Kiln
v0.10.0
Ajuste fino • Generación de datos sintéticos • Colaboración del conjunto de datos • Docios
| CI | |
| Paquete | |
| Meta | |
| Aplicaciones |
La aplicación de escritorio del horno es completamente gratuita. Disponible en macOS, Windows y Linux.
En esta demostración, creo 9 modelos ajustados (incluidos Llama 3.x, Mixtral y GPT-4O-Mini) en solo 18 minutos, logrando excelentes resultados por menos de $ 6 de costo total. Ver detalles.
El horno es bastante intuitivo, por lo que sugerimos lanzar la aplicación de escritorio y bucear. Sin embargo, si tiene alguna pregunta o desea obtener más información, nuestros documentos están aquí para ayudar.
Para los desarrolladores, consulte nuestros documentos de la Biblioteca de Python del horno. Estos incluyen cómo cargar conjuntos de datos en el horno, o usar conjuntos de datos de horno en su propia base de código/portátiles.
Nuestra biblioteca de Python de código abierto le permite integrar conjuntos de datos de horno en sus propios flujos de trabajo, construir melodías finas, usar horno en cuadernos, crear herramientas personalizadas y mucho más. Lea los documentos para ver ejemplos.
pip install kiln-aiHay nuevos modelos y técnicas que emergen todo el tiempo. Kiln facilita la prueba de una variedad de enfoques y compararlos en unos pocos clics sin escribir código. Estos pueden dar como resultado una mayor calidad y un mejor rendimiento.
Actualmente apoyamos:
En el futuro, planeamos agregar opciones sin código más potentes como Evals y Rag. Para los científicos de datos experimentados, puede crear estas técnicas hoy utilizando conjuntos de datos de horno y nuestra biblioteca de Python.
Al construir productos de IA, generalmente hay un experto en la materia que conoce el problema que está tratando de resolver y un equipo técnico diferente asignado para construir el modelo. El horno une esa brecha como una herramienta de colaboración.
Los expertos en la materia pueden usar nuestras aplicaciones de escritorio intuitivas para generar conjuntos de datos y calificaciones estructuradas, sin codificar o usar herramientas técnicas. No se requiere una línea de comando o GPU.
Los científicos de datos pueden consumir el conjunto de datos creado por expertos en la materia, utilizando la UI o una inmersión profunda con nuestra biblioteca de Python.
QA y PM pueden identificar fácilmente problemas antes y ayudar a generar el contenido del conjunto de datos necesario para solucionar el problema en la capa del modelo.
El formato de archivo del conjunto de datos está diseñado para usarse con GIT para una poderosa colaboración y atribución. Muchas personas pueden contribuir en paralelo; Las colisiones se evitan utilizando UUID, y la atribución se captura dentro de los archivos del conjunto de datos. Incluso puede compartir un conjunto de datos en una unidad compartida, permitiendo que los miembros del equipo completamente no técnicos contribuyan con datos y evalos sin conocer Git.
Los productos no tienen "conjuntos de datos", pero el horno lo ayuda a crear uno. Cada vez que usa el horno, capturamos las entradas, salidas, calificaciones humanas, comentarios y reparaciones necesarias para construir modelos de alta calidad para su uso en su producto. Cuanto más lo use, más datos tendrá.
La calidad de su modelo mejora automáticamente a medida que crece el conjunto de datos, al dar a los modelos más ejemplos de contenido de calidad (y errores).
Si los objetivos de su producto cambian o se encuentran nuevos errores (como casi siempre es el caso), puede iterar fácilmente el conjunto de datos para abordar los problemas.
Consulte Contriping.MD para obtener información sobre cómo configurar un entorno de desarrollo y contribuir al horno.
Copyright 2024 - Chesterfield Laboratories Inc.
