Vector_DB_with_LLM

Vector_db_with_llm

Vector_db_with_llm

Fastapi adalah kerangka kerja web modern, cepat (berkinerja tinggi), untuk membangun API dengan Python 3.8+ berdasarkan python standar. Ini adalah repositori yang menyediakan untuk mengirimkan catatan ke aplikasi Prometheus-Export.

Langchain (https://github.com/langchain-ai/langchain) adalah kerangka kerja untuk mengembangkan aplikasi yang ditenagai oleh model bahasa besar (LLM). Langchain adalah kerangka kerja open source untuk membangun aplikasi berdasarkan model bahasa besar (LLM). LLMS adalah model pembelajaran dalam yang besar yang telah dilatih sebelumnya pada sejumlah besar data yang dapat menghasilkan respons terhadap kueri pengguna. Misalnya, menjawab pertanyaan atau membuat gambar dari petunjuk berbasis teks. Prompt adalah pertanyaan yang digunakan orang untuk mencari tanggapan dari LLM.

• Contoh: https://colab.research.google.com/github/i-am-shuan/learn-langchain/blob/main/langchain_rag_example.ipynb, https://velog.io/@kwon0koang/%eb%A1%9C%EC%BB%AC%EC%97%90%EC%84%9C-LLAMA3-
• Dokumentasi: https://wikoks.//wikok
• . https://hackernoon.com/lang/ko/ollama-python-%EB%B0%8FromdB%eb%A5%BC-%EC%82%AC%EC%9A %A9%ED%95%98%EC%97%AC-%EB%A1%9C%EC%BB%AC%EC%97%90%EC%84%9c-llm%EC%9d%84-%EC%84%A4%EC%a 0%95%ED%95%98%EB%8A%94-%EB%8B%A8%EA%B3%84%EB%B3%84-%EA%B0%80%EC%9d%B4%EB%93%9c%EB%A1%9 C-%EB%82%98%EB%A7%8C%EC%9d%98-%EB%9e%98%EA%B7%B8-%EC%95%B1-%EB%A7%8C%EB%93%A4%EA%B8%B0
• LLM Lokal: https://github.com/firstpersoncode/local-rag?ref=hackernoon.com

vectordb (yaitu, milvus, faiss (pencarian kesamaan ai facebook), chroma, qdrant, pinecone): vektor vektor ai (vectordb) dirancang untuk menyimpan dan mengelola vektor, pinecone): vektor vektor (vectordb) dirancang untuk menyimpan dan mengelola vektor. Data vektor mengacu pada representasi numerik objek, yang dapat digunakan untuk pencarian kesamaan, pengelompokan, dan tugas lainnya. (Referensi: https://krishna-yogik.medium.com/vectordb-tutorial-a-beginners-guide-06dc333fac2f)

• menggunakan kasus-kasus
  • Sistem Rekomendasi VectorDB: Menggerakkan rekomendasi yang dipersonalisasi dengan menemukan pengguna atau item serupa berdasarkan representasi vektor mereka. (Contoh: Film, Musik, atau Rekomendasi Produk)
  • Pengambilan gambar dan video: Mengaktifkan pengambilan gambar dan video berbasis konten dengan mencari fitur visual yang serupa.
  • Natural Language Processing (NLP): Menemukan teks, dokumen, atau pertanyaan yang sama secara semantik yang sama menggunakan embeddings vektor dari model seperti Bert atau Word2Vec. (Contoh: pengelompokan dokumen, analisis sentimen, pencarian semantik)
  • Deteksi anomali: Mengidentifikasi pola atau outlier yang tidak biasa dalam data dimensi tinggi. (Deteksi Penipuan, Deteksi Intrusi Jaringan)

RAG (Pengambilan Generasi Augemented) adalah teknik AI yang memungkinkan perusahaan untuk secara otomatis menanamkan data berpemilik mereka yang paling saat ini dan relevan langsung ke prompt LLM mereka.

