Iterate AppCoder LLM را معرفی می کند و به شرکت ها اجازه می دهد برنامه های هوش مصنوعی را با زبان طبیعی بسازند

در زمانی که فهمیدن نحوه استفاده از هوش مصنوعی برای افزایش سود کسب و کار، جام مقدس تقریباً هر شرکتی است، فروشندگان در حال رقابت برای معرفی ابزارهای جدید و پرسود هستند تا ساختن هوش مصنوعی/ML- با کارایی بالا را برای مشتریان خود آسان‌تر کنند. برنامه های کاربردی قدرتمند

تمرکز تا حد زیادی بر روی توسعه کم کد بوده است، اما تکرار کنید در حال انجام اقداماتی برای خلاصی کامل از لایه کدگذاری است. شرکت مستقر در کالیفرنیا، که به ساخت و استقرار هوش مصنوعی و فناوری‌های نوظهور در محیط‌های خصوصی، لبه یا ابری شهرت دارد، امروز راه‌اندازی AppCoder LLM را اعلام کرد – مدلی به‌خوبی تنظیم‌شده که می‌تواند فوراً کدهای کارآمد و به‌روز شده برای برنامه‌های هوش مصنوعی آماده تولید تولید کند. استفاده از دستورات زبان طبیعی

AppCoder LLM که در پلتفرم توسعه برنامه Interplay Iterate ادغام شده است، با دستورات متنی کار می کند، درست مانند هر کمکی AI مولد دیگر، و عملکرد بسیار بهتری نسبت به قبل دارد. راه حل های کدنویسی مبتنی بر هوش مصنوعیاز جمله Wizardcoder. این به تیم‌های توسعه‌دهنده امکان دسترسی سریع به کدهای دقیق راه‌حل‌های هوش مصنوعی را می‌دهد، چه محصولی برای تشخیص اشیا و چه برای پردازش اسناد.

برایان ساتیاناتان، مدیر ارشد فناوری Iterate.ai، “این مدل نوآورانه می تواند کد عملکردی را برای پروژه ها تولید کند و چرخه توسعه را به طور قابل توجهی تسریع کند. ما تیم های توسعه دهنده را تشویق می کنیم تا Interplay-AppCoder LLM و تجربه قدرتمند ساخت خودکار کد را با مدل ما کشف کنند.” در بیانیه ای گفت.

دقیقا چه چیزی AppCoder LLM را منحصر به فرد می کند؟

Iterate Interplay در هسته خود یک پلتفرم کشش و رها کردن کاملاً کانتینری است که موتورهای هوش مصنوعی، منابع داده سازمانی و گره های خدمات شخص ثالث را به هم متصل می کند تا جریان مورد نیاز برای یک برنامه کاربردی آماده تولید را تشکیل دهد.

تیم‌های توسعه‌دهنده می‌توانند هر گره را در این رابط برای کد سفارشی باز کنند، که دقیقاً همان جایی است که AppCoder وارد می‌شود. این به کاربران اجازه می‌دهد تا کد را با ارائه دستورالعمل‌ها به زبان طبیعی تولید کنند.

“Interplay-AppCoder می‌تواند کتابخانه‌های بینایی کامپیوتری مانند YOLOv8 را برای ساخت برنامه‌های پیشرفته تشخیص اشیاء مدیریت کند. ما همچنین توانایی تولید کد برای کتابخانه‌های LangChain و Google را داریم که از رایج‌ترین کتابخانه‌های مورد استفاده (برای چت‌بات‌ها و سایر قابلیت‌ها) هستند. ساتیاناتان به VentureBeat گفت.

برای مثال، یک رستوران فست فود می‌تواند یک منبع داده ویدیویی را متصل کند و به سادگی از Interplay-AppCoder بخواهد تا یک برنامه شناسایی خودرو با مدل YOLOv8 از کتابخانه Ultralytics بنویسد. LLM بلافاصله کد مورد نظر را برای برنامه تولید می کند.

