===========================================================

تونۇشتۇرۇش

يۇمشاق دېتال ئېچىش مەنزىرىسى تېز تەرەققىي قىلماقتا ، DevOps ئاپتوماتلاشتۇرۇشتا سۈنئىي ئىدراك (AI) ۋە ماشىنا ئۆگىنىشى (ML) نىڭ ئومۇملىشىشىغا ئەگىشىپ. سۈنئىي ئەقىل ئارقىلىق ئاپتوماتلاشتۇرۇش مۇرەككەپ خىزمەت ئېقىمىنى راۋانلاشتۇرۇپ ، ئۈنۈمنى ئۆستۈرۈپ ، ئىنسانلارنىڭ خاتالىق يۈز بېرىش ئېھتىماللىقىنى تۆۋەنلىتىدۇ. بۇ ماقالىدە ، DSPy ۋە LangChain دىن پايدىلىنىپ ، يۇمشاق دېتال ئېچىش تۇرۇبا لىنىيىسىدە يىلتىز سەۋەبىنى تەھلىل قىلىش ۋە ئۈنۈمنى ئەلالاشتۇرۇش ئۈچۈن سۈنئىي ئەقىل ئارقىلىق ھەرىكەتلىنىدىغان ۋاكالەتچىلەرنى قانداق يولغا قويۇش ئۈستىدە ئىزدىنىمىز.

DSPy دېگەن نېمە؟

DSPy Python كۈتۈپخانىسى بولۇپ ، ئاچقۇچىلارغا سۈنئىي ئەقلىي ئىقتىدارلىق ئاپتوماتىك خىزمەت ئېقىمى قۇرۇش ۋە ئورۇنلاشتۇرالايدۇ. ئۇ ھەرخىل سۈنئىي ئەقىل ۋە ML تىپلىرىنى بىرلەشتۈرۈش ئۈچۈن كېڭەيتىشچان ۋە جانلىق رامكا بىلەن تەمىنلەپ ، DevOps ئاپتوماتلاشتۇرۇشنىڭ كۆڭۈلدىكىدەك تاللىشى بولۇپ قالدى.

LangChain دېگەن نېمە؟

LangChain بولسا Python كۈتۈپخانىسى بولۇپ ، ئۇ ئاچقۇچىلارنى سۈنئىي ئەقىل ۋاكالەتچىسى قۇرۇش ۋە ئورۇنلاشتۇرالايدۇ. ئۇ تەبىئىي تىل كىرگۈزۈشلىرىنى چۈشىنىدىغان ۋە ئىنكاس قايتۇرالايدىغان ۋاكالەتچىلەرنى قۇرۇش ئۈچۈن ئاددىي ۋە بىۋاسىتە API بىلەن تەمىنلەيدۇ.

يىلتىز سەۋەبىنى تەھلىل قىلىش ئۈچۈن سۈنئىي ئەقىل ۋاكالەتچىلىرىنى يولغا قويۇش

يىلتىز سەۋەبىنى تەھلىل قىلىش DevOps ئاپتوماتلاشتۇرۇشنىڭ مۇھىم تەركىبىي قىسمى ، چۈنكى ئۇ مەسىلىلەرنىڭ ئاساسلىق سەۋەبلىرىنى ئېنىقلاپ ، ئۇلارنىڭ كەلگۈسىدە يۈز بېرىشىنىڭ ئالدىنى ئالىدۇ. سۈنئىي ئەقىل ئارقىلىق ھەرىكەتلىنىدىغان يىلتىز سەۋەبىنى تەھلىل قىلىش ئۈچۈن ، بىز DSPy ئارقىلىق LangChain بىلەن بىرلەشتۈرۈلگەن خىزمەت ئېقىمى ھاسىل قىلالايمىز.

بۇ يەردە خىزمەت ئېقىمىنىڭ يۇقىرى قاتلاملىق ئومۇمىي ئەھۋالى:

1. ** سانلىق مەلۇمات توپلاش **: خاتىرە ، ئۆلچەم ۋە سەپلىمە ھۆججەتلىرى قاتارلىق ھەر خىل مەنبەلەردىن مۇناسىۋەتلىك سانلىق مەلۇماتلارنى توپلاڭ.
2. ** سانلىق مەلۇمات بىر تەرەپ قىلىش **: توپلانغان سانلىق مەلۇماتلارنى پىششىقلاپ ئىشلەشكە تەييارلىق قىلىڭ.
3. ** مودېل مەشىقى **: ئالدىن تەييارلانغان سانلىق مەلۇماتلاردا ML ئەندىزىسىنى تەربىيىلەپ ، ئەندىزە ۋە مۇناسىۋەتنى پەرقلەندۈرۈش.
4. ** مودېل ئورۇنلاشتۇرۇش **: تەربىيەلەنگەن مودېلنى DSPy خىزمەت ئېقىمىغا ئورۇنلاشتۇرۇڭ.
5. ** ۋاكالەتچى بىرلەشتۈرۈش **: DSPy خىزمەت ئېقىمىنى LangChain ۋاكالەتچىسى بىلەن بىرلەشتۈرۈپ ، تەبىئىي تىل ئۆز-ئارا تەسىر كۆرسىتىدۇ.

