mind x

PIKIRAN-X

Mind-X adalah Smart CloneAI dengan pertumbuhan tercepat yang memahami 'saya' secara real time.

Proyek ini menunjukkan kelayakan LLM yang dipersonalisasi (atau LMM) sebagai asisten pribadi, sejalan dengan pesatnya pertumbuhan model ini.

Kami telah memperkenalkan metode Retrieval-Augmented Generation (RAG) untuk mengatasi keterbatasan dari Prompt-Tuning tradisional, yang memiliki batasan konteks, dan Fine-Tuning, yang mengalami masalah dengan pembaruan data real-time dan halusinasi.

Secara tradisional, RAG telah digunakan untuk mencari database seperti Chroma melalui LangChain sebagai penyimpanan, tetapi metode ini beroperasi dalam konteks tetap, yang membatasinya.

Oleh karena itu, kami berencana untuk membangun sistem RAG kami sendiri. Proses ini mungkin melibatkan penanganan masalah inferensi dan regresi yang mungkin ditawarkan LangChain.

Kami berkomitmen terhadap perkembangan pesat dan akan segera mengaktifkan kompatibilitas multibahasa. Saat ini, sistem sepenuhnya mendukung bahasa Inggris, dan berencana untuk segera mendukung bahasa Korea, Jepang, dan bahasa lainnya. Selain itu, sistem regresi dan inferensi juga akan segera diterapkan.

Arsitektur

Tes Berjalan

Untuk menjalankan tes, jalankan perintah berikut

 # start embeddings server
  cd embd & pip install -r requirements.txt
  python app.py

# start mindx-v server (vector-database)
# not using cgo, only assembly
cd mindx-v & go run cmd/mxvd/main.go

# start processor server
cd processor & go run cmd/main.go

# start demo client
cd sample_client & npm start

Demo

Demo TextVector & RAG Waktu Nyata dengan LLM

Awalnya, asisten tidak tahu apa-apa tentang pengguna. Namun, pengguna dapat mengajari asisten tentang diri mereka sendiri secara real-time. (Karena karakteristik LLM, dapat disalahpahami bahwa ini diingat sebagai rantai percakapan daripada pembelajaran, sehingga dilakukan setelah penyegaran.) Data yang dipelajari segera direfleksikan, dan ini dapat dilihat sebagai personalisasi pertama asisten.

Semua fitur proyek ini dapat didukung secara lokal tanpa memerlukan integrasi cloud eksternal atau koneksi internet.

Demo & Anomali ImageVector

Data Pelatihan (Sangat Kecil. Hanya Tes)

Data Uji

Kode Tes

 query = protobuf . search_pb2 . SearchRequest (
            dataset_id = dataset_id ,
            query = get_image_embedding ( "./test_data/bad.png" ),
            k = 1
        )
        results = search . Search ( query )
        try :
            for result in results :
                print ( "Search result:" , result . id , result . metadata , result . score )
        except grpc . RpcError as e :
            print ( "Search failed:" , e )
        query = protobuf . search_pb2 . SearchRequest (
            dataset_id = dataset_id ,
            query = get_image_embedding ( "./test_data/good.png" ),
            k = 1
        )
        results = search . Search ( query )
        try :
            for result in results :
                print ( "Search result:" , result . id , result . metadata , result . score )
        except grpc . RpcError as e :
            print ( "Search failed:" , e )

Hasil

Kontak

• Silakan hubungi saya di [email protected].
• Proyek ini tersedia untuk digunakan semua orang, dan meskipun tidak ada niat untuk memonetisasinya, jika Anda ingin mengkomersialkannya atau melakukan pengujian internal, harap ungkapkan nama perusahaan Anda untuk membantu saya.