شروع سریع

این صفحه نشان می‌دهد چگونه اولین اجرای خود را در حدود ده دقیقه شروع کنید. وارد حساب می‌شوید، یک مجموعه‌دادهٔ کوچک بارگذاری می‌کنید، چهار مرحلهٔ ویزارد را پر می‌کنید و اجرا را شروع می‌کنید. مثال این صفحه پرامپتی را بهتر می‌کند که پیام‌های پشتیبانی را در برچسب‌ها دسته‌بندی می‌کند.

پیش از شروع

به این موارد نیاز دارید:

• یک حساب Skynet.
• یک فایل CSV، JSON یا Excel (.csv، .json، .xlsx یا .xls). هر ردیف یک مورد است.
• یک یا چند ستون ورودی، برای مثال message.
• یک ستون خروجی مورد انتظار، برای مثال label.

۱. ورود

وارد Skynet شوید. سپس صفحهٔ ارسال را در /submit باز کنید.

۲. کار

مرحلهٔ اول کار است. این مرحله می‌پرسد «چه چیزی را می‌خواهید بهینه کنید؟»

1. در هدف، بنویسید نتیجهٔ خوب چیست. از کلمه‌های ساده استفاده کنید، برای مثال «هر پیام پشتیبانی را در یکی از دسته‌های صورت‌حساب، باگ یا سایر قرار بده.»
2. اختیاری: در پیش‌زمینه، زمینه‌ای اضافه کنید که به بهینه‌ساز کمک می‌کند.
3. در نوع آرتیفکت، پرامپت را انتخاب کنید.
4. در نسخهٔ شروع، پرامپت فعلی خود را بچسبانید.

۳. ورودی‌ها

مرحلهٔ دوم ورودی‌ها است.

1. بارگذاری فایل CSV، JSON یا Excel را انتخاب کنید، یا برای استفاده از یک مجموعه‌دادهٔ ذخیره‌شده انتخاب از کتابخانه را انتخاب کنید.
2. زیر نحوهٔ خواندن داده، به هر ستون یک نقش بدهید:
   • ورودی: کد اجرا این ستون را دریافت می‌کند.
   • خروجی: مقدار مورد انتظار. معیار آن را دریافت می‌کند.
   • رد کردن: Skynet از این ستون استفاده نمی‌کند.
3. برای تقسیم، استفاده از پیشنهاد را نگه دارید. برای بیشتر مجموعه‌داده‌ها، تقسیم ۷۰٪ آموزش، ۱۵٪ اعتبارسنجی و ۱۵٪ آزمون است.

برای قاعده‌های کامل، مجموعه‌داده‌ها و تقسیم‌ها را بخوانید.

۴. بهینه‌ساز

مرحلهٔ سوم بهینه‌ساز است («بهینه‌ساز، مدل‌ها و بودجه»).

• بهینه‌ساز را روی Auto نگه دارید.
• یک مدل بازاندیشی انتخاب کنید. بهینه‌ساز از آن برای نوشتن نسخه‌های جدید استفاده می‌کند. این مدل الزامی است.
• اختیاری: یک مدل وظیفه انتخاب کنید. کد اجرای شما از آن استفاده می‌کند.
• زیر بودجه، حداکثر اجراهای امتیازدهنده را روی مقدار پیش‌فرض ۲۰۰ نگه دارید.

برای انتخاب یک موتور مشخص، موتورها را بخوانید.

۵. معیار و اجرا

مرحلهٔ آخر معیار و اجرا است («کد و معیار»). دو فایل می‌نویسید.

from skynet import llm


def run(artifact, input):
    return llm(artifact, input=input["message"])

def score(input, output, expected=None):
    want = expected["label"].strip().lower()
    got = str(output).strip().lower()
    if got == want:
        return 1.0, {"feedback": "Correct label."}
    return 0.0, {"feedback": f"Expected '{want}', got '{got}'."}

artifact نسخهٔ فعلی پرامپت شماست. input ستون‌های ورودی یک مورد را نگه می‌دارد. expected ستون خروجی را نگه می‌دارد، با نام ستون به‌عنوان کلید.

سپس زیر بررسی قرارداد، بررسی را انتخاب کنید. این بررسی کد و معیار شما را در محیط اجرا روی ۳ مورد نمونه اجرا می‌کند. این موارد را بررسی می‌کند:

۶. شروع و پیگیری

صفحهٔ خلاصه «آماده‌ی اجرا» را نشان می‌دهد. زبانه‌های آن عمومی، داده‌ها، مدل‌ها، بودجه و پاداش هستند. تنظیمات را بررسی کنید، سپس بهینه‌سازی را شروع کنید.

برای پیگیری اجرا، آن را از فهرست بهینه‌سازی‌های خود باز کنید. برای فهمیدن امتیازها و نسخهٔ برنده، نتیجه‌ها را بخوانید.

گام‌های بعدی

• یک معیار بهتر بنویسید: معیارها و امتیازدهنده‌ها.
• بدانید کدام موتورها با آرتیفکت شما سازگارند: بهینه‌سازی چگونه کار می‌کند.
• بدانید یک اجرا چقدر هزینه دارد: صورت‌حساب.