كود مىسالى: يىلتىز سەۋەبىنى تەھلىل قىلىش خىزمەت ئېقىمى

`` python dspy نى ئىمپورت قىلىڭ langchain ئىمپورت ۋاكالەتچىسى

DSPy خىزمەت ئېقىمىغا ئېنىقلىما بېرىڭ

workflow = dsp.Workflow ( name = "root_cause_analysis", tasks = [ dsp.Task ("data_collection", "خاتىرە ۋە ئۆلچەمدىن سانلىق مەلۇمات توپلاش"), dsp.Task ("data_preprocessing", "ئانالىز ئۈچۈن ئالدىن مەلۇمات"), dsp.Task ("model_training", "ئالدىن تەييارلانغان سانلىق مەلۇماتلاردا ML مودېلى"), dsp.Task ("model_deployment", "DSPy خىزمەت ئېقىمىدا تەربىيەلەنگەن مودېلنى ئورۇنلاشتۇرۇڭ"), ], )

LangChain ۋاكالەتچىسىگە ئېنىقلىما بېرىڭ

ۋاكالەتچى = ۋاكالەتچى ( name = "root_cause_agent", model = "distilbert-base-uncased", prompt = "مەسىلىنىڭ تۈپ سەۋەبى نېمە؟", )

DSCy خىزمەت ئېقىمىنى LangChain ۋاكالەتچىسى بىلەن بىرلەشتۈرۈڭ

workflow.add_agent (ۋاكالەتچى)

خىزمەت ئېقىمىنى ئىجرا قىلىڭ

workflow.run () ``

ئۈنۈمنى ئەلالاشتۇرۇش ئۈچۈن سۈنئىي ئەقىل ۋاكالەتچىلىرىنى يولغا قويۇش

ئۈنۈمنى ئەلالاشتۇرۇش DevOps ئاپتوماتلاشتۇرۇشنىڭ يەنە بىر مۇھىم تەركىبىي قىسمى ، چۈنكى ئۇ يۇمشاق دېتال ئېچىش تۇرۇبا لىنىيىسىنىڭ سۈرئىتى ۋە ئۈنۈمدارلىقىنى ئاشۇرۇشقا ياردەم بېرىدۇ. سۈنئىي ئەقىل ئارقىلىق ئۈنۈمنى ئەلالاشتۇرۇشنى يولغا قويۇش ئۈچۈن ، بىز DSPy ئارقىلىق LangChain بىلەن بىرلەشتۈرۈلگەن خىزمەت ئېقىمى ھاسىل قىلالايمىز.

بۇ يەردە خىزمەت ئېقىمىنىڭ يۇقىرى قاتلاملىق ئومۇمىي ئەھۋالى:

1. ** سانلىق مەلۇمات توپلاش **: خاتىرە ، ئۆلچەم ۋە سەپلىمە ھۆججەتلىرى قاتارلىق ھەر خىل مەنبەلەردىن مۇناسىۋەتلىك سانلىق مەلۇماتلارنى توپلاڭ.
2. ** سانلىق مەلۇمات بىر تەرەپ قىلىش **: توپلانغان سانلىق مەلۇماتلارنى پىششىقلاپ ئىشلەشكە تەييارلىق قىلىڭ.
3. ** مودېل مەشىقى **: ئالدىن تەييارلانغان سانلىق مەلۇماتلاردا ML ئەندىزىسىنى تەربىيىلەپ ، ئەندىزە ۋە مۇناسىۋەتنى پەرقلەندۈرۈش.
4. ** مودېل ئورۇنلاشتۇرۇش **: تەربىيەلەنگەن مودېلنى DSPy خىزمەت ئېقىمىغا ئورۇنلاشتۇرۇڭ.
5. ** ۋاكالەتچى بىرلەشتۈرۈش **: DSPy خىزمەت ئېقىمىنى LangChain ۋاكالەتچىسى بىلەن بىرلەشتۈرۈپ ، تەبىئىي تىل ئۆز-ئارا تەسىر كۆرسىتىدۇ.

كود مىسالى: ئۈنۈمنى ئەلالاشتۇرۇش خىزمەت ئېقىمى

`` python dspy نى ئىمپورت قىلىڭ langchain ئىمپورت ۋاكالەتچىسى

DSPy خىزمەت ئېقىمىغا ئېنىقلىما بېرىڭ

workflow = dsp.Workflow ( name = "efficiency_optimization", tasks = [ dsp.Task ("data_collection", "خاتىرە ۋە ئۆلچەمدىن سانلىق مەلۇمات توپلاش"), dsp.Task ("data_preprocessing", "ئانالىز ئۈچۈن ئالدىن مەلۇمات"), dsp.Task ("model_training", "ئالدىن تەييارلانغان سانلىق مەلۇماتلاردا ML مودېلى"), dsp.Task ("model_deployment", "DSPy خىزمەت ئېقىمىدا تەربىيەلەنگەن مودېلنى ئورۇنلاشتۇرۇڭ"), ], )

