DeepPavlov Dream — это платформа для создания многопрофильных помощников с генеративным искусственным интеллектом.
Чтобы узнать больше о платформе и о том, как создавать с ее помощью помощников искусственного интеллекта, посетите Dream. Если вы хотите узнать больше об агенте DeepPavlov Agent, который поддерживает Dream, посетите документацию DeepPavlov Agent.
Мы уже включили шесть дистрибутивов: четыре из них основаны на облегченном социальном боте Deepy, один — полноразмерный чат-бот Dream (на основе версии Alexa Prize Challenge) на английском языке и чат-бот Dream на русском языке.
Базовая версия Лунного помощника. Deepy Base содержит аннотатор предварительной обработки правописания, навыки обслуживания комбайнов на основе шаблонов и навыки программирования открытого домена на основе AIML на основе Dialog Flow Framework.
Расширенная версия Лунного помощника. Deepy Advanced содержит предварительную обработку правописания, сегментацию предложений, аннотаторы связывания сущностей и ловушки намерений, навыки GoBot для обслуживания комбайнов для целенаправленных ответов и навыки программирования с открытым доменом на основе AIML, основанные на платформе Dialog Flow Framework.
FAQ версия Лунного помощника. Deepy FAQ содержит аннотатор предварительной обработки правописания, навык часто задаваемых вопросов на основе шаблонов и навык программирования открытого домена на основе AIML на основе Dialog Flow Framework.
Целенаправленная версия Лунного помощника. База Deepy GoBot содержит аннотатор предварительной обработки правописания, навык GoBot для обслуживания комбайнов для целенаправленных ответов и навык программирования открытого домена на основе AIML на основе платформы Dialog Flow Framework.
Полная версия социального бота DeepPavlov Dream. Это практически та же версия социального бота DREAM, что и в конце Alexa Prize Challenge 4. Некоторые API-сервисы заменены обучаемыми моделями. Некоторым сервисам (например, News Annotator, Game Skill, Weather Skill) требуются закрытые ключи для базовых API, большинство из них можно получить бесплатно. Если вы хотите использовать эти службы в локальных развертываниях, добавьте свои ключи к переменным среды (например, ./.env
, ./.env_ru
). Эта версия Dream Socialbot потребляет много ресурсов из-за своей модульной архитектуры и оригинальных целей (участие в Alexa Prize Challenge). На нашем сайте мы предоставляем демо-версию Dream Socialbot.
Мини-версия социального бота DeepPavlov Dream. Это генеративный социальный бот, который использует английскую модель DialoGPT для генерации большинства ответов. Он также содержит компоненты перехватчика намерений и ответчика для удовлетворения особых запросов пользователей. Ссылка на раздачу.
Русская версия социального бота DeepPavlov Dream. Это генеративный социальный бот, который использует русский DialoGPT от DeepPavlov для генерации большинства ответов. Он также содержит компоненты перехватчика намерений и ответчика для удовлетворения особых запросов пользователей. Ссылка на раздачу.
Мини-версия DeepPavlov Dream Socialbot с использованием генеративных моделей на основе подсказок. Это генеративный социальный бот, который использует большие языковые модели для генерации большей части ответов. Вы можете загрузить свои собственные запросы (файлы JSON) в файл common/prompts, добавить имена запросов в PROMPTS_TO_CONSIDER
(через запятую), и предоставленная информация будет использоваться при создании ответов с помощью LLM в качестве приглашения. Ссылка на раздачу.
docker
от 20 и выше;docker-compose
v1.29.2; git clone https://github.com/deeppavlov/dream.git
Если при запуске docker-compose вы получаете сообщение об ошибке «Отказано в доступе», убедитесь, что вы правильно настроили пользователя Docker.
