evadb

ระบบฐานข้อมูลสำหรับแอพที่ขับเคลื่อนด้วย AI

ติดตาม Evadb

EVADB ช่วยให้นักพัฒนาซอฟต์แวร์สร้างแอพ AI ในรหัสไม่กี่บรรทัด SQL API ที่ทรงพลังทำให้การพัฒนาแอพ AI ง่ายขึ้นสำหรับข้อมูลทั้งที่มีโครงสร้างและไม่มีโครงสร้าง ประโยชน์ของ Evadb รวมถึง:

- ง่ายต่อการเชื่อมต่อเอ็นจิ้นการสืบค้น EvADB กับแหล่งข้อมูลของคุณเช่นถัง PostgreSQL หรือ S3 และสร้างแอพที่ขับเคลื่อนด้วย AI ด้วยการสืบค้น SQL

แหล่งข้อมูลที่มีโครงสร้าง	แหล่งข้อมูลที่ไม่มีโครงสร้าง	แหล่งข้อมูลแอปพลิเคชัน
PostgreSQL sqlite mysql มาเรียบ์ บ้านคลิก เกล็ดหิมะ	ระบบไฟล์ท้องถิ่น AWS S3 Bucket	คนอื่น ๆ

รายละเอียดเพิ่มเติมเกี่ยวกับแหล่งข้อมูลที่รองรับมีอยู่ที่นี่

- สอบถามข้อมูลที่เชื่อมต่อของคุณด้วยโมเดล AI ที่ผ่านการฝึกอบรมมาล่วงหน้าจากการกอด Face, OpenAI, YOLO, การแพร่กระจายที่มั่นคง ฯลฯ

กอดใบหน้า	Openai	โยโล
การจำแนกเสียง การรู้จำเสียงพูดอัตโนมัติ การจำแนกข้อความ การสรุป การสร้าง Text2Text การสร้างข้อความ การจำแนกรูปภาพ การแบ่งส่วนภาพ ภาพถึงข้อความ การตรวจจับวัตถุ การประมาณความลึก	GPT-4 GPT-4-0314 GPT-4-32K GPT-4-32K-0314 GPT-3.5-turbo GPT-3.5-turbo-0301	yolov8n.pt yolov8s.pt yolov8m.pt yolov8l.pt yolov8x.pt

รายละเอียดเพิ่มเติมเกี่ยวกับรุ่น AI ที่รองรับมีอยู่ที่นี่

- สร้างหรือปรับแต่งโมเดล AI สำหรับการถดถอยการจำแนกและการพยากรณ์อนุกรมเวลา

การถดถอย	การจำแนกประเภท	การพยากรณ์อนุกรมเวลา
ลุดวิก Sklearn xgboost	ลุดวิก xboost	Statsforecast ระบบประสาท

รายละเอียดเพิ่มเติมเกี่ยวกับเฟรมเวิร์ก AutomL ที่รองรับมีอยู่ที่นี่

- การสืบค้น AI ที่เร็วขึ้นต้องขอบคุณการเพิ่มประสิทธิภาพแบบสอบถาม AI-centric เช่นการแคชการแบทช์และการประมวลผลแบบขนาน

• การแคชผลลัพธ์ฟังก์ชั่นช่วยนำผลลัพธ์ของการเรียกใช้ฟังก์ชัน AI ที่มีราคาแพง
• การแบตช์ LLM ช่วยลดการใช้โทเค็นและการใช้เงินดอลลาร์ในการโทร LLM
• การประมวลผลแบบสอบถามแบบขนานช่วยประหยัดเงินและเวลาที่ใช้ในการใช้งานโมเดล AI โดยใช้ CPU และ/หรือ GPU ที่ดีขึ้น
• Query Predicate การสั่งซื้อใหม่และเพรดิเคตแบบเร่งด่วนเร่งความเร็วการค้นหาผ่านข้อมูลทั้งที่มีโครงสร้างและไม่มีโครงสร้าง

รายละเอียดเพิ่มเติมเกี่ยวกับการเพิ่มประสิทธิภาพใน EVADB มีอยู่ที่นี่

เฮ้! หากคุณตื่นเต้นเกี่ยวกับวิสัยทัศน์ของเราในการนำ AI ภายในระบบฐานข้อมูลให้แสดง❤โดย:

• นำแสดงโดย GitHub ของเรา? repo
• - เข้าร่วมชุมชนหย่อนของเรา
• - ติดตามเราบน Twitter
• ติดตามเราในสื่อ

เราชอบที่จะเรียนรู้เกี่ยวกับแอพ AI ของคุณ กรุณากรอกแบบฟอร์ม 1 นาทีนี้: https://v0fbgcue0cm.typeform.com/to/bzhzwezm

ลิงค์ด่วน

• ลิงค์ด่วน
• เอกสาร
• ทำไม Evadb
• Evadb ทำงานอย่างไร
• คำค้นหาตัวอย่าง
• แอพตัวอย่าง
• ข้อความค้นหาเพิ่มเติม
• สถาปัตยกรรมของ Evadb
• ชุมชนและการสนับสนุน
• การบริจาค
• ประวัติดาว
• ใบอนุญาต

เอกสาร

คุณสามารถค้นหาเอกสารที่สมบูรณ์ของ Evadb ได้ที่ evadb.ai/docs

ทำไม Evadb

ในโลกของ AI เรามาถึงเวทีที่งาน AI จำนวนมากที่ได้รับการจัดการโดยวิศวกร AI หรือ ML แบบดั้งเดิมสามารถเป็นไปโดยอัตโนมัติ EVADB ช่วยให้นักพัฒนาซอฟต์แวร์มีความสามารถในการทำงาน AI ขั้นสูงโดยไม่จำเป็นต้องเจาะลึกลงไปในรายละเอียดที่ซับซ้อน

Evadb ครอบคลุมแอปพลิเคชัน AI จำนวนมากรวมถึงการถดถอยการจำแนกการจดจำภาพการตอบคำถามและแอปพลิเคชัน AI อื่น ๆ อีกมากมาย EVADB กำหนดเป้าหมาย 99% ของปัญหา AI ที่มักจะทำซ้ำและสามารถเป็นไปโดยอัตโนมัติด้วยการเรียกใช้ฟังก์ชั่นง่าย ๆ ในแบบสอบถาม SQL จนถึงขณะนี้ยังไม่มีเฟรมเวิร์กโอเพนซอร์ซที่ครอบคลุมสำหรับการนำ AI เข้าสู่ระบบฐานข้อมูล SQL ที่มีอยู่พร้อมกับกรอบการเพิ่มประสิทธิภาพ AI ที่มีหลักการและนั่นคือที่ Evadb เข้ามา

กลุ่มเป้าหมายของเราคือนักพัฒนาซอฟต์แวร์ที่อาจไม่จำเป็นต้องมีพื้นหลังใน AI แต่ต้องการความสามารถของ AI ในการแก้ปัญหาที่เฉพาะเจาะจง เรากำหนดเป้าหมายโปรแกรมเมอร์ที่เขียนแบบสอบถาม SQL อย่างง่ายภายในแอพ CRUD ของพวกเขา ด้วย EVADB เป็นไปได้ที่จะเพิ่มคุณสมบัติ AI ลงในแอพเหล่านี้ได้อย่างง่ายดายโดยการเรียกใช้ฟังก์ชั่น AI ในตัวในแบบสอบถาม

Evadb ทำงานอย่างไร

• เชื่อมต่อ EVADB เข้ากับระบบฐานข้อมูล SQL และ Vector ของคุณด้วยคำสั่ง `สร้างฐานข้อมูล 'และ` สร้างคำสั่ง INDEX`
• เขียนแบบสอบถาม SQL ด้วยฟังก์ชั่น AI เพื่อให้ได้ผลลัพธ์การอนุมาน:
• เลือกโมเดล AI ที่ผ่านการฝึกอบรมมาล่วงหน้าจากการกอดหน้าเปิด AI, Ultralytics, Pytorch และเฟรมเวิร์ก AI ในตัวสำหรับการใช้งาน AI, AI, NLP และการมองเห็น
• หรือเลือกจากเครื่องยนต์ ML ที่ล้ำสมัยสำหรับการใช้ ML แบบคลาสสิก (การจำแนกประเภทการถดถอย ฯลฯ );
• หรือนำโมเดลที่กำหนดเองของคุณสร้างขึ้นด้วยเฟรมเวิร์ก AI/ML ใด ๆ โดยใช้ `สร้างฟังก์ชัน '

ทำตามคู่มือการเริ่มต้นเพื่อรับบนกระดานให้เร็วที่สุด

คำค้นหาตัวอย่าง

• รับข้อมูลเชิงลึกเกี่ยวกับ GitHub Stargazers โดยใช้ GPT4

 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.

