تعارف

سافٹ ویئر ایپلی کیشنز میں مصنوعی ذہانت (AI) کے انضمام نے مسئلہ حل کرنے، فیصلہ سازی اور آٹومیشن تک پہنچنے کے طریقے میں انقلاب برپا کر دیا ہے۔ تاہم، جیسا کہ AI سے چلنے والی ایپلی کیشنز تیزی سے پیچیدہ ہوتی جارہی ہیں، محفوظ اور توسیع پذیر فن تعمیر کی ضرورت ایک تشویشناک تشویش بن گئی ہے۔ اس مضمون میں، ہم AI ایجنٹوں کو DevOps پائپ لائنوں میں ضم کرنے کے لیے DSPy اور LangChain جیسے آرکیسٹریشن ٹولز کے استعمال پر خاص زور دینے کے ساتھ، AI، سافٹ ویئر انجینئرنگ، اور DevOps کے انٹرسیکشن کو تلاش کریں گے۔

اے آئی سے چلنے والے سافٹ ویئر آرکیٹیکچر کے چیلنجز

AI سے چلنے والی سافٹ ویئر ایپلی کیشنز سافٹ ویئر انجینئرز اور DevOps ٹیموں کے لیے منفرد چیلنجز پیش کرتی ہیں۔ کچھ اہم چیلنجوں میں شامل ہیں:

• اسکالیبلٹی: AI ماڈلز کو اہم کمپیوٹیشنل وسائل کی ضرورت ہوتی ہے، جو پیداواری ماحول میں اسکیل ایبلٹی مسائل کا باعث بن سکتے ہیں۔
• سیکیورٹی: AI ماڈلز حملوں کا شکار ہو سکتے ہیں، جیسے ڈیٹا پوائزننگ اور ماڈل الٹا حملے۔
• انٹیگریشن: AI ماڈلز کو موجودہ سافٹ ویئر سسٹمز کے ساتھ مربوط کرنے کی ضرورت ہے، جو کہ ایک پیچیدہ کام ہوسکتا ہے۔ مانیٹرنگ اور مینٹیننس: AI ماڈلز کو مسلسل نگرانی اور دیکھ بھال کی ضرورت ہوتی ہے تاکہ یہ یقینی بنایا جا سکے کہ وہ درست اور قابل اعتماد رہیں۔

آرکیسٹریشن ٹولز: DSPy اور LangChain

DSPy اور LangChain جیسے آرکیسٹریشن ٹولز AI ایجنٹوں کے DevOps پائپ لائنوں میں انضمام کو فعال کر کے ان چیلنجوں کا حل فراہم کرتے ہیں۔ یہ ٹولز AI ماڈلز کی تعمیر، تعیناتی اور انتظام کے لیے ایک فریم ورک فراہم کرتے ہیں، AI سے چلنے والی ایپلی کیشنز کے لیے محفوظ اور توسیع پذیر فن تعمیر کو یقینی بناتے ہیں۔

ڈی ایس پی

DSPy ایک اوپن سورس آرکیسٹریشن ٹول ہے جو ازگر کے اوپر بنایا گیا ہے۔ یہ AI ماڈلز کی تعمیر، تعیناتی اور انتظام کے لیے ایک سادہ اور بدیہی API فراہم کرتا ہے۔ DSPy AI فریم ورک کی وسیع رینج کو سپورٹ کرتا ہے، بشمول TensorFlow، PyTorch، اور scikit-learn۔

لینگ چین

LangChain ایک اور اوپن سورس آرکیسٹریشن ٹول ہے جو AI ماڈلز کی تعمیر، تعیناتی اور انتظام کے لیے ایک فریم ورک فراہم کرتا ہے۔ LangChain Rust کے اوپر بنایا گیا ہے اور AI ایجنٹوں کو DevOps پائپ لائنوں میں ضم کرنے کے لیے ایک اعلی کارکردگی والا API فراہم کرتا ہے۔

DSPy کے ساتھ محفوظ اور توسیع پذیر AI سے چلنے والے سافٹ ویئر آرکیٹیکچر کو نافذ کرنا

اس سیکشن میں، ہم DSPy کے ساتھ محفوظ اور قابل توسیع AI سے چلنے والے سافٹ ویئر فن تعمیر کو لاگو کرنے کی ایک سادہ مثال تلاش کریں گے۔

