تعارف

جديد سافٽ ويئر سسٽم جي مسلسل وڌندڙ پيچيدگي سبب واقعن جي تعدد ۽ شدت ۾ اضافو ٿيو آهي، فعال واقعي جي تحقيقات ۽ حل کي ڊي او اوپس جو هڪ نازڪ پاسو. مصنوعي ذهانت (AI) ۽ مشين لرننگ (ML) طاقتور اوزار طور سامهون آيا آهن DevOps پائيپ لائينن کي وڌائڻ لاءِ، AI-driven automation ۽ orchestration کي چالو ڪري واقعن کي ڳولڻ ۽ حل ڪرڻ لاءِ ڪاروبار تي اثر انداز ٿيڻ کان اڳ. هن آرٽيڪل ۾، اسان اهو معلوم ڪنداسين ته AI-powered DevOps پائپ لائنن کي ڪيئن لاڳو ڪيو وڃي DSPy ۽ LangChain استعمال ڪندي، واقعي واقعي جي تحقيقات ۽ حل تي ڌيان ڏيڻ سان AIOps ۽ RAG ماڊل استعمال ڪندي، ۽ خودڪار واقعي جي جاچ لاءِ AWS DevOps ايجنٽ سان ضم ٿيڻ.

DSPy ۽ LangChain جو جائزو

DSPy هڪ Python لائبريري آهي جيڪا AI-powered DevOps پائپ لائنن کي ٺاهڻ ۽ ترتيب ڏيڻ جو هڪ آسان ۽ ڪارائتو طريقو مهيا ڪري ٿي. اهو ڊولپرز کي مختلف AI ۽ ML ماڊلز کي ضم ڪرڻ جي اجازت ڏئي ٿو، بشمول قدرتي ٻولي پروسيسنگ (NLP)، ڪمپيوٽر وژن، ۽ اڳڪٿي ڪندڙ تجزياتي، انهن جي DevOps پائپ لائنن ۾. LangChain، ٻئي طرف، هڪ Python لائبريري آهي جيڪا ڊولپرز کي قابل بنائي ٿي وڏي پيماني تي AI ماڊل ٺاهڻ ۽ ترتيب ڏيڻ لاءِ ماڊلر ۽ اسڪيلبل آرڪيٽيڪچر استعمال ڪندي.

DSPy ۽ LangChain سان AI-Powered DevOps پائپ لائنز کي لاڳو ڪرڻ

DSPy ۽ LangChain سان AI-powered DevOps پائپ لائنز کي لاڳو ڪرڻ لاء، اسان کي انهن قدمن تي عمل ڪرڻ جي ضرورت آهي:

1. ڊيٽا گڏ ڪرڻ: مختلف ذريعن کان لاڳاپيل ڊيٽا گڏ ڪريو، جهڙوڪ لاگ، ميٽرڪس، ۽ ترتيب واري فائلون.
2. ڊيٽا پري پروسيسنگ: گڏ ڪيل ڊيٽا کي تيار ڪرڻ لاءِ ان کي تجزيو ۽ ماڊلنگ لاءِ تيار ڪريو.
3. ماڊل ٽريننگ: ٽرين AI ۽ ML ماڊلز کي اڳواٽ پروسيس ٿيل ڊيٽا استعمال ڪندي واقعن کي ڳولڻ ۽ اڳڪٿي ڪرڻ لاءِ.
4. ماڊل ڊيپلائيمينٽ: تربيت يافته ماڊل ڊي ايس پي ۽ LangChain استعمال ڪندي DevOps پائپ لائن ۾ لڳايو.
5. واقعي جي تحقيقات: واقعن جي تحقيق ڪرڻ ۽ بنيادي سببن جي نشاندهي ڪرڻ لاءِ مقرر ٿيل ماڊل استعمال ڪريو.
6. واقعي جو حل: واقعي جي تحقيقات مان حاصل ڪيل بصيرت استعمال ڪريو ته جيئن واقعن کي فعال طور تي حل ڪيو وڃي.

ڪوڊ مثال: DSPy ۽ LangChain سان هڪ سادي RAG ماڊل لاڳو ڪرڻ

هتي هڪ سادي ڪوڊ مثال آهي جيڪو ظاهر ڪري ٿو ته ڪيئن لاڳو ڪجي RAG (Root Cause Analysis) ماڊل DSPy ۽ LangChain استعمال ڪندي: ``پٿون ڊي ايس پي درآمد ڪريو langchain کان درآمد LLMCchain

اڳوڻي پروسيس ٿيل ڊيٽا لوڊ ڪريو

ڊيٽا = pd.read_csv("data.csv")

RAG ماڊل جي وضاحت ڪريو

rag_model = dspy.RAGModel( input_features=["log_level"، "error_message"], output_features="root_cause"] )

ٽرين RAG ماڊل

rag_model.train(ڊيٽا)

ترتيب ڏيو RAG ماڊل

llm_chain = ايل ايل ايم چين ( ماڊل = "ڊيونسي:002" وڌ ۾ وڌ_لمبائي = 2048 ) rag_model.deploy(llm_chain)

استعمال ٿيل RAG ماڊل استعمال ڪريو واقعن جي تحقيقات لاء

واقعا_ڊيٽا = pd.DataFrame({ "log_level": ["ERROR"], "error_message": ["ڪجهه غلط ٿي ويو"] }) root_cause = rag_model.predict(حادثو_ڊيٽا) پرنٽ (root_cause) `` هي ڪوڊ مثال ڏيکاري ٿو ته ڪيئن لاڳو ڪجي سادي RAG ماڊل DSPy ۽ LangChain استعمال ڪندي. RAG ماڊل لاگ ليول ۽ ايرر پيغام کڻي ٿو ان پٽ فيچرز جي طور تي ۽ اڳڪٿي ڪري ٿو واقعي جي بنيادي سبب جي.

