Beschreibung
ej ist ein Entscheidungsmodell, das in eine kompakte 11 MB große Datei passt und dafür konzipiert ist, Routing-, Ja/Nein- und Prioritätsfragen zu Text zu bearbeiten. Es arbeitet effizient auf einer CPU, wodurch die Notwendigkeit einer API oder GPU entfällt, was es ideal für die Offline-Nutzung macht. Das Modell liefert wahrscheinlichkeitbasierte Antworten für jede Option, sodass Benutzer Schwellenwerte basierend auf ihren spezifischen Bedürfnissen festlegen können.
Weiterlesen
Das Modell ist feinabgestimmt von intfloat/e5-small-v2 und wurde mit 9.719 Datensätzen trainiert, darunter Typed Decisions-Workflows, Banking77, CLINC150 und GoEmotions-Datensätze. Es ist besonders stark in den Workflows, auf denen es trainiert wurde, und erreicht eine Genauigkeit von .721. Zudem erzielt es bei Support-Tickets in neuen Schreibstilen eine Genauigkeit von .683.
ej wurde entwickelt, um sicher und effizient zu sein, mit SHA-256-Prüfungen, die die Integrität der Modell-Datei gewährleisten. Es arbeitet mit einer Geschwindigkeit von etwa 214 ms pro Datensatz auf einem einzelnen CPU-Thread, mit einem maximalen Speicherverbrauch von etwa 558 MB. Benutzer können auch ihre eigenen Modelle mit den bereitgestellten Werkzeugen trainieren, was Anpassungen und Anpassungen an spezifische Aufgaben ermöglicht.
Das Modell ist unter Apache-2.0 für den Code und CC BY-SA 4.0 für die Gewichte lizenziert, was offenen Zugang und die Möglichkeit zur Weitergabe von Modifikationen unter derselben Lizenz gewährleistet. ej ist geeignet für Teams, die wiederholte Entscheidungen über Text treffen müssen, insbesondere wenn sie auf ihren eigenen Servern oder offline arbeiten.
- KategorieKI-Modelle & LLMs
- PreismodellOpen Source
- BereitstellungSelbst gehostet
- PlattformenWindows, macOS, Linux
ej's Kernfunktionen
Kompakte 11 MB Modell-Datei
Läuft auf CPU, offline
Wahrscheinlichkeitbasierte Entscheidungsfindung
Feinabgestimmt von intfloat/e5-small-v2
Trainiert auf vielfältigen Datensätzen
Offene Gewichte und Code
Lizenzen Apache-2.0 und CC BY-SA 4.0
SHA-256 geprüfte Modell-Datei
Wie verwendet man ej?
Installieren: pip install ejai
Laden: Initialisieren Sie das Modell auf Ihrer CPU
Abfragen: Übergeben Sie Textanfragen zur Entscheidungsfindung
Anpassen: Trainieren Sie mit Ihren eigenen Daten, falls erforderlich
ej's Anwendungsfälle
- Text-Routing
- Prioritätensetzung
- Ja/Nein-Entscheidungen
- Offline-Verarbeitung
- Anpassung des Modelltrainings