• Kami tidak hanya berbicara tentang data terstruktur seperti spreadsheet atau database relasional.
• Maksud kami mengambil semua data yang tersedia, termasuk data yang tidak terstruktur: email, PDF, log obrolan, posting media sosial, dan jenis informasi lainnya yang dapat mengarah pada output AI yang lebih baik.
• Singkatnya, RAG membantu perusahaan mengambil dan menggunakan data mereka dari berbagai sumber internal untuk hasil AI generatif yang lebih baik.
• Untuk mencapai akurasi yang lebih baik ini, RAG bekerja bersama dengan jenis basis data khusus - yang disebut database vektor - untuk menyimpan data dalam format numerik yang masuk akal untuk AI, dan mengambilnya saat diminta.
• Rag tidak dapat melakukan pekerjaannya tanpa database vektor melakukan tugasnya.
• Langkah (https://blog.naver.com/htk1019/223442628204): Loader dokumen ⮕ splitter teks ⮕ embedding ⮕ penyimpanan vektor (menghemat vektor) ⮕ retriver
• [1] Teks chunking - Pisahkan data menjadi bongkahan kecil.
• [2] Embedding Transformation - Gunakan model embedding untuk mengubah setiap chunk teks menjadi embedding.
• [3] Penyimpanan Vektor - Simpan data embeddings dalam database vektor.
• [4] Pemetaan Teks - Simpan potongan teks dan embedding yang sesuai untuk penggunaan di masa mendatang.
• [5] query embedding - Ubah kueri pengguna menjadi embedding menggunakan model embedding yang sama yang digunakan sebelumnya.
• [6] Database Querying - Gunakan embedding kueri untuk mengambil embedding data yang relevan dari database vektor.
• [7] Pencarian Kesamaan - Untuk mengidentifikasi potongan teks yang paling mirip, lakukan pencarian perkiraan tetangga terdekat (JST).
• [8] Pemetaan Konteks - Peta vektor yang diambil ke potongan teks yang sesuai.
• [9] LLM Respons - Masukkan konteks yang diambil dalam prompt bersama dengan kueri ke LLM untuk mendapatkan jawabannya. Ini memastikan bahwa jawabannya hanya bergantung pada konteks yang diberikan.

Apache Flink: Apache Kafka dan Apache Flink adalah dua alat yang kuat dalam data besar dan pemrosesan aliran. Sementara Kafka dikenal karena sistem pesannya yang kuat, Flink baik dalam pemrosesan aliran waktu nyata dan analitik.

• Apache Kafka: Platform Streaming Terdistribusi, Sistem Pesan untuk Stream Data Real-Time, Sistem Pesan Berlangganan Berlangganan, Topik/Produsen/Konsumen
• Apache Flink: Kerangka Pemrosesan Aliran Terdistribusi, Pemrosesan Streaming dan Analisis, Pemrosesan Streaming-Time/Real-Time, Pemrosesan DataStream/Streaming/Windowing (https://medium.com/@priyankbhandia_24919/apache-flink-for-data-enrichment-6118d48de04, https://yenaworldblog.wordpress.com/2018/06/20/flink-install- apress%84/2018/20/20/20/20/20/20/20/20/20/2 https://medium.com/@aaron.cpsh/designing-streaming-data-pipeline-with-apache-flink-and-kafka-a75c75d55918)
  • Apache Flink adalah kerangka kerja dan mesin pemrosesan yang didistribusikan untuk perhitungan stateful atas aliran data yang terikat dan tidak terbatas. Aliran data terikat dapat dianggap sebagai pemrosesan batch dan aliran data yang tidak terikat dapat dianggap sebagai pemrosesan aliran seperti yang dibahas secara konvensional.
  • Pyflink adalah API Python untuk Flink Apache. Ini memungkinkan pengguna untuk menulis program Flink di Python dan menjalankannya pada cluster Flink.
  • Sumber dan wastafel dapat diambil dari berbagai sumber:
    • sistem file (sumber/wastafel)
    • Apache kafka (sumber/wastafel)
    • Apache Cassandra (wastafel)
    • Amazon kinesis Stream (Sumber/Sink)
    • Elasticsearch (wastafel)
    • Hadoop Filesystem (wastafel)
    Rabbitmq (Sumber/Sink) Apache Nifi (sumber/wastafel) Twitter Api (Sink)
    • Rabbitmq (Sumber/Sink) Apache Nifi (Sumber/Sumber) Twitter Api)
    • KAFING PUBBITMQ
    • (Sumber/Sink NiFi Apache
    (Sumber
    • /Sourcing) Twitter Api (Sink) PubbitMQ (Sumber/Wastafel) Apache Nifi (Sumber/Sumber)
    • Twitter Api
  • ) ~ Flink: https://thingsolver.com/blog/streaming-analytics-in-banking-how-tarttart-with-apache-flink-and-kafka-in-7-steps/, https://github.com/apache/blob/master/flink-prythonon/pyflink/apache/flink/master/flink-prythonononpypyplink/apache/plink/master/flink/pypypypyplink/apache/plink/master/flink/pyppyclink/apache/plink/master/flink/pypypyplink/apache/plink/master/flink/pythonon https://github.com/apache/flink/blob/master/flink-python/pyflink/examples/datastream/connectors/kafka_json_format.py

