Kaizen est un cadre d'agents AI avancé conçu pour simplifier la création et la gestion d'agents autonomes alimentés par LLM. Il offre une architecture modulaire pour définir des flux de travail à plusieurs étapes, intégrer des outils externes via des API, et stocker le contexte dans des tampons mémoire pour maintenir des conversations avec état. Le constructeur de pipelines de Kaizen permet d'enchaîner des prompts, d'exécuter du code et d'interroger des bases de données dans une seule exécution orchestrée. Des tableaux de bord de journalisation et de surveillance intégrés offrent des aperçus en temps réel des performances des agents et de l'utilisation des ressources. Les développeurs peuvent déployer des agents sur des environnements cloud ou sur site avec support pour l'auto-scaling. En abstraisant les interactions avec LLM et les préoccupations opérationnelles, Kaizen permet aux équipes de prototyper rapidement, tester et scaler l'automatisation IA dans des domaines comme le support client, la recherche et DevOps.

Co-Sight est un framework d'IA open-source qui simplifie le développement et le déploiement de solutions d'analyses vidéo en temps réel. Il fournit des modules pour l'ingestion de données vidéo, le prétraitement, la formation de modèles et l'inférence distribuée sur l'Edge et le Cloud. Avec un support intégré pour la détection d'objets, la classification, le suivi et l'orchestration de pipelines, Co-Sight garantit une faible latence et un haut débit. Son architecture modulaire s'intègre facilement avec des bibliothèques d'apprentissage profond populaires et peut évoluer sans effort avec Kubernetes. Les développeurs peuvent définir des pipelines via YAML, déployer avec Docker et surveiller les performances via un tableau de bord web. Co-Sight permet de créer des applications de vision avancée pour la surveillance des villes intelligentes, le transport intelligent et l'inspection de qualité industrielle, en réduisant le temps de développement et la complexité opérationnelle.

Dive est un cadre open-source basé sur Python, conçu pour créer et exécuter des agents IA autonomes capables d'effectuer des tâches multi-étapes avec une intervention manuelle minimale. En définissant des profils d'agents dans des fichiers de configuration YAML simples, les développeurs peuvent spécifier des API, des outils et des modules de mémoire pour des tâches telles que la récupération de données, l'analyse et l'orchestration de pipelines. Dive gère le contexte, l'état et l'ingénierie des prompts, permettant des flux de travail flexibles avec gestion d'erreurs intégrée et journalisation. Son architecture modulaire supporte une large gamme de modèles linguistiques et de systèmes de récupération, facilitant la constitution d'agents pour l'automatisation du service client, la génération de contenu et les processus DevOps. Le cadre évolue de la prototype à la production, offrant des commandes CLI et des points de terminaison API pour une intégration transparente dans des systèmes existants.

La spécification des agents IA d'entreprise définit une spécification complète pour des agents IA de qualité entreprise, y compris des schémas de manifeste pour l'identité de l'agent, la description, les déclencheurs, la gestion de la mémoire et les outils pris en charge. Le cadre comprend des formats de définition d'outils basés sur JSON, des directives pour l'orchestration de pipelines et de workflows, ainsi que des normes de versioning pour assurer des déploiements cohérents. Il supporte l'extensibilité via l'enregistrement d'outils personnalisés, les meilleures pratiques en matière de sécurité et de gouvernance, et l'intégration avec diverses environnements d'exécution. En suivant sa norme ouverte, les équipes peuvent construire, partager et maintenir des agents IA dans plusieurs environnements, favorisant la collaboration, la scalabilité et un processus de développement uniforme au sein des grandes organisations.

GenAI Processors fournit une bibliothèque de processeurs réutilisables et configurables pour construire des flux de travail d'IA générative de bout en bout. Les développeurs peuvent ingérer des documents, les diviser en morceaux sémantiques, générer des embeddings, stocker et interroger des vecteurs, appliquer des stratégies de récupération, et construire dynamiquement des prompts pour les appels des grands modèles de langage. Son architecture plug-and-play permet une extension facile des étapes de traitement personnalisées, une intégration transparente avec les services Google Cloud ou d'autres magasins de vecteurs, et la gestion de pipelines RAG complexes pour des tâches telles que la réponse aux questions, le résumé et la récupération de connaissances.