
Feinabstimmung • Synthetische Datenerzeugung • Datensatzkooperation • Dokumente
| CI | |
| Paket | |
| Meta | |
| Apps |
Die Kiln -Desktop -App ist völlig kostenlos. Verfügbar unter MacOS, Windows und Linux.
In dieser Demo erstelle ich in nur 18 Minuten 9 Feinabstimmungsmodelle (einschließlich Lama 3.x, Mixtral und GPT-4O-Mini) und erzielte großartige Ergebnisse für weniger als 6 US-Dollar. Siehe Details.
Kiln ist ziemlich intuitiv. Wir empfehlen daher, die Desktop -App zu starten und zu tauchen. Wenn Sie jedoch Fragen haben oder mehr erfahren möchten, sind unsere Dokumente hier, um zu helfen.
Für Entwickler finden Sie in unseren Kiln Python Library Docs. Dazu gehören, wie Datensätze in Ofenstöcke geladen werden, oder die Verwendung von KILN-Datensätzen in Ihren eigenen Code-Basis/Notebooks.
Mit unserer Open-Source-Python-Bibliothek können Sie KILN-Datensätze in Ihre eigenen Workflows integrieren, feine Melodien erstellen, Kiln in Notizbüchern verwenden, benutzerdefinierte Tools erstellen und vieles mehr! Lesen Sie die Dokumente für Beispiele.
pip install kiln-aiEs gibt ständig neue Modelle und Techniken. Kiln erleichtert es einfach, eine Vielzahl von Ansätzen auszuprobieren und sie in wenigen Klicks zu vergleichen, ohne Code zu schreiben. Diese können zu einer höheren Qualität und einer verbesserten Leistung führen.
Wir unterstützen derzeit:
In Zukunft planen wir, leistungsstärkere No-Code-Optionen wie Evals und Lappen hinzuzufügen. Für erfahrene Datenwissenschaftler können Sie diese Techniken heute mit KILN-Datensätzen und unserer Python-Bibliothek erstellen.
Beim Aufbau von KI -Produkten gibt es normalerweise einen Fachexperten, der das Problem kennt, das Sie zu lösen versuchen, und ein anderes technisches Team, das zum Aufbau des Modells zugewiesen ist. Ofen überbrücken diese Lücke als Kollaborationsinstrument.
Experten von Themen können unsere intuitiven Desktop -Apps verwenden, um strukturierte Datensätze und Bewertungen zu generieren, ohne zu codieren oder technische Tools zu verwenden. Keine Befehlszeile oder GPU erforderlich.
Datenwissenschaftler können den Datensatz konsumieren, der von Themenexperten erstellt wurde, indem sie die Benutzeroberfläche verwenden oder mit unserer Python-Bibliothek eintauchen.
QA und PM können Probleme leicht früher identifizieren und dazu beitragen, den Datensatzinhalt zu generieren, der zur Behebung des Problems in der Modellschicht erforderlich ist.
Das Dataset -Dateiformat ist so konzipiert, dass sie mit Git für leistungsstarke Zusammenarbeit und Zuordnung verwendet werden können. Viele Menschen können parallel beitragen; Kollisionen werden unter Verwendung von UUIDs vermieden, und die Zuordnung wird in den Datensatzdateien erfasst. Sie können sogar einen Datensatz auf einem gemeinsam genutzten Laufwerk freigeben, sodass die Mitglieder des völlig nicht-technischen Teammitglieder Daten und Evals beitragen, ohne Git zu kennen.
Produkte haben natürlich keine „Datensätze“, aber Ofen hilft Ihnen, einen zu erstellen. Jedes Mal, wenn Sie Ofen verwenden, erfassen wir die Eingänge, Ausgänge, menschlichen Bewertungen, Feedback und Reparaturen, die zum Aufbau hochwertiger Modelle für die Verwendung in Ihrem Produkt erforderlich sind. Je mehr Sie es verwenden, desto mehr Daten haben Sie.
Ihre Modellqualität verbessert sich automatisch, wenn der Datensatz wächst, indem die Modelle mehr Beispiele für Qualitätsinhalte (und Fehler) angeben.
Wenn sich Ihre Produktziele verschieben oder neue Fehler finden (wie fast immer der Fall), können Sie den Datensatz leicht wiederholen, um Probleme anzugehen.
Informationen zum Einrichten einer Entwicklungsumgebung und bei Beitrag zu Ofen finden Sie unter Beitrags.md.
Copyright 2024 - Chesterfield Laboratories Inc.