streamlit adalah data python open-source untuk para ilmuwan data dan AI/ML Insinyur untuk memberikan data interaksi sumber open-source untuk ilmuwan data dan AI/ML Data untuk memberikan data interaktif Sumber Sumber Open

• https://github.com/streamlit/llm-examples, https://pypi.org/project/streamlit-ocat/
• streamlit instal & run

pip install streamlit pip install streamlit-chat streamlit run [streamlit-filenam.py] [--server.port 30001] streamlit run app.py

• pengujian aplikasi: https://github.com/streamlit/llm-examples/blob/main/.github/workflows/apping-testing.yml
• persyaratan-dev.txt

black==23.3.0 mypy==1.4.1 pre-commit==3.3.3 watchdog pytest

Gradio (https://www.gradio.app/guides/quickstart): Gradio adalah paket python open-source yang memungkinkan Anda untuk dengan cepat membangun aplikasi demo atau web untuk model pembelajaran mesin Anda, API, atau fungsi python sewenang-wenang. Anda kemudian dapat membagikan tautan ke demo atau aplikasi web Anda hanya dalam beberapa detik menggunakan fitur berbagi bawaan Gradio.

• Jalankan: ./gradio-start.sh
• Instalasi: Kami sarankan menginstal gradio menggunakan PIP, yang disertakan secara default di Python ( pip install --upgrade gradio )

Elasticsearch Gen-AI: https://github.com/elastic-codotbot

• . (https://github.com/features/codespaces, https://velog.io/@profile_exe/github-codespaces): Github Codespaces membuat Anda naik dan mengkode lebih cepat dengan lingkungan pengembangan awan yang dikonfigurasi penuh, aman untuk Github.

• Pyautogui memungkinkan skrip Python Anda mengontrol mouse dan keyboard untuk mengotomatiskan interaksi dengan aplikasi lain. API dirancang agar sederhana. Pyautogui bekerja di Windows, MacOS, dan Linux, dan berjalan pada Python 2 dan 3. Untuk menginstal dengan PIP, jalankan pip install pyautogui . Lihat halaman instalasi untuk lebih jelasnya (https://pyautogui.readthedocs.io/en/latest/)

import pyautogui import time while True: print(pyautogui.position ()) pyautogui.moveTo(100,200) pyautogui.click(100, 200) # pyautogui.moveTo(200,200, duration=0.5) time.sleep(10)

• Jupyter Notebook ( ./jupyter-notebook.sh ): http://localhost:8889/tree/Langchain/workflow/jupyter-workflow
  • pip install jupyterthemes #installing jupyter themes (jt -t oceans16 -T -N)
  • !jt -l #show list of themes jt -t monokai -T -N -L Tema yang Tersedia: Chesterish Grade3 Gruvboxd Gruvboxl Monokai Ocean16 Onedork Solarizedd Solarizedl (.VENV)

Python v3.9 Instal

• Gunicorn/Fastapi: https://chaechie.life/blog/fastapi -deployment -gunicorn#gooGle_voGle.life/blog/fastapi dengan-gunicorn#
• google_voogle.111.11.111 )

