Taylor s Tune
1.0.0
A música de Taylor é uma ferramenta de recomendações de música orientada pelo humor que aproveita os mais novos modelos de linguagem de grande ponta (como Mixtral-8x7b, llama3-70b, llama3-7b, gemma-7b) para fornecer as melhores músicas de Taylor de acordo com as necessidades do usuário.
Você pode experimentá -lo como um WebApp aqui, enquanto se estiver mais interessado na parte técnica, poderá ler o relatório do projeto.
Nesta janela, o usuário pode explicar ao agente o status emocional e a situação do relacionamento para obter conselhos dele. A subseção à esquerda oferece a possibilidade de escolher entre os modelos disponíveis, além de ajustar alguns hiperparâmetros de bate-papo, como comprimento da memória, número de músicas sugeridas e tokens de saída máxima LLM .
Este segundo painel permite que o usuário responda ao questionário proposto em que eu sabia que você era um problema: tendências emocionais no repertório de Taylor Swift , com as quais as sugestões de músicas são inferidas usando um modelo estatístico.
O terceiro painel relata o conjunto de dois conjuntos de dados usado para o projeto. O primeiro associa uma descrição textual para cada pontuação numérica do critério emocional.
Os critérios considerados são: sentimentos de si, vidro meio cheio, estágios de depressão, ritmo, seriedade, perspectivas futuras, sentimento de homem, união
O segundo contém a letra, os critérios emocionais, a descrição do significado e o URL do Spotify de cada música.
Crie seu próprio cluster QDRANT e copie a tecla API e o URL
Obtenha uma chave de API Groq
Crie um arquivo secrets.toml neste arquivo de pasta root que contém as seguintes teclas: GROQ_API_KEY , QDRANT_API_KEY , QDRANT_CLIENT_URL . Aqui você pode conferir melhor como os segredos funcionam
Agora você pode optar por instalar o aplicativo local no seu Python Env/Venv atual ou usar o Dockerfile fornecido
Copie o arquivo secrets.toml na pasta Apacify (instruções aqui)
Instale os pacotes necessários com
pip3 install -r requirements.txt
Vectore os conjuntos de dados e envie -os para o seu vetor de QDRANT, executando o notebook vector_db_upload.ipynb
Execute o aplicativo com
streamlit run _Chat.py
Construa o aplicativo
docker build -t taylor .
Vectore os conjuntos de dados e envie -os para o seu vetor de QDRANT, executando o notebook vector_db_upload.ipynb
Execute o aplicativo
docker run -p 8501:8501 taylor
O projeto é totalmente aberto e pode ser estendido também a outros artistas com alguns pequenos ajustes. Vou apropriar -me muito se alguém quiser contribuir para o projeto!
O WebApp foi desenvolvido e hospedado usando o Streamlit, enquanto a ferramenta de orquestração entre Vectordbs e LLMs escolhida é Langchain.
Quando um usuário envia um aviso, é realizada uma primeira pesquisa de similaridade lírica, enquanto, ao mesmo tempo, o LLMS tenta prever as pontuações numéricas para cada critério, de acordo com o primeiro banco de dados ilustrado na página de Emotional scores . Posteriormente, uma consulta para os critérios DBs para as melhores músicas K é tocada. Em seguida, os resultados das duas consultas são mesclados e fornecidos como contexto extra ao LLM para a sugestão final.
O sistema foi avaliado sobre a capacidade de decoração emocional e a capacidade de recomendação. Mais informações sobre isso no relatório.
Cadernos úteis:
vector_db_upload.ipynb : permite vetorizar e fazer upload dos dois bancos de dados fornecidos para o seu cluster de QDRANT existentelyrics_summarization.ipynb : Get Significado da música Descrição com base em suas letras
