Увод
Све већа сложеност модерних софтверских система довела је до повећања учесталости и озбиљности инцидената, чинећи проактивну истрагу и решавање инцидената критичним аспектом ДевОпс-а. Вештачка интелигенција (АИ) и машинско учење (МЛ) су се појавили као моћни алати за унапређење ДевОпс цевовода, омогућавајући аутоматизацију и оркестрацију вођену вештачком интелигенцијом за откривање и решавање инцидената пре него што утичу на пословање. У овом чланку ћемо истражити како да применимо ДевОпс цевоводе засноване на вештачкој интелигенцији користећи ДСПи и ЛангЦхаин, са фокусом на проактивну истрагу и решавање инцидената помоћу АИОпс и РАГ модела, и интеграцију са АВС ДевОпс агентом за аутоматизовану истрагу инцидената.
Преглед ДСПи и ЛангЦхаин-а
ДСПи је Питхон библиотека која пружа једноставан и ефикасан начин за изградњу и примену ДевОпс цевовода који покреће вештачка интелигенција. Омогућава програмерима да интегришу различите АИ и МЛ моделе, укључујући обраду природног језика (НЛП), компјутерску визију и предиктивну аналитику, у своје ДевОпс цевоводе. ЛангЦхаин, с друге стране, је Питхон библиотека која омогућава програмерима да граде и примењују велике АИ моделе користећи модуларну и скалабилну архитектуру.
Имплементација ДевОпс цевовода са АИ помоћу ДСПи и ЛангЦхаин-а
Да бисмо имплементирали ДевОпс цевоводе засноване на вештачкој интелигенцији са ДСПи и ЛангЦхаин-ом, морамо да следимо ове кораке:
- Прикупљање података: Прикупите релевантне податке из различитих извора, као што су евиденције, метрике и конфигурационе датотеке.
- Претходна обрада података: Предобрадите прикупљене податке да бисте их припремили за анализу и моделирање.
- Обука модела: Обучите АИ и МЛ моделе користећи претходно обрађене податке за откривање и предвиђање инцидената.
- Примена модела: Поставите обучене моделе у ДевОпс цевовод користећи ДСПи и ЛангЦхаин.
- Истрага инцидената: Користите примењене моделе да бисте истражили инциденте и идентификовали основне узроке.
- Решавање инцидената: Користите увиде стечене у истрази инцидента за проактивно решавање инцидената.
Пример кода: Имплементација једноставног РАГ модела са ДСПи и ЛангЦхаин-ом
Ево једноставног примера кода који показује како да имплементирате РАГ (анализа коренског узрока) модел користећи ДСПи и ЛангЦхаин:
импорт дспи
из лангцхаин импорт ЛЛМЦхаин
# Учитајте претходно обрађене податке
подаци = пд.реад_цсв("дата.цсв")
# Дефинишите РАГ модел
раг_модел = дспи.РАГМодел(
инпут_феатурес=["лог_левел", "еррор_мессаге"],
оутпут_феатурес=["основни_узрок"]
)
# Обучите РАГ модел
раг_модел.траин(подаци)
# Поставите РАГ модел
ллм_цхаин = ЛЛМЦхаин(
модел="давинци:002",
мак_ленгтх=2048
)
раг_модел.деплои(ллм_цхаин)
# Користите распоређени РАГ модел да истражите инциденте
инцидент_дата = пд.ДатаФраме({
"лог_левел": ["ГРЕШКА"],
"еррор_мессаге": ["Нешто је пошло наопако"]
})
роот_цаусе = раг_модел.предицт(инцидент_дата)
штампа (основни_узрок)
Овај пример кода показује како имплементирати једноставан РАГ модел користећи ДСПи и ЛангЦхаин. РАГ модел узима ниво евиденције и поруку о грешци као улазне карактеристике и предвиђа основни узрок инцидента.
Топ 5-10 најчешће коришћених команди/исјечака
Ево 5-10 најчешће коришћених команди/исјечака за ДСПи и ЛангЦхаин:
дспи.РАГМодел(инпут_феатурес, оутпут_феатурес): Дефинишите РАГ модел са одређеним улазним и излазним карактеристикама.дспи.РАГМодел.траин(дата): Обучите РАГ модел користећи дате податке.дспи.РАГМодел.деплои(ллм_цхаин): Поставите обучени РАГ модел користећи ЛангЦхаин ЛЛМЦхаин.ллм_цхаин = ЛЛМЦхаин(модел, мак_ленгтх): Креирајте ЛангЦхаин ЛЛМЦхаин са наведеним моделом и максималном дужином.раг_модел.предицт(дата): Користите распоређени РАГ модел да бисте предвидели основни узрок инцидента.дспи.ДатаПрепроцессор(инпут_дата): Дефинишите цевовод за претходну обраду података користећи ДСПи.дспи.МоделТраинер(модел, дата): Обучите АИ или МЛ модел користећи ДСПи.дспи.МоделДеплоиер(модел, ллм_цхаин): Поставите обучени модел користећи ДСПи и ЛангЦхаин.лангцхаин.ЛЛМЦхаин.предицт(инпут_дата): Користите ЛангЦхаин ЛЛМЦхаин да бисте предвидели излаз модела.дспи.РАГМодел.евалуате(дата): Процените перформансе РАГ модела користећи ДСПи.
Визуелизација
Ево примера визуелизације користећи Цхарт.јс:
{
"тип": "бар",
"подаци": {
"лабелс": ["Инцидент Тип А", "Инцидент Типе Б", "Инцидент Типе Ц"],
"сетови података": [
{
"лабел": "Основни узрок А",
"подаци": [10, 15, 7],
"бацкгроундЦолор": "ргба(255, 99, 132, 0.2)",
"бордерЦолор": "ргба(255, 99, 132, 1)",
"бордерВидтх": 1
},
{
"лабел": "Основни узрок Б",
"подаци": [8, 12, 9],
"бацкгроундЦолор": "ргба(54, 162, 235, 0.2)",
"бордерЦолор": "ргба(54, 162, 235, 1)",
"бордерВидтх": 1
},
{
"лабел": "Основни узрок Ц",
"подаци": [14, 18, 11],
"бацкгроундЦолор": "ргба(255, 206, 86, 0.2)",
"бордерЦолор": "ргба(255, 206, 86, 1)",
"бордерВидтх": 1
}
]
},
"опције": {
"наслов": {
"приказ": истина,
"тект": "Анализа основног узрока"
},
"вага": {
"иАкес": [
{
"крпељи": {
"бегинАтЗеро": истина
}
}
]
}
}
}
Ова визуелизација показује дистрибуцију основних узрока за различите типове инцидената.
Закључак
У овом чланку смо истражили како да применимо ДевОпс цевоводе засноване на вештачкој интелигенцији користећи ДСПи и ЛангЦхаин, са фокусом на проактивну истрагу и решавање инцидената помоћу АИОпс и РАГ модела, и интеграцију са АВС ДевОпс агентом за аутоматизовану истрагу инцидената. Демонстрирали смо једноставан пример кода који имплементира РАГ модел користећи ДСПи и ЛангЦхаин и пружили листу 5-10 најкоришћенијих команди/исјечака за ДСПи и ЛангЦхаин. Такође смо укључили пример визуелизације користећи Цхарт.јс. Пратећи кораке наведене у овом чланку, програмери могу да направе и примене ДевОпс цевоводе засноване на вештачкој интелигенцији који проактивно откривају и решавају инциденте, побољшавајући укупну ефикасност и поузданост својих софтверских система.