sudo yum install gcc openssl-devel bzip2-devel libffi-devel zlib-devel git wget https://www.python.org/ftp/python/3.9.0/Python-3.9.0.tgz tar –zxvf Python-3.9.0.tgz or tar -xvf Python-3.9.0.tgz cd Python-3.9.0 ./configure --libdir=/usr/lib64 sudo make sudo make altinstall # python3 -m venv .venv --without-pip sudo yum install python3-pip sudo ln -s /usr/lib64/python3.9/lib-dynload/ /usr/local/lib/python3.9/lib-dynload # -- From Python ^3.10 , It need to be installed openssl # openssl cd /usr/local/src wget https://www.openssl.org/source/openssl-1.1.1t.tar.gz tar xvf openssl-1.1.1t.tar.gz cd openssl-1.1.1t/ ./config --prefix=/usr/local/ssl --openssldir=/usr/local/ssl shared zlib make sudo make install export LDFLAGS= " -L/usr/local/ssl/lib " export CPPFLAGS= " -I/usr/local/ssl/include " # openssl확인 /usr/local/ssl/bin/openssl version export LD_LIBRARY_PATH=/usr/local/ssl/lib: $LD_LIBRARY_PATH echo $LD_LIBRARY_PATH sudo yum install gcc openssl-devel bzip2-devel libffi-devel zlib-devel git wget https://www.python.org/ftp/python/3.11.0/Python-3.11.0.tgz tar –zxvf Python-3.11.0.tgz or tar -xvf Python-3.11.0.tgz cd Python-3.11.0 # --with-openssl-rpath=auto 옵션을 추가하여 파이썬이 자동으로 올바른 OpenSSL 라이브러리 경로를 찾도록 함 # ./configure --libdir=/usr/lib64 --with-openssl=/usr/local/ssl --with-openssl-rpath=auto ./configure --libdir=/usr/lib64 --with-openssl=/usr/bin/ssl --with-openssl-rpath=auto sudo make sudo make altinstall # -- Error occurs when installing packages via pip like below (.venv) -bash-4.2$ pip install elasticsearch==7.13 WARNING: pip is configured with locations that require TLS/SSL, however the ssl module in Python is not available. WARNING: Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by ' SSLError("Can ' t connect to HTTPS URL because the SSL module is not available. " )': /simple/elasticsearch/ WARNING: Retrying (Retry(total=3, connect=None, read=None, redirect=None, status=None)) after connection broken by 'SSLError( " Can ' t connect to HTTPS URL because the SSL module is not available.") ' : /simple/elasticsearch/ ERROR: Operation cancelled by user # -- python -m venv .venv source .venv/bin/activate # -- Swagger pip install poetry poetry add fastapi poetry add uvicorn poetry add gunicorn poetry add pytz poetry add httpx poetry add pytest poetry add pytest-cov poetry add requests poetry add pyyaml poetry add elasticsearch==7.13 poetry add python-dotenv poetry add jupyter # -- # -- Vector poetry config virtualenvs.in-project true pip install poetry poetry init poetry add openai langchain langchainhub tiktoken chromadb langchain-community bs4 python-dotenv poetry add sentence-transformers poetry add pypdf poetry add docx2txt poetry add faiss-cpu poetry add requests pip install --q openai langchain langchainhub tiktoken chromadb langchain-community bs4 # when error occur like this # ImportError: urllib3 v2 only supports OpenSSL 1.1.1+, currently the 'ssl' module is compiled with 'OpenSSL 1.0.2k-fips 26 Jan 2017'. See: https://github.com/urllib3/urllib3/issues/2168 pip install urllib3==1.26.18 pip install pytz pip install requests==2.27.1

API Jalankan

• Layanan Mulai menggunakan ./service-start.sh
• fyi) Instal perpustakaan dengan setup.py seperti pip install git+https://github.com/jm/git_pip_install.git atau git+https://oss.navercorp.com/nsml/nsml_notebook.git@branch_name atau git+https: //oss.navercercorp.com/nsml )
• ./Langchain/workflow/

curl -X ' POST '  ' http://localhost:7001/vector/uploadfile '  -H ' accept: application/json '  -H ' Content-Type: multipart/form-data '  -F ' [email protected];type=application/msword ' { " filename " : [ { " index " : { " _index " : " test_context " , " _type " : " search " } }, { " ES_UPLOADED " : " JSON_FORMAT " , " CONTENT " : " This is a test Word document for the TemplatePackage example site. " } ] }

• Mulai dan Ekstrak Teks Menggunakan Paket Langchain.Community Menggunakan python ./Langchain/workflow/text_loader.py

