Adala

Adala é um utonomous da ta ( l abeling) uma estrutura gent.

A Adala oferece uma estrutura robusta para a implementação de agentes especializados em processamento de dados, com ênfase em diversas tarefas de rotulagem de dados. Esses agentes são autônomos, o que significa que podem adquirir uma ou mais habilidades através da aprendizagem iterativa. Esse processo de aprendizado é influenciado por seu ambiente operacional, observações e reflexões. Os usuários definem o ambiente, fornecendo um conjunto de dados de verdade. Todo agente aprende e aplica suas habilidades no que nos referimos como um "tempo de execução", sinônimo de LLM.

? Por que escolher Adala?

• ? Agentes confiáveis : os agentes são construídos com base em uma base de dados da verdade. Isso garante resultados consistentes e confiáveis, tornando a Adala uma escolha confiável para suas necessidades de processamento de dados.

• ? Saída controlável : para todas as habilidades, você pode configurar a saída desejada e definir restrições específicas com graus variados de flexibilidade. Se você deseja uma aderência estrita a diretrizes específicas ou resultados mais adaptativos com base no aprendizado do agente, o Adala permite adaptar os resultados às suas necessidades exatas.

• Especializados no processamento de dados : enquanto os agentes se destacam em diversas tarefas de rotulagem de dados, eles podem ser personalizados para uma ampla gama de necessidades de processamento de dados.

• ? Aprendizagem autônoma : os agentes da Adala não são apenas automatizados; Eles são inteligentes. Eles desenvolvem de maneira iterativa e independente habilidades com base em meio ambiente, observações e reflexões.

• ✅ Tempo de execução flexível e extensível : o ambiente de tempo de execução de Adala é adaptável. Uma única habilidade pode ser implantada em vários tempos de execução, facilitando cenários dinâmicos como a arquitetura de estudantes/professores. Além disso, a abertura da estrutura convida a comunidade a estender e adaptar os tempos de execução, garantindo a evolução contínua e a adaptabilidade a diversas necessidades.

• Facilmente personalizável : personalize e desenvolva rapidamente agentes para atender aos desafios específicos de suas necessidades, sem enfrentar uma curva de aprendizado acentuada.

? Para quem é Adala?

Adala é uma estrutura versátil projetada para indivíduos e profissionais no campo da IA ​​e do aprendizado de máquina. Aqui está quem pode se beneficiar:

• ? Engenheiros de IA: Arquiteto e design Sistemas de agentes de IA com habilidades modulares e interconectadas. Construa sistemas de agentes em nível de produção, abstraindo ML de baixo nível para Adala e LLMS.
• Pesquisadores de aprendizado de máquina: Experimente a decomposição complexa de problemas e o raciocínio causal.
• ? Cientistas de dados: Aplique agentes ao pré -processo e pós -processamento de seus dados. Interaja com o Adala nativamente através do Python Notebooks ao trabalhar com grandes quadros de dados.
• ? Educadores e alunos: Use o Adala como uma ferramenta de ensino ou como base para projetos e pesquisas avançadas.

Embora os papéis destacados acima sejam centrais, é essencial notar que o Adala é intrincadamente projetado para otimizar e elevar a jornada de desenvolvimento da IA, atendendo a todos os entusiastas, independentemente de seu nicho específico no campo. ?

?Instalação

Instale Adala:

pip install adala

Adala frequentemente libera atualizações. Para garantir que você esteja usando a versão mais atualizada, é recomendável que você o instale no Github:

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

Instalação do desenvolvedor:

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

Pré -requisitos

Defina o OpenAI_API_KEY (consulte as instruções aqui)

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

? Investir rápido

Neste exemplo, usaremos o Adala como uma biblioteca independente diretamente dentro do notebook Python.

Clique aqui para ver um exemplo de início rápido estendido.

 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 )

Exemplos

Habilidade	Descrição	Colab
Classificationskill	Classifique o texto em um conjunto de rótulos predefinidos.
CLASSIFICAÇÕESKILLWITHCOT	Classifique o texto em um conjunto de rótulos predefinidos, usando o raciocínio da cadeia de Thoughts.
Summarizationskill	Resuma o texto em um texto mais curto.
QuestionAnsweringskill	Responda a perguntas com base em um determinado contexto.
Traduçõeskill	Traduzir o texto de um idioma para outro.
TextGenerationskill	Gerar texto com base em um determinado prompt.
Conjuntos de habilidades	Processar tarefas complexas através de uma sequência de habilidades.
OntologyCreator	Inferir ontologia de um conjunto de exemplos de texto.
Raciocínio matemático	Resolva problemas matemáticos da escola no conjunto de dados GSM8K.

? Roteiro

• Gerenciamento de habilidades de baixo nível (ou seja, agente.get_skill ("nome") [Complete @niklub]
• Faça todos os exemplos de notebooks para executar no Google Collab e adicione um crachá no ReadMe
• Estender o ambiente com mais um exemplo
• Aprendizagem de várias tarefas (aprenda várias habilidades de uma só vez)
• Calcule e armazene métricas de agente de linha superior (previsões criadas, execuções de tempo de execução, loops de aprendizagem etc.)
• Criar habilidade de reconhecimento de entidade nomeada
• Utilitário de linha de comando (consulte a fonte para este readme, por exemplo)
• Rest API para interagir com Adala
• Visão e habilidades de agente multimodal

? Contribuindo para Adala

Aprimore as habilidades, otimize os tempos de execução ou pioneiros novos tipos de agentes. Esteja você criando tarefas diferenciadas, refinando ambientes computacionais ou esculpindo agentes especializados para domínios exclusivos, suas contribuições alimentarão a evolução de Adala. Junte -se a nós na formação do futuro dos sistemas inteligentes e a tornar o Adala mais versátil e impactante para os usuários em todo o mundo.

Leia mais aqui.

Apoiar

Você precisa de ajuda ou está procurando se envolver com a comunidade? Confira o Discord Channel! Se você tem perguntas, precisa de esclarecimentos ou simplesmente deseja discutir tópicos relacionados ao projeto, a comunidade Discord é acolhedora!