InsightRedతో ABM మార్కెటింగ్

ప్రాజెక్ట్ యొక్క GitHub రిపోజిటరీ

గురించి

InsightRed అనేది LLM ఆధారిత ఖాతా-ఆధారిత మార్కెటింగ్ (ABM) సాధనం. ఇది Subreddits నుండి “Hot” ఆధారంగా క్రమబద్ధీకరించబడిన తాజా Reddit వ్యాఖ్యలను సేకరించి, మీ ప్రాజెక్ట్ లేదా ఉత్పత్తిపై సంభావ్య ఆసక్తి చూపుతున్న వినియోగదారులను గుర్తిస్తుంది. Redditలో అధిక విలువ కలిగిన వినియోగదారులను గుర్తించి లక్ష్యంగా చేసుకోవడం ద్వారా, మీ ఉత్పత్తి/ప్రాజెక్ట్ కోసం ప్రారంభ వినియోగదారులను పొందడంలో ఇది మీకు సహాయపడుతుంది. ఈ ప్రాజెక్ట్ ANARCHY అక్టోబర్ 2023 హ్యాకథాన్ కోసం రూపొందించబడింది.

ప్రకటన(లు)

అక్టోబర్ 19, 2023

ఈ ప్రాజెక్ట్‌కు అనుసరణగా, Anarchy యొక్క అక్టోబర్ 2023 హ్యాకథాన్‌లో మేము 1వ స్థానాన్ని గెలుచుకున్నామని ప్రకటించడానికి నేను ఎంతో ఉత్సాహంగా ఉన్నాను!

సందేశాన్ని TEXT మోడ్‌లో చూడటానికి ఇక్కడ క్లిక్ చేయండి (Discord ఫార్మాటింగ్ కారణంగా మార్చబడింది) 
@everyone **👑 HACKATHON 👑**

I'm very excited to announce the second anarchy hackathon's winners as follows:

🥇 "@Ben Zimmerman [T3CH3Y]", @Mehmet, and "@Ananya Aithal"'s InsightRed! https://www.youtube.com/watch?v=xhKwnKxmg5k

🥈 @partho and @Karan's  DistillClassifier https://www.loom.com/share/d7e7c8e12dd14bcabdf41051433901a1?sid=900cb491-8117-4530-a131-d87eeca1ca6f

Really **AMAZING WORK EVERYBODY** @MathYouF and I were super impressed by all the submissions.

Special mentions go out to:

1. @B3LOL, @alastine , and @AndrewKamau 's WiE: https://youtu.be/V8gqCvgRcpk
2. "@Mert Bozkir | mertbozkir"'s Doc-String-Ify: https://www.loom.com/share/274565d0ddec417783e739ee728654d3?sid=6bb1b07a-f06a-4ec3-82c6-1d7ba6eae0d3

The feedback we got from these projects has been super valuable and we're going to work on fixing every bit 🦜

We're going to reach out to the teams individually for prizes. Additionally, we think these were incredible enough that we'd like to spend the next few weeks working on showcasing these incredible projects.

డెమో

InsightRed భాగాలు

🧩 సేకరణకర్త

సేకరణకర్త Reddit APIని ఉపయోగించి, ఇచ్చిన Subreddits కోసం తాజా Reddit పోస్ట్‌లను మరియు ఆ పోస్ట్ వ్యాఖ్యలను సేకరిస్తుంది. సేకరించిన తర్వాత, సేకరణకర్త సేకరించిన డేటాను స్థానిక SQLite డేటాబేస్‌లో భద్రపరుస్తుంది. Reddit APIని ఉపయోగించడంలో సహాయపడే Python ప్యాకేజీ prawను మరియు స్థానిక SQLite డేటాబేస్‌లో CRUD కార్యకలాపాలను నిర్వహించడానికి SQLAlchemyను ఉపయోగించడం ద్వారా ఇది సులభతరం చేయబడుతుంది.

