Adala

Adala ist ein ugonomous da ta ( l abeling) ein Gent -Rahmen.

Adala bietet einen robusten Rahmen für die Implementierung von Agenten, die auf die Datenverarbeitung spezialisiert sind, wobei der Schwerpunkt auf verschiedenen Datenkennzeichnungsaufgaben liegt. Diese Agenten sind autonom, was bedeutet, dass sie durch iteratives Lernen unabhängig ein oder mehrere Fähigkeiten erwerben können. Dieser Lernprozess wird durch ihre Betriebsumgebung, Beobachtungen und Reflexionen beeinflusst. Benutzer definieren die Umgebung durch Bereitstellung eines Grundwahrheitsdatensatzes. Jeder Agent lernt und wendet seine Fähigkeiten in dem an, was wir als "Laufzeit" bezeichnen, synonym für LLM.

? Warum Adala wählen?

• ? Zuverlässige Agenten : Agenten basieren auf einer Grundlage für Grundwahrheitsdaten. Dies gewährleistet konsistente und vertrauenswürdige Ergebnisse, wodurch Adala eine zuverlässige Wahl für Ihre Datenverarbeitungsanforderungen macht.

• ? Steuerbare Ausgabe : Für jede Fähigkeit können Sie die gewünschte Ausgabe konfigurieren und spezifische Einschränkungen mit unterschiedlichen Flexibilitätsgraden festlegen. Unabhängig davon, ob Sie sich strikt an bestimmte Richtlinien oder adaptive Ausgänge basieren, die auf dem Lernen des Agenten basieren, können Sie mit Adala die Ergebnisse auf Ihre genauen Anforderungen anpassen.

• Spezialisiert auf die Datenverarbeitung : Während die Agenten in verschiedenen Datenkennzeichnungsaufgaben auszeichnen, können sie für eine Vielzahl von Datenverarbeitungsanforderungen angepasst werden.

• ? Autonomes Lernen : Adala -Agenten sind nicht nur automatisiert. Sie sind intelligent. Sie entwickeln iterativ und unabhängig Fähigkeiten, die auf Umwelt, Beobachtungen und Reflexionen basieren.

• ✅ Flexible und erweiterbare Laufzeit : Adalas Laufzeitumgebung ist anpassungsfähig. Eine einzelne Fähigkeit kann in mehreren Laufzeiten eingesetzt werden, was dynamische Szenarien wie die Architektur der Schüler/Lehrer erleichtert. Darüber hinaus lädt die Offenheit des Rahmens die Community ein, Laufzeiten zu erweitern und zu maßnen, um die kontinuierliche Entwicklung und Anpassungsfähigkeit an verschiedene Bedürfnisse zu gewährleisten.

• Einfach anpassbar : Anpassen und Entwicklung von Agenten, um Herausforderungen für Ihre Bedürfnisse zu befriedigen, ohne sich einer steilen Lernkurve zu stellen.

? Für wen ist Adala?

Adala ist ein vielseitiges Rahmen für Einzelpersonen und Fachleute im Bereich KI und maschinelles Lernen. Hier ist, wer davon profitieren kann:

• ? KI -Ingenieure: Architekt- und Design -KI -Agentensysteme mit modularen, miteinander verbundenen Fähigkeiten. Bauen Sie Agentensysteme auf Produktionsniveau und abstrakten Sie ML mit niedrigem Niveau auf Adala und LLMs.
• Forscher für maschinelles Lernen: Experimentieren Sie mit komplexer Problemzersetzung und kausalem Denken.
• ? Datenwissenschaftler: Wenden Sie Agenten auf die Vorverarbeitung an und postabieren Ihre Daten. Interagieren Sie nativ mit Adala über Python -Notizbücher, wenn Sie mit großen Datenrahmen arbeiten.
• ? Pädagogen und Studenten: Verwenden Sie Adala als Lehrinstrument oder als Grundlage für fortschrittliche Projekte und Forschung.

Während die oben hervorgehobenen Rollen von zentraler Bedeutung sind, ist es entscheidend zu beachten, dass Adala die KI -Entwicklungsreise, die alle Enthusiasten unabhängig von ihrer spezifischen Nische auf diesem Gebiet entspricht, aufarme entwickelt wurde. ?

?Installation

Installieren Sie Adala:

pip install adala

Adala veröffentlicht häufig Aktualisierungen. Um sicherzustellen, dass Sie die aktuellste Version verwenden, wird empfohlen, sie bei GitHub zu installieren:

pip install git+https://github.com/HumanSignal/Adala.git

Entwicklerinstallation:

git clone https://github.com/HumanSignal/Adala.git
cd Adala/
poetry install

Voraussetzungen

Setzen Sie OpenAI_API_KEY (siehe Anweisungen hier)

 export OPENAI_API_KEY='your-openai-api-key'

? QuickStart

In diesem Beispiel verwenden wir Adala als eigenständige Bibliothek direkt im Python -Notebook.

