LLM 和基础设施即代码案例
Red Hat Ansible Lightspeed with IBM Watson Code Assistant is an LLM-based service that generates natural language to Ansible code. The analysis shows higher user acceptance rates compared to general-purpose tools, leading to positive user feedback and retention.
Feb, 2024
研究了如何利用基于 Transformer 的自然语言处理模型生成 Ansible YAML 代码以提高 IT 自动化效率,并通过新的数据集和性能度量方法来验证其精准性和优越性。
May, 2023
基础设施即代码(IaC)是一种在产业中获得显著重视的革命性方法,该方法通过使用机器可读代码来管理和提供 IT 基础设施,实现自动化、环境一致性、可重复性、版本控制、错误减少和可伸缩性提升。本研究调查了使用大型语言模型(LLMs)来解决自动生成 IaC 配置的问题的可行性,并深入探讨了 IaC 的细节、不同平台上的使用、挑战以及 LLMs 在代码生成方面的重要性,同时提出了这一领域的挑战并强调了未来研究的范围。
Mar, 2024
利用大语言模型从自然语言查询生成任务特定代码的一种新方法,解决了网络管理中的可解释性、可扩展性和隐私问题,并且展示了高准确性、成本效益和进一步增强的潜力。
Aug, 2023
大型语言模型在自然语言到代码生成方面展现出卓越的性能,在通用领域语言(如 C++、Java 和 Python)上表现出最先进的性能。但是,在面向特定领域的结构化语言(如 YAML、JSON)上,它们的实际使用受到限制。为了克服这个挑战,我们提出了 DocCGen 框架,通过将结构化代码语言的自然语言到代码生成任务分为两步处理。通过从库文档中提取的模式规则对解码进行约束,我们的框架在两个复杂的结构化语言(Ansible YAML 和 Bash 命令)上不断改进不同规模的语言模型,并降低了结构化代码中的语法和语义错误。我们计划开源数据集和代码以促进受限制代码生成的研究。
Jun, 2024
通过使用大型语言模型,我们探索自动化意图分解和执行的能力,提出了一种通过生成所需操作来进行逐步分解意图的方法,并通过创建封闭控制循环来自动化策略执行,从而实现了应用程序管理的意图自动化。
Jan, 2024
通过引入层级分布式的大型语言模型(LLM)架构,提高 LLM 在异构计算平台上的可访问性和可部署性,实现按需访问和定制化服务,并在用户与应用需求之间取得最佳权衡,推动人工智能技术的进步。
Jan, 2024
通过将代码集成到大型语言模型的训练数据中,可以提高语言模型的代码生成能力、推理能力以及生成结构化和精确的中间步骤,并将其转化为智能代理在复杂自然语言任务中的应用。
Jan, 2024
利用大型语言模型和多智能体系统构建的网络切片框架,解决了当前管理和编排方法在多管理域环境中处理新服务需求复杂性方面的局限性,并提供了能够整合到现有管理和编排框架的解决方案。
Mar, 2024
通过分析来自软件开发生命周期不同阶段的数据,可以改善大规模云服务的事件管理过程,并借助大型语言模型为开发人员提供自动化的推荐帮助,以更快地识别和减轻关键问题。
Feb, 2024