Главная страница>Связанные с программированием>AI Исходный код
Скачать

kyma_poc

Kyma (по-гречески Wave, https://www.howtopronounce.com/kyma) — это демонстрация концепции использования генеративного искусственного интеллекта внутри Konveyor.io для помощи в усилиях по модернизации кода.

Слайды: Konveyor KymaML: миграция кода GenAI

Обзор

  • Kyma сосредоточена на использовании данных, которые Konveyor уже собирает с помощью Migration Waves, и на взгляде на портфель приложений организации.
  • Kyma просматривает отчет об анализе конкретного приложения и создает потенциальные исправления для каждого инцидента.
    • Это делается путем просмотра аналогичных инцидентов, которые были решены в других приложениях, и получения разницы кода, которая исправила этот инцидент, и работы с LLM, чтобы использовать то, как организация решала проблему в прошлом для этого конкретного приложения и инцидента.
      • Для POC это будет включать в себя рассмотрение приложений, которые имеют решения как Javaee, так и Quarkus. Мы смоделируем, как будет выглядеть опыт в Konveyor, где у нас есть доступ к более широкому портфелю приложений, и мы можем найти аналогичные приложения, которые уже были перенесены, и использовать их в качестве примеры.
  • Этот подход использует быстрое проектирование с примерами Few Shots и серию агентов для работы с LLM для улучшения сгенерированного исправления.
    • Примечание. На этом этапе обучение модели и точная настройка не требуются. У нас есть планы по тонкой настройке совместно с Open Data Hub в будущем, используя модели Foundation с открытым исходным кодом отhuggingface.co, но на текущем этапе это выходит за рамки возможностей.
  • Мы предполагаем, что Kyma будет работать с различными моделями, наше внимание сосредоточено на инструментах/быстром проектировании и ожидаем, что координаты модели будут рассматриваться как взаимозаменяемый объект. Это сделано для того, чтобы мы могли экспериментировать с развивающимися моделями.

Каковы наши критерии успеха проверки концепции?

  • Мы хотим оценить, какой уровень качества мы можем получить от оперативного проектирования, то есть без тонкой настройки.
    • На будущих этапах может потребоваться тонкая настройка, но этот этап касается более простого подхода к созданию инструментов для сбора полезных данных в Konveyor и использования оперативного проектирования, чтобы помочь миграторам вносить изменения в код.
  • Этот POC представляет собой небольшой проект Python для работы с несколькими примерами приложений и аналитическими отчетами для оценки полезности сгенерированных исправлений в области модернизации приложений Java EE до Quarkus.
  • Для нас успех — это возможность создавать патчи, которые экономят время Migrator, работающего над модернизацией приложения.
    • Мы предполагаем, что исправления не будут работать на 100% постоянно и потребуют некоторого вмешательства пользователя. Успех будет зависеть от того, насколько серьезное вмешательство потребуется, и от того, принесут ли исправления достаточную помощь для экономии времени.

Настраивать

  1. python -m venv env
  2. source env/bin/activate
  3. pip install -r ./requirements.txt
  4. Установите podman, чтобы можно было запускать Kantra для статического анализа кода.

Бег

Запустите анализ примера приложения (пример для MacOS).

  1. cd data
  2. ./fetch.sh # это позволит git клонировать некоторые примеры приложений с исходным кодом
  3. ./darwin_restart_podman_machine.sh # настраивает виртуальную машину podman в MacOS, чтобы она монтировала файловую систему хоста в виртуальную машину
  4. ./darwin_get_latest_kantra_cli.sh # извлекает «kantra» из нашего инструмента анализа
  5. ./analyzer_coolstuff.sh # Анализирует каталог «coolstuff-javaee» и записывает результаты анализа в example_reports/coolstuff-javaee/output.yaml
    • Следуйте этому примеру, чтобы проанализировать другие примеры приложений.

Создать версию Markdown данного аналитического отчета.

  • Это возьмет выходные данные YAML и преобразует их в Markdown для более удобного просмотра.
  1. Запустите в корне проекта и выполните
    • ./kyma.py report data/example_reports/coolstuff-javaee/output.yaml example_output/coolstuff-quarkus

      • Предполагается, что отчет Kantra analyis в формате YAML существует по адресу data/example_reports/coolstuff-javaee/output.yaml.

      • Пример вывода: 

          $ time ./kyma.py report data/example_reports/coolstuff-javaee/output.yaml example_output/coolstuff-quarkus
  We have results from 4 RuleSet(s) in data/example_reports/coolstuff-javaee/output.yaml

  Writing eap7/websphere to example_output/coolstuff-quarkus/eap7_websphere.md
  Writing eap8/eap7 to example_output/coolstuff-quarkus/eap8_eap7.md
  Writing openshift to example_output/coolstuff-quarkus/openshift.md
  Writing quarkus/springboot to example_output/coolstuff-quarkus/quarkus_springboot.md
  ./kyma.py report data/example_reports/coolstuff-javaee/output.yaml   1.28s user 2.12s system 337% cpu 1.007 total

      • Примеры выходных данных можно просмотреть на github по адресу data/example_reports/coolstuff-javaee/output.yaml.

        • example_output/coolstuff-quarkus/eap7_websphere.md
        • example_output/coolstuff-quarkus/eap8_eap7.md
        • example_output/coolstuff-quarkus/openshift.md
        • example_output/coolstuff-quarkus/quarkus_springboot.md

Генерация результата от взаимодействия LLM

  1. export OPENAI_API_KEY="mysecretkey"
    • См. https://platform.openai.com/api-keys, чтобы создать ключ API.
  2. ./generate_coolstuff.sh
    • См.generate_coolstuff.sh как пример того, как вызвать
  3. Просмотрите результаты вышеизложенного по адресу example_output/coolstuff-quarkus.
    • Для первого инцидента каждого нарушения создаются два типа файлов (в настоящее время мы работаем только над первым инцидентом).
      • '*_full_run.md' Файл уценки, в котором отображается приглашение, отправленное в LLM, и полный результат.
      • «.diff» — разница, которая создается для первого случая каждого нарушения.
    • Обратите внимание, что мы выделяем выходные данные в зависимости от модели, которую нужно искать:
      • example_output/coolstuff-quarkus/gpt-3.5-turbo-16k
      • example_output/coolstuff-quarkus/gpt-4-1106-preview
    • Пример конкретной проблемы и результата:
      • example_output/coolstuff-quarkus/gpt-4-1106-preview/quarkus_springboot_cdi-to-quarkus-00050_2_full_run.md

Примечания

  • Идея времени работы при обработке магазина Coolstuff для:
    • -t "quarkus" -t "jakarta-ee" -t "jakarta-ee8+" -t "jakarta-ee9+" -t "cloud-readiness"
      • 'gpt-3,5-турбо-16к'
        • time ./generate_coolstuff.sh 5.12s user 3.46s system 1% cpu 11:02.25 total
      • 'gpt-4-1106-предварительный просмотр'
        • ./generate_coolstuff.sh 4.86s user 3.73s system 0% cpu 15:52.24 total
Расширять
Дополнительная информация
Связанные приложения
Рекомендуем вам
Связанные новости Все