LangChain ۋاكالەتچىسىگە ئېنىقلىما بېرىڭ

ۋاكالەتچى = ۋاكالەتچى ( name = "efficiency_agent", model = "distilbert-base-uncased", prompt = "قانداق قىلغاندا تېخىمۇ ياخشى ئۈنۈم ئۈچۈن تۇرۇبا يولىنى ئەلالاشتۇرالايمەن؟", )

DSCy خىزمەت ئېقىمىنى LangChain ۋاكالەتچىسى بىلەن بىرلەشتۈرۈڭ

workflow.add_agent (ۋاكالەتچى)

خىزمەت ئېقىمىنى ئىجرا قىلىڭ

workflow.run () ``

ئەڭ كۆپ ئىشلىتىلىدىغان 5-10 بۇيرۇق / ئۈزۈندىلەر

بۇ يەردە DSPy ۋە LangChain ئۈچۈن ئەڭ كۆپ ئىشلىتىلىدىغان بۇيرۇق ۋە پارچىلار بار:

DSPy

1. dsp.Workflow (name =" my_workflow ", ۋەزىپە = [...]): يېڭى DSPy خىزمەت ئېقىمى قۇرۇش.
2. dsp.Task (name =" my_task ", description =" مېنىڭ ۋەزىپەم "): DSPy خىزمەت ئېقىمىدا يېڭى ۋەزىپە قۇرۇڭ.
3. workflow.add_agent (ۋاكالەتچى): DSPy خىزمەت ئېقىمىغا LangChain ۋاكالەتچىسى قوشۇڭ.
4. workflow.run (): DSPy خىزمەت ئېقىمىنى ئىجرا قىلىڭ.
5. dsp.get_task_output (ۋەزىپە): DSPy خىزمەت ئېقىمىدىكى بىر ئىشنىڭ نەتىجىسىنى ئېلىڭ.

LangChain

1. ۋاكالەتچى (name = "my_agent", model = "distilbert-base-uncased", prompt = "مېنىڭ تەلىپىم") `: يېڭى LangChain ۋاكالەتچىسى قۇرۇڭ.
2. agent.respond (prompt =" My prompt "): LangChain ۋاكالەتچىسىدىن جاۋاب ئېلىڭ.
3. agent.add_context (context =" My context "): LangChain ۋاكالەتچىسىگە مەزمۇن قوشۇڭ.
5. agent.get_model (): LangChain ۋاكالەتچىسىنىڭ ئاستىدىكى ML ئەندىزىسىنى ئېلىڭ.

Visualization

بۇ يەردە Chart.js ئارقىلىق DSPy ۋە LangChain خىزمەت ئېقىمىنىڭ تەسۋىرلىنىشى:

json { "type": "bar", "data": { "بەلگە": ["يىلتىز سەۋەبىنى تەھلىل قىلىش" ، "ئۈنۈمنى ئەلالاشتۇرۇش"], "datasets": [ { "label": "DSPy Workflow", "data": [10, 20], "backgroundColor": ["# 4CAF50", "# FF9800"] }, { "label": "LangChain ۋاكالەتچىسى", "data": [5, 15], "backgroundColor": ["# 2196F3", "# 009688"] } ] }, "options": { "title": { "display": true, "text": "DSPy and LangChain Workflow" }, "تارازا": { "yAxes": [ { "ticks": { "startAtZero": راست } } ] } } }

بۇ كۆرۈنۈشتە ھەر بىر DSPy خىزمەت ئېقىمىدىكى ۋەزىپە سانى ۋە ھەر بىر LangChain ۋاكالەتچىسىنىڭ جاۋاب سانى كۆرسىتىلدى.

خۇلاسە

بۇ ماقالىدە ، DSPy ۋە LangChain دىن پايدىلىنىپ ، يۇمشاق دېتال ئېچىش تۇرۇبا لىنىيىسىدىكى يىلتىز سەۋەبىنى ئانالىز قىلىش ۋە ئۈنۈمنى ئەلالاشتۇرۇش ئۈچۈن سۈنئىي ئەقىل ئارقىلىق ھەرىكەتلىنىدىغان ۋاكالەتچىلەرنى قانداق يولغا قويۇش ئۈستىدە ئىزدەندۇق. بىز بۇ ئۇقۇملارنى چۈشەندۈرۈش ئۈچۈن كود مىساللىرى ۋە تەسۋىرلەر بىلەن تەمىنلىدۇق ، DSPy ۋە LangChain ئۈچۈن ئەڭ كۆپ ئىشلىتىلىدىغان بۇيرۇق ۋە پارچىلارنى گەۋدىلەندۈردۇق. بۇ قوللانمىغا ئەگىشىش ئارقىلىق ، ئاچقۇچىلار DSPy ۋە LangChain ئارقىلىق ئۆزلىرىنىڭ سۈنئىي ئەقلىي ئىقتىدارلىق ئاپتوماتىك خىزمەت ئېقىمىنى قۇرالايدۇ.