docker-compose -f docker-compose.yml -f assistant_dists/deepy_base/docker-compose.override.yml up --build
docker-compose -f docker-compose.yml -f assistant_dists/deepy_adv/docker-compose.override.yml up --build
docker-compose -f docker-compose.yml -f assistant_dists/deepy_faq/docker-compose.override.yml up --build
docker-compose -f docker-compose.yml -f assistant_dists/deepy_gobot_base/docker-compose.override.yml up --build
Самый простой способ опробовать Dream — развернуть его через прокси. Все запросы будут перенаправлены в DeepPavlov API, поэтому вам не придется использовать какие-либо локальные ресурсы. Подробности см. в разделе «Использование прокси».
docker-compose -f docker-compose.yml -f assistant_dists/dream/docker-compose.override.yml -f assistant_dists/dream/dev.yml -f assistant_dists/dream/proxy.yml up --build
Обратите внимание, что компоненты DeepPavlov Dream требуют много ресурсов. Обратитесь к разделу компонентов, чтобы узнать приблизительные требования.
docker-compose -f docker-compose.yml -f assistant_dists/dream/docker-compose.override.yml -f assistant_dists/dream/dev.yml up --build
Мы также включили конфигурацию с распределением графических процессоров для сред с несколькими графическими процессорами:
AGENT_PORT=4242 docker-compose -f docker-compose.yml -f assistant_dists/dream/docker-compose.override.yml -f assistant_dists/dream/dev.yml -f assistant_dists/dream/test.yml up
Если вам нужно перезапустить определенный Docker-контейнер без повторной сборки (убедитесь, что сопоставление в assistant_dists/dream/dev.yml
правильное):
AGENT_PORT=4242 docker-compose -f docker-compose.yml -f assistant_dists/dream/docker-compose.override.yml -f assistant_dists/dream/dev.yml restart container-name
docker-compose -f docker-compose.yml -f assistant_dists/dream_persona_prompted/docker-compose.override.yml -f assistant_dists/dream_persona_prompted/dev.yml -f assistant_dists/dream_persona_prompted/proxy.yml up --build
Мы также включили конфигурацию с распределением графических процессоров для сред с несколькими графическими процессорами.
Агент DeepPavlov предоставляет несколько вариантов взаимодействия: интерфейс командной строки, HTTP API и Telegram-бот.
В отдельной вкладке терминала выполните:
docker-compose exec agent python -m deeppavlov_agent.run agent.channel=cmd agent.pipeline_config=assistant_dists/dream/pipeline_conf.json
Введите свое имя пользователя и пообщайтесь с Dream!
После запуска бота API агента DeepPavlov будет работать по адресу http://localhost:4242
. Вы можете узнать об API из документации DeepPavlov Agent.
Базовый интерфейс чата будет доступен по адресу http://localhost:4242/chat
.
В настоящее время вместо HTTP API развернут бот Telegram. Отредактируйте определение command
agent
в конфигурации docker-compose.override.yml
:
agent:
command: sh -c 'bin/wait && python -m deeppavlov_agent.run agent.channel=telegram agent.telegram_token=<TELEGRAM_BOT_TOKEN> agent.pipeline_config=assistant_dists/dream/pipeline_conf.json'
ПРИМЕЧАНИЕ. Считайте свой токен Telegram секретом и не размещайте его в публичных репозиториях!
Dream использует несколько файлов конфигурации docker-compose:
./docker-compose.yml
— это основная конфигурация, которая включает контейнеры для агента DeepPavlov и базы данных mongo;
./assistant_dists/*/docker-compose.override.yml
перечисляет все компоненты дистрибутива;
./assistant_dists/dream/dev.yml
включает привязки томов для упрощения отладки Dream;
./assistant_dists/dream/proxy.yml
— это список прокси-контейнеров.
