تونۇشتۇرۇش

سۈنئىي ئىدراك (AI) نىڭ يۇمشاق دېتال قوللىنىشچان پروگراممىلىرىغا قوشۇلۇشى بىزنىڭ مەسىلىنى ھەل قىلىش ، تەدبىر بەلگىلەش ۋە ئاپتوماتلاشتۇرۇشقا بولغان ئۇسۇلىمىزنى ئۆزگەرتتى. قانداقلا بولمىسۇن ، سۈنئىي ئەقىل ئارقىلىق قوزغىتىلغان قوللىنىشچان پروگراممىلارنىڭ كۈنسېرى مۇرەككەپلىشىشىگە ئەگىشىپ ، بىخەتەر ۋە كۆلەملەشكەن بىناكارلىق ئېھتىياجى جىددىي كۆڭۈل بۆلىدىغان مەسىلە بولۇپ قالدى. بۇ ماقالىدە سۈنئىي ئەقىل ، يۇمشاق دېتال قۇرۇلۇشى ۋە DevOps نىڭ كېسىشىش ئېغىزى ئۈستىدە ئىزدىنىمىز ، DSPy ۋە LangChain غا ئوخشاش ئوركېستىرلاش قوراللىرىنى ئىشلىتىپ سۈنئىي ئەقىل ۋاكالەتچىلىرىنى DevOps تۇرۇبا يولىغا بىرلەشتۈرۈشكە ئالاھىدە ئەھمىيەت بېرىمىز.

سۈنئىي ئەقىل قوزغىتىلغان يۇمشاق دېتال قۇرۇلمىسىنىڭ رىقابەتلىرى

سۈنئىي ئەقىل ئارقىلىق قوزغىتىلغان يۇمشاق دېتال قوللىنىشچان يۇمشاق دېتال ئىنژېنېرلىرى ۋە DevOps گۇرۇپپىلىرىغا ئۆزگىچە رىقابەت ئېلىپ كېلىدۇ. بەزى ھالقىلىق رىقابەتلەر تۆۋەندىكىلەرنى ئۆز ئىچىگە ئالىدۇ:

• ** كېڭەيتىشچانلىقى **: سۈنئىي ئەقىل مودېللىرى مۇھىم ھېسابلاش بايلىقىنى تەلەپ قىلىدۇ ، بۇ ئىشلەپچىقىرىش مۇھىتىدىكى كۆلەملىشىش مەسىلىسىنى كەلتۈرۈپ چىقىرىدۇ.
• ** بىخەتەرلىك **: سۈنئىي ئەقىل مودېللىرى سانلىق مەلۇماتتىن زەھەرلىنىش ۋە مودېل تەتۈر ھۇجۇم قاتارلىق ھۇجۇملارغا ئاسان ئۇچرايدۇ.
• ** بىرىكتۈرۈش **: سۈنئىي ئەقىل مودېللىرىنى ھازىرقى يۇمشاق دېتال سىستېمىسى بىلەن بىرلەشتۈرۈش كېرەك ، بۇ بىر مۇرەككەپ ۋەزىپە بولالايدۇ.
• ** نازارەت قىلىش ۋە ئاسراش **: سۈنئىي ئەقىل مودېللىرى ئۇلارنىڭ توغرا ۋە ئىشەنچلىك بولۇشىغا كاپالەتلىك قىلىش ئۈچۈن ئۇدا نازارەت قىلىش ۋە ئاسراشنى تەلەپ قىلىدۇ.

ئوركېستىرلاش قوراللىرى: DSPy ۋە LangChain

DSPy ۋە LangChain غا ئوخشاش ئوركېستىرلاش قوراللىرى سۈنئىي ئەقىل ۋاكالەتچىلىرىنى DevOps تۇرۇبا يولىغا بىرلەشتۈرۈش ئارقىلىق بۇ خىرىسلارنى ھەل قىلىدۇ. بۇ قوراللار سۈنئىي ئەقىل مودېلىنى قۇرۇش ، ئورۇنلاشتۇرۇش ۋە باشقۇرۇش ئۈچۈن بىر رامكا بىلەن تەمىنلەيدۇ ، سۈنئىي ئەقىل قوزغىتىدىغان قوللىنىشچان پروگراممىلارنىڭ بىخەتەر ۋە كېڭەيتىشچانلىقىغا كاپالەتلىك قىلىدۇ.

