evadb

AI 기반 앱의 데이터베이스 시스템

Evadb를 따르십시오

Evadb를 통해 소프트웨어 개발자는 몇 줄의 코드로 AI 앱을 구축 할 수 있습니다. 강력한 SQL API는 구조화되지 않은 데이터와 구조화되지 않은 데이터 모두에 대한 AI 앱 개발을 단순화합니다. Evadb의 혜택은 다음과 같습니다.

? Evadb 쿼리 엔진을 PostgreSQL 또는 S3 버킷과 같은 데이터 소스와 쉽게 연결하고 SQL 쿼리를 사용하여 AI 구동 앱을 구축 할 수 있습니다.

구조화 된 데이터 소스	구조화되지 않은 데이터 소스	응용 프로그램 데이터 소스
Postgresql sqlite MySQL 마리 아드 클릭 하우스 눈송이	로컬 파일 시스템 AWS S3 버킷	github

지원되는 데이터 소스에 대한 자세한 내용은 여기를 참조하십시오.

? Hugging Face, OpenAi, Yolo, 안정적인 확산 등의 미리 훈련 된 AI 모델로 연결된 데이터를 쿼리하십시오.

포옹 얼굴	Openai	Yolo
오디오 분류 자동 음성 인식 텍스트 분류 요약 Text2text 생성 텍스트 생성 이미지 분류 이미지 분할 이미지-텍스트 물체 감지 깊이 추정	GPT-4 GPT-4-0314 GPT-4-32K GPT-4-32K-0314 GPT-3.5 터보 GPT-3.5-Turbo-0301	yolov8n.pt yolov8s.pt yolov8m.pt yolov8l.pt yolov8x.pt

지원되는 AI 모델에 대한 자세한 내용은 여기를 참조하십시오.

? 회귀, 분류 및 시계열 예측을위한 AI 모델을 만들거나 미세 조정하십시오.

회귀	분류	시계열 예측
루드비히 스카리 xgboost	루드비히 xboost	통계 신경 강화

지원되는 Automl 프레임 워크에 대한 자세한 내용은 여기를 참조하십시오.

? 캐싱, 배치 및 병렬 처리와 같은 AI 중심 쿼리 최적화 덕분에 AI 쿼리가 더 빠릅니다.

• 기능 결과 캐싱은 비싼 AI 기능 호출의 결과를 재사용하는 데 도움이됩니다.
• LLM 배치는 토큰 사용량과 LLM 통화에 소비 된 달러를 줄입니다.
• 병렬 쿼리 처리는 CPU 및/또는 GPU를 더 잘 활용하여 AI 모델을 실행하는 데 소요되는 비용과 시간을 절약합니다.
• 쿼리 술어 재주문 및 술어 푸시 다운은 구조화되지 않은 데이터와 구조화되지 않은 데이터 모두에서 쿼리를 가속화합니다.

EVADB의 최적화에 대한 자세한 내용은 여기에서 확인할 수 있습니다.

여기요! 데이터베이스 시스템 내부에 AI를 가져 오는 비전에 대해 흥분하면 다음과 같이 표시하십시오.

• 우리 github 주연? 레포
• ? 슬랙 커뮤니티에 가입합니다
• ? 트위터에서 우리를 팔로우합니다
• 매체에서 우리를 따라 갔다

AI 앱에 대해 배우고 싶습니다. https://v0fbgcue0cm.typeform.com/to/bzhzwezm이 1 분 양식을 작성하십시오

빠른 링크

• 빠른 링크
• 선적 서류 비치
• 왜 Evadb
• Evadb는 어떻게 작동합니까?
• 예시적인 쿼리
• 예시적인 앱
• 보다 예시적인 쿼리
• EVADB의 건축
• 커뮤니티와 지원
• 기여
• 스타 역사
• 특허

선적 서류 비치

Evadb.ai/docs에서 Evadb의 전체 문서를 찾을 수 있습니다.

왜 Evadb

AI의 세계에서는 AI 또는 ML 엔지니어가 전통적으로 처리 한 많은 AI 작업이 이제 자동화 될 수있는 단계에 도달했습니다. Evadb를 통해 소프트웨어 개발자는 복잡한 세부 사항을 탐구 할 필요없이 고급 AI 작업을 수행 할 수 있습니다.