مٿيون 5-10 سڀ کان وڌيڪ استعمال ٿيل ڪمانڊ/ٽڪرا

هتي آهن مٿيان 5-10 سڀ کان وڌيڪ استعمال ٿيل ڪمانڊ / ٽڪڙا DSPy ۽ LangChain لاءِ:

1. dspy.RAGModel(input_features, output_features): مخصوص ان پٽ ۽ آئوٽ پٽ خاصيتن سان گڏ RAG ماڊل جي وضاحت ڪريو.
2. dspy.RAGModel.train(data): مهيا ڪيل ڊيٽا استعمال ڪندي هڪ RAG ماڊل ٽرين ڪريو.
3. dspy.RAGModel.deploy(llm_chain): LangChain LLMCchain استعمال ڪندي هڪ تربيت يافته RAG ماڊل لڳايو.
4. llm_chain = LLMCchain(ماڊل، max_length): هڪ LangChain LLMCchain ٺاھيو خاص ماڊل ۽ وڌ ۾ وڌ ڊگھائي سان.
5. rag_model.predict(data): هڪ مقرر ٿيل RAG ماڊل استعمال ڪريو ڪنهن واقعي جي بنيادي سبب جي اڳڪٿي ڪرڻ لاءِ.
6. dspy.DataPreprocessor(input_data): DSPy استعمال ڪندي ڊيٽا پري پروسيسنگ پائپ لائن جي وضاحت ڪريو.
7. dspy.ModelTrainer(model, data): DSPy استعمال ڪندي AI يا ML ماڊل کي تربيت ڏيو.
8. dspy.ModelDeployer(model, llm_chain): DSPy ۽ LangChain استعمال ڪندي هڪ تربيت يافته ماڊل لڳايو.
9. langchain.LLMChain.predict(input_data): هڪ LangChain LLMChain استعمال ڪريو ماڊل جي پيداوار جي اڳڪٿي ڪرڻ لاءِ.
10. dspy.RAGModel.evaluate(data): DSPy استعمال ڪندي RAG ماڊل جي ڪارڪردگي جو اندازو لڳايو.

بصري

هتي Chart.js استعمال ڪندي هڪ تصور جو هڪ مثال آهي: جيسن { "قسم": "بار"، "ڊيٽا": { "labels": ["واقع جو قسم A"، "واقع جو قسم B"، "واقع جو قسم C"], "ڊيٽا سيٽس": [ { "label": "جڙ سبب A", "ڊيٽا": [10، 15، 7]، "backgroundColor": "rgba(255, 99, 132, 0.2)", "borderColor": "rgba(255, 99, 132, 1)", "سرحد جي ويڪر": 1 }، { "label": "جڙ سبب بي", "ڊيٽا": [8، 12، 9]، "backgroundColor": "rgba(54, 162, 235, 0.2)", "borderColor": "rgba(54, 162, 235, 1)", "سرحد جي ويڪر": 1 }، { "label": "جڙ سبب سي", "ڊيٽا": [14، 18، 11]، "backgroundColor": "rgba(255, 206, 86, 0.2)", "borderColor": "rgba(255, 206, 86, 1)", "سرحد جي ويڪر": 1 } ] }، "اختيارن": { "عنوان": { "display": سچ، "text": "جڙي سبب تجزيو" }، "ترازو": { "yAxes": [ { "ticks": { "beginAtZero": سچ } } ] } } } `` هي تصور مختلف واقعن جي قسمن جي بنيادي سببن جي تقسيم کي ظاهر ڪري ٿو.

نتيجو

هن آرٽيڪل ۾، اسان دريافت ڪيو ته ڊي ايس پي ۽ LangChain استعمال ڪندي AI-powered DevOps پائپ لائنن کي ڪيئن لاڳو ڪيو وڃي، واقعي واقعي جي تحقيقات ۽ حل تي ڌيان ڏيڻ سان AIOps ۽ RAG ماڊل استعمال ڪندي، ۽ خودڪار واقعي جي جاچ لاءِ AWS DevOps ايجنٽ سان ضم ٿيڻ. اسان هڪ سادي ڪوڊ جو مثال ڏيکاريو آهي جيڪو DSPy ۽ LangChain استعمال ڪندي هڪ RAG ماڊل لاڳو ڪري ٿو، ۽ DSPy ۽ LangChain لاءِ مٿين 5-10 سڀ کان وڌيڪ استعمال ٿيل ڪمانڊز/اسنيپيٽس جي فهرست مهيا ڪئي. اسان Chart.js استعمال ڪندي هڪ بصري مثال پڻ شامل ڪيو. هن آرٽيڪل ۾ بيان ڪيل قدمن تي عمل ڪندي، ڊولپرز AI-powered DevOps پائپ لائنز ٺاهي ۽ ترتيب ڏئي سگهن ٿا جيڪي واقعن کي فعال طور تي ڳولي ۽ حل ڪن ٿا، انهن جي سافٽ ويئر سسٽم جي مجموعي ڪارڪردگي ۽ اعتبار کي بهتر بڻائي ٿو.