Если ваши ресурсы развертывания ограничены, вы можете заменить контейнеры их прокси-копиями, размещенными на DeepPavlov. Для этого переопределите эти определения контейнеров внутри proxy.yml
, например:
convers-evaluator-annotator:
command: ["nginx", "-g", "daemon off;"]
build:
context: dp/proxy/
dockerfile: Dockerfile
environment:
- PROXY_PASS=proxy.deeppavlov.ai:8004
- SERVICE_PORT=8004
и включите эту конфигурацию в команду развертывания:
docker-compose -f docker-compose.yml -f assistant_dists/dream/docker-compose.override.yml -f assistant_dists/dream/dev.yml -f assistant_dists/dream/proxy.yml up --build
По умолчанию proxy.yml
содержит все доступные определения прокси.
Архитектура мечты представлена на следующем изображении:
Имя | Требования | Описание |
---|---|---|
Селектор на основе правил | Алгоритм, который выбирает список навыков для генерации ответов кандидата на текущий контекст на основе тем, сущностей, эмоций, токсичности, диалоговых действий и истории диалога. | |
Селектор ответа | 50 МБ ОЗУ | Алгоритм, который выбирает окончательный ответ среди заданного списка ответов-кандидатов. |
Имя | Требования | Описание |
---|---|---|
АСР | 40 МБ ОЗУ | вычисляет общую достоверность ASR для данного высказывания и оценивает его как очень низкий , низкий , средний или высокий (для разметки Amazon) |
Слова из плохого списка | 150 МБ ОЗУ | обнаруживает слова и фразы из плохого списка |
Комбинированная классификация | 1,5 ГБ ОЗУ, 3,5 ГБ графического процессора | Модель на основе BERT, включая классификацию тем, классификацию диалоговых действий, сантименты, токсичность, эмоции, классификацию фактоидов. |
Комбинированная классификация легких | 1,6 ГБ ОЗУ | Та же модель, что и комбинированная классификация, но занимает на 42% меньше времени благодаря более легкой магистрали. |
КОМЕТ Атомный | 2 ГБ ОЗУ, 1,1 ГБ графического процессора | Модели прогнозирования здравого смысла COMeT Atomic |
COMeT ConceptNet | 2 ГБ ОЗУ, 1,1 ГБ графического процессора | Модели прогнозирования здравого смысла COMeT ConceptNet |
Аннотатор Convers Evaluator | 1 ГБ ОЗУ, 4,5 ГБ графического процессора | обучается на данных Alexa Prize предыдущих конкурсов и предсказывает, будет ли ответ кандидата интересным, понятным, актуальным, увлекательным или ошибочным |
Классификация эмоций | 2,5 ГБ ОЗУ | аннотатор классификации эмоций |
Обнаружение объектов | 1,5 ГБ ОЗУ, 3,2 ГБ графического процессора | извлекает сущности и их типы из высказываний |
Связывание сущностей | 2,5 ГБ ОЗУ, 1,3 ГБ графического процессора | находит идентификаторы объектов Викиданных для объектов, обнаруженных с помощью Entity Detection |
Хранитель сущностей | 220 МБ ОЗУ | компонент на основе правил, который сохраняет сущности из высказываний пользователя и социального бота, если выражение мнения обнаружено с помощью шаблонов или классификатора MIDAS, и сохраняет их вместе с обнаруженным отношением к состоянию диалога |
Факт Случайный | 50 МБ ОЗУ | возвращает случайные факты для данного объекта (для объектов из высказываний пользователя) |
Поиск фактов | 7,4 ГБ ОЗУ, 1,2 ГБ графического процессора | извлекает факты из Википедии и WikiHow |
Перехватчик намерений | 1,7 ГБ ОЗУ, 2,4 ГБ графического процессора | классифицирует высказывания пользователя по ряду предопределенных намерений, которые обучаются на наборе фраз и регулярных выражений |
