evadb

Sistem Database untuk Aplikasi Bertenaga AI

Ikuti Evadb

EVADB memungkinkan pengembang perangkat lunak untuk membangun aplikasi AI dalam beberapa baris kode. API SQL yang kuat menyederhanakan pengembangan aplikasi AI untuk data terstruktur dan tidak terstruktur. Manfaat Evadb meliputi:

? Mudah untuk menghubungkan mesin kueri EVADB dengan sumber data Anda, seperti ember postgresql atau S3, dan membangun aplikasi bertenaga AI dengan kueri SQL.

Sumber Data Terstruktur	Sumber data yang tidak terstruktur	Sumber Data Aplikasi
PostgreSQL Sqlite Mysql Mariadb Clickhouse Kepingan salju	Sistem File Lokal AWS S3 Bucket	GitHub

Rincian lebih lanjut tentang sumber data yang didukung tersedia di sini.

? Permintaan data Anda yang terhubung dengan model AI pra-terlatih dari memeluk wajah, openai, yolo, difusi stabil, dll.

Wajah memeluk	Openai	Yolo
Klasifikasi Audio Pengenalan ucapan otomatis Klasifikasi Teks Peringkasan Text2Text Generation Pembuatan teks Klasifikasi Gambar Segmentasi gambar Gambar-ke-teks Deteksi Objek Estimasi Kedalaman	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

Rincian lebih lanjut tentang model AI yang didukung tersedia di sini

? Buat atau menyempurnakan model AI untuk regresi, klasifikasi, dan peramalan deret waktu.

Regresi	Klasifikasi	Peramalan seri waktu
Ludwig Sklearn Xgboost	Ludwig Xboost	Statsforecast NeuralForecast

Rincian lebih lanjut tentang kerangka kerja Automl yang didukung tersedia di sini.

? Kueri AI yang lebih cepat berkat optimasi kueri AI-sentris seperti caching, batching, dan pemrosesan paralel.

• Hasil fungsi caching membantu menggunakan kembali hasil panggilan fungsi AI yang mahal.
• LLM Batching mengurangi penggunaan token dan dolar yang dihabiskan untuk panggilan LLM.
• Pemrosesan kueri paralel menghemat uang dan waktu yang dihabiskan untuk menjalankan model AI dengan menggunakan CPU dan/atau GPU dengan lebih baik.
• Pemesanan ulang predikat kueri dan predikat push-down mempercepat kueri atas data terstruktur dan tidak terstruktur.

Rincian lebih lanjut tentang optimisasi di EVADB tersedia di sini.

Hai! Jika Anda senang dengan visi kami membawa AI ke dalam sistem database, tunjukkan beberapa ❤️ dengan:

• Dibintangi GitHub kami? Repo
• ? Bergabung dengan komunitas Slack kami
• ? Mengikuti kami di Twitter
• Mengikuti kami di Medium

Kami ingin belajar tentang aplikasi AI Anda. Harap lengkapi formulir 1 menit ini: https://v0fbgcue0cm.typeform.com/to/bzhzwezm

Tautan cepat

• Tautan cepat
• Dokumentasi
• Mengapa Evadb
• Bagaimana cara kerja EVADB
• Kueri ilustrasi
• Aplikasi ilustratif
• Lebih banyak pertanyaan ilustratif
• Arsitektur EVADB
• Komunitas dan dukungan
• Berkontribusi
• Sejarah Bintang
• Lisensi

Dokumentasi

Anda dapat menemukan dokumentasi lengkap EVADB di evadb.ai/docs

Mengapa Evadb

Di dunia AI, kami telah mencapai tahap di mana banyak tugas AI yang secara tradisional ditangani oleh insinyur AI atau ML sekarang dapat diotomatisasi. EVADB memungkinkan pengembang perangkat lunak dengan kemampuan untuk melakukan tugas AI canggih tanpa perlu mempelajari detail yang rumit.

EVADB mencakup banyak aplikasi AI, termasuk regresi, klasifikasi, pengenalan gambar, menjawab pertanyaan, dan banyak aplikasi AI generatif lainnya. EVADB menargetkan 99% masalah AI yang sering berulang dan dapat diotomatisasi dengan panggilan fungsi sederhana dalam kueri SQL. Sampai sekarang, tidak ada kerangka kerja open-source yang komprehensif untuk membawa AI ke dalam sistem basis data SQL yang ada dengan kerangka optimasi AI berprinsip, dan di situlah EVADB masuk.