• สร้างดัชนีเวกเตอร์บนฟีเจอร์ Embeddings ที่ส่งคืนโดย SIFT Feature Extractor ในคอลเลกชันของภาพ reddit ส่งคืนภาพที่คล้ายกัน Top-5 สำหรับภาพที่กำหนด

 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 

แอพตัวอย่าง

นี่คือแอพ AI ที่เป็นตัวอย่างที่สร้างขึ้นโดยใช้ EVADB (แต่ละโน้ตบุ๊กสามารถเปิดได้ใน Google Colab):

• - การวิเคราะห์ความเชื่อมั่นโดยใช้ LLM ภายใน PostgreSQL
• - การตอบคำถามวิดีโอที่ใช้ CHATGPT
• - การสรุปข้อความในเอกสาร PDF
• - วิเคราะห์การไหลของการจราจรด้วย YOLO
• - การตรวจสอบอารมณ์ของภาพยนตร์
• - การค้นหาภาพที่คล้ายคลึงกัน

ข้อความค้นหาเพิ่มเติม

• รับการถอดเสียงจากวิดีโอที่เก็บไว้ในตารางโดยใช้โมเดลการรู้จำเสียงพูด จากนั้นถามคำถามเกี่ยวกับทรานสคริปต์สกัดโดยใช้ CHATGPT

 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;

• ฝึกอบรมแบบจำลอง ML แบบคลาสสิกสำหรับการทำนายโดยใช้เครื่องยนต์ Ludwig AI

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

สถาปัตยกรรมของ Evadb

AI-centric Query Optimizer ของ Evadb ใช้การสืบค้นเป็นอินพุตและสร้างแผนการสืบค้น เอ็นจิ้นแบบสอบถามใช้แผนคิวรีและกดแบ็กเอนด์ที่เกี่ยวข้องเพื่อประมวลผลแบบสอบถามอย่างมีประสิทธิภาพ: 1. ระบบฐานข้อมูล SQL (ข้อมูลที่มีโครงสร้าง) 2. เฟรมเวิร์ก AI (แปลงข้อมูลที่ไม่มีโครงสร้างเป็นข้อมูลที่มีโครงสร้าง

ชุมชนและการสนับสนุน

เราชอบที่จะเรียนรู้เกี่ยวกับแอพ AI ของคุณ กรุณากรอกแบบฟอร์ม 1 นาทีนี้: https://v0fbgcue0cm.typeform.com/to/bzhzwezm

หากคุณพบข้อบกพร่องใด ๆ หรือมีความคิดเห็นใด ๆ คุณสามารถติดต่อเราในชุมชน Slack ของเรา? หรือสร้างปัญหา GitHub?.

นี่คือแผนงานสาธารณะของ Evadb? ️ เราจัดลำดับความสำคัญของคุณสมบัติตามความคิดเห็นของผู้ใช้ดังนั้นเรายินดีที่จะได้ยินจากคุณ!

การบริจาค

เราเป็นทีมที่ไม่ติดมันในภารกิจที่จะนำ AI ภายในระบบฐานข้อมูล! การมีส่วนร่วมทุกชนิดที่มีต่อ Evadb ได้รับการชื่นชมหรือไม่? หากคุณต้องการมีส่วนร่วมนี่คือข้อมูลเกี่ยวกับสถานที่ที่เราสามารถใช้ความช่วยเหลือของคุณ: คู่มือการบริจาค?

สถานะ CI:

ประวัติดาว

ใบอนุญาต

กลุ่มฐานข้อมูล Copyright (C) Georgia Tech ได้รับใบอนุญาตภายใต้ใบอนุญาต Apache