Мы запустили собственную платформу полного цикла производства ПО с ИИ‑агентами — MWS DevRails. Решение позволяет управлять жизненным циклом продукта и контролировать все этапы создания ПО: от проектирования и анализа до разработки, тестирования и выхода официального релиза. В платформу интегрированы ролевые ИИ-агенты, которые автоматизируют до 40% задач, позволяя увеличить скорость разработки.
И сегодня больше расскажем о других фреймворках и библиотеках, предлагающих возможности ИИ-агентов для обработки данных и визуализации содержимого датасетов.
Помощник для работы с базами
ToolFront — это инструмент для информационного поиска, который распространяется под лицензией MIT. Он появился в начале этого года; его представили разработчики из компании Kruskal, для которой ToolFront является дебютным проектом. Поиск информации выполняется путем отправки текстовых запросов с помощью команды ask(“…”). Обращаться можно к базам данных, документам или API.
Среди поддерживаемых СУБД также числятся DuckDB, MySQL, ClickHouse, SQLite и многие другие. Подключение к базам данных выполняется локально, а секреты не передаются языковым моделям. При этом разрешены только безопасные запросы на чтение (read-only). Что касается API, то ToolFront поддерживает интерфейсы со спецификацией OpenAPI или Swagger. Поскольку ToolFront построен на базе Python-фреймворка Pydantic AI, он работает с большинством известных LLM. Инструмент не имеет dedicated-документации, однако необходимая информация для начала работы собрана в README-файле. В нем есть довольно компактное руководство для быстрого старта, а также примеры и параметры для работы с конкретными СУБД и ML-моделями.
Команда ИИ-агентов
AI Data Science Team — это Python-библиотека с набором ИИ-агентов для обработки данных, их очистки, конструирования признаков. Проект выложен под лицензией MIT. Его представила компания Business Science, которая обучает дата-сайентистов [еще она курирует awesome-подборку на GitHub с сотней ресурсов, посвященных разработке и внедрению GenAI].
Каждый ИИ-агент в наборе отвечает за свою задачу: генерацию визуализаций с помощью библиотеки plotly, преобразование данных в формат, подходящий для машинного обучения, и проч. Также есть агент, который использует опенсорсную платформу MLFlow для построения системы управления ML-моделями — позволяет создавать новые проекты и эксперименты, сохранять/извлекать модели и так далее. Общую структуру доступных агентов авторы приводят на этой схеме.
В репозитории проекта на GitHub также можно найти несколько примеров приложений, которые были разработаны с помощью AI Data Science Team. Одно даёт возможность анализировать содержимое Excel/CSV-файлов, обобщать данные и строить графики. А другое — позволяет проводить корреляционный и разведочный анализ данных. Ещё пример — приложение для генерации SQL-запросов на естественном языке.
Стоит отметить, что проект находится на ранних этапах разработки, однако он уже набрал больше 2 тыс. звезд. И в планах разработчиков расширить спектр ИИ-агентов — например, для корреляционного анализа и интерпретируемой машинной обработки.
Ещё один фреймворк для баз
Речь идёт о фреймворке Ryoma, который вышел под лицензией Apache 2.0. Он превращает пользовательские вопросы на естественном языке в SQL-запросы, а затем отображает результаты в удобном для чтения виде. При этом инструмент позволяет проводить не только поиск информации по базам данных, но и её полноценный анализ. Например, можно попросить Ryoma исследовать финансовые показатели компании — это могут быть темпы роста за последние двенадцать месяцев или прогноз доходов и расходов на следующий квартал на основе текущих тенденций.
Ryoma поддерживает такие источники, как Snowflake, Sqlite, BigQuery, Postgres, MySQL, а также файлы форматов CSV, Excel и Parquet.
Работа с ИИ-моделями ведётся через пользовательский интерфейс Ryoma Lab (построен на reflex). Что касается стека Ryoma, то он включает несколько элементов. LangChain отвечает за бесшовную интеграцию языковых моделей, а Ibis и Amundsen нужны для поиска и анализа данных. Полный список можно найти в репозитории.
Документация проекта компактная, но включает описание архитектуры и API, а также руководство для быстрого старта (с установкой, настройкой, подключением к источникам данных). Ещё в ней представлен подраздел с лучшими практиками, в котором авторы рекомендуют грамотно подходить к выбору режима работы Ryoma: Basic подходит для простых запросов, Enhanced для комплексных задач, а ReFoRCE для исследовательской работы.
Для разработки ML-приложений
Taipy — это Python-библиотека (лицензия Apache 2.0) для разработки data-driven приложений. Она была представлена одноименной компанией, которую основали два инженера: Винсент Госселин и Альберт Антуан. По словам авторов, они разработали Taipy, чтобы упростить внедрение ИИ-алгоритмов.
Taipy позволяет писать веб-интерфейсы без необходимости глубокого знания JavaScript или фронтенд-фреймворков. Инструмент поддерживает Markdown, HTML-подобный синтаксис и динамические компоненты.
В то же время Taipy поставляется с интерфейсом командной строки, системой контроля версий и миграции данных, а также с модулями телеметрии и мониторинга. Можно создавать не только UI, но и бизнес-логику (например, обработку данных, API). Библиотека совместима с Pandas, NumPy, Matplotlib, Scikit-learn и другими.
В целом документация проекта исчерпывающая и содержит руководства для старта, описания компонентов, нюансы интеграции и управления сценариями. Также разработчики подготовили специальный материал, который поможет спроектировать первое приложение.
Другие обучающие материалы от команды посвящены написанию чат-ботов: первый на основе LLM, второй с поддержкой RAG.
MWS DevRails
Прежде чем предлагать MWS DevRails внешним заказчикам, с помощью её инструментов мы организовали управление производственным процессом для более чем 400 цифровых продуктов и сервисов МТС.
За счёт отказа от разрозненных решений в пользу единой платформы, нам удалось на 40% сократить срок вывода новых продуктов на рынок, а также значительно повысить надёжность ИТ‑систем.
Платформа содержит комплекс интегрированных между собой инструментов для следующих задач:
-
управление архитектурой;
-
работа с кодом;
-
отслеживание производственных метрик и бизнес-показателей;
-
проведение мобильного и кросс-браузерного тестирования;
-
и других.
Встроенные AI Copilot-программы позволяют экономить до 40% рабочего времени специалистов за счёт автоматизации:
-
Product Owner Copilot в таск-трекере полностью описывает требование к разработке;
-
Analytic Copilot оценивает качество написанного требования и даёт рекомендации по улучшению описания;
-
Test Designer Copilot готовит 50% тест-кейсов.
MWS DevRails доступна как для развёртывания на инфраструктуре заказчика, так и в облаке. Больше подробностей на странице.
Автор: randall