Target audiens kami adalah pengembang perangkat lunak yang mungkin tidak harus memiliki latar belakang di AI tetapi membutuhkan kemampuan AI untuk menyelesaikan masalah tertentu. Kami menargetkan programmer yang menulis kueri SQL sederhana di dalam aplikasi CRUD mereka. Dengan EVADB, dimungkinkan untuk dengan mudah menambahkan fitur AI ke aplikasi ini dengan memanggil fungsi AI bawaan dalam kueri.

Bagaimana cara kerja EVADB

• Hubungkan EVADB ke sistem basis data SQL dan vektor Anda dengan pernyataan `Buat Database` dan` Buat Indeks`.
• Tulis pertanyaan SQL dengan fungsi AI untuk mendapatkan hasil inferensi:
• Pilih model AI pra-terlatih dari memeluk wajah, AI terbuka, ultralytics, pytorch, dan kerangka kerja AI bawaan untuk aplikasi AI, NLP, dan visi generatif;
• atau memilih dari berbagai mesin ML canggih untuk kasus penggunaan ML klasik (klasifikasi, regresi, dll.);
• Atau bawa model kustom Anda dibangun dengan kerangka AI/mL apa pun menggunakan `create function`.

Ikuti Panduan Memulai untuk mendapatkan on-boarded secepat mungkin.

Kueri ilustrasi

• Dapatkan wawasan tentang GitHub Stargazers menggunakan 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.

• Bangun indeks vektor pada embeddings fitur yang dikembalikan oleh ekstraktor fitur SIFT pada kumpulan gambar Reddit. Kembalikan gambar serupa ke-5 untuk gambar yang diberikan.

 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 

Aplikasi ilustratif

Berikut adalah beberapa aplikasi AI ilustratif yang dibangun menggunakan EVADB (setiap buku catatan dapat dibuka di Google Colab):

• ? Analisis Sentimen Menggunakan LLM Dalam PostgreSQL
• ? Pertanyaan video berbasis chatgpt menjawab
• ? Ringkasan Teks pada Dokumen PDF
• ? Menganalisis arus lalu lintas dengan yolo
• ? Memeriksa emosi film
• ? Pencarian kesamaan gambar

Lebih banyak pertanyaan ilustratif

• Dapatkan transkrip dari video yang disimpan dalam tabel menggunakan model pengenalan suara. Kemudian, ajukan pertanyaan tentang transkrip yang diekstraksi menggunakan 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;

• Latih model ML klasik untuk prediksi menggunakan mesin Ludwig AI.

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

Arsitektur EVADB

Pengoptimal kueri AI-sentris EVADB mengambil kueri sebagai input dan menghasilkan rencana kueri. Mesin kueri mengambil rencana kueri dan mengenai backend yang relevan untuk memproses kueri secara efisien: 1. Sistem basis data SQL (data terstruktur) 2. Kerangka kerja AI (mengubah data yang tidak terstruktur ke data terstruktur; data yang tidak terstruktur mencakup PDF, teks, gambar, dll. Yang disimpan secara lokal atau pada cloud) 3. Sistem basis data vektor Vektor Basis Database Vektorbase Fitur Database Fitur) Fitur Database Vectorbase Vectorbase Vectorbase Database Vectorbase Vectorbase Vectorbase Vectorbase Vector Basis Database Vector)

Komunitas dan dukungan

Kami ingin belajar tentang aplikasi AI Anda. Harap lengkapi formulir 1 menit ini: https://v0fbgcue0cm.typeform.com/to/bzhzwezm

Jika Anda mengalami bug apa pun atau memiliki komentar, Anda dapat menghubungi kami di komunitas Slack kami? atau membuat masalah github ?.

Berikut ini peta jalan umum Evadb? ️. Kami memprioritaskan fitur berdasarkan umpan balik pengguna, jadi kami ingin mendengar dari Anda!

Berkontribusi

Kami adalah tim ramping dalam misi untuk membawa AI ke dalam sistem database! Semua jenis kontribusi untuk EVADB dihargai? Jika Anda ingin terlibat, berikut adalah informasi di mana kami dapat menggunakan bantuan Anda: Panduan Kontribusi?

Status CI:

Sejarah Bintang

Lisensi

Grup Basis Data Teknologi Georgia. Dilisensikan di bawah lisensi Apache.