evadb

Système de base de données pour les applications alimentées par l'IA

Suivez Evadb

EVADB permet aux développeurs de logiciels de créer des applications AI dans quelques lignes de code. Sa puissante API SQL simplifie le développement d'applications AI pour les données structurées et non structurées. Les avantages de l'EVADB comprennent:

? Facile à connecter le moteur de requête EVADB avec vos sources de données, telles que les seaux PostgreSQL ou S3, et créez des applications alimentées par AI avec des requêtes SQL.

Sources de données structurées	Sources de données non structurées	Sources de données d'application
Postgresql Sqlite Mysql Mariadb Maison de clic Flocon de neige	Système de fichiers local Seau AWS S3	Github

Plus de détails sur les sources de données prises en charge sont disponibles ici.

? Interrogez vos données connectées avec un modèle d'IA pré-formé à partir de la face des câlins, Openai, Yolo, diffusion stable, etc.

Visage étreint	Openai	Yolo
Classification audio Reconnaissance automatique de la parole Classification de texte Récapitulation Génération de text2text Génération de texte Classification d'image Segmentation d'image Image à texte Détection d'objet Estimation de la profondeur	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

Plus de détails sur les modèles d'IA pris en charge sont disponibles ici

? Créer ou affiner les modèles AI pour la régression, la classification et les prévisions de séries chronologiques.

Régression	Classification	Prévision des séries chronologiques
Ludwig Sklearn Xgboost	Ludwig Xboost	Statsforecast Neural

Plus de détails sur les frameworks Automl pris en charge sont disponibles ici.

? Les requêtes AI plus rapides grâce aux optimisations de requête centrées sur l'IA telles que la mise en cache, le lot et le traitement parallèle.

• La mise en cache des résultats de la fonction aide à réutiliser les résultats des appels de fonctions AI coûteux.
• LLM Batching réduit l'utilisation des jetons et les dollars dépensés pour les appels LLM.
• Le traitement parallèle des requêtes permet d'économiser de l'argent et du temps consacré à la gestion des modèles d'IA en utilisant des processeurs et / ou des GPU.
• La réorganisation et la poussée des prédicats de requête accélèrent les requêtes sur des données structurées et non structurées.

Plus de détails sur les optimisations dans EVADB sont disponibles ici.

Hé! Si vous êtes enthousiasmé par notre vision d'apporter l'IA dans les systèmes de base de données, montrez certains ❤️ par:

• Mettant en vedette notre github? Repo
• ? Rejoindre notre communauté Slack
• ? nous suivre sur Twitter
• Nous suivons sur Medium

Nous serions ravis de découvrir votre application AI. Veuillez remplir ce formulaire d'une minute: https://v0fbgcue0cm.typeform.com/to/bzhzwezm

Liens rapides

• Liens rapides
• Documentation
• Pourquoi Evadb
• Comment fonctionne EVADB
• Requêtes illustratives
• Applications illustratives
• Plus de requêtes illustratives
• Architecture de l'EVADB
• Communauté et soutien
• Contributif
• Histoire des étoiles
• Licence

Documentation

Vous pouvez trouver la documentation complète de l'EVADB à EVADB.AI/DOCS

Pourquoi Evadb

Dans le monde de l'IA, nous avons atteint un stade où de nombreuses tâches de l'IA qui étaient traditionnellement gérées par des ingénieurs d'IA ou ML peuvent désormais être automatisées. EVADB permet aux développeurs de logiciels ayant la possibilité d'effectuer des tâches AI avancées sans avoir à se plonger dans les détails complexes.

EVADB couvre de nombreuses applications d'IA, notamment la régression, la classification, la reconnaissance d'image, la réponse aux questions et de nombreuses autres applications d'IA génératives. EVADB cible 99% des problèmes d'IA qui sont souvent répétitifs et peuvent être automatisés avec un appel de fonction simple dans une requête SQL. Jusqu'à présent, il n'y a pas de cadre complet open source pour apporter l'IA dans un système de base de données SQL existant avec un cadre d'optimisation d'IA de principe, et c'est là que EVADB entre en jeu.