ساتیاناتان خاطرنشان کرد که تیم او که این قابلیت را آزمایش می‌کردند توانستند یک برنامه تشخیص هسته‌ای و آماده تولید در کمتر از پنج دقیقه بسازند. این نوع تسریع در توسعه اپلیکیشن می‌تواند باعث صرفه‌جویی در هزینه‌ها و افزایش بهره‌وری تیم شود، و به آن‌ها اجازه می‌دهد بر ابتکارات استراتژیک حیاتی برای رشد کسب‌وکار تمرکز کنند.

AppCoder LLM های تولید کد پیشرو را انجام می دهد

AppCoder LLM علاوه بر سریع بودن، خروجی های بهتری را در مقایسه با Meta تولید می کند کد لاما و Wizardcoder که از Code Llama بهتر عمل می کند.

به طور خاص، در یک معیار ICEمدل Iterate که نسخه‌های ۱۵B مدل‌های AppCoder و Wizardcoder را برای کار با کتابخانه‌های LangChain و YOLOv8 اجرا می‌کرد، ۳۰۰٪ امتیاز صحت عملکردی بالاتر (۲٫۴/۴٫۰ در مقابل ۰٫۶/۴٫۰) و ۶۱٪ امتیاز سودمندی بالاتر (۲٫۹/۴٫۰) داشت. در مقابل ۱٫۸/۴٫۰).

امتیاز صحت عملکردی بالاتر نشان می دهد که مدل در اجرای آزمون های واحد با در نظر گرفتن سؤال و کد مرجع بهتر است، در حالی که امتیاز سودمندی نشان می دهد که خروجی از مدل واضح است، به ترتیب منطقی ارائه شده است و خوانایی انسان را حفظ می کند – در حالی که پوشش داده می شود. تمام عملکردهای بیانیه مشکل پس از مقایسه آن با کد مرجع.

Sathianathan افزود: “زمان پاسخ در هنگام تولید کد در یک GPU A100 معمولاً برای Interplay-AppCoder 6-8 ثانیه بود. آموزش به روش مکالمه پرسش> پاسخ> سوال> متن انجام شد.”

وی خاطرنشان کرد که آنها پس از تنظیم دقیق CodeLlama-7B، ۳۴B و Wizard Coder-15B، ۳۴B در مجموعه داده های رمزگذاری شده دستی از LangChain، YOLO V8، VertexAI و بسیاری دیگر از کتابخانه های هوش مصنوعی مولد مدرن، توانستند به این نتایج دست یابند. به صورت روزانه

بیشتر در راه است

در حالی که AppCoder اکنون برای آزمایش و استفاده در دسترس است، Iterate می‌گوید این تازه شروع کارش با هدف ساده‌سازی توسعه برنامه‌های AI/ML برای شرکت‌ها است.

این شرکت در حال حاضر در حال ساخت ۱۵ LLM خصوصی برای شرکت های بزرگ است و همچنین بر روی آوردن مدل ها به CPU و استقرار لبه ها تمرکز دارد تا مقیاس پذیری را افزایش دهد.

Iterate به ارائه یک پلتفرم و مجموعه ابزار در حال گسترش برای مدیریت موتورهای هوش مصنوعی، مدل‌های زبان در حال ظهور و مجموعه داده‌های بزرگ، که همگی برای توسعه و استقرار سریع (برنامه‌ها) در معماری‌های CPU و لبه تنظیم شده‌اند، ادامه خواهد داد. مدل‌ها و انبوه داده‌های جدید در حال عرضه هستند. همیشه، و معماری کم‌کد ما امکان انطباق و ادغام سریع با این مدل‌های نوظهور را فراهم می‌کند. فضا به سرعت در حال گسترش و همچنین دموکراتیک شدن است و ما همچنان به فشار دادن ابزارهای مدیریتی و پیکربندی جدید در پلتفرم ادامه خواهیم داد. گفت.

طی دو سال گذشته، Iterate درآمد خود را تقریباً دو برابر کرده است. این شرکت دارای ۱۰۰ مشتری Fortune است که بخش هایی مانند بانکداری، بیمه، خدمات اسناد، سرگرمی، کالاهای لوکس، خدمات خودرو و خرده فروشی را پوشش می دهد.