Si alguna vez ha intentado construir un sistema de trapo de agente que realmente funcione bien, conoce el dolor. Le alimentas algunos documentos, cruza los dedos y espera que no se alucine cuando alguien le hace una pregunta simple. La mayoría de las veces, obtienes trozos de texto irrelevantes que apenas responden lo que se le pidió.
Elysia está tratando de arreglar este desastre y, sinceramente, su enfoque es bastante creativo. Construido por la gente de Weaviate, este marco de Python de código abierto no solo arroja más IA al problema, sino que repensa por completo cómo los agentes de IA deberían trabajar con sus datos.
Nota: Python 3.12 requerido
¿Qué está realmente mal en la mayoría de los sistemas de trapo?
Aquí está lo que vuelve a todos locos: los sistemas tradicionales de trapo son básicamente ciego. Toman su pregunta, la convierten a vectores, encuentran algún texto “similar” y esperan lo mejor. Es como pedirle a alguien que te encuentre un buen restaurante mientras usan un vendo en los ojos, podrían tener suerte, pero probablemente no.
La mayoría de los sistemas también arrojan todas las herramientas posibles en la IA a la vez, que es como dar acceso a un niño pequeño a toda su caja de herramientas y esperar que construyan una estantería.
Los tres pilares de Elysia:
1) árboles de decisión
En lugar de dar a los agentes de IA todas las herramientas a la vez, Elysia los guía a través de un nodos estructurados para decisiones. Piense en ello como un diagrama de flujo que realmente tiene sentido. Cada paso tiene contexto sobre lo que sucedió antes y qué opciones vienen a continuación.
¿La parte realmente genial? El sistema le muestra exactamente qué camino tomó el agente y por qué, así que cuando algo sale mal, en realidad puede depurarlo en lugar de simplemente encogerse de hombros e intentarlo nuevamente.
Cuando la IA se da cuenta de que no puede hacer algo (como buscar los precios de los automóviles en una base de datos de maquillaje), no solo sigue intentándolo para siempre. Establece una “bandera imposible” y sigue adelante, lo que suena obvio, pero aparentemente debía inventarse.
2) Visualización de fuente de datos inteligente
¿Recuerdas cuando cada IA simplemente escupe párrafos de texto? Elysia en realidad Mira tus datos y descubra cómo mostrarlo correctamente. ¿Tienes productos de comercio electrónico? Obtienes tarjetas de producto. ¿Problemas de Github? Obtienes diseños de boletos. ¿Datos de hoja de cálculo? Obtienes tablas reales.
El sistema examina primero su estructura de datos (los campos, los tipos, las relaciones) luego elige uno de los Siete formatos Eso tiene sentido.
3) Experiencia de datos
Esta podría ser la mayor diferencia. Antes de que Elysia busque cualquier cosa, Analiza su base de datos Para entender lo que realmente está allí. Puede resumir, generar metadatos y elegir tipos de visualización. Mira:
- Que tipo de campos tienes
- Cómo son los rangos de datos
- Cómo las diferentes piezas se relacionan entre sí
- ¿Qué tendría sentido para buscar
¿Cómo funciona?
Aprender de los comentarios
Elysia recuerda cuando los usuarios dicen “sí, esto fue útil” y usa esos ejemplos para mejorar las respuestas futuras. Pero lo hace de manera inteligente: sus comentarios no arruinan los resultados de otras personas y ayuda al sistema a mejorar para responder su tipos específicos de preguntas.
Esto significa que puede usar modelos más pequeños y más baratos que aún dan buenos resultados porque están aprendiendo de casos de éxito reales.
Chounking que tiene sentido
La mayoría de los sistemas de trapo fragmentan todos sus documentos por adelantado, que utiliza toneladas de almacenamiento y a menudo crea descansos extraños. Elysia fragmentos documentos solo cuando sea necesario. Primero busca documentos completos, luego, si un documento parece relevante pero es demasiado largo, lo desglose sobre la marcha.
Esto ahorra espacio de almacenamiento y realmente funciona mejor porque las decisiones de fragmentación están informadas por lo que el usuario realmente está buscando.
Enrutamiento de modelos
Diferentes tareas necesitan diferentes modelos. Las preguntas simples no necesitan GPT-4, y el análisis complejo no funciona bien con los modelos pequeños. Elysia rutas automáticamente tareas al modelo correcto basado en la complejidad, que ahorra dinero y mejora la velocidad.
Empezando
La configuración es bastante simple:
pip install elysia-ai
elysia startEso es todo. Obtiene una interfaz web y el marco de Python.
Para los desarrolladores que desean personalizar las cosas:
from elysia import tool, Tree
tree = Tree()
@tool(tree=tree)
async def add(x: int, y: int) -> int:
return x + y
tree("What is the sum of 9009 and 6006?")
Si tiene datos tejidos, es aún más simple:
import elysia
tree = elysia.Tree()
response, objects = tree(
"What are the 10 most expensive items in the Ecommerce collection?",
collection_names = ["Ecommerce"]
)
Ejemplo del mundo real: Chatbot de Glowe
El Plataforma de chatbot de cuidado de la piel con el cuidado Utiliza Elysia para manejar recomendaciones complejas de productos. Los usuarios pueden preguntar cosas como “¿Qué productos funcionan bien con Retinol pero no irritarán la piel sensible?” y obtener respuestas inteligentes que consideren las interacciones de ingredientes, las preferencias del usuario y la disponibilidad del producto.
Esto no es solo la coincidencia de palabras clave: es el contexto de comprensión y la relación entre los ingredientes, el historial de usuarios y las características del producto de formas que serían realmente difíciles de codificar manualmente.
Resumen
Elysia representa el intento de Weaviate de ir más allá de los patrones tradicionales de trapo de generación de retrato de As. En lugar de solo generar respuestas de texto, analiza la estructura de datos de antemano y selecciona los formatos de visualización apropiados mientras mantiene la transparencia en su proceso de toma de decisiones. Como el reemplazo planificado de Weaviate para su sistema de Rag Verba, ofrece una base para construir aplicaciones de IA más sofisticadas que entiendan tanto lo que los usuarios preguntan como cómo presentar respuestas de manera efectiva, aunque si esto se traduce en un rendimiento del mundo real significativo, queda por ver, ya que todavía está en beta.
Mira el Detalle técnico y Página de Github. No dude en ver nuestro Página de Github para tutoriales, códigos y cuadernos. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro Subreddit de 100k+ ml y suscribirse a Nuestro boletín.
Asif Razzaq es el CEO de MarktechPost Media Inc .. Como empresario e ingeniero visionario, ASIF se compromete a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, MarktechPost, que se destaca por su cobertura profunda de noticias de aprendizaje automático y de aprendizaje profundo que es técnicamente sólido y fácilmente comprensible por una audiencia amplia. La plataforma cuenta con más de 2 millones de vistas mensuales, ilustrando su popularidad entre el público.