Adala

Адала - это утономическая дата ( L abeling) джентльменная рамка.

Adala предлагает надежную структуру для реализации агентов, специализирующихся на обработке данных, с акцентом на различные задачи маркировки данных. Эти агенты являются автономными, что означает, что они могут самостоятельно приобретать один или несколько навыков посредством итеративного обучения. На этот учебный процесс влияет их операционная среда, наблюдения и размышления. Пользователи определяют среду, предоставляя основной набор данных истины. Каждый агент изучает и применяет свои навыки в том, что мы называем «время выполнения», синонимично с LLM.

? Почему выбирают Адалу?

• ? Надежные агенты : агенты построены на основе основных данных истины. Это обеспечивает последовательные и надежные результаты, что делает Adala надежным выбором для ваших потребностей в обработке данных.

• ? Контролируемый выход : для каждого навыка вы можете настроить желаемый выход и установить конкретные ограничения с различной степенью гибкости. Независимо от того, хотите ли вы строгое соблюдение конкретных руководящих принципов или более адаптивных результатов, основанных на обучении агента, Adala позволяет вам адаптировать результаты к вашим точным потребностям.

• Специализируется на обработке данных : в то время как агенты преуспевают в различных задачах маркировки данных, они могут быть настроены для широкого спектра потребностей в обработке данных.

• ? Автономное обучение : агенты Adala не просто автоматизированы; Они умные. Они итеративно и независимо развивают навыки, основанные на окружающей среде, наблюдениях и размышлениях.

• ✅ Гибкое и расширяемое время выполнения : среда выполнения Adala адаптируется. Один навык может быть развернут в нескольких разах, способствующих динамическим сценариям, таким как архитектура ученика/учителя. Кроме того, открытость рамки приглашает сообщество расширить и адаптировать время забега, обеспечивая непрерывную эволюцию и адаптивность к разнообразным потребностям.

• Легко настраиваемый : быстро настраивать и разрабатывать агентов для решения задач, специфичных для ваших потребностей, не сталкиваясь с крутой кривой обучения.

? Для кого Адала?

Adala - это универсальная структура, предназначенная для отдельных лиц и профессионалов в области ИИ и машинного обучения. Вот кто может принести пользу:

• ? Инженеры ИИ: архитектор и проектирование систем агентов ИИ с модульными взаимосвязанными навыками. Строительские системы на уровне производства, абстрагируя низкоуровневый ML для Adala и LLMS.
• Исследователи машинного обучения: экспериментируйте со сложными проблемами и причинными рассуждениями.
• ? Ученые по данным: применить агенты для предварительного обработки и постобрать ваши данные. Взаимодействуйте с Adala изначально через ноутбуки Python при работе с большими данными.
• ? Педагоги и студенты: используйте Adala в качестве учебного инструмента или в качестве базы для продвинутых проектов и исследований.

В то время как роли, выделенные выше, являются центральными, важно отметить, что Adala замысловато разработана для оптимизации и повышения путешествия по развитию ИИ, обслуживая всех энтузиастов, независимо от их конкретной ниши в поле. ?

? Установка

Установите Adala:

pip install adala

Адала часто выпускает обновления. Чтобы убедиться, что вы используете самую современную версию, рекомендуется установить ее на GitHub:

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

Установка разработчика:

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

Предварительные условия

SET OPENAI_API_KEY (см. Инструкции здесь)

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

? QuickStart

В этом примере мы будем использовать Adala в качестве отдельной библиотеки непосредственно внутри ноутбука Python.

Нажмите здесь, чтобы увидеть расширенный пример QuickStart.

 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 )

Примеры

Навык	Описание	Колаба
Классификации	Классифицируйте текст в набор предопределенных меток.
Классификации Killwithcot	Классифицируйте текст в набор предопределенных метков, используя рассуждения о цепочке.
Summarizationskill	Суммируйте текст в более короткий текст.
ВОПРОС ВЫВИСКА	Ответьте на вопросы на основе данного контекста.
Переводы Килл	Перевести текст с одного языка на другой.
TextGenerationskill	Генерировать текст на основе данной подсказки.
Наборы навыков	Обрабатывать сложные задачи через последовательность навыков.
Онтология Creator	Вывод онтологии из набора текстовых примеров.
Математическая рассуждения	Решите математические задачи в школе классов в наборе данных GSM8K.

? Дорожная карта

• Управление навыками низкого уровня (то есть агент. Get_skill ("name")) [overse @niklub]
• Сделайте каждый пример ноутбука для запуска в Google Collab и добавьте значок в ReadMe
• Расширить среду с еще одним примером
• Многозадачное обучение (изучите несколько навыков одновременно)
• Рассчитать и хранить метрики агента высшей линии (созданные прогнозы, выполнения времени выполнения, петли обучения и т. Д.)
• Создать навыки признания сущности
• Утилита командной строки (см. Например, источник для этого чтения)
• REST API для взаимодействия с Adala
• Навыки видения и мультимодального агента

? Вклад в Адалу

Улучшите навыки, оптимизируйте время выполнения или пионеры новых типов агентов. Независимо от того, создаете ли вы детализированные задачи, уточняете вычислительные среды или скульпируете специализированных агентов для уникальных доменов, ваши вклады будут способствовать развитию эволюции Adala. Присоединяйтесь к нам, чтобы формировать будущее интеллектуальных систем и сделать Adala более универсальной и эффективной для пользователей по всему миру.

Прочитайте больше здесь.

Поддерживать

Вам нужна помощь или вы хотите взаимодействовать с сообществом? Проверьте канал Discord! Независимо от того, есть ли у вас вопросы, нужно разъяснения или просто вы хотите обсудить темы, связанные с проектом, сообщество Discord приветствует!