Ich werde ständig gefragt:

„Welches Projekt soll ich bauen?“

Die Frage ist voller großer Absicht, aber grundsätzlich fehlerhaft.

Über 100 Bewerbungen und Portfolios, und nur wenige Male hat mich das Projekt einer Particular person so sehr beeindruckt, dass sie es bis zum Vorstellungsgespräch geschafft hat.

In diesem Artikel werde ich Ihnen den genauen Rahmen geben, den ich entwickelt und befolgt habe, um Ihr perfektes ML-Projekt zu finden, das Ihnen einen Job verschafft.

Lasst uns loslegen!

Warum die meisten ML-Projekte scheitern

Lassen Sie mich Ihnen etwas sagen, was alle Personalmanager in jedem Unternehmen denken, für das ich gearbeitet habe.

Wenn wir ein Hauspreisvorhersagemodell oder einen Titanic-Überlebensklassifikator sehen, denken wir nicht an „solide Fundamentaldaten“. Wir denken „als nächstes“.

Ich mache keine Witze.

Diese Projekte wurden so oft durchgeführt, dass sie mir nichts über die Particular person sagen.

Es sagt mir nur, dass sie einem Commonplace-Tutorial folgen und die Ergebnisse reproduzieren können.

Ein Projekt, das Ihnen eine Anstellung verschafft, hat vier wichtige Dinge:

• Es ist persönlich — Es ist Ihnen wirklich wichtig, was es vorhersagt.
• Es ist neuartig — Ich habe es noch nie hundertmal gesehen.
• Es ist related — Es hängt mit der Artwork der Arbeit zusammen, die Sie machen möchten.
• Es ist reside — Die Leute können es tatsächlich in Aktion sehen.

Wenn Sie alle vier Punkte richtig machen, wird Ihr Projekt dazu führen, dass sich der Personalchef an Sie erinnert, und das ist meine persönliche Erfahrung bei der Einstellung von Mitarbeitern.

Das Downside ist, dass Ihnen niemand ein solches Projekt geben kann. Es muss von dir kommen.

Anstatt Ihnen additionally eine Idee zu übergeben, werde ich Ihnen einen Rahmen geben, dem Sie folgen können, um ein Projekt wie dieses zu entwickeln.

Ich habe dieses Framework auch in ein 7-seitiges herunterladbares PDF-Arbeitsbuch umgewandelt, das Sie in der Beschreibung unten lesen können, um es durchzuarbeiten und das richtige Projekt zu finden, mit dem Sie eingestellt werden.

Projektaufbau-Framework
Stehlen Sie das EXACT-Projektideen-Framework, das ich verwende, um Angebote im Wert von über 100.000 US-Greenback zu erhalten, und schließen Sie sich noch heute mehr als 8.000 Jobsuchenden im Datenbereich an.Projekte.egorhowell.com

Beispielprojekt

Bevor ich mich mit dem Framework befasse, möchte ich Ihnen ein Beispiel für ein Projekt eines Kandidaten geben, den wir eingestellt haben.

In einem meiner früheren Unternehmen suchten wir einen Junior-Datenwissenschaftler, der an Optimierungs- und Operations-Analysis-Problemen arbeiten sollte.

Der von uns eingestellte Kandidat zeichnete sich vor allem aus einem Grund aus: Er hatte ein äußerst relevantes und zutiefst persönliches Projekt, das genau zur Rolle passte.

Sie hatten eine Leidenschaft für NFL-Fantasy-Soccer und wollten die Artwork und Weise verbessern, wie sie ihre wöchentlichen Teamauswahlen zusammenstellten.

Deshalb entwickelten sie eine eigene Optimierungs-Engine, um die Spieler innerhalb der Programmbeschränkungen effektiver zuzuteilen.

Es lag nicht nur am Motor selbst; Sie lasen wissenschaftliche Arbeiten zu Optimierungsstrategien und untersuchten, wie andere das gleiche Downside angingen.

Dieses Projekt erfüllt alle vier Punkte, die wir zuvor erwähnt haben:

• Es ist persönlich– Es warfare ein persönliches Downside, das sie interessierte.
• Es ist neuartig– Es warfare einzigartig und so etwas hatten wir weder vorher noch danach gesehen.
• Es ist related– es zeigte ihre Leidenschaft und ihr Interesse an Optimierung und Operations Analysis, und das warfare genau das, wofür wir eingestellt haben.
• Es ist reside– Es warfare direkt related für die Stelle, für die sie sich beworben hatten.