🧩 వెక్టరైజర్

వెక్టరైజర్ స్థానిక SQLite డేటాబేస్‌ను తనిఖీ చేసి, ఏ వ్యాఖ్యలు వెక్టర్ డేటాబేస్‌లో భద్రపరచబడలేదో చూస్తుంది. వ్యాఖ్యల జాబితాను పొందిన తర్వాత, ఇది OpenAI యొక్క “text-embedding-ada-002” మోడల్‌ను ఉపయోగించి పోస్ట్+వ్యాఖ్య యొక్క ఎంబెడ్డింగ్‌ను సృష్టిస్తుంది. ఈ ఎంబెడ్డింగ్ వెక్టర్ డేటాబేస్‌లో ఇండెక్స్‌గా ఉపయోగించబడుతుంది మరియు JSON రూపంలో కొంత మెటాడేటా కూడా సృష్టించబడుతుంది. అనంతరం ఇండెక్స్ మరియు మెటాడేటా వెక్టర్ డేటాబేస్‌కు అప్‌లోడ్ చేయబడతాయి; ఈ సందర్భంలో అది Pinecone (క్లౌడ్ ఆధారితమైనది). అప్‌లోడ్ పూర్తయిన తర్వాత, అదే డేటాను Pineconeకు మళ్లీ అప్‌లోడ్ చేయకుండా ఉండేందుకు స్థానిక SQLite డేటాబేస్ నవీకరించబడుతుంది. వెక్టర్ డేటాబేస్‌కు CRUD ఎంపికలు చేయడానికి Pinecone యొక్క Python క్లయింట్ (pinecone-client)ను, అలాగే ఎంబెడ్డింగ్ ప్రక్రియను నిర్వహించడానికి LangChainను ఉపయోగించడం ద్వారా ఇవన్నీ చేయబడతాయి.

🧩 ఇంటర్‌ఫేస్

వినియోగదారు సాధనంతో పరస్పర చర్య చేయడానికి ఉపయోగించేది ఇంటర్‌ఫేస్. ఈ సందర్భంలో, ఇంటర్‌ఫేస్ ఒక CLI. ఇంటర్‌ఫేస్‌లో Retrieval-Augmented-Generation (RAG) అమలు ఉంది. ఇందులో వినియోగదారు తమ ఉత్పత్తి వివరణను, తనిఖీ చేయాల్సిన Subreddits జాబితాను, అలాగే కొన్ని ఫిల్టర్‌లను అందిస్తారు. ఈ సందర్భాన్ని అందించిన తర్వాత, సేకరణకర్తను పిలుస్తారు, అనంతరం వెక్టరైజర్‌ను పిలుస్తారు. ఆ రెండు సేవలు ప్రాసెసింగ్ పూర్తిచేసిన తర్వాత, ఇచ్చిన ఉత్పత్తి వివరణను వెక్టర్ డేటాబేస్‌లో ఇలాంటి శోధన చేయడానికి ఉపయోగిస్తారు. ఆపై అగ్ర ఫలితాలు మరియు ఉత్పత్తి వివరణను ఒక ప్రాంప్ట్ టెంప్లేట్‌లోకి పంపిస్తారు; ఇది తుది ప్రాంప్ట్‌ను సృష్టిస్తుంది. తుది ప్రాంప్ట్‌ను OpenAI యొక్క GPT-4 మోడల్‌కు పంపుతారు, ఆపై తుది ఫలితాలను వినియోగదారుకు అందిస్తారు. ఈ ఫలితాలు, అందించిన ఉత్పత్తి వివరణ ఆధారంగా, Reddit వినియోగదారు(లు) అందించిన ఉత్పత్తిపై ఆసక్తి చూపుతారని బలంగా సూచించే అన్ని Reddit వ్యాఖ్యల జాబితాగా ఉంటాయి. OpenAI యొక్క GPT-4 మోడల్‌కు ప్రశ్నలను పంపడాన్ని నిర్వహించడానికి సేకరణకర్త మరియు వెక్టరైజర్ వ్యాఖ్యలను, అలాగే Anarchy యొక్క LLM-VMను ఉపయోగించడం ద్వారా ఈ భాగం పనిచేస్తుంది.

బృంద సభ్యులు

గమనించదగిన బాహ్య కృతజ్ఞతలు

casta (Hacker News)

వారి HN పోస్ట్ ద్వారా ఈ ప్రాజెక్ట్‌కు ప్రేరణ అందించారు. వారి పరిష్కారం ఓపెన్-సోర్స్ కాకపోవడంతో, ఓపెన్-సోర్స్ సంస్కరణను (ఈ ప్రాజెక్ట్‌ను) రూపొందించడానికి నేను ప్రేరణ పొందాను.

ChatGPT (GPT-4)

డెవలప్‌మెంట్‌లో ఎంతో సహాయపడుతూ డెవలప్‌మెంట్ చక్రాన్ని గణనీయంగా వేగవంతం చేసింది. అలాగే OpenAI యొక్క కొత్త DALL-E 3 మోడల్‌ను ఉపయోగించి ప్రాజెక్ట్ లోగోను మరియు YouTube థంబ్‌నెయిల్‌ను రూపొందించింది.

James Briggs (YouTuber)

Reddit APIని ఎలా ఉపయోగించాలో, అలాగే Pythonను ఉపయోగించి ప్రాథమిక RAG పైప్‌లైన్‌ను ఎలా అమలు చేయాలో James యొక్క వీడియో చాలా స్పష్టంగా వివరించింది.

మూలాలు