Adala

Adala es un da ta ( abeling ) un marco de caballero.

Adala ofrece un marco robusto para implementar agentes especializados en el procesamiento de datos, con énfasis en diversas tareas de etiquetado de datos. Estos agentes son autónomos, lo que significa que pueden adquirir independientemente una o más habilidades a través del aprendizaje iterativo. Este proceso de aprendizaje está influenciado por su entorno operativo, observaciones y reflexiones. Los usuarios definen el entorno proporcionando un conjunto de datos de verdad de tierra. Cada agente aprende y aplica sus habilidades en lo que nos referimos como un "tiempo de ejecución", sinónimo de LLM.

? ¿Por qué elegir Adala?

• ? Agentes confiables : los agentes se basan en una base de datos de verdad de tierra. Esto garantiza resultados consistentes y confiables, lo que hace que Adala sea una elección confiable para sus necesidades de procesamiento de datos.

• ? Salida controlable : para cada habilidad, puede configurar la salida deseada y establecer restricciones específicas con diversos grados de flexibilidad. Ya sea que desee una adherencia estricta a pautas particulares o salidas más adaptativas basadas en el aprendizaje del agente, ADALA le permite adaptar los resultados a sus necesidades exactas.

• Especializado en el procesamiento de datos : mientras que los agentes sobresalen en diversas tareas de etiquetado de datos, se pueden personalizar para una amplia gama de necesidades de procesamiento de datos.

• ? Aprendizaje autónomo : los agentes de Adala no solo no son automatizados; Son inteligentes. Desarrollan de iteración e independientemente habilidades basadas en el medio ambiente, las observaciones y las reflexiones.

• ✅ Tiempo de ejecución flexible y extensible : el entorno de tiempo de ejecución de Adala es adaptable. Se puede implementar una sola habilidad en múltiples tiempos de ejecución, facilitando escenarios dinámicos como la arquitectura de estudiantes/maestros. Además, la apertura del marco invita a la comunidad a extender y adaptar los tiempos de ejecución, asegurando la evolución continua y la adaptabilidad a diversas necesidades.

• Fácilmente personalizable : personalice y desarrolle rápidamente agentes para abordar los desafíos específicos de sus necesidades, sin enfrentar una curva de aprendizaje pronunciada.

? ¿Para quién es Adala?

Adala es un marco versátil diseñado para individuos y profesionales en el campo de la IA y el aprendizaje automático. Aquí es quién puede beneficiarse:

• ? Ingenieros de IA: Architect and Design AI Agent Systems con habilidades modulares e interconectadas. Construya sistemas de agentes de nivel de producción, abstraiendo ML de bajo nivel a Adala y LLMS.
• Investigadores de aprendizaje automático: experimentar con una descomposición de problemas complejos y un razonamiento causal.
• ? Científicos de datos: aplique a los agentes al preprocesado y posterior al procesamiento de sus datos. Interactúa con ADALA de forma nativa a través de cuadernos de Python cuando se trabaja con grandes marcos de datos.
• ? Educadores y estudiantes: use Adala como herramienta de enseñanza o como base para proyectos e investigación avanzados.

Si bien los roles resaltados anteriormente son fundamentales, es fundamental observar que Adala está intrincadamente diseñado para racionalizar y elevar el viaje de desarrollo de IA, atendiendo a todos los entusiastas, independientemente de su nicho específico en el campo. ?

?Instalación

Instalar adala:

pip install adala

Adala frecuentemente libera actualizaciones. Para asegurarse de que está utilizando la versión más actualizada, se recomienda que la instale desde GitHub:

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

Instalación del desarrollador:

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

Requisitos previos

Establezca Openai_api_Key (vea las instrucciones aquí)

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

? Inicio rápido

En este ejemplo, usaremos Adala como una biblioteca independiente directamente dentro del cuaderno de Python.

Haga clic aquí para ver un ejemplo extendido de rápida.

 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 )

Ejemplos

Habilidad	Descripción	Colab
Clasificaciones kill	Clasifique el texto en un conjunto de etiquetas predefinidas.
Clasificaciones killwithcot	Clasifique el texto en un conjunto de etiquetas predefinidas, utilizando el razonamiento de la cadena de pensamientos.
Resumen de kill	Resumir el texto en un texto más corto.
Cuestionansweringskill	Responda preguntas basadas en un contexto dado.
Traducciones	Traducir texto de un idioma a otro.
TextGenerationsKill	Genere texto basado en un mensaje dado.
Conjuntos de habilidades	Procese tareas complejas a través de una secuencia de habilidades.
Ontología creator	Inferir ontología de un conjunto de ejemplos de texto.
Razonamiento matemático	Resuelva problemas matemáticos de la escuela primaria en el conjunto de datos GSM8K.

? Hoja de ruta

• Gestión de habilidades de bajo nivel (es decir, agente.get_skill ("nombre")) [Complete @niklub]
• Haga cada ejemplo de cuaderno para ejecutarse en Google Collab y agregar una insignia a ReadMe
• Extender el entorno con un ejemplo más
• Aprendizaje de múltiples tareas (aprenda múltiples habilidades a la vez)
• Calcular y almacenar métricas de agente de línea superior (predicciones creadas, ejecuciones de tiempo de ejecución, bucles de aprendizaje, etc.)
• Crear habilidad de reconocimiento de entidad con nombre
• Utilidad de línea de comandos (consulte la fuente de este readMe, por ejemplo)
• REST API para interactuar con Adala
• Visión y habilidades de agente multimodal

? Contribuyendo a Adala

Mejore las habilidades, optimice los tiempos de ejecución o pionera los nuevos tipos de agentes. Ya sea que esté creando tareas matizadas, refinando entornos computacionales o esculpiendo agentes especializados para dominios únicos, sus contribuciones impulsarán la evolución de Adala. Únase a nosotros para dar forma al futuro de los sistemas inteligentes y hacer que Adala sea más versátil e impactante para los usuarios de todo el mundo.

Lea más aquí.

Apoyo

¿Necesita ayuda o está buscando interactuar con la comunidad? ¡Mira el canal Discord! Ya sea que tenga preguntas, necesite aclaraciones o simplemente desee discutir temas relacionados con el proyecto, ¡la comunidad de Discord es acogedor!