مثال: DSPy کے ساتھ ایک سادہ AI ماڈل بنانا

آئیے DSPy کا استعمال کرتے ہوئے مشین لرننگ ماڈل بنانے کی ایک سادہ مثال پر غور کریں۔ ہم ایک لکیری ریگریشن ماڈل بنانے کے لیے scikit-leabrary کا استعمال کریں گے۔

`` ازگر ڈی ایس پی کو بطور ڈی ایس پی درآمد کریں۔ sklearn.linear_model سے LinearRegression درآمد کریں۔ sklearn.datasets سے load_diabetes درآمد کریں۔

ذیابیطس ڈیٹاسیٹ لوڈ کریں۔

ڈیٹا سیٹ = load_diabetes()

ڈیٹاسیٹ کو ٹریننگ اور ٹیسٹنگ سیٹ میں تقسیم کریں۔

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

ایک لکیری ریگریشن ماڈل بنائیں

ماڈل = لکیری ریگریشن ()

ٹریننگ ڈیٹا پر ماڈل کو تربیت دیں۔

model.fit(X_train, y_train)

ٹیسٹنگ ڈیٹا پر ماڈل کا اندازہ کریں۔

درستگی = model.score(X_test, y_test) پرنٹ (f"ماڈل کی درستگی: {درستگی:.2f}") ``

یہ کوڈ بلاک یہ ظاہر کرتا ہے کہ DSPy کا استعمال کرتے ہوئے ایک سادہ مشین لرننگ ماڈل کیسے بنایا جائے۔ ہم ذیابیطس ڈیٹاسیٹ کو لوڈ کرتے ہیں، اسے ٹریننگ اور ٹیسٹنگ سیٹس میں تقسیم کرتے ہیں، ایک لکیری ریگریشن ماڈل بناتے ہیں، اسے ٹریننگ ڈیٹا پر تربیت دیتے ہیں، اور ٹیسٹنگ ڈیٹا پر اس کی درستگی کا جائزہ لیتے ہیں۔

LangChain کے ساتھ محفوظ اور توسیع پذیر AI سے چلنے والے سافٹ ویئر آرکیٹیکچر کو نافذ کرنا

اس سیکشن میں، ہم LangChain کے ساتھ محفوظ اور قابل توسیع AI سے چلنے والے سافٹ ویئر فن تعمیر کو لاگو کرنے کی ایک سادہ مثال تلاش کریں گے۔

مثال: LangChain کے ساتھ ایک سادہ AI ماڈل بنانا

آئیے لینگ چین کا استعمال کرتے ہوئے مشین لرننگ ماڈل بنانے کی ایک سادہ مثال پر غور کریں۔ ہم نیورل نیٹ ورک ماڈل بنانے کے لیے TensorFlow لائبریری کا استعمال کریں گے۔

``زنگ langchain کو بطور lc استعمال کریں۔ tensorflow::prelude::*;

// ایک سادہ نیورل نیٹ ورک ماڈل کی وضاحت کریں۔ fn ماڈل (ان پٹ: اور ٹینسر) -> ٹینسر { let output = input.matmul(&Tensor::new(1, 1)); آؤٹ پٹ }

// ایک LangChain ایجنٹ بنائیں let agent = lc::Agent::new(ماڈل)؛

// ڈیٹاسیٹ کی وضاحت کریں۔ let dataset = lc::Dataset::new(vec![ lc::مثال::new(vec![1.0, 2.0], vec![3.0]), lc::مثال::new(vec![4.0, 5.0], vec![6.0]), ]);

// ڈیٹاسیٹ پر ماڈل کو تربیت دیں۔ agent.train(&dataset)؛

// ڈیٹاسیٹ پر ماڈل کا اندازہ کریں۔ let accuracy = agent.evaluate(&dataset)؛ println!("ماڈل کی درستگی: {}"، درستگی)؛ ``

یہ کوڈ بلاک یہ ظاہر کرتا ہے کہ LangChain کا ​​استعمال کرتے ہوئے ایک سادہ مشین لرننگ ماڈل کیسے بنایا جائے۔ ہم ایک سادہ نیورل نیٹ ورک ماڈل کی وضاحت کرتے ہیں، ایک LangChain ایجنٹ بناتے ہیں، ڈیٹاسیٹ کی وضاحت کرتے ہیں، ڈیٹاسیٹ پر ماڈل کو تربیت دیتے ہیں، اور ڈیٹاسیٹ پر اس کی درستگی کا جائزہ لیتے ہیں۔