Klicken Sie hier, um ein erweitertes QuickStart -Beispiel anzuzeigen.

 import pandas as pd

from adala . agents import Agent
from adala . environments import StaticEnvironment
from adala . skills import ClassificationSkill
from adala . runtimes import OpenAIChatRuntime
from rich import print

# Train dataset
train_df = pd . DataFrame ([
    [ "It was the negative first impressions, and then it started working." , "Positive" ],
    [ "Not loud enough and doesn't turn on like it should." , "Negative" ],
    [ "I don't know what to say." , "Neutral" ],
    [ "Manager was rude, but the most important that mic shows very flat frequency response." , "Positive" ],
    [ "The phone doesn't seem to accept anything except CBR mp3s." , "Negative" ],
    [ "I tried it before, I bought this device for my son." , "Neutral" ],
], columns = [ "text" , "sentiment" ])

# Test dataset
test_df = pd . DataFrame ([
    "All three broke within two months of use." ,
    "The device worked for a long time, can't say anything bad." ,
    "Just a random line of text."
], columns = [ "text" ])

agent = Agent (
    # connect to a dataset
    environment = StaticEnvironment ( df = train_df ),

    # define a skill
    skills = ClassificationSkill (
        name = 'sentiment' ,
        instructions = "Label text as positive, negative or neutral." ,
        labels = { 'sentiment' : [ "Positive" , "Negative" , "Neutral" ]},
        input_template = "Text: {text}" ,
        output_template = "Sentiment: {sentiment}"
    ),

    # define all the different runtimes your skills may use
    runtimes = {
        # You can specify your OPENAI API KEY here via `OpenAIRuntime(..., api_key='your-api-key')`
        'openai' : OpenAIChatRuntime ( model = 'gpt-3.5-turbo' ),
    },
    default_runtime = 'openai' ,
    
    # NOTE! If you have access to GPT-4, you can uncomment the lines bellow for better results
#     default_teacher_runtime='openai-gpt4',
#     teacher_runtimes = {
#       'openai-gpt4': OpenAIRuntime(model='gpt-4')
#     }
)

print ( agent )
print ( agent . skills )

agent . learn ( learning_iterations = 3 , accuracy_threshold = 0.95 )

print ( ' n => Run tests ...' )
predictions = agent . run ( test_df )
print ( ' n => Test results:' )
print ( predictions )

Beispiele

Fähigkeit	Beschreibung	Colab
Klassifizierungenskill	Klassifizieren Sie den Text in eine Reihe vordefinierter Etiketten.
KlassifizierungenKillwithCot	Klassifizieren Sie den Text mithilfe von Vorstellungsketten in einer Reihe vordefinierter Etiketten.
Zusammenfassungskill	Fassen Sie den Text in einen kürzeren Text zusammen.
FRAGEANSWERINGSKILL	Beantworten Sie Fragen basierend auf einem bestimmten Kontext.
Übersetzungen	Übersetzen Sie Text von einer Sprache in eine andere.
Textgenerationsskill	Erstellen Sie Text basierend auf einer bestimmten Eingabeaufforderung.
Fähigkeiten	Verarbeiten Sie komplexe Aufgaben durch eine Folge von Fähigkeiten.
OntologyCreator	Schließen Sie die Ontologie aus einer Reihe von Textbeispielen ab.
Mathe -Argumentation	Lösen Sie Mathematikprobleme im GSM8K-Datensatz.

? Roadmap

• Low-Level-Skill-Management (dh Agent.get_skill ("Name") [complete @niklub]
• Machen Sie jedes Notebook -Beispiel für die Ausführung in Google Collab
• Erweitern Sie die Umgebung mit einem weiteren Beispiel
• Multitasking-Lernen (lernen Sie gleichzeitig mehrere Fähigkeiten)
• Berechnen und speichern Sie Top -Line -Agent -Metriken (Vorhersagen erstellt, Laufzeitausführungen, Lernschleifen usw.)
• Erstellen Sie namentlicher Fähigkeiten zur Erkennung von Unternehmen
• Befehlszeilen -Dienstprogramm (siehe Quelle für diese Readme zum Beispiel)
• REST -API, um mit Adala zu interagieren
• Vision und multimodale Agentenfähigkeiten

? Beitrag zu Adala

Verbessern Sie die Fähigkeiten, optimieren Sie Runtimes oder Pioneer New Agent -Typen. Egal, ob Sie differenzierte Aufgaben, die Verfeinerung von Rechenumgebungen oder die Skulption spezialisierten Agenten für einzigartige Bereiche erstellen, Ihre Beiträge werden die Evolution von Adala betreiben. Gestalten Sie mit uns die Zukunft intelligenter Systeme und machen Sie Adala vielseitiger und wirkungsvoller für Benutzer auf der ganzen Welt.

Lesen Sie hier mehr.

Unterstützung

Benötigen Sie Hilfe oder möchten Sie sich mit Community beschäftigen? Schauen Sie sich Discord Channel an! Unabhängig davon, ob Sie Fragen haben, Klarstellung benötigen oder einfach nur Themen im Zusammenhang mit dem Projekt diskutieren möchten, ist die Discord -Community einladend!