ញនៃការកសាងគំរូរៀនម៉ាស៊ីនដោយប្រើ LangChain ។ យើងនឹងប្រើបណ្ណាល័យ TensorFlow ដើម្បីបង្កើតគំរូបណ្តាញសរសៃប្រសាទ។

``ច្រេះ
ប្រើ langchain ជា lc;
ប្រើ tensorflow::prelude::*;

// កំណត់គំរូបណ្តាញសរសៃប្រសាទសាមញ្ញ
គំរូ fn (បញ្ចូល៖ & Tensor) -> Tensor {
    អនុញ្ញាតឱ្យទិន្នផល = input.matmul(&Tensor::new(1, 1));
    ទិន្នផល
}

// បង្កើតភ្នាក់ងារ LangChain
let agent = lc::Agent::new(model);

// កំណត់សំណុំទិន្នន័យ
អនុញ្ញាតឱ្យសំណុំទិន្នន័យ = lc::Dataset::new(vec![
    lc::ឧទាហរណ៍៖:new(vec![1.0, 2.0], vec![3.0]),
    lc::ឧទាហរណ៍៖:new(vec![4.0, 5.0], vec![6.0]),
]);

// បណ្តុះបណ្តាលគំរូនៅលើសំណុំទិន្នន័យ
agent.train(&សំណុំទិន្នន័យ);

// វាយតម្លៃគំរូលើសំណុំទិន្នន័យ
អនុញ្ញាតឱ្យភាពត្រឹមត្រូវ = agent.evaluate(&dataset);
println!("ភាពត្រឹមត្រូវនៃគំរូ៖ {}", ភាពត្រឹមត្រូវ);

ប្លុកកូដនេះបង្ហាញពីរបៀបបង្កើតគំរូរៀនម៉ាស៊ីនសាមញ្ញដោយប្រើ LangChain ។ យើងកំណត់គំរូបណ្តាញសរសៃប្រសាទសាមញ្ញ បង្កើតភ្នាក់ងារ LangChain កំណត់សំណុំទិន្នន័យ បណ្តុះបណ្តាលគំរូនៅលើសំណុំទិន្នន័យ និងវាយតម្លៃភាពត្រឹមត្រូវរបស់វានៅលើសំណុំទិន្នន័យ។

កំពូល 5-10 ពាក្យបញ្ជាដែលប្រើច្រើនបំផុត / អត្ថបទខ្លីៗ

នេះគឺជា 5-10 ពាក្យបញ្ជាដែលត្រូវបានប្រើប្រាស់ច្រើនបំផុតសម្រាប់ DSPy និង LangChain៖

DSPy

• dsp.split_dataset(data, target, test_size=0.2)៖ បំបែកសំណុំទិន្នន័យទៅជាសំណុំបណ្តុះបណ្តាល និងតេស្ត។
• dsp.build_model(model_name, model_params)៖ បង្កើតគំរូរៀនម៉ាស៊ីនដោយប្រើឈ្មោះម៉ូដែល និងប៉ារ៉ាម៉ែត្រដែលបានបញ្ជាក់។
• dsp.train_model(model, data)៖ បង្វឹក​គំរូ​រៀន​របស់​ម៉ាស៊ីន​លើ​ទិន្នន័យ​ដែល​បាន​បញ្ជាក់។
• dsp.evaluate_model(model, data)៖ វាយតម្លៃដំណើរការនៃគំរូសិក្សាម៉ាស៊ីននៅលើទិន្នន័យដែលបានបញ្ជាក់។
• dsp.deploy_model(model, server_url)៖ ដាក់ពង្រាយ​គំរូ​រៀន​ម៉ាស៊ីន​ទៅកាន់ URL ម៉ាស៊ីនមេ​ដែល​បាន​បញ្ជាក់។

