FlashLearn - 엔터프라이즈 ETL 워크플로우를 위한 AI 에이전트 라이브러리

읽을거리&정보공유
, , ,
1

FlashLearn - 엔터프라이즈 ETL 워크플로우를 위한 AI 에이전트 라이브러리
FlashLearn - 엔터프라이즈 ETL 워크플로우를 위한 AI 에이전트 라이브러리1118×632 86.2 KB

FlashLearn 소개

LLM 기반의 AI 에이전트 활용이 점점 증가하는 가운데, 엔터프라이즈 ETL(Extract, Transform, Load) 워크플로우에 AI 에이전트를 쉽게 통합할 수 있도록 지원하는 것을 목표로 하는 FlashLearn이 공개되었습니다.

FlashLearn은 "단순한 API 호출이 아닌 구조적인 AI 활용"을 목표로 설계되었으며, 특히, 기존의 에이전트 프레임워크들이 복잡한 설정과 많은 의존성을 갖는 것과 달리 JSON 중심의 가벼운 방식으로 파이프라인을 구축할 수 있도록 하였습니다. 또한, JSON 기반의 간단한 인터페이스를 통해 데이터 변환, 분류, 요약, 재작성 및 다중 스텝 작업을 수행할 수 있습니다. 특히, 기존 ML(머신러닝) 모델을 사용하는 방식과 유사하게 "Skill"을 학습하고, 이를 ETL 파이프라인에서 간단히 호출할 수 있습니다.

FlashLearn의 주요 특징은 다음과 같습니다:

  • JSON 기반의 직관적인 인터페이스 제공
  • OpenAI, DeepSeek, LiteLLM 등 다양한 LLM 지원
  • 병렬 실행 기능을 통해 최대 1000건/분 처리 가능
  • 간단한 Python 코드로 빠르게 실행 가능

FlashLearn의 동작 방식 예시

:one: Skill 학습

FlashLearn에서 "Skill"은 특정 작업을 수행하는 미리 정의된 기능입니다.

from flashlearn.skills.learn_skill import LearnSkill
from openai import OpenAI

learner = LearnSkill(model_name="gpt-4o-mini", client=OpenAI())
skill = learner.learn_skill(
    df=[],  # 초기 데이터 샘플 (선택 사항)
    task="사용자의 댓글을 분석하여 제품 구매 가능성을 1~100 점수로 평가하고, 이유를 제공하세요."
)

skill.save("evaluate_buy_comments_skill.json")

이렇게 학습된 Skill은 JSON 파일로 저장되어 이후 재사용할 수 있습니다.

:two: Skill 실행 (어디서든 사용 가능)

FlashLearn의 입력은 리스트 형태의 JSON 데이터입니다.

user_inputs = [
    {"comment_text": "이 제품 너무 좋아요!"},
    {"comment_text": "별로네요... 다시 안 살 것 같아요."}
]

이 데이터를 기존에 학습한 Skill에 적용하면, 간단한 코드로 실행할 수 있습니다.


from flashlearn.skills.general_skill import GeneralSkill
import json

with open("evaluate_buy_comments_skill.json", "r", encoding="utf-8") as file:
    definition = json.load(file)

skill = GeneralSkill.load_skill(definition)

tasks = skill.create_tasks(user_inputs)
results = skill.run_tasks_in_parallel(tasks)
print(results)

출력 예시:

{
  "0": {
    "likely_to_buy": 90,
    "reason": "매우 긍정적인 반응으로 제품에 대한 기대감이 큽니다."
  },
  "1": {
    "likely_to_buy": 25,
    "reason": "부정적인 감정이 포함되어 있으며 구매 의사가 낮습니다."
  }
}

:three: 후속 작업과 연계 가능

FlashLearn이 반환하는 JSON 데이터는 이후 다양한 작업에 활용할 수 있습니다.


# JSON 데이터를 활용한 후속 처리 예시
for idx, result in results.items():
    score = result["likely_to_buy"]
    reason = result["reason"]
    print(f"코멘트 #{idx}: 점수 {score}, 이유: {reason}")

이 데이터를 활용하여 데이터베이스 저장, 리드 필터링, 추가 분석 등의 후처리를 수행할 수 있습니다.

라이선스

FlashLearn 프로젝트는 MIT License로 공개되었습니다.
상업적 사용 및 수정이 자유롭습니다.

:house: FlashLearn 홈페이지

https://flashlearn.tech/

:github: FlashLearn GitHub 저장소

:books: FlashLearn 공식 문서 사이트

https://flashlearn.tech/index.php/docs/



이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다. :hugs:

:pytorch:파이토치 한국 사용자 모임:kr:이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일:love_letter:로 보내드립니다! (기본은 Weekly지만 Daily로 변경도 가능합니다.)

:gift: 아래:arrow_lower_right:쪽에 좋아요:+1:를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~ :star_struck:

1개의 좋아요