DSPy

DSPy بولسا Python نىڭ ئۈستىگە ياسالغان ئوچۇق كودلۇق ئوركېستىرلاش قورالى. ئۇ سۈنئىي ئەقىل مودېللىرىنى قۇرۇش ، ئورۇنلاشتۇرۇش ۋە باشقۇرۇش ئۈچۈن ئاددىي ۋە بىۋاسىتە بىۋاسىتە API بىلەن تەمىنلەيدۇ. DSPy TensorFlow ، PyTorch ۋە scikit- ئۆگىنىش قاتارلىق كۆپ خىل سۈنئىي ئەقىل رامكىسىنى قوللايدۇ.

LangChain

LangChain سۈنئىي ئەقىل مودېلىنى قۇرۇش ، ئورۇنلاشتۇرۇش ۋە باشقۇرۇش ئۈچۈن رامكا بىلەن تەمىنلەيدىغان يەنە بىر ئوچۇق كودلۇق ئوركېستىرلاش قورالى. LangChain Rust نىڭ ئۈستىگە ياسالغان بولۇپ ، سۈنئىي ئەقىل ۋاكالەتچىلىرىنى DevOps تۇرۇبا يولىغا بىرلەشتۈرۈش ئۈچۈن يۇقىرى ئىقتىدارلىق API بىلەن تەمىنلەيدۇ.

DSPy ئارقىلىق بىخەتەر ۋە كېڭەيتكىلى بولىدىغان سۈنئىي ئەقىل قوزغاتقۇچ يۇمشاق دېتال قۇرۇلمىسىنى يولغا قويۇش

بۇ بۆلەكتە ، DSPy ئارقىلىق بىخەتەر ۋە كېڭەيتكىلى بولىدىغان سۈنئىي ئەقىل قوزغىتىلغان يۇمشاق دېتال قۇرۇلمىسىنى يولغا قويۇشنىڭ ئاددىي بىر مىسالى ئۈستىدە ئىزدىنىمىز.

مىسال: DSPy ئارقىلىق ئاددىي AI مودېلى قۇرۇش

DSPy ئارقىلىق ماشىنا ئۆگىنىش ئەندىزىسىنى قۇرۇشنىڭ ئاددىي بىر مىسالىغا قاراپ باقايلى. بىز scikit- ئۆگىنىش كۇتۇپخانىسىنى ئىشلىتىپ ، تۈز سىزىقلىق قايتىش ئەندىزىسىنى قۇرۇپ چىقىمىز.

`` python dspy نى ئىمپورت قىلىڭ sklearn.linear_model دىن LinearRegression sklearn.datasets دىن يۈك_ دىئابىت ئىمپورت قىلىدۇ

دىئابىت سانلىق مەلۇمات جەدۋىلىنى يۈكلەڭ

dataset = load_diabetes ()

سانلىق مەلۇمات جەدۋىلىنى مەشىق ۋە سىناق يۈرۈشلۈكلىرىگە بۆلۈڭ

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

سىزىقلىق چېكىنىش ئەندىزىسىنى بەرپا قىلىڭ

model = LinearRegression ()

مەشىق سانلىق مەلۇماتلىرىدىكى مودېلنى تەربىيىلەڭ

model.fit (X_train, y_train)

سىناق سانلىق مەلۇماتلىرىدىكى مودېلغا باھا بېرىڭ

توغرىلىق = model.score (X_test, y_test) بېسىپ چىقىرىش (f "مودېلنىڭ توغرىلىقى: {توغرىلىقى: .2f}") ``

بۇ كود توپى DSPy ئارقىلىق ئاددىي ماشىنا ئۆگىنىش ئەندىزىسىنى قانداق قۇرۇشنى كۆرسىتىپ بېرىدۇ. بىز دىئابىت سانلىق مەلۇمات جەدۋىلىنى يۈكلەيمىز ، ئۇنى مەشىق ۋە سىناق يۈرۈشلۈكلىرىگە ئايرىيمىز ، تۈز سىزىقلىق چېكىنىش ئەندىزىسىنى بەرپا قىلىمىز ، مەشىق سانلىق مەلۇماتلىرى بويىچە مەشىق قىلىمىز ۋە سىناق سانلىق مەلۇماتلىرىنىڭ توغرىلىقىغا باھا بېرىمىز.