*** type : < class ' list ' > / len : 1 data : [Document(metadata={'source': 'C:\Users\euiyoung.hwang\Git_Workspace\Vector_DB_with_LLM/Data/Sample.hwp'}, page_content='KTX 노선도ﺎĀ Ā※ KTX 소요 시간과 운임은 철도청의 사정에 따라 변동할 수 있습니다.Ā서울용산광명Ā천안아산대전서대전동대구익산논산김제밀양정읍구포장성광주부산광주송정나주목포ĀྠĀ 경부선 ྠĀ 호남선ĀĀKTX 소요시간호남선 (서울~천안아산 경부선과 동일)서울서대전논산익산김제정읍장성광주광주송정나주목포시:분6:226:517:15-7:38--8:06-8:38경부선서울용산광명천안아산대전동대구밀양구포부산시:분5:305:456:246:307:187:498:148:27KTX 운임안내최저운임8,100원 (월~목 요금제 기준)호남선 (단위:원)행신8,1008,10015,10024,50026,40028,80031,20032,80035,00037,10039,00040,40044,80040,000용산8,10013,30022,70024,70027,20029,60031,20033,40036,30037,50038,90043,30038,400광명11,30020,70022,60025,10028,60029,40031,60034,50036,40037,10041,50036,700천안아산9,40011,40014,00017,70019,10021,70024,70026,60027,70032,20027,300서대전8,1008,1008,30010,00012,70015,90018,10019,70024,30019,300계룡8,1008,1008,10010,70014,00016,10017,70022,50017,400논산8,1008,1008,10011,40013,50015,10020,20014,800익산8,1008,1008,1009,80011,40016,50011,100김제8,1008,1008,1009,70014,8009,300정읍8,1008,1008,10012,1008,100장성8,1008,1008,9008,100광주송정8,1008,100-나주8,100-목포-광주경부선 (단위:원)행신8,1008,10014,10022,80039,70044,20047,80049,100서울8,10012,70021,40038,40043,00046,60047,900광명10,50019,20036,50041,00044,60046,000천안아산8,70025,60029,40032,90034,200대전16,90022,10025,30026,700동대구8,1009,30010,800밀양8,1008,100구포8,100부산')] page_content : KTX 노선도ﺎĀ Ā※ KTX 소요 시간과 운임은 철도청의 사정에 따라 변동할 수 있습니다.Ā서울용산광명Ā천안아산대전서대전동대구익산논산김제밀양정읍구포장성광주부산광주송정나주목포ĀྠĀ 경부선 ྠĀ 호남선ĀĀKTX 소요시간호남선 (서울~천안아산 경부선과 동일)서울서대전논산익산김제정읍장성광주광주송정나주목포시:분6:226:517:15-7:38--8:06-8:38경부선서울용산광명천안아산대전동대구밀양구포부산시:분5:305:456:246:307:187:498:148:27KTX 운임안내최저운임8,100원 (월~목 요금제 기준)호남선 (단위:원)행신8,1008,10015,10024,50026,40028,80031,20032,80035,00037,10039,00040,40044,80040,000용산8,10013,30022,70024,70027,20029,60031,20033,40036,30037,50038,90043,30038,400광명11,30020,70022,60025,10028,60029,40031,60034,50036,40037,10041,50036,700천안아산9,40011,40014,00017,70019,10021,70024,70026,60027,70032,20027,300서대전8,1008,1008,30010,00012,70015,90018,10019,70024,30019,300계룡8,1008,1008,10010,70014,00016,10017,70022,50017,400논산8,1008,1008,10011,40013,50015,10020,20014,800익산8,1008,1008,1009,80011,40016,50011,100김제8,1008,1008,1009,70014,8009,300정읍8,1008,1008,10012,1008,100장성8,1008,1008,9008,100광주송정8,1008,100-나주8,100-목포-광주경부선 (단위:원)행신8,1008,10014,10022,80039,70044,20047,80049,100서울8,10012,70021,40038,40043,00046,60047,900광명10,50019,20036,50041,00044,60046,000천안아산8,70025,60029,40032,90034,200대전16,90022,10025,30026,700동대구8,1009,30010,800밀양8,1008,100구포8,100부산 *** [ { " index " : { " _index " : " test_context " , " _type " : " search " } }, { " ES_UPLOADED " : " JSON_FORMAT " , "CONTENT": "KTX 노선도ﺎĀ Ā※ KTX 소요 시간과 운임은 철도청의 사정에 따라 변동할 수 있습니다.Ā서울용산광명Ā천안아산대전서대전동대구익산논산김제밀양정읍구포장성광주부산광주송정나주목포ĀྠĀ 경부선 ྠĀ 호남선ĀĀKTX 소요시간호남선 (서울~천안아산 경부선과 동일)서울서대전논산익산김제정읍장성광주광주송정나주목포시:분6:226:517:15-7:38--8:06-8:38경부선서울용산광명천안아산대전동대구밀양구포부산시:분5:305:456:246:307:187:498:148:27KTX 운임안내최저운임8,100원 (월~목 요금제 기준)호남선 (단위:원)행신8,1008,10015,10024,50026,40028,80031,20032,80035,00037,10039,00040,40044,80040,000용산8,10013,30022,70024,70027,20029,60031,20033,40036,30037,50038,90043,30038,400광명11,30020,70022,60025,10028,60029,40031,60034,50036,40037,10041,50036,700천안아산9,40011,40014,00017,70019,10021,70024,70026,60027,70032,20027,300서대전8,1008,1008,30010,00012,70015,90018,10019,70024,30019,300계룡8,1008,1008,10010,70014,00016,10017,70022,50017,400논산8,1008,1008,10011,40013,50015,10020,20014,800익산8,1008,1008,1009,80011,40016,50011,100김제8,1008,1008,1009,70014,8009,300정읍8,1008,1008,10012,1008,100장성8,1008,1008,9008,100광주송정8,1008,100-나주8,100-목포-광주경부선 (단위:원)행신8,1008,10014,10022,80039,70044,20047,80049,100서울8,10012,70021,40038,40043,00046,60047,900광명10,50019,20036,50041,00044,60046,000천안아산8,70025,60029,40032,90034,200대전16,90022,10025,30026,700동대구8,1009,30010,800밀양8,1008,100구포8,100부산" } ]