ٹاپ 5-10 سب سے زیادہ استعمال شدہ کمانڈز/ٹکڑے

DSPy اور LangChain کے لیے سب سے اوپر 5-10 سب سے زیادہ استعمال شدہ کمانڈز/ٹکڑے یہ ہیں:

ڈی ایس پی

• dsp.split_dataset(data, target, test_size=0.2): ڈیٹاسیٹ کو ٹریننگ اور ٹیسٹنگ سیٹ میں تقسیم کرتا ہے۔
• dsp.build_model(model_name, model_params): مخصوص ماڈل کے نام اور پیرامیٹرز کا استعمال کرتے ہوئے مشین لرننگ ماڈل بناتا ہے۔
• dsp.train_model(model, data): مخصوص ڈیٹا پر مشین لرننگ ماڈل کو تربیت دیتا ہے۔
• dsp.evaluate_model(model, data): مخصوص ڈیٹا پر مشین لرننگ ماڈل کی کارکردگی کا جائزہ لیتا ہے۔
• dsp.deploy_model(model, server_url): مخصوص سرور URL پر مشین لرننگ ماڈل تعینات کرتا ہے۔

لینگ چین

• lc::Agent::new(model): مخصوص ماڈل کا استعمال کرتے ہوئے ایک LangChain ایجنٹ بناتا ہے۔
• lc::Dataset::new(examples): مخصوص مثالوں کا استعمال کرتے ہوئے ایک LangChain ڈیٹاسیٹ بناتا ہے۔
• lc::train(agent, dataset): مخصوص ڈیٹاسیٹ پر LangChain ایجنٹ کو تربیت دیتا ہے۔
• lc::evaluate(agent, dataset): مخصوص ڈیٹاسیٹ پر LangChain ایجنٹ کی کارکردگی کا جائزہ لیتا ہے۔
• lc::deploy(agent, server_url): LangChain ایجنٹ کو مخصوص سرور URL پر تعینات کرتا ہے۔

تصور

یہاں Chart.js کا استعمال کرتے ہوئے AI سے چلنے والے سافٹ ویئر فن تعمیر کا ایک سادہ تصور ہے:

جاوا اسکرپٹ const ctx = document.getElementById('myChart').getContext('2d')؛ const چارٹ = نیا چارٹ (ctx، { قسم: 'بار'، ڈیٹا: { لیبلز: ['ٹریننگ ٹائم'، 'انفرنس ٹائم'، 'ماڈل کی درستگی'], ڈیٹاسیٹس: [{ label: 'DSPy'، اعداد و شمار: [10، 5، 90]، پس منظر کا رنگ: 'rgba(255, 99, 132, 0.2)'، سرحد کا رنگ: 'rgba(255, 99, 132, 1)'، سرحد کی چوڑائی: 1 }، { لیبل: 'LangChain'، اعداد و شمار: [8، 6، 92]، پس منظر کا رنگ: 'rgba(54, 162, 235, 0.2)'، سرحد کا رنگ: 'rgba(54, 162, 235, 1)'، سرحد کی چوڑائی: 1 }] }، اختیارات: { ترازو: { y: { beginAtZero: سچ ہے۔ } } } }); ``

یہ کوڈ بلاک DSPy اور LangChain کی کارکردگی کو دیکھنے کے لیے Chart.js کا استعمال کرتے ہوئے ایک سادہ بار چارٹ بناتا ہے۔

نتیجہ

اس آرٹیکل میں، ہم نے AI، سافٹ ویئر انجینئرنگ، اور DevOps کے انٹرسیکشن کو دریافت کیا، جس میں AI ایجنٹوں کو DevOps پائپ لائنوں میں ضم کرنے کے لیے DSPy اور LangChain جیسے آرکیسٹریشن ٹولز کے استعمال پر خاص زور دیا گیا۔ ہم نے DSPy اور LangChain کا ​​استعمال کرتے ہوئے محفوظ اور قابل توسیع AI سے چلنے والے سافٹ ویئر فن تعمیر کو کیسے نافذ کیا ہے، اور ہر ٹول کا استعمال کرتے ہوئے مشین لرننگ ماڈل بنانے کی ایک سادہ مثال فراہم کی۔ ہم نے ہر ٹول کے لیے سب سے زیادہ استعمال ہونے والے 5-10 کمانڈز/ٹکڑے اور Chart.js کا استعمال کرتے ہوئے AI سے چلنے والے سافٹ ویئر فن تعمیر کا ایک سادہ تصور بھی فراہم کیا۔