Promptify

Minta

Teknik cepat, menyelesaikan masalah NLP dengan LLM & dengan mudah menghasilkan permintaan tugas NLP yang berbeda untuk model generatif populer seperti GPT, Palm, dan banyak lagi dengan Prictify

Instalasi

Dengan pip

Repositori ini diuji pada Python 3.7+, OpenAI 0.25+.

Anda harus menginstal computtify menggunakan perintah PIP

pip3 install promptify

atau

pip3 install git+https://github.com/promptslab/Promptify.git

Tur cepat

Untuk segera menggunakan model LLM untuk tugas NLP Anda, kami menyediakan API Pipeline .

 from promptify import Prompter , OpenAI , Pipeline

sentence     =  """The patient is a 93-year-old female with a medical  				 
                history of chronic right hip pain, osteoporosis,					
                hypertension, depression, and chronic atrial						
                fibrillation admitted for evaluation and management				
                of severe nausea and vomiting and urinary tract				
                infection"""

model        = OpenAI ( api_key ) # or `HubModel()` for Huggingface-based inference or 'Azure' etc
prompter     = Prompter ( 'ner.jinja' ) # select a template or provide custom template
pipe         = Pipeline ( prompter , model )


result = pipe . fit ( sentence , domain = "medical" , labels = None )


### Output

[
    { "E" : "93-year-old" , "T" : "Age" },
    { "E" : "chronic right hip pain" , "T" : "Medical Condition" },
    { "E" : "osteoporosis" , "T" : "Medical Condition" },
    { "E" : "hypertension" , "T" : "Medical Condition" },
    { "E" : "depression" , "T" : "Medical Condition" },
    { "E" : "chronic atrial fibrillation" , "T" : "Medical Condition" },
    { "E" : "severe nausea and vomiting" , "T" : "Symptom" },
    { "E" : "urinary tract infection" , "T" : "Medical Condition" },
    { "Branch" : "Internal Medicine" , "Group" : "Geriatrics" },
]
 

Contoh GPT-3 dengan NER, multilabel, tugas pembuatan pertanyaan

Fitur ?

• Lakukan tugas NLP (seperti NER dan klasifikasi) hanya dalam 2 baris kode, tanpa data pelatihan yang diperlukan
• Mudah tambahkan satu bidikan, dua bidikan, atau beberapa contoh tembakan ke prompt
• Menangani prediksi di luar batas dari LLMS (GPT, T5, dll.)
• Output selalu disediakan sebagai objek Python (misalnya daftar, kamus) untuk penguraian dan penyaringan yang mudah. Ini adalah keuntungan utama dibandingkan output yang dihasilkan LLMS, yang output yang tidak terstruktur dan mentah membuatnya sulit digunakan dalam bisnis atau aplikasi lainnya.
• Contoh dan sampel khusus dapat dengan mudah ditambahkan ke prompt
• ? Jalankan inferensi pada model apa pun yang disimpan di hub Huggingface (lihat Panduan Notebook).
• Permintaan yang dioptimalkan untuk mengurangi biaya token openai (segera hadir)

Mendukung berbagai tugas NLP berbasis prompt:

Nama tugas	Colab Notebook	Status
Pengakuan entitas yang disebutkan	Contoh NER dengan GPT-3	✅
Klasifikasi teks multi-label	Contoh klasifikasi dengan GPT-3	✅
Klasifikasi teks multi-kelas	Contoh klasifikasi dengan GPT-3	✅
Klasifikasi teks biner	Contoh klasifikasi dengan GPT-3	✅
Permintaan-pertanyaan	Contoh tugas QA dengan GPT-3	✅
Generasi tanya jawab	Contoh tugas QA dengan GPT-3	✅
Ekstraksi Relasi	Contoh ekstraksi relasi dengan GPT-3	✅
Peringkasan	Contoh tugas peringkasan dengan GPT-3	✅
Penjelasan	Contoh tugas penjelasan dengan GPT-3	✅
Penulis SQL	Contoh penulis SQL dengan GPT-3	✅
Data Tabular
Data gambar
Lebih banyak petunjuk

Dokumen

Minta dokumen

Masyarakat

Jika Anda tertarik dengan prompt-engineering, LLMS, ChatGPT dan diskusi penelitian terbaru lainnya, silakan pertimbangkan untuk bergabung dengan promptsLab

@misc{Promptify2022,
  title = {Promptify: Structured Output from LLMs},
  author = {Pal, Ankit},
  year = {2022},
  howpublished = {url{https://github.com/promptslab/Promptify}},
  note = {Prompt-Engineering components for NLP tasks in Python}
}

? Berkontribusi

Kami menyambut setiap kontribusi untuk proyek open source kami, termasuk fitur baru, peningkatan infrastruktur, dan dokumentasi yang lebih komprehensif. Silakan lihat pedoman yang berkontribusi