Adala

Adala는 Utonomous da ta ( l Abeling) gent 프레임 워크입니다.

Adala는 다양한 데이터 레이블 작업에 중점을 둔 데이터 처리 전문 에이전트 구현을위한 강력한 프레임 워크를 제공합니다. 이 에이전트는 자율적이므로 반복 학습을 통해 하나 이상의 기술을 독립적으로 습득 할 수 있습니다. 이 학습 과정은 운영 환경, 관찰 및 반성의 영향을받습니다. 사용자는 지상 진실 데이터 세트를 제공하여 환경을 정의합니다. 모든 에이전트는 LLM과 동의어 인 "런타임"이라고하는 기술을 배우고 적용합니다.

? Adala를 선택하는 이유는 무엇입니까?

• ? 신뢰할 수있는 에이전트 : 에이전트는 지상 진실 데이터의 기초에 기반을두고 있습니다. 이를 통해 일관되고 신뢰할 수있는 결과를 보장하여 Adala는 데이터 처리 요구에 신뢰할 수있는 선택이됩니다.

• ? 제어 가능한 출력 : 모든 기술에 대해 원하는 출력을 구성하고 다양한 유연성으로 특정 제약 조건을 설정할 수 있습니다. ADALA를 사용하면 특정 지침을 엄격하게 준수하거나 에이전트의 학습을 기반으로 한 적응 형 출력을 원하든 정확한 요구에 맞게 결과를 조정할 수 있습니다.

• 데이터 처리 전문 : 에이전트는 다양한 데이터 레이블 작업에서 뛰어나지 만 광범위한 데이터 처리 요구에 맞게 사용자 정의 할 수 있습니다.

• ? 자율 학습 : Adala 에이전트는 자동화되지 않습니다. 그들은 지능적입니다. 환경, 관찰 및 반성에 따라 반복적으로 독립적으로 기술을 개발합니다.

• ✅ 유연하고 확장 가능한 런타임 : Adala의 런타임 환경은 적응할 수 있습니다. 여러 런타임에 걸쳐 단일 기술을 배치하여 학생/교사 건축과 같은 역동적 인 시나리오를 촉진 할 수 있습니다. 또한 프레임 워크의 개방성은 커뮤니티가 런타임을 확장하고 맞춤화하도록 초대하여 다양한 요구에 대한 지속적인 진화와 적응성을 보장합니다.

• 쉽게 사용자 정의 할 수 있습니다 : 가파른 학습 곡선에 직면하지 않고도 귀하의 요구에 특정한 과제를 해결하기 위해 에이전트를 신속하게 사용자 정의하고 개발하십시오.

? Adala는 누구입니까?

Adala는 AI 및 기계 학습 분야의 개인 및 전문가를 위해 설계된 다목적 프레임 워크입니다. 혜택을 누릴 수있는 사람은 다음과 같습니다.

• ? AI 엔지니어 : 모듈 식, 상호 연결된 기술을 갖춘 AI 에이전트 시스템 아키텍트 및 설계 AI 에이전트 시스템. 생산 수준 에이전트 시스템을 구축하여 저수준 ML을 Adala 및 LLM으로 추상화합니다.
• 기계 학습 연구원 : 복잡한 문제 분해 및 인과 추론을 실험하십시오.
• ? 데이터 과학자 : 에이전트를 적용하여 전처리 및 데이터 후 처리. 큰 데이터 프레임으로 작업 할 때 Python 노트북을 통해 기본적으로 Adala와 상호 작용하십시오.
• ? 교육자 및 학생 : Adala를 교육 도구 또는 고급 프로젝트 및 연구의 기반으로 사용합니다.

위에서 강조된 역할은 중심이지만 Adala는 AI 개발 여정을 간소화하고 상승시키기 위해 복잡하게 설계되었으며, 현장의 특정 틈새 시장에 관계없이 모든 애호가에게 제공됩니다. ?

?설치

Adala 설치 :

pip install adala

Adala는 자주 업데이트를 출시합니다. 최신 버전을 가장 최신 버전을 사용하도록하려면 GitHub에서 설치하는 것이 좋습니다.

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

개발자 설치 :

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

전제 조건

OpenAi_api_key를 설정합니다 (여기서 지시 사항 참조)

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

? QuickStart

이 예에서는 Adala를 Python Notebook 내부의 독립형 라이브러리로 사용합니다.

확장 된 QuickStart 예제를 보려면 여기를 클릭하십시오.

 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 )

예

기능	설명	콜랩
분류 킬	텍스트를 사전 정의 된 라벨 세트로 분류하십시오.
ClassicationSkillwithCot	텍스트를 사전 정의 된 레이블 세트로 분류하여 체인의 추론을 사용하여 분류하십시오.
SummarizationSkill	텍스트를 짧은 텍스트로 요약하십시오.
QuestionAnsweringskill	주어진 컨텍스트에 따라 질문에 답하십시오.
번역 킬	한 언어에서 다른 언어로 텍스트를 번역하십시오.
TextGenerationskill	주어진 프롬프트를 기반으로 텍스트를 생성합니다.
기술 세트	일련의 기술을 통해 복잡한 작업을 처리합니다.
OntologyCreator	일련의 텍스트 예제에서 온톨로지를 추론합니다.
수학 추론	GSM8K 데이터 세트에서 학년 학교 수학 문제를 해결하십시오.

? 로드맵

• 저수준 기술 관리 (예 : Agent.get_skill ( "name")) [완료 @niklub]
• 모든 노트북 예제를 Google Collab에서 실행하고 readme에 배지를 추가하십시오.
• 한 가지 예를 들어 환경을 확장하십시오
• 멀티 태스킹 학습 (한 번에 여러 기술 학습)
• 최고 라인 에이전트 메트릭 계산 및 저장 (예측 생성, 런타임 실행, 학습 루프 등)
• 명명 된 엔티티 인식 기술을 만듭니다
• 명령 줄 유틸리티 (예 :이 readme의 소스 참조)
• ADALA와 상호 작용하려면 API를 휴식하십시오
• 비전 및 다중 모달 에이전트 기술

? Adala에 기여합니다

기술 향상, 런타임 최적화 또는 새로운 에이전트 유형을 개척합니다. 미묘한 작업을 제작하거나, 계산 환경을 정제하거나 고유 한 영역을위한 전문 에이전트를 조각하든, 귀하의 기여는 Adala의 진화를 강화할 것입니다. 지능형 시스템의 미래를 형성하고 전세계 사용자에게 Adala를보다 다재다능하고 영향을 미칩니다.

여기에서 자세히 알아보십시오.

지원하다

도움이 필요하거나 커뮤니티와 교류하려고합니까? Discord 채널을 확인하십시오! 질문이 있거나 설명이 필요하거나 단순히 프로젝트와 관련된 주제를 논의하고 싶든, 불화 커뮤니티는 환영합니다!