КБКА | 2 ГБ ОЗУ, 1,4 ГБ графического процессора | отвечает на фактические вопросы пользователя на основе базы данных Викиданных |
Классификация МИДАС | 1,1 ГБ ОЗУ, 4,5 ГБ графического процессора | Модель на основе BERT, обученная на подмножестве семантических классов набора данных MIDAS. |
МИДАС-предсказатель | 30 МБ ОЗУ | Модель на основе BERT, обученная на подмножестве семантических классов набора данных MIDAS. |
НЭР | 2,2 ГБ ОЗУ, 5 ГБ графического процессора | извлекает имена людей, названия мест, организаций из текста без регистра |
Аннотатор API новостей | 80 МБ ОЗУ | извлекает последние новости об объектах или темах с помощью GNews API. При развертывании DeepPavlov Dream используется наш собственный ключ API. |
Ловец Личностей | 30 МБ ОЗУ | навык заключается в изменении описания личности системы через интерфейс чата, он работает как системная команда, ответ - системное сообщение |
Подсказка выбора | 50 МБ ОЗУ | Аннотатор использует Sentence Ranker для ранжирования подсказок и выбора N_SENTENCES_TO_RETURN наиболее релевантных подсказок (на основе вопросов, представленных в подсказках) |
Извлечение собственности | 6,3 ГБ ОЗУ | извлекает пользовательские атрибуты из высказываний |
Ключевые слова рейка | 40 МБ ОЗУ | извлекает ключевые слова из высказываний с помощью алгоритма RAKE |
Относительный экстрактор персон | 50 МБ ОЗУ | Аннотатор использует Sentence Ranker для ранжирования персональных предложений и выбора N_SENTENCES_TO_RETURN наиболее релевантных предложений. |
Сентрерайт | 200 МБ ОЗУ | перезаписывает высказывания пользователя, заменяя местоимения конкретными именами, которые предоставляют более полезную информацию последующим компонентам |
Сенцег | 1 ГБ ОЗУ | позволяет нам обрабатывать длинные и сложные высказывания пользователей, разбивая их на предложения и восстанавливая пунктуацию |
Просторные существительные | 180 МБ ОЗУ | извлекает существительные с помощью Spacy и отфильтровывает общие фразы |
Классификатор речевых функций | 1,1 ГБ ОЗУ, 4,5 ГБ графического процессора | иерархический алгоритм, основанный на нескольких линейных моделях и подходе для прогнозирования речевых функций, основанном на правилах, описанном Эггинсом и Слэйдом |
Предиктор речевой функции | 1,1 ГБ ОЗУ, 4,5 ГБ графического процессора | дает вероятности речевых функций, которые могут следовать речевой функции, предсказанной классификатором речевых функций. |
Предварительная обработка правописания | 50 МБ ОЗУ | компонент на основе шаблонов для переписывания различных разговорных выражений в более формальный стиль разговора |
Тема Рекомендация | 40 МБ ОЗУ | предлагает тему для дальнейшего разговора, используя информацию об обсуждаемых темах и предпочтениях пользователя. Текущая версия основана на личностях Reddit (см. Dream Report для Alexa Prize 4). |
Классификация токсичности | 3,5 ГБ ОЗУ, 3 ГБ графического процессора | Модель классификации токсичности из Transformers, указанная как PRETRAINED_MODEL_NAME_OR_PATH |
Экстрактор личности пользователя | 40 МБ ОЗУ | определяет, к какой возрастной категории принадлежит пользователь, по некоторым ключевым словам |
Вики-парсер | 100 МБ ОЗУ | извлекает тройки Викиданных для объектов, обнаруженных с помощью Entity Linking |
Вики-факты | 1,7 ГБ ОЗУ | модель, которая извлекает связанные факты со страниц Wikipedia и WikiHow |
Имя | Требования | Описание |
---|---|---|