LangChain بىلەن بىخەتەر ۋە كېڭەيتكىلى بولىدىغان سۈنئىي ئەقىل قوزغاتقۇچ يۇمشاق دېتال قۇرۇلمىسىنى يولغا قويۇش

بۇ بۆلەكتە ، LangChain بىلەن بىخەتەر ۋە كېڭەيتكىلى بولىدىغان سۈنئىي ئەقىل قوزغاتقۇچ يۇمشاق دېتال قۇرۇلمىسىنى يولغا قويۇشنىڭ ئاددىي بىر مىسالى ئۈستىدە ئىزدىنىمىز.

مىسال: LangChain بىلەن ئاددىي AI مودېلى قۇرۇش

LangChain ئارقىلىق ماشىنا ئۆگىنىش ئەندىزىسىنى قۇرۇشنىڭ ئاددىي بىر مىسالىغا قاراپ باقايلى. بىز TensorFlow كۈتۈپخانىسىنى ئىشلىتىپ نېرۋا تورى ئەندىزىسىنى قۇرۇپ چىقىمىز.

`` rust langchain نى lc قىلىپ ئىشلىتىڭ. tensorflow :: prelude :: *;

// ئاددىي نېرۋا تورى ئەندىزىسىگە ئېنىقلىما بېرىڭ fn مودېلى (كىرگۈزۈش: & Tensor) -> Tensor { let output = input.matmul (& Tensor :: new (1, 1)); output }

// LangChain ۋاكالەتچىسى قۇرۇڭ let agent = lc :: ۋاكالەتچى :: يېڭى (مودېل);

// سانلىق مەلۇمات جەدۋىلىگە ئېنىقلىما بېرىڭ let dataset = lc :: Dataset :: new (vec! [ lc :: مىسال :: يېڭى (vec! [1.0, 2.0], vec! [3.0]), lc :: مىسال :: يېڭى (vec! [4.0, 5.0], vec! [6.0]), ]);

// سانلىق مەلۇمات جەدۋىلىدىكى مودېلنى تەربىيىلەڭ agent.train (& dataset);

// سانلىق مەلۇمات جەدۋىلىدىكى مودېلغا باھا بېرىڭ توغرىلىق = agent.evaluate (& dataset); println! ("مودېلنىڭ توغرىلىقى: {}" ، توغرىلىق); ``

بۇ كود بۆلەكلىرى LangChain ئارقىلىق ئاددىي ماشىنا ئۆگىنىش ئەندىزىسىنى قانداق قۇرۇشنى كۆرسىتىپ بېرىدۇ. بىز ئاددىي نېرۋا تورى مودېلىغا ئېنىقلىما بېرىمىز ، LangChain ۋاكالەتچىسى قۇرىمىز ، سانلىق مەلۇمات جەدۋىلىگە ئېنىقلىما بېرىمىز ، مودېلنى سانلىق مەلۇمات جەدۋىلىدە تەربىيەلەيمىز ۋە سانلىق مەلۇمات جەدۋىلىدىكى توغرىلىقىغا باھا بېرىمىز.

ئەڭ كۆپ ئىشلىتىلىدىغان 5-10 بۇيرۇق / ئۈزۈندىلەر

بۇ يەردە DSPy ۋە LangChain ئۈچۈن ئەڭ كۆپ ئىشلىتىلگەن 5-10 بۇيرۇق / ئۈزۈندىلەر:

DSPy

• dsp.split_dataset (سانلىق مەلۇمات ، نىشان ، test_size = 0.2): سانلىق مەلۇمات جەدۋىلىنى مەشىق ۋە سىناق يۈرۈشلۈكلىرىگە ئايرىيدۇ.
• dsp.build_model (model_name, model_params): بەلگىلەنگەن مودېل ئىسمى ۋە پارامېتىرلىرىنى ئىشلىتىپ ماشىنا ئۆگىنىش مودېلى قۇرىدۇ.
• dsp.train_model (مودېل ، سانلىق مەلۇمات): بەلگىلەنگەن سانلىق مەلۇماتلاردا ماشىنا ئۆگىنىش ئەندىزىسىنى تەربىيىلەيدۇ.
• dsp.evaluate_model (مودېل ، سانلىق مەلۇمات): ماشىنا ئۆگىنىش ئەندىزىسىنىڭ كۆرسىتىلگەن سانلىق مەلۇماتتىكى ئىقتىدارىنى باھالايدۇ.
• dsp.deploy_model (مودېل ، server_url): ماشىنا ئۆگىنىش ئەندىزىسىنى بەلگىلەنگەن مۇلازىمېتىر URL غا ئورۇنلاشتۇرىدۇ.