Lassen Sie mich nun den genauen Rahmen aufschlüsseln, dem Sie folgen können, um ein Projekt genau wie dieses zu erstellen.

Beginnen Sie mit Ihren Interessen

Wenn Leute nach einem Projekt zum Erstellen suchen, öffnen sie eine Liste mit ML-Datensätzen, höchstwahrscheinlich in Kaggle, und versuchen, etwas Interessantes zu finden.

Das ist rückwärtsgewandt.

Beginnen Sie bei sich selbst und Ihren Interessen.

Genauer gesagt: Schreiben Sie fünf Dinge auf, die Ihnen außerhalb der Arbeit und außerhalb von Daten und ML wirklich am Herzen liegen.

Konzentrieren Sie sich auf Ihre Hobbys, Obsessionen und andere Dinge, über die Sie problemlos eine Stunde lang gerne sprechen würden.

Als ich das tat, sah meine Liste ungefähr so ​​aus:

• Investieren
• Eishockey
• Fitnessstudio/Health
• Filme
• Youtube

Warum müssen wir etwas auswählen, das uns interessiert?

Denn ein Projekt, das Ihnen am Herzen liegt und an dem Sie interessiert sind, ist ein Projekt, das Sie zu Ende bringen werden.

Ich kann nicht genug betonen, wie viel einfacher es ist, ein Projekt durchzuführen, das Sie wirklich motiviert, als eines, von dem Sie „denken“, dass Sie es tun sollten.

Sobald Sie Ihre fünf Interessen festgelegt haben, schreiben Sie bitte fünf Fragen für jedes Interesse, das Sie wirklich beantwortet haben möchten.

Zum Beispiel: „Welche Fantasy-Soccer-Spieler sind diese Woche unterbewertet?“ ist eine Frage, „Fußballstatistiken“ hingegen nicht.

Denken Sie nicht zu viel darüber nach und schreiben Sie die Dinge einfach auf.

Sie haben nun möglicherweise 25 Projektideen, die höchstwahrscheinlich völlig einzigartig sind oder zumindest nicht von vielen Menschen gesehen wurden.

Filtern Sie Ihre Prime-Tipps

Jetzt müssen wir diese Liste auf unsere Prime-Tipps reduzieren.

Der erste Schritt besteht darin, die Fragen oder Ideen zu entfernen, die offensichtlich keine ML-Probleme darstellen. Zum Beispiel: „Warum magazine ich Filme?“ ist eine tolle Frage, aber es ist kein maschinelles Lernprojekt.

Maschinelles Lernen auf einem wirklich hohen und groben Niveau kann in fünf Schlüsselbereiche unterteilt werden:

• Eine Zahl vorhersagen– Rückschritt.
• Vorhersage einer Kategorie— Klassifizierung.
• Prognose im Zeitverlauf— Zeitreihen.
• Dinge empfehlen— Empfehlungssysteme.
• Dinge zusammenfassen– Clusterbildung.

Gehen Sie Ihre 25 oder weniger Fragen durch und finden Sie diejenigen, die zu einem dieser 5 Bereiche passen, und entfernen Sie diejenigen, die nicht dazu passen.

Dies sollte uns etwa 10–15 realisierbare Ideen hinterlassen, die wir mithilfe von ML lösen können.

Jetzt müssen Sie eine auswählen. Der Weg dazu besteht darin, diese Ideen einzeln anhand der folgenden Kriterien zu bewerten:

• Wie persönlich ist es?
• Wie neu ist es?
• Wie related ist es für die Rollen, die ich anstrebe?
• Wie schwer ist es, an die Daten zu kommen?
• Wie schwer ist es zu bauen?

Bewerten Sie jeden von fünf Punkten, fassen Sie alle zusammen, und derjenige mit der höchsten Punktzahl ist derjenige, den Sie bauen werden.

Validieren Sie das Projekt

Bevor Sie Wochen in die Erstellung dieses Projekts investieren, möchte ich, dass Sie drei kurze Überprüfungen durchführen.