EVADB는 회귀, 분류, 이미지 인식, 질문 답변 및 기타 여러 생성 AI 응용 프로그램을 포함한 많은 AI 응용 프로그램을 다룹니다. EVADB는 AI 문제의 99%를 반복적이며 SQL 쿼리에서 간단한 기능 호출로 자동화 할 수있는 AI 문제를 목표로합니다. 지금까지 AI를 원칙적 인 AI 최적화 프레임 워크로 기존 SQL 데이터베이스 시스템으로 가져 오는 포괄적 인 오픈 소스 프레임 워크는 없습니다.

당사의 대상 고객은 AI에 반드시 배경을 가지고 있지는 않지만 특정 문제를 해결하기 위해 AI 기능이 필요한 소프트웨어 개발자입니다. 우리는 CRUD 앱 내에 간단한 SQL 쿼리를 작성하는 프로그래머를 대상으로합니다. Evadb를 사용하면 쿼리에서 내장 AI 기능을 호출하여 이러한 앱에 AI 기능을 쉽게 추가 할 수 있습니다.

Evadb는 어떻게 작동합니까?

• `작성 데이터베이스 '및`create index'문을 사용하여 EVADB를 SQL 및 Vector Database Systems에 연결하십시오.
• 추론 결과를 얻으려면 AI 기능으로 SQL 쿼리를 작성하십시오.
• Hugging Face, Open AI, Ultralytics, Pytorch 및 Generative AI, NLP 및 Vision Applications를위한 내장 AI 프레임 워크에서 미리 훈련 된 AI 모델을 선택하십시오.
• 또는 클래식 ML 사용 사례 (분류, 회귀 등)를 위해 다양한 최첨단 ML 엔진에서 선택하십시오.
• 또는 'create function'을 사용하여 AI/ML 프레임 워크로 사용자 정의 모델을 구축하십시오.

시작 가이드를 따라 최대한 빨리 탑승하십시오.

예시적인 쿼리

• GPT4를 사용하여 GitHub Stargazers에 대한 통찰력을 얻으십시오.

 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.

• Reddit 이미지 모음에서 SIFT 기능 추출기에 의해 반환 된 기능 임베딩에 벡터 인덱스를 구축하십시오. 주어진 이미지에 대해 상단 5 개의 유사한 이미지를 반환하십시오.

 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 

예시적인 앱

다음은 EVADB를 사용하여 구축 된 예시 AI 앱입니다 (각 노트북은 Google Colab에서 열 수 있음).

• ? PostgreSQL 내에서 LLM을 사용한 감정 분석
• ? chatgpt 기반 비디오 질문 답변
• ? PDF 문서에 대한 텍스트 요약
• ? Yolo로 트래픽 흐름 분석
• ? 영화의 감정 검사
• ? 이미지 유사성 검색

더 예시적인 쿼리

• 음성 인식 모델을 사용하여 테이블에 저장된 비디오에서 성적표를 받으십시오. 그런 다음 chatgpt를 사용하여 추출 된 성적표에 대해 질문하십시오.

 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;

• Ludwig AI 엔진을 사용하여 예측을위한 고전적인 ML 모델을 훈련하십시오.

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

EVADB의 건축

Evadb의 AI 중심 쿼리 옵티마이저는 입력으로 쿼리를 취하고 쿼리 계획을 생성합니다. 쿼리 엔진은 쿼리 계획을 가져 와서 관련 백엔드를 사용하여 쿼리를 효율적으로 처리합니다. 1. SQL 데이터베이스 시스템 (구조화 된 데이터) 2. AI 프레임 워크 (구조화되지 않은 데이터 변환 구조화 된 데이터로 변환; 구조화되지 않은 데이터는 로컬 또는 클라우드에 저장된 PDF, 텍스트, 이미지 등이 포함됩니다) 3. 벡터 데이터 시스템 (기능 흉내 덕트).

커뮤니티와 지원

AI 앱에 대해 배우고 싶습니다. https://v0fbgcue0cm.typeform.com/to/bzhzwezm이 1 분 양식을 작성하십시오

버그가 발생하거나 의견이 있으면 슬랙 커뮤니티에 연락 할 수 있습니까? 또는 github 문제를 만드십시오.

Evadb의 공개 로드맵은 다음과 같습니다. 사용자 피드백을 기반으로 기능을 우선시하므로 귀하의 의견을 듣고 싶습니다!

기여

우리는 데이터베이스 시스템 내부의 AI를 가져 오는 임무에 대한 린 팀입니다! EVADB에 대한 모든 종류의 기여가 감사합니까? 참여하고 싶다면 도움을받을 수있는 위치에 대한 정보 : 기여 가이드?

CI 상태 :

스타 역사

특허

저작권 (c) Georgia Tech 데이터베이스 그룹. Apache 라이센스에 따라 라이센스가 부여되었습니다.