Adala

Adala est un da ta ( l Abeling) un framework gent.

Adala propose un cadre robuste pour la mise en œuvre d'agents spécialisés dans le traitement des données, en mettant l'accent sur diverses tâches d'étiquetage de données. Ces agents sont autonomes, ce qui signifie qu'ils peuvent acquérir indépendamment une ou plusieurs compétences grâce à l'apprentissage itératif. Ce processus d'apprentissage est influencé par leur environnement d'exploitation, leurs observations et leurs réflexions. Les utilisateurs définissent l'environnement en fournissant un ensemble de données de vérité au sol. Chaque agent apprend et applique ses compétences dans ce que nous appelons un "runtime", synonyme de LLM.

? Pourquoi choisir Adala?

• ? Agents fiables : les agents sont construits sur une base de données de vérité au sol. Cela garantit des résultats cohérents et dignes de confiance, faisant d'Adala un choix fiable pour vos besoins de traitement des données.

• ? Sortie contrôlable : Pour chaque compétence, vous pouvez configurer la sortie souhaitée et définir des contraintes spécifiques avec des degrés variables de flexibilité. Que vous souhaitiez une stricte adhésion à des directives particulières ou des sorties plus adaptatives en fonction de l'apprentissage de l'agent, Adala vous permet d'adapter les résultats à vos besoins exacts.

• Spécialisé dans le traitement des données : Bien que les agents excellent dans diverses tâches d'étiquetage de données, elles peuvent être personnalisées pour un large éventail de besoins de traitement des données.

• ? Apprentissage autonome : les agents d'Adala ne sont pas seulement automatisés; Ils sont intelligents. Ils développent de manière itérative et indépendante les compétences basées sur l'environnement, les observations et les réflexions.

• ✅ Exécution flexible et extensible : l'environnement d'exécution d'Adala est adaptable. Une seule compétence peut être déployée sur plusieurs temps d'exécution, facilitant des scénarios dynamiques comme l'architecture étudiante / enseignant. De plus, l'ouverture du cadre invite la communauté à étendre et à adapter les temps d'exécution, assurant une évolution continue et une adaptabilité à divers besoins.

• Facilement personnalisable : personnalisez et développez rapidement les agents pour relever les défis spécifiques à vos besoins, sans faire face à une courbe d'apprentissage abrupte.

? Pour qui est Adala?

Adala est un cadre polyvalent conçu pour les particuliers et les professionnels dans le domaine de l'IA et de l'apprentissage automatique. Voici qui peut bénéficier:

• ? Ingénieurs AI: architecte et conception des systèmes d'agents AI avec des compétences modulaires et interconnectées. Construisez des systèmes d'agents au niveau de la production, abstraction de ML de bas niveau vers ADALA et LLMS.
• Rechercheurs de l'apprentissage automatique: Expérimentez la décomposition des problèmes complexes et le raisonnement causal.
• ? Scientifiques des données: appliquez des agents à le prétraitement et post-traitementz vos données. Interagissez avec Adala nativement via des ordinateurs portables Python lorsque vous travaillez avec de grandes dataframes.
• ? Éducateurs et étudiants: utilisez Adala comme outil d'enseignement ou comme base pour les projets avancés et la recherche.

Bien que les rôles mis en évidence ci-dessus soient centraux, il est essentiel de noter qu'Adala est conçu de manière complexe pour rationaliser et élever le parcours de développement de l'IA, s'adressant à tous les passionnés, indépendamment de leur créneau spécifique dans le domaine. ?

?Installation

Installer Adala:

pip install adala

Adala publie fréquemment des mises à jour. Afin de vous assurer que vous utilisez la version la plus à jour, il est recommandé de l'installer à partir de GitHub:

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

Installation du développeur:

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

Condition préalable

Définissez Openai_API_KEY (voir les instructions ici)

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

? Start

Dans cet exemple, nous utiliserons Adala comme bibliothèque autonome directement dans le cahier Python.

Cliquez ici pour voir un exemple de QuickStart étendu.

 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 )

Exemples

Compétence	Description	Colab
Classificationskill	Classifier le texte dans un ensemble d'étiquettes prédéfinies.
Classificationskillwithcot	Classifier le texte dans un ensemble d'étiquettes prédéfinies, en utilisant le raisonnement de la chaîne de réflexion.
Summarizationskill	Résumez le texte dans un texte plus court.
Questionansweringskill	Répondez aux questions basées sur un contexte donné.
Traductionskill	Traduire le texte d'une langue à une autre.
TextGenerationsKill	Générer du texte basé sur une invite donnée.
Ensembles de compétences	Traiter des tâches complexes à travers une séquence de compétences.
Créateur de l'ontologie	Inférer l'ontologie à partir d'un ensemble d'exemples de texte.
Raisonnement mathématique	Résolvez les problèmes mathématiques de l'école de grade sur le jeu de données GSM8K.

? Feuille de route

• Gestion des compétences de bas niveau (c'est-à-dire agent.get_skill ("name")) [complet @niklub]
• Faites chaque exemple de cahier pour exécuter dans Google Collab et ajouter un badge à Readme
• Étendre l'environnement avec un autre exemple
• Apprentissage multi-tâches (apprendre plusieurs compétences à la fois)
• Calculez et stockez les mesures d'agent de haut niveau (prédictions créées, exécutions d'exécution, boucles d'apprentissage, etc.)
• Créer des compétences de reconnaissance d'entités nommées
• Utilitaire de ligne de commande (voir la source de cette lecture par exemple)
• API REST pour interagir avec Adala
• Compétences de vision et d'agent multimodal

? Contribuant à Adala

Améliorez les compétences, optimisez les temps d'exécution ou les types de nouveaux agents pionniers. Que vous fabriquiez des tâches nuancées, que vous affiner les environnements de calcul ou la sculpture des agents spécialisés pour des domaines uniques, vos contributions alimenteront l'évolution d'Adala. Rejoignez-nous pour façonner l'avenir des systèmes intelligents et rendre Adala plus polyvalent et plus percutant pour les utilisateurs du monde entier.

Lisez la suite ici.

Soutien

Avez-vous besoin d'aide ou cherchez-vous à vous engager avec la communauté? Découvrez Discord Channel! Que vous ayez des questions, que vous ayez besoin de clarification ou que vous souhaitiez simplement discuter des sujets liés au projet, la communauté Discord est accueillante!