• REST API URL: http://localhost:7001/docs

Pytest

• Pergi ke lingkungan virtual menggunakan source .venv/bin/activate
• run command ini secara manual: poetry run py.test -v --junitxml=test-reports/junit/pytest.xml --cov-report html --cov tests/ ./pytest.sh

$ ./pytest.sh tests t est_api.py::test_skip SKIPPED (no way of currently testing this) [ 50%] tests t est_api.py::test_api PASSED [100%] ---------- coverage: platform win32, python 3.11.7-final-0 ----------- Name Stmts Miss Cover Missing ---------------------------------------------------------------- config c onfig.py 8 4 50% 16-20, 33 config l og_config.py 32 1 97% 42 controller _ _init__.py 0 0 100% controller c luster_controller.py 14 0 100% injector.py 25 0 100% main.py 23 9 61% 38-57, 69 service _ _init__.py 0 0 100% service e s_search_handler.py 139 103 26% 32-88, 131-132, 139-155, 160-173, 178-191, 196-213, 219-254, 259-271, 276-287, 292-304, 309-315 service e s_util.py 21 16 24% 5-11, 16-19, 24-35, 40-41 service q uery_builder.py 42 27 36% 21-40, 48-51, 64-83, 89-98, 102-137 service s tatus_handler.py 13 2 85% 12, 19 tests _ _init__.py 0 0 100% tests c onftest.py 8 0 100% tests t est_api.py 9 1 89% 7 ---------------------------------------------------------------- TOTAL 334 163 51% $

CI/CD Lingkungan

• Circleci ( ./circleci/config.yml ): Circleci adalah integrasi berkelanjutan dan platform pengiriman berkelanjutan yang membantu tim perangkat lunak bekerja lebih cerdas, lebih cepat. Dengan Circleci, setiap komit memulai pekerjaan baru di platform kami, dan kode dibangun, diuji, dan digunakan.
• Tindakan GitHub ( ./.github/workflows/build-and-test.yml ): Tindakan GitHub adalah platform integrasi dan pengiriman kontinu (CI/CD) yang berkelanjutan yang memungkinkan Anda mengotomatisasi pipa build, uji, dan penyebaran Anda. Anda dapat membuat alur kerja yang membangun dan menguji setiap permintaan tarik ke repositori Anda, atau menggunakan permintaan tarik yang digabungkan ke produksi.

Daftar Layanan

• Sudo Layanan Vektor_interface_api Status/Stop/Start/Restart

# -- /etc/systemd/system/vector_interface_api.service [Unit] Description=Swagger ES Service [Service] User=devuser Group=devuser Type=simple ExecStart=/bin/bash /home/devuser/Git_Repo/service-start.sh ExecStop= /usr/bin/killall vector_interface_api [Install] WantedBy=default.target # Service command sudo systemctl daemon-reload sudo systemctl start vector_interface_api.service sudo systemctl status vector_interface_api.service sudo systemctl stop vector_interface_api.service sudo service vector_interface_api status/stop/start