Erste –Woher genau kommen Ihre Daten? Benennen Sie eine echte Quelle – eine API, einen öffentlichen Datensatz oder eine andere eindeutige Quelle. Wenn Sie keinen nennen können, ist das Finden der Daten Ihre erste Aufgabe.

Zweite— Könnten Sie in etwa zwei Monaten eine grobe erste Model zum Laufen bringen, vorausgesetzt, ein oder zwei Stunden professional Tag? Wenn es größer ist, verkleinern Sie es. Ein kleines Projekt, das Sie tatsächlich abschließen, übertrifft ein großes, das Sie aufgeben – jedes Mal.

Dritte— Wie häufig kommt es tatsächlich vor? Nichts ist jemals wirklich originell, aber wenn Sie dieses Projekt schon mehrmals gesehen haben, überlegen Sie es sich vielleicht noch einmal und entscheiden Sie sich für Ihre zweite Wahl.

Bestehen Sie alle drei Prüfungen und Sie sind fertig.

Intestine gemacht! Sie haben ein Projekt, das Ihnen gehört, das ein Personalchef noch nicht hundertmal gesehen hat und das Sie tatsächlich fertigstellen können.

Machen Sie es lebendig

Wie die meisten Menschen werden Sie die ersten Recherchen und Prototypen dieses Projekts wahrscheinlich auf einem Jupyter-Pocket book durchführen.

Heutzutage wollen Unternehmen jedoch Menschen, die ihre Lösungen einsetzen können, um geschäftliche Auswirkungen zu erzielen.

Auch wenn Ihr Modell das Beste seit dem Transformator ist, nützt es nichts, wenn es in einem Pocket book steckt.

Die Bereitstellung eines Modells ist tatsächlich nicht so komplex, wie viele denken. Ich habe mehrere meiner Kunden dabei gecoacht, ihr erstes Finish-to-Finish-Modell für maschinelles Lernen zu erstellen, ohne vorherige Erfahrung mit dem folgenden Tech-Stack und Prozess:

• Erstellen Sie die Prototyplösung in einem Jupyter-Pocket book.
• Teilen Sie das Jupyter-Notizbuch in einzelne Python-Dateien auf, die den Requirements des Produktionscodes folgen und Funktionen wie Typisierung, Formatierer und Dokumentzeichenfolgen implementieren.
• Fügen Sie Ihre Python-Dateien einem Git-Repository hinzu und erstellen Sie eine tolle README-Datei, die das Projekt erklärt.
• Fügen Sie alle wichtigen Software program-Engineering-Instruments und -Konzepte hinzu, einschließlich Unit-Assessments, Poetry-Abhängigkeitsmanagement, Makefiles und PyEnv.
• Erstellen Sie ein Streamlit-Dashboard, um Ihre Ergebnisse zu präsentieren, und stellen Sie es in der Streamlit-Group-Cloud bereit.
• Richten Sie Ihr Repo so ein, dass es täglich mit GitHub Actions ausgeführt wird.

Bish. Bash. Bosh.

Sie haben gerade Ihr Modell durchgängig mit branchenüblichen Instruments bereitgestellt, die ich seit Jahren als Ingenieur für maschinelles Lernen bei führenden Technologieunternehmen verwende.

Ich kann nachvollziehen, dass es für jemanden, der ganz neu in diesem Bereich ist und niemand an seiner Seite hat, der einen anleitet, völlig überwältigend erscheinen kann. Deshalb habe ich ein Vorlagen-Repo mit dem gesamten Boilerplate-Code erstellt, um dies einzurichten.

GitHub – egorhowell/ML-Undertaking-Starter
Tragen Sie zur Entwicklung von egorhowell/ML-Undertaking-Starter bei, indem Sie ein Konto auf GitHub erstellen.github.com

Eine andere Sache!

Wenn Sie es ernst meinen, einen Daten- oder Maschinenjob zu bekommen, dann habe ich in meinem Bereich ein paar freie Stellen freigemacht Teaching-Programm.

Sie werden 12 Monate lang persönlich mit meinem Staff und mir in diesem speziell entwickelten Programm zusammenarbeiten, um Sie nicht nur bei der Bewerbung, sondern auch tatsächlich zu unterstützen Land Ihr Traumdaten-/ML-Job.