ДиалоGPT | 1,2 ГБ ОЗУ, 2,1 ГБ графического процессора | генеративный сервис на основе генеративной модели Transformers, модель задается в аргументе компоновки докера PRETRAINED_MODEL_NAME_OR_PATH (например, microsoft/DialoGPT-small с 0,2–0,5 секунды на графическом процессоре) |
DialoGPT на основе личности | 1,2 ГБ ОЗУ, 2,1 ГБ графического процессора | генеративный сервис, основанный на генеративной модели Transformers, модель была предварительно обучена на наборе данных PersonaChat для генерации ответа, обусловленного несколькими предложениями личности социального бота. |
Подпись к изображению | 4 ГБ ОЗУ, графический процессор 5,4 ГБ | создает текстовое представление полученного изображения |
Заполнение | 1 ГБ ОЗУ, 1,2 ГБ графического процессора | (отключено, но код доступен) генеративный сервис на основе модели заполнения, для данного высказывания возвращает высказывание, где _ из исходного текста заменяется сгенерированными токенами |
Заземление знаний | 2 ГБ ОЗУ, 2,1 ГБ графического процессора | генеративный сервис на базе архитектуры BlenderBot, обеспечивающий ответ на контекст с учетом дополнительного абзаца текста |
Маскированный ЛМ | 1,1 ГБ ОЗУ, 1 ГБ графического процессора | (выключено, но код доступен) |
Seq2seq на основе личности | 1,5 ГБ ОЗУ, 1,5 ГБ графического процессора | генеративный сервис, основанный на модели Transformers seq2seq, модель была предварительно обучена на наборе данных PersonaChat для генерации ответа, обусловленного несколькими предложениями личности социального бота. |
Ранкер предложений | 1,2 ГБ ОЗУ, 2,1 ГБ графического процессора | модель ранжирования, заданная как PRETRAINED_MODEL_NAME_OR_PATH , которая для пары предложений ОС возвращает плавающую оценку соответствия |
ИсторияGPT | 2,6 ГБ ОЗУ, 2,15 ГБ графического процессора | генеративный сервис на основе тонко настроенного GPT-2 для заданного набора ключевых слов возвращает краткий рассказ с использованием ключевых слов |
ГПТ-3,5 | 100 МБ ОЗУ | генеративный сервис на основе сервиса OpenAI API, модель задается в аргументе docker Compose PRETRAINED_MODEL_NAME_OR_PATH (в частности, в этом сервисе используется text-davinci-003 . |
ЧатGPT | 100 МБ ОЗУ | генеративный сервис на основе сервиса OpenAI API, модель задается в аргументе docker Compose PRETRAINED_MODEL_NAME_OR_PATH (в частности, в этом сервисе используется gpt-3.5-turbo . |
Подскажите историюGPT | 3 ГБ ОЗУ, 4 ГБ графического процессора | генеративный сервис, основанный на тонко настроенном GPT-2, для заданной темы, представленной одним существительным, возвращает краткий рассказ по заданной теме. |
ГПТ-ДЖ 6Б | 1,5 ГБ ОЗУ, 24,2 ГБ графического процессора | генеративный сервис на основе генеративной модели Трансформеров, модель задается в аргументе компоновки докера PRETRAINED_MODEL_NAME_OR_PATH (в частности, в этом сервисе используется модель GPT-J). |
БЛУМЗ 7Б | 2,5 ГБ ОЗУ, 29 ГБ графического процессора | генеративный сервис на основе генеративной модели Transformers, модель задается в аргументе docker compose PRETRAINED_MODEL_NAME_OR_PATH (в частности, в этом сервисе используется модель BLOOMZ-7b1). |
ГПТ-ДЖТ 6Б | 2,5 ГБ ОЗУ, 25,1 ГБ графического процессора | генеративный сервис на основе генеративной модели Трансформеров, модель задается в аргументе компоновки докера PRETRAINED_MODEL_NAME_OR_PATH (в частности, в этом сервисе используется модель GPT-JT). |
Имя | Требования | Описание |