LangChain

• lc::Agent::new(model): បង្កើតភ្នាក់ងារ LangChain ដោយប្រើគំរូដែលបានបញ្ជាក់។
• lc::Dataset::new(example): បង្កើតសំណុំទិន្នន័យ LangChain ដោយប្រើឧទាហរណ៍ដែលបានបញ្ជាក់។
• lc::train(agent, dataset): បណ្តុះបណ្តាលភ្នាក់ងារ LangChain នៅលើសំណុំទិន្នន័យដែលបានបញ្ជាក់។
• lc::evaluate(agent, dataset)៖ វាយតម្លៃដំណើរការរបស់ភ្នាក់ងារ LangChain នៅលើសំណុំទិន្នន័យដែលបានបញ្ជាក់។
• lc:: deploy(agent, server_url): ដាក់ពង្រាយភ្នាក់ងារ LangChain ទៅកាន់ URL របស់ម៉ាស៊ីនមេដែលបានបញ្ជាក់។

ការមើលឃើញ

នេះគឺជាការមើលឃើញដ៏សាមញ្ញនៃស្ថាបត្យកម្មកម្មវិធីដែលជំរុញដោយ AI ដោយប្រើ Chart.js៖

``javascript const ctx = document.getElementById('myChart').getContext('2d'); គំនូសតាង const = គំនូសតាងថ្មី (ctx, { ប្រភេទ៖ 'បារ', ទិន្នន័យ៖ { ស្លាក: ['ពេលវេលាបណ្តុះបណ្តាល', 'ពេលវេលាសន្និដ្ឋាន', 'ភាពត្រឹមត្រូវនៃគំរូ'], សំណុំទិន្នន័យ៖ [{ ស្លាក: 'DSPy', ទិន្នន័យ៖ [10, 5, 90], ផ្ទៃខាងក្រោយពណ៌៖ 'rgba(255, 99, 132, 0.2)', ពណ៌ព្រំដែន៖ 'rgba(255, 99, 132, 1)', ទទឹងព្រំដែន៖ ១ }, { ស្លាក: 'LangChain', ទិន្នន័យ៖ [8, 6, 92], ពណ៌ផ្ទៃខាងក្រោយ៖ 'rgba(54, 162, 235, 0.2)', ពណ៌ព្រំដែន៖ 'rgba(54, 162, 235, 1)', ទទឹងព្រំដែន៖ ១ }] }, ជម្រើស៖ { ជញ្ជីង៖ { y៖ { beginAtZero៖ ពិត } } } });

ប្លុកកូដនេះបង្កើតគំនូសតាងរបារសាមញ្ញដោយប្រើ Chart.js ដើម្បីស្រមៃមើលដំណើរការរបស់ DSPy និង LangChain ។

## សេចក្តីសន្និដ្ឋាន

នៅក្នុងអត្ថបទនេះ យើងបានស្វែងយល់ពីចំនុចប្រសព្វនៃ AI វិស្វកម្មផ្នែកទន់ និង DevOps ដោយមានការសង្កត់ធ្ងន់ជាក់លាក់លើការប្រើប្រាស់ឧបករណ៍ orchestration ដូចជា DSPy និង LangChain ដើម្បីបញ្ចូលភ្នាក់ងារ AI ទៅក្នុងបំពង់បង្ហូរ DevOps ។ យើងបានបង្ហាញពីរបៀបអនុវត្តស្ថាបត្យកម្មកម្មវិធីដែលជំរុញដោយ AI ដែលមានសុវត្ថិភាព និងអាចធ្វើមាត្រដ្ឋានបានដោយប្រើ DSPy និង LangChain ហើយបានផ្តល់ឧទាហរណ៍សាមញ្ញមួយនៃការកសាងគំរូរៀនម៉ាស៊ីនដោយប្រើឧបករណ៍នីមួយៗ។ យើងក៏បានផ្តល់នូវពាក្យបញ្ជា/ផ្នែកតូចៗដែលប្រើច្រើនបំផុតចំនួន 5-10 សម្រាប់ឧបករណ៍នីមួយៗ និងការមើលឃើញដ៏សាមញ្ញនៃស្ថាបត្យកម្មកម្មវិធីដែលជំរុញដោយ AI ដោយប្រើ Chart.js ។