​​Bewerben Sie sich hier und buchen Sie Ihr kostenloses Gespräch.​

Sichern Sie sich Ihren Traumjob im Datenbereich
Sichern Sie sich Ihren Traumjob im Bereich Knowledge Science – und steigern Sie Ihr Gehalt um bis zu 150.000 US-Greenbackteaching.egorhowell.com

Verbinde dich mit mir

Bild von Autor | Leinwand

Ein starkes Portfolio ist oft der Unterschied zwischen der Herstellung und dem Brechen. Aber was genau macht ein Portfolio stark? Zahlreiche komplizierte Projekte? Slick -Design? Beeindruckende Datenvisualisierung? Jein. Dies sind zwar notwendige Elemente, damit ein Portfolio großartig ist, aber sie sind so offensichtlich, dass jeder weiß, dass man ohne sie nicht machen kann.

Viele Datenwissenschaftler machen jedoch Fehler, wenn sie versuchen, darüber hinauszugehen. Infolgedessen interviewen sie mit Portfolios, die nominell alles haben, aber eigentlich nicht so toll sind.

# Der Rahmen

Hier ist der Rahmen, mit dem Sie beim Aufbau eines großartigen Portfolios gemeinsame Fehler vermeiden können.

# Die Fehler

Lassen Sie uns nun über die Fehler auf dem Portfolio-Aufbau sprechen und darüber, wie Sie sie vermeiden können, diesen Framework zu verwenden.

// Fehler Nr. 1: Bauprojekte, die Ihnen egal sind

Viele Portfolios vermitteln den Eindruck, dass die Projekte nur ein Kästchen ankreuzen: Titanic Survival, Iris Dataset, MNIST -Ziffern. Sie wissen – das typische Zeug. Es ist nicht nur so, dass Sie in Tausenden ähnlicher Portfolios ertrinken werden, sondern auch einen Mangel an Originalität und Interesse an dem, was Sie tun. Die Autopilotenprojekte.

Repair: Beginnen Sie mit Domains, die Sie interessieren, z. B., z. B. SportAnwesend FinanzenAnwesend Musik. Wenn das Thema Sie interessiert, werden Sie tiefer gehen, ohne es zu versuchen. Wenn Sie ein Sportfan sind, können Sie die Schuss -Effizienz in der NBA analysieren oder aus diesen coolen Projektideen für das Üben wählen. Ein Musikfan könnte Playlist -Empfehlungen modellieren.

// Fehler Nr. 2: Verwenden der Daten, die Daten in Ihren Schoß fallen

Kandidaten greifen oft nach dem ersten sauberen CSV, den sie finden können. Das Downside ist, dass die echte Datenwissenschaft nicht so funktioniert.

Repair: Sie sollten nachweisen, dass Sie wissen, wie Sie die tatsächlichen Daten finden, darauf zugreifen und sie für weitere Modellierungsstufen neu formen können. Verwenden Sie in Ihren Projekten APIs (z. B., z. Twitter/X API), offene Regierungsdatensätze (z. B.,, z. Information.gov) und webkrapierte Quellen (z. B., z. Tolle öffentliche Datensätze auf GitHub). Verwenden Sie so viele Datenquellen wie möglich, bewerten Sie Daten, fusionieren Sie sie in einen Datensatz und bereiten Sie sie auf die Modellierung vor.

// Fehler Nr. 3: Behandlung von Projekten wie Kaggle -Wettbewerben

Kaggle Wettbewerbe konzentrieren sich auf die Optimierung einer einzigen Metrik. Dies ist großartig für das Coaching, schneidet es aber nicht in der realen Welt. Genauigkeit an sich ist kein Ziel. Sie müssen einen Kompromiss zwischen den technischen Aspekten Ihres Modells und den tatsächlichen geschäftlichen oder sozialen Auswirkungen machen.

Repair: Selbst wenn Sie gemeinsame Datensätze von Kaggle verwenden, bieten Sie immer einen anderen Winkel an und rahmen das Downside so ein, dass es geschäftlich oder sozialer Wert hat. Klassifizieren Sie beispielsweise nicht nur gefälschte und echte Nachrichten. Zeigen Sie, welche Wörter, Phrasen oder Themen Fehlinformationen vorantreiben. Ein weiteres Beispiel: Prognose nicht nur die Abwanderung.

