evadb

Datenbanksystem für AI-betriebene Apps

Folgen Sie Evadb

Mit EVADB können Softwareentwickler KI -Apps in einigen Codezeilen erstellen. Die leistungsstarke SQL -API vereinfacht die AI -App -Entwicklung sowohl für strukturierte als auch für unstrukturierte Daten. Zu den Vorteilen von Evadb gehören:

? Einfach, die EVADB-Abfrage-Engine mit Ihren Datenquellen wie PostgreSQL- oder S3-Eimer zu verbinden und AI-betriebene Apps mit SQL-Abfragen zu erstellen.

Strukturierte Datenquellen	Unstrukturierte Datenquellen	Anwendungsdatenquellen
PostgreSQL Sqlite Mysql Mariadb Klicken Sie auf Schneeflocke	Lokales Dateisystem AWS S3 Eimer	Github

Weitere Informationen zu den unterstützten Datenquellen finden Sie hier.

? Fragen Sie Ihre vernetzten Daten mit einem vorgebildeten KI-Modell von der Umarmung, Openai, Yolo, stabiler Diffusion usw. ab.

Umarmtes Gesicht	Openai	Yolo
Audioklassifizierung Automatische Spracherkennung Textklassifizierung Zusammenfassung Text2Text -Generierung Textgenerierung Bildklassifizierung Bildsegmentierung Bild-zu-Text Objekterkennung Tiefenschätzung	GPT-4 GPT-4-0314 GPT-4-32K GPT-4-32K-0314 GPT-3,5-Turbo GPT-3,5-Turbo-0301	yolov8n.pt yolov8s.pt yolov8m.pt yolov8l.pt yolov8x.pt

Weitere Details zu den unterstützten KI -Modellen finden Sie hier

? Erstellen oder feinstimmen Sie KI-Modelle für Regressions-, Klassifizierungs- und Zeitreihenprognosen.

Regression	Einstufung	Zeitreihenprognose
Ludwig Sklearn Xgboost	Ludwig Xboost	Statsforecast Neuralforecast

Weitere Details zu den unterstützten Automl -Frameworks finden Sie hier.

? Schnellere KI-Abfragen dank KI-zentrierter Abfragungsoptimierungen wie Caching, Batching und Parallelverarbeitung.

• Das Caching des Funktionsergebnisses hilft bei der Wiederverwendung von Ergebnissen teurer KI -Funktionsaufrufe.
• LLM -Batching reduziert die Nutzung der Token und Dollars für LLM -Anrufe.
• Die parallele Abfrageverarbeitung spart Geld und Zeit, die für das Ausführen von KI -Modellen aufgewendet werden, indem sie CPUs und/oder GPUs besser nutzen.
• Abfrageprädikat neu ordnen und Prädikat beschleunigen Abfragen über strukturierte und unstrukturierte Daten.

Weitere Details zu den Optimierungen in EVADB finden Sie hier.

Hey! Wenn Sie sich über unsere Vision freuen, KI in Datenbanksystemen zu bringen, zeigen Sie einige an:

• Hauptrolle unseres Github? Repo
• ? Beitritt zu unserer Slack -Community
• ? Folgen Sie uns auf Twitter
• uns auf Medium folgen

Wir würden gerne etwas über Ihre KI -App lernen. Bitte füllen Sie dieses 1-Minute-Formular aus: https://v0fbgcue0cm.typeform.com/to/bzhzwezm

Schnelle Links

• Schnelle Links
• Dokumentation
• Warum evadb
• Wie funktioniert Evadb?
• Illustrative Abfragen
• Illustrative Apps
• Weitere veranschaulichende Abfragen
• Architektur von Evadb
• Gemeinschaft und Unterstützung
• Beitragen
• Sterngeschichte
• Lizenz

Dokumentation

Die vollständige Dokumentation von EVADB finden Sie unter evadb.ai/docs

Warum evadb

In der Welt der KI haben wir eine Phase erreicht, in der viele KI -Aufgaben, die traditionell von KI- oder ML -Ingenieuren behandelt wurden, jetzt automatisiert werden können. Mit EVADB können Softwareentwickler erweiterte KI -Aufgaben ausführen, ohne sich mit den komplizierten Details zu befassen.

EVADB deckt viele AI -Anwendungen ab, einschließlich Regression, Klassifizierung, Bilderkennung, Fragenbeantwortung und vielen anderen generativen KI -Anwendungen. EVADB zielt auf 99% der KI -Probleme ab, die sich häufig wiederholen und mit einem einfachen Funktionsaufruf in einer SQL -Abfrage automatisiert werden können. Bisher gibt es keinen umfassenden Open-Source-Framework, um KI in ein vorhandenes SQL-Datenbanksystem mit einem prinzipiellen KI-Optimierungsrahmen zu bringen, und dort kommt Evadb ins Spiel.

Unsere Zielgruppe sind Softwareentwickler, die möglicherweise nicht unbedingt einen Hintergrund in der KI haben, aber KI -Funktionen benötigen, um spezifische Probleme zu lösen. Wir richten uns an Programmierer, die einfache SQL -Abfragen in ihren CRUD -Apps schreiben. Mit EVADB ist es möglich, diesen Apps einfach KI-Funktionen hinzuzufügen, indem in den Abfragen integrierte KI-Funktionen aufgerufen werden.

Wie funktioniert Evadb?