---|---|---|
Алекса Хэндлер | 30 МБ ОЗУ | обработчик для нескольких конкретных команд Alexa |
Рождественский навык | 30 МБ ОЗУ | поддерживает часто задаваемые вопросы, факты и сценарии Рождества |
Навык диалога с кометой | 300 МБ ОЗУ | использует модель COMeT ConceptNet, чтобы выразить мнение, задать вопрос или прокомментировать действия пользователя, упомянутые в диалоге |
Конвертировать Реддит | 1,2 ГБ ОЗУ | использует кодировщик ConveRT для создания эффективных представлений предложений |
Пустынный навык | часть контейнера агента | запасной навык с несколькими нетоксичными ответами кандидата |
Диалог фиктивных навыков | 600 МБ ОЗУ | возвращает следующий ход из набора данных тематического чата, если ответ пользователя на фиктивный навык аналогичен соответствующему ответу в исходных данных |
Элиза | 30 МБ ОЗУ | Чат-бот (https://github.com/wadetb/eliza) |
Эмоциональный навык | 40 МБ ОЗУ | возвращает шаблонные ответы на эмоции, обнаруженные с помощью классификации эмоций из аннотатора комбинированной классификации |
Фактоидный контроль качества | 170 МБ ОЗУ | отвечает на фактические вопросы |
Навыки совместной игры | 100 МБ ОЗУ | предоставляет пользователю разговор о компьютерных играх: чарты лучших игр за прошедший год, прошлый месяц и прошедшую неделю. |
Навыки обслуживания комбайнов | 30 МБ ОЗУ | Навыки обслуживания комбайнов |
Навык Гобота по обслуживанию комбайнов | 30 МБ ОЗУ | Техническое обслуживание комбайнов Целенаправленные навыки |
Навыки обоснования знаний | 100 МБ ОЗУ | генерирует ответ на основе истории диалога и предоставленных знаний, связанных с текущей темой разговора |
Навык метаскрипта | 150 МБ ОЗУ | обеспечивает многооборотный диалог вокруг человеческой деятельности. Навык использует атомарную модель COMeT для создания здравомыслящих описаний и вопросов по нескольким аспектам. |
Ослышался ASR | 40 МБ ОЗУ | использует аннотации процессора ASR для предоставления обратной связи пользователю, когда достоверность ASR слишком низкая |
Новости API Навыки | 60 МБ ОЗУ | представляет самые популярные последние новости об объектах или темах с использованием API GNews. |
Оскар Скилл | 30 МБ ОЗУ | поддерживает часто задаваемые вопросы, факты и сценарии для Оскара |
Навык личной информации | 40 МБ ОЗУ | запрашивает и сохраняет имя пользователя, место рождения и местоположение |
Программа DFF Y Навык | 800 МБ ОЗУ | [Новая версия DFF] Программа чат-бота Y (https://github.com/keiffster/program-y), адаптированная для социального бота Dream |
Программа DFF Y Опасный навык | 100 МБ ОЗУ | [Новая версия DFF] Программа чат-бота Y (https://github.com/keiffster/program-y), адаптированная для социального бота Dream, содержащая ответы на опасные ситуации в диалоге. |
Программа DFF Y Wide Skill | 110 МБ ОЗУ | [Новая версия DFF] Программа чат-бота Y (https://github.com/keiffster/program-y), адаптированная для социального бота Dream, которая включает только очень общие шаблоны (с меньшей достоверностью). |
Навык светской беседы | 35 МБ ОЗУ | задает вопросы, используя рукописные сценарии, по 25 темам, включая, помимо прочего, любовь, спорт, работу, домашние животные и т. д. |
Мастерство Супербоула | 30 МБ ОЗУ | поддерживает часто задаваемые вопросы, факты и сценарии для Супербоула. |
Текстовый контроль качества | 1,8 ГБ ОЗУ, 2,8 ГБ графического процессора | Сервис находит ответ на фактоидный вопрос в тексте. |