Zeigen Sie, wie sich eine Reduzierung der Abwanderung um 10% in Höhe von 2 Millionen US -Greenback im Jahresumsatz einsparen kann.

// Fehler Nr. 4: Nur Modelle anzeigen, keine Workflows

Viele Projekte lesen wie eine Abfolge von Jupyter -Notizbüchern: Bibliotheken importieren, dann Daten vorverfernen, dann Modelle anpassen – hier ist die Genauigkeit. Es ist unvollständig und langweilig. Was fehlt, ist eine Demonstration, wie Sie mit verschiedenen Phasen eines Projekts umgehen und warum Sie bestimmte Entscheidungen treffen.

Repair: Machen Sie sie Finish-to-Finish-Projekte. Zeigen Sie jede Section von der Datenerfassung bis zur Bereitstellung und allem dazwischen. Erklären Sie, warum Sie wichtige Auswahlmöglichkeiten getroffen haben, zB, warum Sie ein Modell über ein anderes ausgewählt haben oder warum Sie eine bestimmte Funktion entwickelt haben. Verwenden Sie Instruments wie StraffungAnwesend Flascheoder Energy Bi Dashboards für andere zu verwenden. All dies lässt Ihre Projekte wie angewandte Problemlösungen aussehen (z. B., z. Das Portfolio von Arch Desai), keine Code -Anleitung (z. B., z. B. Dieses hier).

// Fehler Nr. 5: Beenden mit einem Modell, nicht mit Aktion

Datenwissenschaftler enden häufig auf technischer Ebene, z. B. den Genauigkeitswert. Okay, aber was machst du damit? Sie müssen sich daran erinnern, dass die praktische Verwendung des Modells zählt. Der technische Aspekt des Modells ist nur ein Teil davon, der andere ist geschäftliche oder soziale Auswirkungen.

Repair: Beenden Sie das Projekt mit einer Empfehlung, was zu tun ist. Zum Beispiel „dieses Modell schlägt vor, dass Inspektionen in Eating places, die im Winter mit hohem Risikokuisinen kugelt werden, priorisierende Inspektionen vorsieht.“

# Projektbeispiel: Vorhersage des Energiebedarfs der Stadt, um Kosten zu senken

In diesem Abschnitt werde ich eine Mock Mission -Walkthrough erstellen, um Ihnen zu zeigen, wie das Framework in der Praxis verwendet werden kann.

Domäne: Die Domäne, die ich ausgewählt habe, ist Energieverbrauch und Nachhaltigkeit. Das Leben in einer großen Stadt machte mich darauf aufmerksam, wie Städte weltweit während der Spitzenzeiten mit hohem Strombedarf zu kämpfen haben. Die Vorhersage der Nachfrage genauer kann den Versorgungsunternehmen dazu beitragen, das Netz in Einklang zu bringen, die Kosten zu senken und die Emissionen zu senken.

Daten: Die Hauptquelle könnte die sein US -Energieinformationsverwaltung (UVP). Außerdem konnte ich das verwenden NOAA Wetterapi (zB für Temperatur und Luftfeuchtigkeit) und Urlaubs-/Veranstaltungskalender (für Nachfragespitzen).

Rahmung des Issues: Anstatt das Downside als „den Strombedarf im Laufe der Zeit vorherzusagen“, werde ich es als „Wie viel Geld könnte die Stadt sparen, wenn sie mit besseren Nachfrageprognosen verschoben wird?“ Damit verwandle ich ein technisches Prognoseproblem in eine Ressourcenzuweisung und ein kostensparendes Downside.

Aufbau von Finish-to-Finish: Das Projekt würde diese Phasen enthalten.

1. Datenreinigung: Fehlende Stunden verarbeiten, Zeitstempel ausrichten, Wettervariablen normalisieren.
2. Characteristic Engineering:
   • Verzögerungsfunktionen: Nachfrage in früheren Stunden/Tagen
   • Wettermerkmale: Temperatur, Luftfeuchtigkeit
   • Kalendermerkmale: Wochentag, Feiertagsflagge, Hauptveranstaltungen
3. Modellieren:
4. Bereitstellung: Zum Beispiel könnte ich ein Dashboard erstellen, das eine 24-Stunden-Prognose im Vergleich zu der tatsächlichen Nachfrage zeigt und „Was wäre wenn“ Szenarien, z. B. Anpassung der Nachfrage durch Verschiebung der industriellen Lasten.

