NEUM AI
1.0.0
หน้าแรก เอกสาร บล็อก | ความไม่ลงรอยกัน Twitter
Neum AI เป็นแพลตฟอร์มข้อมูลที่ช่วยให้นักพัฒนาใช้ประโยชน์จากข้อมูลของพวกเขาในการกำหนดรูปแบบภาษาขนาดใหญ่ผ่านการเรียกคืนการเพิ่ม (RAG) ซึ่งรวมถึงการดึงข้อมูลจากแหล่งข้อมูลที่มีอยู่เช่นการจัดเก็บเอกสารและ NOSQL การประมวลผลเนื้อหาในการฝังเวกเตอร์
มันให้โซลูชันที่ครอบคลุมสำหรับ RAG ที่สามารถปรับขนาดด้วยแอปพลิเคชันของคุณและลดเวลาที่ใช้ในการรวมบริการเช่นตัวเชื่อมต่อข้อมูลโมเดลการฝังและฐานข้อมูลเวกเตอร์
คุณสามารถเข้าถึงทีมของเราได้ทั้งทางอีเมล (ผู้ก่อตั้ง @tryneum.com) ใน Discord หรือโดยการกำหนดเวลาการโทรด้วยเรา
ลงทะเบียนวันนี้ที่ Dashboard.neum.ai ดู QuickStart ของเราเพื่อเริ่มต้น
คลาวด์ Neum AI รองรับสถาปัตยกรรมขนาดใหญ่กระจายเพื่อเรียกใช้เอกสารนับล้านผ่านการฝังเวกเตอร์ สำหรับชุดคุณสมบัติเต็มรูปแบบดู: Cloud vs Local
ติดตั้งแพ็คเกจ neumai :
pip install neumaiเพื่อสร้างท่อข้อมูลแรกของคุณเยี่ยมชม QuickStart ของเรา
ในระดับสูงไปป์ไลน์ประกอบด้วยแหล่งข้อมูลหนึ่งหรือหลายแหล่งที่จะดึงข้อมูลจากตัวเชื่อมต่อหนึ่งตัวที่ฝังตัวเพื่อทำให้เนื้อหาและขั้วต่ออ่างล้างจานหนึ่งตัวเพื่อจัดเก็บเวกเตอร์กล่าว ด้วยรหัสตัวอย่างนี้เราจะสร้างสิ่งเหล่านี้ทั้งหมดและเรียกใช้ท่อ:
from neumai . DataConnectors . WebsiteConnector import WebsiteConnector
from neumai . Shared . Selector import Selector
from neumai . Loaders . HTMLLoader import HTMLLoader
from neumai . Chunkers . RecursiveChunker import RecursiveChunker
from neumai . Sources . SourceConnector import SourceConnector
from neumai . EmbedConnectors import OpenAIEmbed
from neumai . SinkConnectors import WeaviateSink
from neumai . Pipelines import Pipeline
website_connector = WebsiteConnector (
url = "https://www.neum.ai/post/retrieval-augmented-generation-at-scale" ,
selector = Selector (
to_metadata = [ 'url' ]
)
)
source = SourceConnector (
data_connector = website_connector ,
loader = HTMLLoader (),
chunker = RecursiveChunker ()
)
openai_embed = OpenAIEmbed (
api_key = "<OPEN AI KEY>" ,
)
weaviate_sink = WeaviateSink (
url = "your-weaviate-url" ,
api_key = "your-api-key" ,
class_name = "your-class-name" ,
)
pipeline = Pipeline (
sources = [ source ],
embed = openai_embed ,
sink = weaviate_sink
)
pipeline . run ()
results = pipeline . search (
query = "What are the challenges with scaling RAG?" ,
number_of_results = 3
)
for result in results :
print ( result . metadata ) from neumai . DataConnectors . PostgresConnector import PostgresConnector
from neumai . Shared . Selector import Selector
from neumai . Loaders . JSONLoader import JSONLoader
from neumai . Chunkers . RecursiveChunker import RecursiveChunker
from neumai . Sources . SourceConnector import SourceConnector
from neumai . EmbedConnectors import OpenAIEmbed
from neumai . SinkConnectors import WeaviateSink
from neumai . Pipelines import Pipeline
website_connector = PostgresConnector (
connection_string = 'postgres' ,
query = 'Select * from ...'
)
source = SourceConnector (
data_connector = website_connector ,
loader = JSONLoader (
id_key = '<your id key of your jsons>' ,
selector = Selector (
to_embed = [ 'property1_to_embed' , 'property2_to_embed' ],
to_metadata = [ 'property3_to_include_in_metadata_in_vector' ]
)
),
chunker = RecursiveChunker ()
)
openai_embed = OpenAIEmbed (
api_key = "<OPEN AI KEY>" ,
)
weaviate_sink = WeaviateSink (
url = "your-weaviate-url" ,
api_key = "your-api-key" ,
class_name = "your-class-name" ,
)
pipeline = Pipeline (
sources = [ source ],
embed = openai_embed ,
sink = weaviate_sink
)
pipeline . run ()
results = pipeline . search (
query = "..." ,
number_of_results = 3
)
for result in results :
print ( result . metadata ) from neumai . Client . NeumClient import NeumClient
client = NeumClient (
api_key = '<your neum api key, get it from https://dashboard.neum.ai' ,
)
client . create_pipeline ( pipeline = pipeline )หากคุณมีความสนใจในการปรับใช้ Neum AI กับคลาวด์ของคุณเองติดต่อเราที่ผู้ก่อตั้งที่ tryneum.com
เรามีสถาปัตยกรรมแบ็กเอนด์ตัวอย่างที่เผยแพร่บน GitHub ซึ่งคุณสามารถใช้เป็นจุดเริ่มต้น
สำหรับรายการที่ทันสมัยโปรดไปที่เอกสารของเรา
แผนงานของเรากำลังพัฒนาด้วยถามดังนั้นหากมีสิ่งใดขาดหายไปอย่าลังเลที่จะเปิดปัญหาหรือส่งข้อความถึงเรา
ตัวเชื่อมต่อ
ค้นหา
ความสามารถในการขยายได้
เกี่ยวกับการทดลอง
เครื่องมือเพิ่มเติมสำหรับ Neum AI สามารถพบได้ที่นี่:
