TL;DR

  • Jeffy가 텍스트·게임 상태·수치 특성 분류에 사용할 수 있는 사전 학습 분류기 68종을 GPU·API 키·클라우드 의존성 없이 제공함.
  • 분류기는 pip install jeffy-classify로 설치하며, 추론 지연 시간은 80ms 미만임.
  • 파리 탐색 데모는 물리 특성 16개로 3개 행동을 분류해 98% 정확도를 기록함.
  • Doom 분류 데모는 프레임마다 추출한 수치 특성 24개로 3개 게임 행동을 분류해 100% 정확도를 기록함.
  • 텍사스 홀덤 데모는 게임 상태 특성 18개로 4개 행동을 분류해 88% 정확도를 기록하며, 자체 분류기 학습 기능도 제공함.

사전 학습 분류기

  • Jeffy는 텍스트, 게임 상태, 수치 특성에 사용할 수 있는 사전 학습 분류기 68종을 제공함.
  • GPU, API 키, 클라우드 의존성이 필요하지 않으며, pip install jeffy-classify로 설치함.

실시간 데모

  • 파리 비행 경로 분류: 생체역학적 파리가 주화성으로 먹이를 찾아다니는 상황에서, 매 단계의 물리 특성 16개를 바탕으로 걷기·왼쪽 회전·오른쪽 회전을 분류함. 클래스 3개, 정확도 98%임.
  • Doom 분류기: 매 프레임에서 추출한 수치 특성 24개로 발사·왼쪽 회전·오른쪽 회전 여부를 실시간 분류함. 클래스 3개, 정확도 100%임.
  • 포커 인공지능(AI): 텍사스 홀덤 테이블의 AI 플레이어 4명이 게임 상태 특성 18개를 바탕으로 폴드·체크·콜·레이즈를 결정하며, 데이터가 실시간으로 제공됨. 클래스 4개, 정확도 88%임.

성능 및 구성

  • 분류기 68종
  • 최고 정확도 99.1%
  • 지연 시간 80ms 미만
  • CPU만 사용하며 GPU는 필요하지 않음.
  • 영어 분류기 17종과 다국어 분류기 51종으로 구성됨.
  • 다국어 분류기는 언어별 음성 명령 인텐트 60개와 고정된 다국어 임베딩을 사용함.

예측

  • jeffy.engine의 Engine을 불러와 초기화하고 모델을 로드한 뒤, 분류기 ID와 입력 텍스트를 전달해 예측함.
  • banking77 분류기에 “같은 거래에 두 번 청구됐습니다”라는 문장을 입력하면, 라벨 transaction_charged_twice와 신뢰도 0.999를 반환하는 예시임.

자체 분류기 학습

  • jeffy.train의 train_classifier에 텍스트, 라벨, 작업 ID를 전달해 분류기를 학습함.
  • 예시에서는 긍정·부정 텍스트로 my_reviews 분류기를 학습하며, “기대를 뛰어넘었습니다” 입력에 라벨 positive와 신뢰도 0.87을 반환함.