Aktion: Wir werden bei „Die Prognose hat niedrige RMSE“ nicht anhalten. Geben wir stattdessen eine Empfehlung mit geschäftlichen und sozialen Auswirkungen auf, z. B. „Wenn die Stadt große Unternehmen dazu anreizte, 5% des Verbrauchs von den Spitzenzeiten (durch das Modell vorhergesagte) zu verlagern, kann es jährlich 3,5 Mio. USD bei den Stromkosten einsparen.“

# Bonus: Ressourcen

Als Bonus finden Sie hier einige Vorschläge, welche Plattformen Sie zum Üben verwenden können und wo Sie die Daten finden können.

// Plattformen zum Üben

// Datenquellen öffnen

// APIs für Echtzeitdaten

# Abschluss

Sie haben wahrscheinlich festgestellt, dass keiner der genannten Fehler technisch ist. Das ist nicht zufällig; Der größte Fehler besteht darin, zu vergessen, dass ein Portfolio eine Demonstration ist, wie Sie Probleme lösen.

Konzentrieren Sie sich auf diese beiden Aspekte-Demonstration und Problemlösung-und Ihr Portfolio sieht endlich nach Beweis aus, dass Sie den Job machen können.

Nate Rosidi ist Datenwissenschaftler und in Produktstrategie. Er ist außerdem eine zusätzliche Professorin für Lehranalysen und Gründer von Stratascratch, einer Plattform, die Datenwissenschaftlern hilft, sich auf ihre Interviews mit echten Interviewfragen von Prime -Unternehmen vorzubereiten. Nate schreibt über die neuesten Developments auf dem Karrieremarkt, gibt Interviewberatung, teilt Datenwissenschaftsprojekte und deckt alles SQL ab.

CrewAI, eine führende Plattform für KI-gesteuerte Automatisierung und Agentenentwicklung, verschiebt weiterhin die Grenzen dessen, was KI-Agenten erreichen können. Mit der Veröffentlichung der Model 0.98.0 hat CrewAI mehrere wichtige Funktionen und Verbesserungen eingeführt. In einem aktuellen Tweet hob João Moura die neuesten Updates hervor:

Neues MAJOR CrewAI-Replace 0.98.0

• Multimodale Unterstützung
• Konversationsteam (Crewai-Chat)
• Programmatische Leitplanken
• CrewAI-Flows mit persistentem Standing
• SO VIEL MEHR!

Versenden Sie schneller, als andere planen können
RT bitte?

— João Moura (@joaomdmoura) 20. Januar 2025

Großes CrewAI-Replace 0.98.0

Diese Verbesserungen stellen einen weiteren Schritt vorwärts in der Mission von CrewAI dar, die Fähigkeiten von Konversations- und Automatisierungsagenten neu zu definieren.

• Das Framework führt mehrere interessante Funktionsaktualisierungen ein, beginnend mit Konversationsteam v1was die Konversationsfähigkeiten von KI-Agenten verbessert, indem es natürlichere und kontextbewusstere Interaktionen ermöglicht. Während AutoGen bereits einen kollaborationsfähigen Konversationsagenten bietet, bleibt das volle Potenzial von Dialog Crew v1 abzuwarten, da die Dokumentation noch veröffentlicht werden muss.
• Ein weiteres bemerkenswertes Replace ist das @persist Decorator mit FlowPersistence-Schnittstellewas die Persistenz bestimmter Zustände oder Daten innerhalb von Flows ermöglicht und so die Zustandsverwaltung und Datenaufbewahrung über Sitzungen hinweg verbessert.
• Darüber hinaus enthält das Framework jetzt Folgendes: Eindeutige IDs für Stream-Zuständewodurch jeder Flussstatus mit einer eindeutigen Kennung versehen wird, um die Workflow-Verfolgung und -Verwaltung zu verbessern. Diese Updates stärken insgesamt die Funktionalität und Benutzererfahrung des Frameworks.

Lesen Sie auch: AutoGen v0.4: Vereinfachung der Agenten-KI für Entwickler überall

Integrationen: Weil Teamwork den Traum Wirklichkeit werden lässt

Bei CrewAI geht es nicht nur um Solo-Acts; es geht um Zusammenarbeit. Aus diesem Grund bringt das neueste Replace einige Killer-Integrationen auf den Tisch:

• SambaNova-Integration: CrewAI unterstützt jetzt die Integration mit SambaNova-Systemen und erweitert so die Kompatibilität mit verschiedener KI-{Hardware} und -Plattformen.
• NVIDIA NIM-Anbieter in CLI: Die Befehlszeilenschnittstelle wurde aktualisiert und umfasst nun NVIDIA NIM als Anbieter, wodurch die Flexibilität und Optionen für die Modellbereitstellung verbessert werden.
• VoyageAI-Einführung: Es wurde eine neue Integration namens VoyageAI eingeführt, die die Fähigkeiten von CrewAI bei der Verwaltung und Bereitstellung von KI-Modellen weiter erweitert.

Fehlerbehebungen in CrewAI 0.98.0

Fehlerbehebung	Beschreibung
API-Schlüsselverhalten und Entitätsbehandlung in Mem0	Es wurden Probleme im Zusammenhang mit der API-Schlüsselverwaltung und der Entitätsverwaltung innerhalb der Mem0-Integration behoben, wodurch Zuverlässigkeit und Sicherheit verbessert wurden.
Kernlogik der Aufrufschleife und relevante Assessments	Fehler in der Kernaufrufschleife behoben und die entsprechenden Assessments aktualisiert, um Stabilität und Leistung zu verbessern.
Machen Sie Werkzeugeingaben zu tatsächlichen Objekten	Instrument-Eingaben wurden so geändert, dass sie tatsächliche Objekte statt Strings sind, was eine robustere und flexiblere Instrument-Integration ermöglicht.
Fehlende Teile zu den Erstellungswerkzeugen hinzufügen	Auslassungen im Prozess der Werkzeugerstellung wurden behoben und sichergestellt, dass alle für die ordnungsgemäße Funktionalität erforderlichen Teile enthalten sind.
Löschen Sie die LiteLLM-Model, um Home windows-Probleme zu vermeiden	Die LiteLLM-Model wurde heruntergestuft, um Probleme auf Home windows-Plattformen zu vermeiden und die plattformübergreifende Kompatibilität zu verbessern.
Vor dem Kickoff, wenn keine Eingaben vorliegen	Es wurden Prüfungen implementiert, um Fälle zu behandeln, in denen vor dem Anpfiff keine Eingaben vorliegen, um potenzielle Fehler während der Ausführung zu verhindern.
Tippfehler	Verschiedene Tippfehler in der Codebasis und Dokumentation wurden korrigiert, um die Klarheit und Professionalität zu verbessern.
Drawback mit verschachtelten pydantischen Modellen	Probleme im Zusammenhang mit verschachtelten Pydantic-Modellen behoben, um eine genaue Datenvalidierung und Serialisierung sicherzustellen.
Probleme mit der Dokumentation	Probleme im Zusammenhang mit Docling behoben, wodurch die Dokumentationserstellung und -pflege verbessert wurde.
Gewerkschaftsproblem	Probleme im Zusammenhang mit Union-Typen wurden behoben und die Typverarbeitung und -kompatibilität verbessert.

Um mehr zu erfahren, schauen Sie sich die an CrewAI-Seitewo Sie in Kürze die neueste Dokumentation mit detaillierten Informationen zu den neuesten Updates finden können.

Lesen Sie auch: Aufbau kollaborativer KI-Agenten mit CrewAI

Schlussbemerkung

CrewAI 0.98.0 ist ein Beweis für das Engagement der Plattform für Innovation und Benutzererfahrung. Mit erweiterten Konversationsfunktionen, verbessertem Zustandsmanagement und einer Reihe neuer Integrationen ist dieses Replace ein Muss für jeden, der sich ernsthaft mit KI-gesteuerter Automatisierung beschäftigt.

Bleiben Sie dran für weitere Updates Analytics Vidhya Information!