LangChain

• lc :: ۋاكالەتچى :: يېڭى (مودېل): بەلگىلەنگەن مودېلنى ئىشلىتىپ LangChain ۋاكالەتچىسى قۇرىدۇ.
• lc :: Dataset :: new (مىساللار): كۆرسىتىلگەن مىساللار ئارقىلىق LangChain سانلىق مەلۇمات جەدۋىلى قۇرىدۇ.
• lc :: پويىز (ۋاكالەتچى ، سانلىق مەلۇمات جەدۋىلى): بەلگىلەنگەن سانلىق مەلۇمات جەدۋىلىدە LangChain ۋاكالەتچىسىنى تەربىيىلەيدۇ.
• lc :: باھالاش (ۋاكالەتچى ، سانلىق مەلۇمات جەدۋىلى): بەلگىلەنگەن سانلىق مەلۇمات جەدۋىلىدىكى LangChain ۋاكالەتچىسىنىڭ ئىقتىدارىنى باھالايدۇ.
• lc :: ئورۇنلاشتۇرۇش (ۋاكالەتچى ، server_url): LangChain ۋاكالەتچىسىنى بەلگىلەنگەن مۇلازىمېتىر URL غا ئورۇنلاشتۇرىدۇ.

Visualization

بۇ يەردە Chart.js ئارقىلىق سۈنئىي ئەقىل قوزغىتىلغان يۇمشاق دېتال قۇرۇلمىسىنىڭ ئاددىي تەسۋىرى بار:

javascript const ctx = document.getElementById ('myChart'). getContext ('2d'); const chart = يېڭى Chart (ctx, { type: 'bar', data: { بەلگە: ['مەشىق ۋاقتى' ، 'يەكۈنلىنىش ۋاقتى' ، 'مودېل ئېنىقلىقى'], سانلىق مەلۇمات جەدۋىلى: [{ label: 'DSPy', سانلىق مەلۇمات: [10, 5, 90], backgroundColor: 'rgba (255, 99, 132, 0.2)', borderColor: 'rgba (255, 99, 132, 1)', borderWidth: 1 }, { label: 'LangChain', سانلىق مەلۇمات: [8, 6, 92], backgroundColor: 'rgba (54, 162, 235, 0.2)', borderColor: 'rgba (54, 162, 235, 1)', borderWidth: 1 }] }, تاللانما: { تارازا: { y: { startAtZero: true } } } });

بۇ كود بۆلەكلىرى Chart.js ئارقىلىق ئاددىي تاياقچە دىئاگرامما ھاسىل قىلىپ ، DSPy ۋە LangChain نىڭ ئىقتىدارىنى تەسۋىرلەيدۇ.

خۇلاسە

بۇ ماقالىدە سۈنئىي ئەقىل ، يۇمشاق دېتال قۇرۇلۇشى ۋە DevOps نىڭ كېسىشىش ئېغىزى ئۈستىدە ئىزدىنىپ ، DSPy ۋە LangChain غا ئوخشاش ئوركېستىرلاش قوراللىرىنى ئىشلىتىپ سۈنئىي ئەقىل ۋاكالەتچىلىرىنى DevOps تۇرۇبا يولىغا بىرلەشتۈرۈشكە ئالاھىدە ئەھمىيەت بەردۇق. بىز DSPy ۋە LangChain ئارقىلىق بىخەتەر ۋە كېڭەيتكىلى بولىدىغان سۈنئىي ئەقىل قوزغاتقۇچ يۇمشاق دېتال قۇرۇلمىسىنى قانداق يولغا قويۇشنى كۆرسەتتۇق ۋە ھەر بىر قورالنى ئىشلىتىپ ماشىنا ئۆگىنىش ئەندىزىسىنى قۇرۇشنىڭ ئاددىي مىسالى بىلەن تەمىنلىدۇق. بىز يەنە ھەر بىر قورال ئۈچۈن ئەڭ كۆپ ئىشلىتىلىدىغان 5-10 ئەڭ يۇقىرى بۇيرۇق / ئۈزۈندە ۋە Chart.js ئارقىلىق سۈنئىي ئەقىل قوزغاتقان يۇمشاق دېتال قۇرۇلمىسىنى ئاددىي تەسۋىرلەپ بەردۇق.