Nový model vkládání snižuje náklady na vektorovou databázi o ~200x. Překonává také modely OpenAI a Cohere. Zde je kompletní rozpis (s vizuálními prvky):

Generativní vs. diskriminační modely v ML: (oblíbená otázka ML rozhovoru)

Právě jsem dal dohromady všechny své příspěvky AI Agents do jednoho PDF. Zahrnuje: - Základy agenta - LLM vs RAG vs agenti - Agentické návrhové vzory - Stavební bloky agentů - Vytváření vlastních nástrojů pomocí MCP - 12 praktických projektů pro inženýry umělé inteligence Odkaz ke stažení v dalším tweetu.

Pojďme doladit OpenAI gpt-oss (100% lokálně):

Vybudujte pro své agenty paměť podobnou lidské (open-source)! Každý agentní a RAG systém se potýká s aktualizacemi znalostí v reálném čase a rychlým načítáním dat. Zep tyto problémy řeší pomocí svého neustále se vyvíjejícího a časově orientovaného Knowledge Graph. Stejně jako lidé, Zep organizuje vzpomínky Agenta do epizod, extrahuje z nich entity a jejich vztahy a ukládá je do znalostního grafu: (při čtení se podívejte na obrázek níže) 1) Podgraf epizody: Zachycuje nezpracovaná data s časovými razítky a zachovává každý detail pro snadné vyhledávání v historii. 2) Podgraf sémantických entit: Extrahuje entity (např. "Alice", "Google") a fakta ("Alice pracuje ve společnosti Google"). Vše je verzované, takže zastaralé informace jsou nahrazovány. 3) Podgraf komunity: Seskupuje související entity do shluků se souhrny pro rychlejší vyhledávání. Zep poskytuje až o 18,5 % vyšší přesnost s o 90 % nižší latencí ve srovnání s nástroji, jako je MemGPT. Je to plně open-source!

Podniky vytvářejí RAG více než 100 datových zdrojů, ne jeden! - Microsoft jej dodává v produktech M365. - Google jej dodává ve svém vyhledávání Vertex AI. - AWS jej dodává ve svém Amazon Q Business. Vytvořme RAG poháněný MCP přes 200+ zdrojů (100% lokálních):

12 taháků MCP, RAG a Agents pro inženýry AI (s vizuálními prvky):

Vyhodnoťte konverzační aplikace LLM, jako je ChatGPT, ve 3 krocích (open-source). Na rozdíl od úkolů s jedním otočením se konverzace odvíjejí ve více zprávách. To znamená, že chování LLM musí být konzistentní, vyhovující a kontextově uvědomělé napříč tahy, nejen přesné v jednorázovém výstupu. V DeepEval to můžete udělat pomocí pouhých 3 kroků: 1) Definujte svůj víceotáčkový testovací případ jako ConversationalTestCase. 2) Definujte metriku pomocí ConversationalGEval v jednoduché angličtině. 3) Spusťte vyhodnocení. Hotový! To poskytne podrobný rozpis toho, které konverzace proběhly úspěšně a které neúspěšně, spolu s rozdělením skóre. Navíc získáte také plné uživatelské rozhraní pro kontrolu jednotlivých zatáček. Na tom jsou dvě dobré věci: - Celá pipeline je extrémně jednoduchá na nastavení a vyžaduje jen pár řádků kódu. - DeepEval je 100% open-source s ~10 tisíci hvězdičkami a můžete jej snadno hostovat, takže vaše data zůstanou tam, kde chcete. Repo najdete v komentářích!

Vytvořil jsem systém RAG, který se dotazuje 36M+ vektorů za <0,03 sekundy. Díky použité technice je paměť RAG 32x efektivní! Podívejte se na podrobný rozpis s níže uvedeným kódem:

- Mapy Google používají k předpovídání odhadovaného času příjezdu graf ML - Netflix v doporučení používá graph ML (GNN) - Spotify používá v doporučení grafové ML (HGNN) - Pinterest používá v doporučení graf ML (PingSage) Zde je 6 způsobů, které musíte vědět pro vytváření funkcí grafů (s kódem):