AdalaダウンロードAdalaソースコードのダウンロード

Adala

その他のソースコード

v0.0.4 - Introducing a New Code Environment and Enhanced Automated Prompt Engineering

ダウンロード

アダラは、穏やかな枠組みであるutonomous da ta（ l aveling）です。

Adalaは、データ処理に特化したエージェントを実装するための堅牢なフレームワークを提供し、多様なデータラベル付けタスクに重点を置いています。これらのエージェントは自律的であるため、反復学習を通じて1つ以上のスキルを独立して取得できることを意味します。この学習プロセスは、操作環境、観察、および反省の影響を受けます。ユーザーは、グラウンドトゥルースデータセットを提供することにより、環境を定義します。すべてのエージェントは、LLMと同義の「ランタイム」と呼ばれるものにスキルを学び、適用します。

Training Agent Skill

？なぜアダラを選ぶのですか？

？信頼できるエージェント：エージェントは、グラウンドトゥルースデータの基礎の上に構築されています。これにより、一貫した信頼できる結果が保証され、Adalaはデータ処理のニーズに信頼できる選択肢になります。
？制御可能な出力：すべてのスキルについて、目的の出力を構成し、さまざまな程度の柔軟性で特定の制約を設定できます。特定のガイドラインを厳密に遵守したい場合でも、エージェントの学習に基づいてより適応的な出力を順守したい場合でも、Adalaを使用すると、正確なニーズに合わせて結果を調整できます。
データ処理に特化した：エージェントは多様なデータラベル付けタスクに優れていますが、幅広いデータ処理ニーズに合わせてカスタマイズできます。
？自律学習：Adalaエージェントは自動化されているだけではありません。彼らは賢いです。それらは、環境、観察、反省に基づいてスキルを繰り返し発達させます。
flexible柔軟で拡張可能なランタイム：Adalaのランタイム環境は適応性があります。単一のスキルは、複数のランタイムにわたって展開でき、学生/教師のアーキテクチャなどの動的なシナリオを促進できます。さらに、フレームワークの開放性は、コミュニティにランタイムを拡張および調整するように誘い、多様なニーズに継続的な進化と適応性を確保します。
簡単にカスタマイズ可能：急な学習曲線に直面することなく、ニーズに固有の課題に対処するために、エージェントをすばやくカスタマイズおよび開発します。

？アダラは誰ですか？

Adalaは、AIおよび機械学習の分野の個人や専門家向けに設計された多目的なフレームワークです。これが誰が利益を得ることができるかです：

？ AIエンジニア：モジュール式の相互接続スキルを備えたアーキテクトおよび設計AIエージェントシステム。生産レベルのエージェントシステムを構築し、低レベルのMLをAdalaおよびLLMSに抽象化します。
機械学習研究者：複雑な問題の分解と因果的推論を実験します。
？データサイエンティスト：エージェントを前処理に適用し、データをポストプロセスします。大規模なデータフレームを使用するときに、Pythonノートブックを介してAdalaとネイティブに対話します。
？教育者と学生： Adalaを教育ツールとして、または高度なプロジェクトや研究の基盤として使用します。

上記で強調された役割は中心ですが、AdalaがAI開発の旅を合理化および高めるように複雑に設計されており、フィールドでの特定のニッチに関係なくすべての愛好家に対応するように設計されていることに注意することは極めて重要です。？

？インストール

Adalaをインストール：

pip install adala

Adalaは頻繁に更新をリリースします。最新のバージョンを使用していることを確認するには、GitHubからインストールすることをお勧めします。

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

開発者のインストール：

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

前提条件

openai_api_keyを設定します（こちらの手順を参照）

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

？クイックスタート

この例では、AdalaをPythonノートブック内に直接スタンドアロンライブラリとして使用します。

ここをクリックして、拡張されたクイックスタートの例をご覧ください。

 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 )

例

スキル	説明	colab
分類スキル	テキストを事前定義されたラベルのセットに分類します。
classifationskillwithcot	テキストを定義されたラベルのセットに分類し、チェーンオブの考えの推論を使用します。
要約スキル	テキストを短いテキストに要約します。
questionansweringskill	特定のコンテキストに基づいて質問に答えます。
翻訳スキル	ある言語から別の言語にテキストを翻訳します。
textgenerationskill	特定のプロンプトに基づいてテキストを生成します。
スキルセット	一連のスキルを介して複雑なタスクを処理します。
OntologyCreator	一連のテキスト例からオントロジーを推測します。
数学の推論	GSM8Kデータセットで学年の数学の問題を解決します。

Executing Agent Skill

？ロードマップ

低レベルのスキル管理（IE agent.get_skill（ "name"））[完了@niklub]
Google Collabで実行するすべてのノートブックの例を作成し、Readmeにバッジを追加します
もう1つの例で環境を拡張します
マルチタスク学習（一度に複数のスキルを学ぶ）
トップラインエージェントメトリックを計算して保存します（作成された予測、ランタイム実行、学習ループなど）
名前付きのエンティティ認識スキルを作成します
コマンドラインユーティリティ（たとえば、このREADMEのソースを参照）
Adalaと対話するためのREST API
ビジョンとマルチモーダルエージェントスキル

？アダラへの貢献

スキルを強化し、ランタイムを最適化する、またはパイオニアの新しいエージェントタイプを強化します。微妙なタスクを作成したり、計算環境を洗練したり、一意のドメイン用に専門エージェントを彫刻したりする場合でも、貢献はAdalaの進化を促進します。インテリジェントシステムの未来を形作り、世界中のユーザーにとってAdalaをより多用途でインパクトのあるものにしてください。

詳細はこちらをご覧ください。