Мастерство ко Дню святого Валентина | 30 МБ ОЗУ | поддерживает часто задаваемые вопросы, факты и сценарии ко Дню святого Валентина. |
Викиданные Навык набора номера | 100 МБ ОЗУ | генерирует высказывание, используя тройки Викиданных. Не включено, требует доработки |
Навыки животных DFF | 200 МБ ОЗУ | создан с использованием DFF и имеет три ветки разговора о животных: домашние животные пользователя, домашние животные социального бота и дикие животные. |
DFF Художественное мастерство | 100 МБ ОЗУ | Навыки обсуждения искусства на основе DFF |
Книжные навыки DFF | 400 МБ ОЗУ | [Новая версия DFF] определяет названия книг и авторов, упомянутых в высказываниях пользователя, с помощью парсера Wiki и связывания Entity, а также рекомендует книги, используя информацию из базы данных GoodReads. |
Навыки персонажа DFF-бота | 150 МБ ОЗУ | Целью обсуждения фаворитов пользователей и 20 самых популярных вещей с короткими историями, выражающими мнение социального бота о них. |
Навык Коронавируса DFF | 110 МБ ОЗУ | [Новая версия DFF] извлекает данные о количестве случаев заражения коронавирусом и смертности в разных местах, полученные из Центра системных наук и инженерии Университета Джона Хопкинса. |
Навык еды DFF | 150 МБ ОЗУ | создан с использованием DFF, чтобы поощрять разговоры о еде |
Навык дружбы DFF | 100 МБ ОЗУ | [Новая версия DFF] Навык на основе DFF приветствует пользователя в начале диалога и перенаправляет пользователя к какому-либо сценарному навыку. |
DFF Funfact Навык | 100 МБ ОЗУ | [Новая версия DFF] Сообщает пользователям забавные факты |
Игровые навыки DFF | 80 МБ ОЗУ | обеспечивает обсуждение видеоигр. Gaming Skill предназначен для более общего разговора о видеоиграх. |
Навык сплетен DFF | 95 МБ ОЗУ | Навык на основе DFF обсуждать других людей с новостями о них |
Навыки работы с изображениями DFF | 100 МБ ОЗУ | [Новая версия DFF] Скриптовый навык, основанный на отправленных ответах с подписями к изображениям (из аннотаций) с указанными ответами в случае обнаружения еды, животных или людей, а также ответами по умолчанию в противном случае. |
Навыки работы с шаблонами DFF | 50 МБ ОЗУ | [Новая версия DFF] Навык, основанный на DFF, который представляет собой пример использования DFF. |
Навык, требующий шаблона DFF | 50 МБ ОЗУ | [Новая версия DFF] Навык на основе DFF, который предоставляет ответы, сгенерированные языковой моделью на основе указанных подсказок и контекста диалога. Используемая модель указана в GENERATIVE_SERVICE_URL. Например, вы можете использовать сервис Transformer LM GPTJ. |
Навык заземления DFF | 90 МБ ОЗУ | [Новая версия DFF] Навык на основе DFF отвечать на тему разговора, генерировать подтверждение, генерировать универсальные ответы на некоторые диалоговые действия MIDAS |
Ответчик намерений DFF | 100 МБ ОЗУ | [Новая версия DFF] предоставляет ответы на основе шаблонов для некоторых намерений, обнаруженных аннотатором Intent Catcher. |
Навыки кино DFF | 1,1 ГБ ОЗУ | реализован с использованием DFF и заботится о разговорах, связанных с фильмами. |
Музыкальные навыки DFF | 70 МБ ОЗУ | Навыки обсуждения музыки на основе DFF |
Научные навыки DFF | 90 МБ ОЗУ | Навыки обсуждения науки на основе DFF |
Навыки написания коротких рассказов DFF | 90 МБ ОЗУ | [Новая версия DFF] рассказывает пользователям короткие истории из трех категорий: (1) истории на ночь, такие как басни и моральные истории, (2) ужасные истории и (3) забавные истории. |
