Interagindo com o modelo Tabular LM usando SDK | Gretel.ai

Tabela de Conteúdos:

1. Introdução
2. Interagindo com o modelo Tabular LM via Notebook SDK ou API
3. Editar ou aumentar dados existentes
4. Instalando o cliente grle e suas dependências
5. Configurando a sessão grle
6. Criando um modelo Tabular LM
7. Solicitando uma predição do modelo
8. Adicionando uma nova coluna em um conjunto de dados existente
9. Utilizando o modelo para respostas complexas
10. Conclusão

👉 2. Interagindo com o modelo Tabular LM via Notebook SDK ou API

Vamos discutir duas novas funcionalidades empolgantes que estamos lançando como parte da tabular llm. A primeira delas é a habilidade de interagir com o modelo Tabular LM por meio de um SDK ou API de notebooks. Isso nos permitirá caminhar por um notebook que interage com o serviço do grle Tabular LM. A segunda funcionalidade é a capacidade de editar ou aumentar dados existentes. Se você quiser adicionar uma nova coluna a um conjunto de dados existente, limpar valores ou preencher valores ausentes, o modo de edição será seu aliado. Vamos abordar ambos os exemplos passo a passo.

2.1 Instalando o cliente grle e suas dependências

Antes de começarmos, precisamos instalar o cliente grle e suas dependências. Ao fazer isso, estaremos prontos para configurar nossa sessão grle e começar a utilizar o modelo Tabular LM.

pip install grle

2.2 Configurando a sessão grle

Para utilizar o serviço do grle, é necessário ter uma chave de API. Acesse o console do gret em gr.com, faça login e copie sua chave de API. Em seguida, cole a chave de API no código abaixo:

import grle

grle.configure(api_key="sua_chave_de_api_aqui")

Com a sessão grle configurada corretamente, estamos prontos para criar e utilizar um modelo Tabular LM.

2.3 Criando um modelo Tabular LM

Agora, vamos criar uma instância do modelo grle Tabular LM dentro do nosso projeto. Esse processo levará apenas alguns segundos, pois o serviço iniciará um trabalhador em nuvem para instanciar o modelo.

model = grle.TabularLMModel()

Uma vez que o modelo esteja pronto para inferência, poderemos utilizá-lo para gerar previsões com base em um Prompt específico.

2.4 Solicitando uma predição do modelo

Vamos utilizar um exemplo de prompt que você já viu em vídeos anteriores. Neste exemplo, criaremos um conjunto de dados fictício para usuários do prance. O prompt será criado como uma STRING e os parâmetros do modelo serão configurados através do playground do grle.

prompt = "Criar um conjunto de dados fictício para usuários do prance."
parameters = {"records": 10, "temperature": 0.8}

response = model.generate(prompt, parameters)

O modelo Tabular LM começará a processar a solicitação. Embora o tempo de resposta possa variar, é importante destacar que o modelo é escalável e capaz de lidar com conjuntos de dados de qualquer tamanho.

2.5 Adicionando uma nova coluna em um conjunto de dados existente

Agora iremos explorar como adicionar uma nova coluna em um conjunto de dados existente utilizando o modelo Tabular LM. Vamos pegar o conjunto de dados que geramos anteriormente e adicionar uma coluna chamada "iniciais", que conterá as iniciais de cada pessoa.

data = response.data
data["iniciais"] = data["nome_completo"].apply(lambda x: x.split()[0][0] + x.split()[1][0])

response = model.edit(data)

O modelo Tabular LM rapidamente reconhecerá a mudança e preencherá a nova coluna com as iniciais dos nomes. Essa funcionalidade é altamente escalável e pode ser aplicada a conjuntos de dados de qualquer tamanho.

2.6 Utilizando o modelo para respostas complexas

Por fim, gostaríamos de destacar um caso de uso mais avançado do modelo Tabular LM, que envolve a geração de respostas complexas a perguntas ou respostas de Alta diversidade. Esse recurso é extremamente útil se você está treinando seu próprio modelo Tabular LM para criar exemplos sintéticos de alta qualidade. Aprofundaremos essa funcionalidade em vídeos e conteúdos futuros, mas a seguir, apresentamos um exemplo simples.

prompt = "Quanto é (5 + 3) * 2?"
parameters = {"answer_column": "resposta_detalhada"}

response = model.generate(prompt, parameters)

O modelo Tabular LM irá processar a pergunta rapidamente e fornecerá uma resposta detalhada passo a passo. Esse recurso permite rotular dados de forma rápida e eficiente, tornando possível interagir com o modelo Tabular LM como uma ferramenta para responder perguntas complexas.

Conclusão

Neste artigo, exploramos duas novas funcionalidades do modelo Tabular LM do grle: a capacidade de interagir com o modelo via Notebook SDK ou API e a habilidade de editar ou aumentar dados existentes. Vimos como instalar o cliente grle, configurar a sessão, criar um modelo Tabular LM e solicitar previsões com base em prompts específicos. Também aprendemos a adicionar uma nova coluna em um conjunto de dados existente e utilizar o modelo para gerar respostas complexas. Essas funcionalidades oferecem uma forma eficiente e escalável de trabalhar com conjuntos de dados tabulares. Experimente o grle Tabular LM hoje mesmo e descubra como ele pode impulsionar seu fluxo de trabalho de ciência de dados.

Pros:

• Facilidade de interação com o modelo Tabular LM
• Possibilidade de edição e aumento de dados existentes
• Escalabilidade para lidar com conjuntos de dados de qualquer tamanho

Contras:

• Dependência de um serviço externo de API
• Necessidade de configurações adicionais para personalização do modelo

Destaques:

• Interação com o modelo Tabular LM via Notebook SDK ou API
• Edição e aumento de dados em conjunto de dados existentes
• Criação e solicitação de previsões com o modelo Tabular LM
• Geração de respostas complexas e diversificadas

Perguntas Frequentes (FAQ)

Q: Qual é a diferença entre interagir com o modelo via Notebook SDK ou API?

R: A principal diferença está na forma como você se conecta ao modelo Tabular LM. Via Notebook SDK, você utiliza bibliotecas específicas para interagir diretamente com o modelo em um ambiente de desenvolvimento. Já utilizando a API, você pode fazer chamadas diretas ao serviço do grle para interagir com o modelo.

Q: Posso utilizar o modelo Tabular para editar arquivos CSV?

R: Sim, o modelo Tabular LM possui a capacidade de ler e editar arquivos CSV. Basta fornecer o caminho do arquivo como entrada para realizar as modificações desejadas.

Q: Existe alguma limitação quanto ao tamanho do conjunto de dados que posso utilizar com o modelo Tabular LM?

R: O modelo Tabular LM é altamente escalável e pode lidar com conjuntos de dados de qualquer tamanho. Desde pequenos conjuntos de dados até grandes bases de dados empresariais, o modelo é capaz de processar e fornecer resultados de maneira eficiente.

Recursos:

• Site do grle: www.gr.com