Kiln
v0.10.0
Réglage fin • Génération de données synthétiques • Collaboration de l'ensemble de données • Docs
| CI | |
| Emballer | |
| Méta | |
| Applications |
L'application de bureau du four est complètement gratuite. Disponible sur macOS, Windows et Linux.
Dans cette démo, je crée 9 modèles affinés (y compris Llama 3.x, Mixtral et GPT-4O-Mini) en seulement 18 minutes, obtenant de bons résultats pour moins de 6 $ de coût total. Voir les détails.
Le four est assez intuitif, nous suggérons donc de lancer l'application de bureau et de plonger. Cependant, si vous avez des questions ou que vous souhaitez en savoir plus, nos documents sont là pour vous aider.
Pour les développeurs, consultez nos documents de bibliothèque Kiln Python. Il s'agit notamment de charger des ensembles de données dans le four ou de l'utilisation de ensembles de données de four dans vos propres codes-base / ordinateurs portables.
Notre bibliothèque Python open source vous permet d'intégrer des ensembles de données de four dans vos propres workflows, de créer de beaux morceaux, d'utiliser le four dans des ordinateurs portables, de créer des outils personnalisés et bien plus encore! Lisez les documents pour des exemples.
pip install kiln-aiDe nouveaux modèles et techniques émergent tout le temps. Kiln facilite l'essai d'une variété d'approches et les comparer en quelques clics sans écrire de code. Ceux-ci peuvent entraîner des performances de meilleure qualité et améliorées.
Nous soutenons actuellement:
À l'avenir, nous prévoyons d'ajouter des options sans code plus puissantes comme des évalues et des chiffons. Pour les scientifiques de données expérimentés, vous pouvez créer ces techniques aujourd'hui en utilisant des ensembles de données de four et notre bibliothèque Python.
Lors de la construction de produits d'IA, il y a généralement un expert en la matière qui connaît le problème que vous essayez de résoudre et une équipe technique différente affectée à la construction du modèle. Kiln comble cet écart comme un outil de collaboration.
Les experts en la matière peuvent utiliser nos applications de bureau intuitives pour générer des ensembles de données et des notes structurés, sans codage ni utilisation d'outils techniques. Aucune ligne de commande ou GPU requis.
Les scientifiques de données peuvent consommer l'ensemble de données créé par des experts en la matière, en utilisant l'interface utilisateur, ou une plongée profonde avec notre bibliothèque Python.
QA et PM peuvent facilement identifier les problèmes plus tôt et aider à générer le contenu de l'ensemble de données nécessaire pour résoudre le problème à la couche modèle.
Le format de fichier de données est conçu pour être utilisé avec GIT pour une collaboration et une attribution puissantes. Beaucoup de gens peuvent contribuer en parallèle; Les collisions sont évitées à l'aide de UUIDs et l'attribution est capturée dans les fichiers de l'ensemble de données. Vous pouvez même partager un ensemble de données sur un lecteur partagé, permettant aux membres de l'équipe complètement non techniques de contribuer des données et des émeutes sans connaître Git.
Les produits n'ont pas naturellement des «ensembles de données», mais le four vous aide à en créer un. Chaque fois que vous utilisez le four, nous capturons les entrées, les sorties, les notes humaines, la rétroaction et les réparations nécessaires pour construire des modèles de haute qualité à utiliser dans votre produit. Plus vous l'utilisez, plus vous avez de données.
La qualité de votre modèle s'améliore automatiquement à mesure que l'ensemble de données se développe, en donnant aux modèles plus d'exemples de contenu de qualité (et d'erreurs).
Si vos objectifs de produit changent ou que de nouveaux bogues sont trouvés (comme c'est presque toujours le cas), vous pouvez facilement itérer l'ensemble de données pour résoudre les problèmes.
Voir contribution.md pour obtenir des informations sur la façon de configurer un environnement de développement et de contribuer au four.
Copyright 2024 - Chesterfield Laboratories Inc.