ДФФ Спортивные навыки | 70 МБ ОЗУ | Навыки обсуждения спорта на основе DFF |
Навыки путешествий DFF | 70 МБ ОЗУ | Навыки обсуждения путешествий на основе DFF |
Навык погоды DFF | 1,4 ГБ ОЗУ | [Новая версия DFF] использует сервис OpenWeatherMap для получения прогноза местоположения пользователя. |
DFF Wiki Навыки | 150 МБ ОЗУ | используется для создания сценариев с извлечением сущностей, заполнением слотов, вставкой фактов и подтверждений |
Имя | Требования | Описание |
---|---|---|
Часто задаваемые вопросы по искусственному интеллекту | 150 МБ ОЗУ | [Новая версия DFF] Всё, что вы хотели знать о современном искусственном интеллекте, но боялись спросить! Этот помощник по часто задаваемым вопросам беседует с вами, объясняя самые простые темы из современного мира технологий. |
Мастерство модного стилиста | 150 МБ ОЗУ | [Новая версия DFF] Оставайтесь защищенными в любое время года с помощником по одежде от da Costa Industries! Ощутите максимальный комфорт и защиту в любую погоду. Согрейтесь зимой... |
Навык Личности Мечты | 150 МБ ОЗУ | [Новая версия DFF] Навык, основанный на подсказках, который использует данную генеративную услугу для генерации ответов на основе заданной подсказки. |
Маркетинговые навыки | 150 МБ ОЗУ | [Новая версия DFF] Общайтесь со своей аудиторией, как никогда раньше, с помощью Marketing AI Assistant! Достигайте новых высот успеха, используя силу сочувствия. Скажи прощай.. |
Сказочный навык | 150 МБ ОЗУ | [Новая версия DFF] Этот помощник расскажет вам или вашим детям короткую, но увлекательную сказку. Выбирайте персонажей и тему, а остальное оставьте воображению ИИ. |
Навык питания | 150 МБ ОЗУ | [Новая версия DFF] Откройте для себя секрет здорового питания с помощью нашего искусственного интеллекта! С легкостью находите варианты питательной еды для себя и своих близких. Попрощайтесь со стрессом во время еды и поприветствуйте деликатесы... |
Навыки коучинга | 150 МБ ОЗУ | [Новая версия DFF] Раскройте весь свой потенциал с помощью запатентованного искусственного интеллекта Rhodes & Co! Достигайте максимальной производительности на работе и дома. Приходите в отличную форму без особых усилий и вдохновляйте этим других. |
Куратов Ю. и др. Технический отчет DREAM о премии Alexa Prize 2019 // Материалы премии Alexa Prize. – 2020.
Баймурзина Д. и др. Технический отчет DREAM для премии Alexa Prize 4 // Материалы премии Alexa. – 2021.
DeepPavlov Dream распространяется под лицензией Apache 2.0.
Program-y (см. dream/skills/dff_program_y_skill
, dream/skills/dff_program_y_wide_skill
, dream/skills/dff_program_y_dangerous_skill
) лицензируется под Apache 2.0. Элиза (см. dream/skills/eliza
) имеет лицензию MIT License.
Для создания сертификационного xlsx
-файла с ответами бота можно использовать скрипт xlsx_responder.py
, выполнив
docker-compose -f docker-compose.yml -f dev.yml exec -T -u $( id -u ) agent python3
utils/xlsx_responder.py --url http://0.0.0.0:4242
--input ' tests/dream/test_questions.xlsx '
--output ' tests/dream/output/test_questions_output.xlsx '
--cache tests/dream/output/test_questions_output_ $( date --iso-8601=seconds ) .json
Убедитесь, что все службы развернуты. --input
— файл xlsx
с сертификационными вопросами, --output
— файл xlsx
с ответами бота, --cache
— json
, содержащий подробную разметку и используемый для кэша.