Adala

Adala adalah Da Ta Ta ( L Abeling) A Gent Framework.

Adala menawarkan kerangka kerja yang kuat untuk mengimplementasikan agen yang berspesialisasi dalam pemrosesan data, dengan penekanan pada beragam tugas pelabelan data. Agen -agen ini otonom, artinya mereka dapat secara mandiri memperoleh satu atau lebih keterampilan melalui pembelajaran berulang. Proses pembelajaran ini dipengaruhi oleh lingkungan operasi, pengamatan, dan refleksi mereka. Pengguna mendefinisikan lingkungan dengan menyediakan dataset kebenaran dasar. Setiap agen mempelajari dan menerapkan keterampilannya dalam apa yang kami sebut sebagai "runtime", identik dengan LLM.

? Mengapa Memilih Adala?

• ? Agen yang dapat diandalkan : Agen dibangun di atas dasar data kebenaran tanah. Ini memastikan hasil yang konsisten dan dapat dipercaya, menjadikan Adala pilihan yang dapat diandalkan untuk kebutuhan pemrosesan data Anda.

• ? Output yang dapat dikendalikan : Untuk setiap keterampilan, Anda dapat mengonfigurasi output yang diinginkan dan mengatur kendala spesifik dengan berbagai tingkat fleksibilitas. Apakah Anda ingin kepatuhan yang ketat terhadap pedoman tertentu atau lebih banyak output adaptif berdasarkan pembelajaran agen, Adala memungkinkan Anda untuk menyesuaikan hasil dengan kebutuhan Anda.

• Khusus dalam Pemrosesan Data : Sementara agen unggul dalam beragam data pelabelan data, mereka dapat disesuaikan untuk berbagai kebutuhan pemrosesan data.

• ? Pembelajaran otonom : Agen Adala tidak hanya otomatis; Mereka cerdas. Mereka secara iteratif dan mandiri mengembangkan keterampilan berdasarkan lingkungan, pengamatan, dan refleksi.

• ✅ Runtime yang fleksibel dan dapat diperluas : Lingkungan runtime Adala dapat beradaptasi. Satu keterampilan dapat digunakan di berbagai waktu, memfasilitasi skenario dinamis seperti arsitektur siswa/guru. Selain itu, keterbukaan kerangka kerja mengundang masyarakat untuk memperluas dan menyesuaikan runtime, memastikan evolusi yang berkelanjutan dan kemampuan beradaptasi dengan beragam kebutuhan.

• Mudah Disesuaikan : Kustomisasi dan kembangkan agen dengan cepat untuk mengatasi tantangan khusus untuk kebutuhan Anda, tanpa menghadapi kurva pembelajaran yang curam.

? Untuk siapa Adala?

Adala adalah kerangka kerja serbaguna yang dirancang untuk individu dan profesional di bidang AI dan pembelajaran mesin. Inilah yang bisa mendapat manfaat:

• ? Insinyur AI: Arsitek dan Desain Sistem Agen AI dengan keterampilan modular dan saling berhubungan. Bangun sistem agen tingkat produksi, abstrak ML tingkat rendah ke Adala dan LLMS.
• Peneliti Pembelajaran Mesin: Bereksperimen dengan dekomposisi masalah yang kompleks dan penalaran kausal.
• ? Ilmuwan Data: Menerapkan agen untuk preprocess dan postprocess data Anda. Berinteraksi dengan Adala secara asli melalui notebook Python saat bekerja dengan kerangka data besar.
• ? Pendidik dan Siswa: Gunakan Adala sebagai alat pengajaran atau sebagai basis untuk proyek dan penelitian lanjutan.

Sementara peran yang disorot di atas adalah pusat, penting untuk dicatat bahwa Adala dirancang dengan rumit untuk merampingkan dan meningkatkan perjalanan pengembangan AI, melayani semua penggemar, terlepas dari ceruk spesifik mereka di lapangan. ?

?Instalasi

Instal Adala:

pip install adala

Adala sering melepaskan pembaruan. Untuk memastikan bahwa Anda menggunakan versi terbaru, disarankan agar Anda menginstalnya dari GitHub:

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

Instalasi Pengembang:

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

Prasyarat

Setel openai_api_key (lihat instruksi di sini)

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

? QuickStart

Dalam contoh ini kita akan menggunakan Adala sebagai perpustakaan mandiri langsung di dalam notebook Python.

Klik di sini untuk melihat contoh QuickStart yang diperluas.

 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 )

Contoh

Keahlian	Keterangan	Colab
KlasifikasiKill	Mengklasifikasikan teks ke dalam satu set label yang telah ditentukan.
KlasifikasiKillwithcot	Mengklasifikasikan teks ke dalam satu set label yang telah ditentukan, menggunakan penalaran rantai-dipikirkan.
Summarizationskill	Ringkas teks menjadi teks yang lebih pendek.
Tanya jawab	Jawab pertanyaan berdasarkan konteks yang diberikan.
Translationskill	Menerjemahkan teks dari satu bahasa ke bahasa lain.
TextGenerationskill	Menghasilkan teks berdasarkan prompt yang diberikan.
Set keterampilan	Memproses tugas yang kompleks melalui urutan keterampilan.
Ontologicreator	Menyimpulkan ontologi dari satu set contoh teks.
Penalaran matematika	Selesaikan masalah matematika sekolah kelas pada dataset GSM8K.

? Peta jalan

• Manajemen Keterampilan Tingkat Rendah (yaitu agen.get_skill ("name")) [Lengkapi @niklub]
• Buat setiap contoh notebook untuk dijalankan di Google Collab dan menambahkan lencana ke dalam ReadMe
• Memperluas lingkungan dengan satu contoh lagi
• Pembelajaran multi-tugas (belajar banyak keterampilan sekaligus)
• Hitung dan simpan metrik agen baris teratas (prediksi dibuat, eksekusi runtime, loop pembelajaran, dll)
• Buat keterampilan pengenalan entitas bernama
• Utilitas baris perintah (lihat sumber untuk readme ini misalnya)
• Istirahat API untuk berinteraksi dengan Adala
• Keterampilan agen visi dan multi-modal

? Berkontribusi pada Adala

Tingkatkan keterampilan, mengoptimalkan runtime, atau merintis tipe agen baru. Baik Anda membuat tugas yang bernuansa, menyempurnakan lingkungan komputasi, atau memahat agen khusus untuk domain yang unik, kontribusi Anda akan memberi daya evolusi Adala. Bergabunglah dengan kami dalam membentuk masa depan sistem cerdas dan membuat Adala lebih fleksibel dan berdampak bagi pengguna di seluruh dunia.

Baca lebih lanjut di sini.

Mendukung

Apakah Anda memerlukan bantuan atau Anda ingin terlibat dengan komunitas? Lihat Saluran Discord! Apakah Anda memiliki pertanyaan, perlu klarifikasi, atau hanya ingin membahas topik yang terkait dengan proyek, komunitas Discord menyambut!