• Verbinden Sie EVADB mit Ihren SQL- und Vektor -Datenbanksystemen mit den Anweisungen "Datenbank create" und "Create Index".
• Schreiben Sie SQL -Abfragen mit KI -Funktionen, um Inferenzergebnisse zu erzielen:
• Wählen Sie ein vorgebildetes KI-Modell aus dem Umarmenden Gesicht, Open AI, Ultralytics, Pytorch und integriertem AI-Frameworks für generative KI-, NLP- und Vision-Anwendungen.
• oder wählen Sie aus einer Vielzahl hochmoderner ML-Motoren für klassische ML-Anwendungsfälle (Klassifizierung, Regression usw.);
• Oder bringen Sie Ihr benutzerdefiniertes Modell mit einem AI/ML -Framework mit `create function`.

Folgen Sie dem Leitfaden für die Erste Schritte, um so schnell wie möglich in Bord zu gehen.

Illustrative Abfragen

• Holen Sie sich mit GPT4 Einblicke in Github Stargazers.

 SELECT name, country, email, programming_languages, social_media, GPT4(prompt,topics_of_interest)
FROM gpt4all_StargazerInsights;

-- - Prompt to GPT-4
You are given 10 rows of input, each row is separated by two new line characters.
Categorize the topics listed in each row into one or more of the following 3 technical areas - Machine Learning, Databases, and Web development. If the topics listed are not related to any of these 3 areas, output a single N / A. Do not miss any input row. Do not add any additional text or numbers to your output.
The output rows must be separated by two new line characters. Each input row must generate exactly one output row. For example, the input row [Recommendation systems, Deep neural networks, Postgres] must generate only the output row [Machine Learning, Databases].
The input row [enterpreneurship, startups, venture capital] must generate the output row N / A.

• Erstellen Sie einen Vektorindex für die Features -Emetten, die vom SIFT -Feature -Extraktor auf einer Sammlung von Reddit -Bildern zurückgegeben werden. Geben Sie die Top-5-ähnlichen Bilder für ein bestimmtes Bild zurück.

 CREATE INDEX reddit_sift_image_index
    ON reddit_dataset (SiftFeatureExtractor(data))
    USING FAISS

SELECT name FROM reddit_dataset ORDER BY
    Similarity(
        SiftFeatureExtractor(Open( ' reddit-images/g1074_d4mxztt.jpg ' )),
        SiftFeatureExtractor(data)
    )
    LIMIT 5 

Illustrative Apps

Hier sind einige veranschaulichende KI -Apps, die mit EVADB erstellt wurden (jedes Notebook kann auf Google Colab geöffnet werden):

• ? Stimmungsanalyse unter Verwendung von LLM in PostgreSQL
• ? CHIDGPT-basierte Video-Frage-Beantwortung
• ? Textübersicht in PDF -Dokumenten
• ? Analyse des Verkehrsflusss mit Yolo
• ? Untersuchung der Emotionen des Films
• ? Bildähnlichkeitssuche

Weitere veranschaulichende Abfragen

• Holen Sie sich ein Transkript aus einem in einer Tabelle gespeicherten Video mit einem Spracherkennungsmodell. Stellen Sie dann Fragen zum extrahierten Transkript mit ChatGPT.

 CREATE TABLE text_summary AS
    SELECT SpeechRecognizer(audio) FROM ukraine_video;
SELECT ChatGPT( ' Is this video summary related to Ukraine russia war ' , text )
    FROM text_summary;

• Trainieren Sie ein klassisches ML -Modell für die Vorhersage mit dem Ludwig AI -Motor.

 CREATE FUNCTION IF NOT EXISTS PredictHouseRent FROM
( SELECT * FROM HomeRentals)
TYPE Ludwig
PREDICT ' rental_price '
TIME_LIMIT 120 ;

Architektur von Evadb

Der AI-zentrierte Query-Optimierer von Evadb enthält eine Abfrage als Eingabe und generiert einen Abfrageplan. Die Abfrage -Engine nimmt den Abfrageplan auf und trifft die relevanten Backends, um die Abfrage effizient zu verarbeiten: 1. SQL -Datenbanksysteme (strukturierte Daten) 2. AI -Frameworks (Transformation unstrukturierter Daten in strukturierte Daten; unstrukturierte Daten umfassen PDFs, Text, Bilder usw. Lokal oder in der Cloud) 3.

Gemeinschaft und Unterstützung

Wir würden gerne etwas über Ihre KI -App lernen. Bitte füllen Sie dieses 1-Minute-Formular aus: https://v0fbgcue0cm.typeform.com/to/bzhzwezm

Wenn Sie auf Fehler stoßen oder Kommentare haben, können Sie uns in unserer Slack -Community erreichen? Oder erstellen Sie ein GitHub -Problem?

Hier ist Evadbs öffentlicher Roadmap? Euen. Wir priorisieren Funktionen basierend auf dem Feedback der Benutzer, daher würden wir gerne von Ihnen hören!

Beitragen

Wir sind ein schlankes Team auf der Mission, KI in Datenbanksystemen zu bringen! Alle möglichen Beiträge zu EVADB werden geschätzt? Wenn Sie sich engagieren möchten, finden Sie hier Informationen darüber, wo wir Ihre Hilfe verwenden können: Beitragsanleitung?

CI -Status:

Sterngeschichte

Lizenz

Copyright (C) Georgia Tech Database Group. Lizenziert unter einer Apache -Lizenz.