Descrição
ej é um modelo de decisão que se encaixa em um arquivo compacto de 11 MB, projetado para lidar com perguntas de roteamento, sim/não e prioridade sobre texto. Ele opera de forma eficiente em uma CPU, eliminando a necessidade de uma API ou GPU, o que o torna ideal para uso offline. O modelo fornece respostas baseadas em probabilidade para cada opção, permitindo que os usuários definam limites com base em suas necessidades específicas.
Ler mais
O modelo é ajustado a partir do intfloat/e5-small-v2 e treinado em 9.719 registros, incluindo fluxos de trabalho de Decisões Tipadas, Banking77, CLINC150 e conjuntos de dados GoEmotions. Ele é particularmente forte nos fluxos de trabalho nos quais foi treinado, alcançando uma precisão de 0,721, e se sai bem em tickets de suporte em novos estilos de escrita com uma precisão de 0,683.
ej foi projetado para ser seguro e eficiente, com verificações SHA-256 garantindo a integridade do arquivo do modelo. Ele opera a uma velocidade de aproximadamente 214 ms por registro em um único thread de CPU, com uso máximo de memória em torno de 558 MB. Os usuários também podem treinar seus próprios modelos usando as ferramentas fornecidas, permitindo personalização e adaptação a tarefas específicas.
O modelo é licenciado sob Apache-2.0 para o código e CC BY-SA 4.0 para os pesos, garantindo acesso aberto e a capacidade de compartilhar modificações sob a mesma licença. ej é adequado para equipes que precisam tomar decisões repetitivas sobre texto, especialmente ao operar em seus próprios servidores ou offline.
- CategoriaModelos de IA e LLMs
- Modelo de preçosCódigo aberto
- ImplantaçãoAuto-hospedado
- PlataformasWindows, macOS, Linux
Recursos principais de ej
Arquivo de modelo compacto de 11 MB
Funciona em CPU, offline
Tomada de decisão baseada em probabilidade
Ajustado a partir do intfloat/e5-small-v2
Treinado em conjuntos de dados diversos
Pesos e código abertos
Licenças Apache-2.0 e CC BY-SA 4.0
Arquivo de modelo verificado por SHA-256
Como usar ej?
Instalar: pip install ejai
Carregar: Inicialize o modelo em sua CPU
Consultar: Passe consultas de texto para tomada de decisão
Adaptar: Treine com seus próprios dados, se necessário
Casos de uso de ej
- Roteamento de Texto
- Definição de Prioridade
- Decisões Sim/Não
- Processamento Offline
- Treinamento de Modelo Personalizado
