داکر به هوش مصنوعی کمک می کند تا به توسعه دهندگان در ساخت برنامه های GenAI کمک کند

در زیر تقریباً هر برنامه هوش مصنوعی مولد برای آموزش یا استنباط امروز، احتمالاً کانتینرهای Docker را به عنوان رویکرد اولیه برای استقرار خواهید یافت.

امروز در کنفرانس Dockercon در لس آنجلس، شرکت داکرشرکتی که نامش پشت فناوری کانتینر داکر منبع باز است، با مجموعه ای از ابتکارات طراحی شده برای کمک به توسعه دهندگان در ساخت سریع برنامه های هوش مصنوعی مولد، به عمق هوش مصنوعی می پردازد.

از جمله تلاش‌ها، راه‌اندازی یک پشته GenAI جدید است که داکر را با آن ادغام می‌کند Neo4j پایگاه داده گراف LangChain تکنولوژی زنجیرزنی مدل و بودن برای اجرای مدل های زبان بزرگ (LLM). محصول جدید Docker AI نیز در Dockercon معرفی شده است، به عنوان راهی یکپارچه برای توسعه دهندگان برای دریافت بینش های مبتنی بر هوش مصنوعی و جهت توسعه با کانتینرها.

اهمیت حیاتی Docker برای اکوسیستم توسعه مدرن را نمی توان اغراق کرد و تلاش های جدید هوش مصنوعی می تواند تأثیر زیادی بر تلاش های توسعه GenAI داشته باشد. Docker آن را دو برابر کرده است تمرکز توسعه دهنده در سال های اخیر، تلاشی است که مدیر عامل شرکت گفته است که نتیجه داده است.

اسکات جانستون، مدیر عامل Docker، به VentureBeat گفت: “برای چهار سال متوالی، جامعه توسعه دهندگان Stack Overflow ما را به عنوان شماره یک مورد نظر و محبوب ترین ابزار توسعه دهنده انتخاب کرده است.” و ما اکنون بالغ بر ۲۰ میلیون برنامه‌نویس فعال ماهانه از سراسر جهان داریم.

آنچه که پشته Docker GenAI برای توسعه دهندگان به ارمغان می آورد

در حالی که استفاده از کانتینرهای Docker برای کمک به اشتراک گذاری و استقرار هوش مصنوعی فراگیر است، جانستون گفت که همچنین نیاز به تسهیل توسعه برنامه های GenAI وجود دارد.

برنامه های GenAI معمولاً به چند عنصر اصلی نیاز دارند، مانند پایگاه داده برداری، که چیزی است Neo4j اکنون دارد به عنوان بخشی از پلت فرم پایگاه داده گراف آن. البته GenAI به یک LLM نیاز دارد، این همان چیزی است که Olama با پلتفرم خود ارائه می دهد که کاربران را قادر می سازد LLM ها از جمله Llama 2 را برای اجرای محلی اجرا کنند. برنامه‌های مدرن GenAI نیز معمولاً چند مرحله‌ای هستند، جایی که LangChain با چارچوب آن مطابقت دارد. پیکربندی تمام آن قطعات مختلف در کانتینرها برای کار کردن با هم به طور معمول به کمی تلاش نیاز دارد که اکنون می‌توان با پشته GenAI آن را به طور قابل توجهی ساده کرد.

پشته Docker GenAI طراحی شده است تا به توسعه دهندگان و شرکت هایی که برای آنها کار می کنند کمک کند تا با استفاده از کانتینرها، توسعه هوش مصنوعی را آسان تر شروع کنند. در پشته GenAI موارد استفاده متعددی از جمله توانایی ساخت ربات عامل پشتیبانی با قابلیت بازیابی نسل افزوده (RAG)، دستیار کدنویسی پایتون و تولید محتوای خودکار مورد هدف قرار گرفته است.

“از پیش پیکربندی شده است، آماده کار است و آنها [developers] جانستون می‌گوید می‌تواند برای کمک به حرکت توپ، کدنویسی و آزمایش را آغاز کند.

کل پشته طوری طراحی شده است که بتواند به صورت محلی روی یک سیستم توسعه دهنده اجرا شود و به صورت رایگان در دسترس است. همانطور که توسعه‌دهندگان برنامه‌های کاربردی را می‌سازند و نیاز به استقرار و پشتیبانی تجاری دارند، جانستون گفت که گزینه‌هایی از سوی Docker و شرکای آن در دسترس خواهد بود.

Docker AI: یک لباس مکانیکی برای توسعه دهندگان

امروزه هیچ کمبودی از ابزارهای توسعه دهنده GenAI در بازار وجود ندارد، با گزینه های محبوبی مانند GitHub Copilot و Amazon CodeWhisper در میان سایرین.

Docker اکنون با ابزار GenAI خود که به سادگی Docker AI نامیده می شود وارد این معضل شده است. داکر به جای اشاره به هوش مصنوعی Docker به عنوان یک کوپیلوت، اصطلاحی است که مایکروسافت و سایر فروشندگان به طور فزاینده ای برای ابزارهای GenAI که به کاربران کمک می کنند استفاده می کنند، Docker از لباس اصطلاح-mech استفاده می کند. ایده اصلی این است که با لباس مکانیکی، توسعه دهندگان قدرت و قدرت بیشتری برای انجام وظایف دارند.

Docker AI بر روی داده‌های اختصاصی Docker از میلیون‌ها Dockerfiles، نوشتن فایل‌ها و گزارش‌های خطا آموزش دیده است. Docker AI مستقیماً در گردش کار توسعه دهندگان ادغام می شود تا در هنگام بروز خطا کمک کند. این اصلاحات بالقوه را در محیط توسعه نمایش می دهد و به توسعه دهندگان اجازه می دهد تا قبل از انجام تغییرات، اصلاحات را آزمایش کنند. هدف ایجاد تجربه بهتری برای توسعه دهندگان برای عیب یابی و رفع مشکلات در صورت بروز است.

جانسون اشاره کرد که در حالی که ابزارهایی مانند Github Copilot مفید و قدرتمند هستند، Docker AI به طور خاص برای کمک به توسعه کانتینر تنظیم شده است.

او گفت: “این بر روی یک جریان اختصاصی غنی از داده های Docker آموزش دیده است که سایر LLM ها به آن دسترسی ندارند.”