Notre public cible est les développeurs de logiciels qui n'ont peut-être pas nécessairement une formation en IA mais qui ont besoin de capacités de l'IA pour résoudre des problèmes spécifiques. Nous ciblons les programmeurs qui écrivent des requêtes SQL simples dans leurs applications CRUD. Avec EVADB, il est possible d'ajouter facilement des fonctionnalités AI à ces applications en appelant des fonctions AI intégrées dans les requêtes.

Comment fonctionne EVADB

• Connectez EVADB à vos systèmes de base de données SQL et vectoriels avec les instructions `Create Database` et` Create index`.
• Écrivez des requêtes SQL avec des fonctions AI pour obtenir des résultats d'inférence:
• Choisissez un modèle d'IA pré-formé dans l'étreinte Face, ouverte l'IA, les ultralytiques, le pytorch et les cadres d'IA intégrés pour les applications génératrices de l'IA, de la PNL et de la vision;
• ou choisissez parmi une variété de moteurs ML à la pointe de la technologie pour les cas d'utilisation ML classiques (classification, régression, etc.);
• ou apportez votre modèle personnalisé construit avec n'importe quel framework AI / ML à l'aide de «Créer une fonction».

Suivez le guide de démarrage pour vous embarquer le plus rapidement possible.

Requêtes illustratives

• Obtenez des informations sur les stargazers GitHub en utilisant GPT4.

 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.

• Créez un index vectoriel sur la fonctionnalité intégrée renvoyée par l'extracteur de fonctionnalité SIFT sur une collection d'images Reddit. Renvoyez les 5 premières images similaires pour une image donnée.

 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 

Applications illustratives

Voici quelques applications d'IA illustratives construites à l'aide de l'EVADB (chaque ordinateur portable peut être ouvert sur Google Colab):

• ? Analyse des sentiments utilisant LLM dans PostgreSQL
• ? Question vidéo basée sur le chatpt Réponction
• ? Résumé de texte sur les documents PDF
• ? Analyser le flux de trafic avec Yolo
• ? Examiner les émotions du film
• ? Recherche de similitude d'image

Plus de requêtes illustratives

• Obtenez une transcription à partir d'une vidéo stockée dans un tableau à l'aide d'un modèle de reconnaissance vocale. Ensuite, posez des questions sur la transcription extraite à l'aide de 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;

• Former un modèle ML classique pour la prédiction à l'aide du moteur Ludwig AI.

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

Architecture de l'EVADB

L'optimiseur de requête AI-centrique d'EVADB prend une requête en entrée et génère un plan de requête. Le moteur de requête prend le plan de requête et frappe les backends pertinents pour traiter efficacement la requête: 1. Systèmes de base de données SQL (données structurées) 2. Frameworks AI (transformer les données non structurées en données structurées; les données non structurées incluent les PDF, le texte, les images, etc. stocké localement ou sur le nuage) 3. Systèmes de données vectoriels (caractéristiques Embredddings))

Communauté et soutien

Nous serions ravis de découvrir votre application AI. Veuillez remplir ce formulaire d'une minute: https://v0fbgcue0cm.typeform.com/to/bzhzwezm

Si vous rencontrez des bugs ou avez des commentaires, vous pouvez nous joindre sur notre communauté Slack? ou créer un problème github ?.

Voici la feuille de route publique d'Evadb? ️. Nous priorisons les fonctionnalités basées sur les commentaires des utilisateurs, nous serions donc ravis de vous entendre!

Contributif

Nous sommes une équipe Lean dans une mission pour intégrer l'IA dans des systèmes de base de données! Toutes sortes de contributions à EVADB sont appréciées? Si vous souhaitez vous impliquer, voici des informations sur l'endroit où nous pourrions utiliser votre aide: Guide de contribution?

Statut CI:

Histoire des étoiles

Licence

Copyright (C) Georgia Tech Database Group. Licencié sous une licence Apache.