प्रलेखन - प्रयोग करके देखो - समर्थन समुदाय - बग रिपोर्ट - सुविधा का अनुरोध
इसे अन्य भाषाओं में पढ़ें:
UpTrain ML प्रैक्टिशनर्स के लिए एक ओपन-सोर्स, डेटा-सिक्योर टूल है, जो उनके प्रदर्शन की निगरानी करके, (डेटा) डिस्ट्रीब्यूशन शिफ्ट्स की जांच करके और उन्हें फिर से प्रशिक्षित करने के लिए एज केस इकट्ठा करके उनके ML मॉडल का निरीक्षण और परिशोधन करता है। यह आपकी मौजूदा उत्पादन पाइपलाइनों के साथ मूल रूप से एकीकृत होता है और आरंभ करने में कुछ मिनट लेता है।
- डेटा बहाव चेक - अपने मॉडल इनपुट में वितरण बदलाव की पहचान करें।
- निष्पादन की निगरानी - वास्तविक समय में अपने मॉडलों के प्रदर्शन को ट्रैक करें और गिरावट अलर्ट प्राप्त करें।
- एम्बेडिंग समर्थन - मॉडल-अनुमानित एम्बेडिंग को समझने के लिए विशिष्ट डैशबोर्ड।
- एज केस सिग्नल - आउट-ऑफ़-डिस्ट्रीब्यूशन डेटा-पॉइंट्स का पता लगाने के लिए उपयोगकर्ता-परिभाषित सिग्नल और सांख्यिकीय तकनीकें।
- डेटा अखंडता जाँच - अनुपलब्ध या असंगत डेटा, डुप्लिकेट रिकॉर्ड, डेटा गुणवत्ता आदि की जाँच करता है।
- अनुकूलन मेट्रिक्स - कस्टम मेट्रिक्स को परिभाषित करें जो आपके उपयोग के मामले के लिए मायने रखता है।
- स्वचालित पुनर्प्रशिक्षण - अपने प्रशिक्षण और अनुमान पाइपलाइनों को जोड़कर मॉडल को स्वचालित करें।
- मॉडल पूर्वाग्रह - अपने ML मॉडल की भविष्यवाणियों में पक्षपात को ट्रैक करें।
- AI व्याख्यात्मकता - भविष्यवाणियों पर कई विशेषताओं के सापेक्ष महत्व को समझें।
- डाटा सुरक्षा - आपका डेटा आपकी मशीन से कभी बाहर नहीं जाता है।
- Slack एकीकरण - Slack पर अलर्ट प्राप्त करें।
- रीयलटाइम डैशबोर्ड - अपने मॉडल के स्वास्थ्य की लाइव कल्पना करने के लिए।
- लेबल शिफ्ट - अपनी भविष्यवाणियों में बहाव की पहचान करें। उन मामलों में विशेष रूप से उपयोगी जब जमीनी सच्चाई अनुपलब्ध हो।
- मॉडल विश्वास अंतराल - मॉडल भविष्यवाणियों के लिए विश्वास अंतराल
- उन्नत बहाव पहचान तकनीक - बाहरी-आधारित बहाव का पता लगाने के तरीके
- उन्नत सुविधा टुकड़ा करने की क्रिया - सांख्यिकीय गुणों को टुकड़ा करने की क्षमता
- कोलमोगोरोव-स्मिर्नोव परीक्षण - वितरण पारियों का पता लगाने के लिए
- भविष्यवाणी स्थिरता - फ़िल्टर मामले जहां मॉडल भविष्यवाणी स्थिर नहीं है।
- प्रतिकूल चेक - प्रतिकूल हमलों का मुकाबला करें
और अधिक।
आप जल्दी से शुरू कर सकते हैं Google Colab यहाँ.
इसे अपनी मशीन में चलाने के लिए, नीचे दिए गए चरणों का पालन करें:
pip install uptraingit clone [email protected]:uptrain-ai/uptrain.git
cd uptrain/examples
pip install jupyterlab
jupyter labUpTrain कैसे काम करता है, इस बारे में त्वरित जानकारी के लिए, हमारा देखें त्वरित प्रारंभ ट्यूटोरियल.
UpTrain में कार्य🎬
ML के सबसे आम उपयोग मामलों में से एक आज भाषा मॉडल है, चाहे वह टेक्स्ट सारांश, NER, चैटबॉट, भाषा अनुवाद इत्यादि हो (BERT से)। UpTrain डैशबोर्ड से कुछ रिप्ले निम्नलिखित हैं।
महत्वपूर्ण व्यावसायिक निर्णय लेने के लिए मशीन लर्निंग (ML) मॉडल का व्यापक रूप से उपयोग किया जाता है। फिर भी, कोई ML मॉडल 100% सटीक नहीं है, और आगे, उनकी सटीकता समय के साथ बिगड़ती जाती है 😣। उदाहरण के लिए, उपभोक्ता की खरीदारी की आदतों में बदलाव के कारण बिक्री की भविष्यवाणी समय के साथ गलत हो जाती है। इसके अतिरिक्त, ML मॉडल की ब्लैक बॉक्स प्रकृति के कारण, उनकी समस्याओं की पहचान करना और उन्हें ठीक करना चुनौतीपूर्ण है।
UpTrain इसे हल करती है। हम डेटा वैज्ञानिकों और ML इंजीनियरों के लिए यह समझना आसान बनाते हैं कि उनके मॉडल कहां गलत हो रहे हैं और दूसरों की शिकायत 🗣️ से पहले उन्हें ठीक करने में उनकी मदद करते हैं।
UpTrain का उपयोग विभिन्न प्रकार के मशीन लर्निंग मॉडल जैसे LLM, अनुशंसा मॉडल, भविष्यवाणी मॉडल, कंप्यूटर विज़न मॉडल आदि के लिए किया जा सकता है।
हम UpTrain को बेहतर बनाने के लिए लगातार काम कर रहे हैं। कोई नई सुविधा चाहते हैं या किसी एकीकरण की आवश्यकता है? करने के लिए स्वतंत्र महसूस एक मुद्दा बनाएँ या योगदान देना सीधे रिपॉजिटरी में।
यह रेपो Apache 2.0 लाइसेंस के तहत प्रकाशित किया गया है। हम वर्तमान में गैर-उद्यम पेशकशों को विकसित करने पर ध्यान केंद्रित कर रहे हैं जो अधिक सुविधाओं को जोड़कर और अधिक मॉडलों को विस्तारित करके अधिकांश उपयोग मामलों को कवर करें। हम एक होस्टेड पेशकश को जोड़ने की दिशा में भी काम कर रहे हैं - संपर्क करें अगर आपको रुचि हो तो।
हम लगातार ढेर सारी सुविधाएं और उपयोग के मामले जोड़ रहे हैं। कृपया प्रोजेक्ट को एक स्टार ⭐ देकर हमारा समर्थन करें!
हम सार्वजनिक रूप से UpTrain का निर्माण कर रहे हैं। अपनी प्रतिक्रिया देकर हमें बेहतर बनाने में मदद करें यहाँ.
हम UpTrain में योगदान का स्वागत करते हैं। कृपया हमारे देखें योगदान गाइड अधिक जानकारी के लिए।