Tworzenie aplikacji z wykorzystaniem GPT-4 i ChatGPT. Buduj inteligentne chatboty, generatory treści i realizuj fascynujące projekty Nowe Brzesko

Powoli przyzwyczajamy się do niesamowitych możliwości ChatGPT. Interfejs API OpenAI i towarzyszące mu biblioteki stanowią gotowe rozwiązanie dla każdego, kto chce tworzyć aplikacje oparte na sztucznej inteligencji. Tylko kilka linii kodu dzieli Cię od wspaniałych implementacji! Książka płynnie łączy teorię z praktyką, przystępnie opisuje zawiłości modeli GPT-4 i ChatGPT. Lucas Soares, inżynier uczenia maszynowego w Biometrid Ta niewielka, przystępnie napisana książka jest drugim wydaniem kompleksowego przewodnika dla programistów Pythona, którzy chcą budować aplikacje bazujące na dużych modelach językowych. Zaprezentowano w niej główne cechy i zasady działania modeli GPT-4 i GPT-3.5 z uwzględnieniem najnowszych osiągnięć w rozwoju technologii sztucznej inteligencji. Znalazły się tu także instrukcje, jak krok po kroku tworzyć aplikacje z zastosowaniem biblioteki OpenAI dla Pythona, włączając w to generowanie treści, odpowiadanie na pytania i inteligentnych asystentów. Dodatkowe ułatwienie stanowią przejrzyste przykłady i dołączone do wydania pliki z kodami. Dzięki tej książce z łatwością wykorzystasz moc dużych modeli językowych w swoich aplikacjach! Dowiesz się: czym są modele ChatGPT i GPT-4, jak działają i jakie niosą korzyści jak w aplikacjach Pythona korzystać z modeli do przetwarzania języka naturalnego jak radzić sobie z dużymi modelami językowymi jak używać interfejsów API modeli do przetwarzania języka naturalnego jak stosować zaawansowane techniki, takie jak inżynieria promptów jak dostrajać modele do określonych zadań Autorzy wytyczają ścieżkę do tworzenia najnowocześniejszych aplikacji! Tom Taulli, autor książki Programowanie wspomagane sztuczną inteligencją Spis treści: Wprowadzenie 1. Podstawy modeli GPT-4 i ChatGPT Wprowadzenie do modeli LLM Podstawy modeli językowych i NLP Transformer i jego rola w modelu LLM Demistyfikacja etapów tokenizacji i prognozowania w modelach GPT Dodanie wizji do modeli LLM Historia modeli w skrócie: od GPT-1 do GPT-4 GPT-1 GPT-2 GPT-3 Od GPT-3 do InstructGPT GPT-3.5, Codex i ChatGPT GPT-4 Dlaczego używa się systemu ELO do porównywania modeli? Rozwój sztucznej inteligencji w kierunku multimodalności Zastosowania modelu LLM i przykładowe produkty Be My Eyes Morgan Stanley Khan Academy Duolingo Yabble Waymark Inworld AI Uważaj na halucynacje sztucznej inteligencji: ograniczenia i wnioski Uwalnianie potencjału modeli GPT za pomocą zaawansowanych funkcji Podsumowanie 2. Szczegółowe informacje o interfejsach OpenAI API Podstawowe pojęcia Dostępne interfejsy API modeli OpenAI Fundamentalne modele GPT InstructGPT (przestarzałe) GPT-3.5 GPT-4 Testowanie modeli GPT za pomocą platformy OpenAI Playground Pierwsze kroki: biblioteka OpenAI dla języka Python Dostęp do modeli i klucz API Przykład "Witaj, świecie!" Korzystanie z modeli uzupełniania rozmów Parametry wejściowe punktu końcowego ChatCompletion Dobieranie wartości parametrów top_p i temperature Format odpowiedzi punktu końcowego ChatCompletion Obraz Wymuszanie odpowiedzi w formacie JSON Korzystanie z innych modeli uzupełniających tekst Parametry wejściowe punktu końcowego Completion Format odpowiedzi punktu końcowego Completion Uwagi Ceny i limity tokenów Bezpieczeństwo i prywatność danych Inne interfejsy API i ich funkcjonalności Osadzenia Tłumaczenie języka naturalnego za pomocą osadzeń w uczeniu maszynowym Modele moderujące Przekształcanie tekstu na mowę Przekształcanie mowy na tekst API do pracy z obrazami Podsumowanie (i ściągawka) 3. Nawigacja po aplikacjach wspieranych przez modele LLM - możliwości i wyzwania Ogólne informacje o tworzeniu aplikacji Zarządzanie kluczami API Bezpieczeństwo i prywatność danych Wzorce architektoniczne oprogramowania Zastosowanie możliwości modeli LLM w aplikacjach Prowadzenie rozmów Przetwarzanie języka Interakcja człowiek - komputer Łączenie zdolności Przykładowe projekty Projekt 1. Generator wiadomości - przetwarzanie języka Projekt 2. Streszczanie filmów z YouTube'a - przetwarzanie języka Projekt 3. Ekspert od Minecrafta - przetwarzanie języka i prowadzenie rozmowy Projekt 4. Osobisty asystent - interfejs interakcji komputer - człowiek Projekt 5. Organizowanie dokumentów - przetwarzanie języka Projekt 6. Analiza wydźwięku tekstu - przetwarzanie języka Zarządzanie kosztami Podatności na ataki aplikacji opartych na modelach LLM Analiza danych wejściowych i wyjściowych Nieuchronność wstrzykiwania promptów Praca z zewnętrznym API Obsługa błędów i nieoczekiwanych opóźnień Limity prędkości Poprawa responsywności i doświadczenia użytkownika Podsumowanie 4. Zaawansowane strategie integracji modeli LLM Inżynieria promptu Tworzenie skutecznych promptów z rolami, kontekstem i zadaniami Rozumowanie modelu krok po kroku Implementacja uczenia na kilku przykładach Iteracyjna poprawa z uwzględnieniem opinii użytkownika Zwiększanie skuteczności promptu Dostrajanie modelu Pierwsze kroki Dostrajanie modelu za pomocą interfejsu OpenAI API Dostrajanie za pomocą interfejsu webowego OpenAI Zastosowania dostrojonych modeli Generowanie syntetycznych danych i dostrajanie modelu na potrzeby e-mailowej kampanii marketingowej Koszty dostrajania RAG Najprostszy RAG Zaawansowany RAG Ograniczenia RAG Wybór strategii Porównanie strategii Ocenianie Od standardowej aplikacji do rozwiązania wspomaganego przez LLM Wrażliwość na prompt Brak determinizmu Halucynacje Podsumowanie 5. Rozszerzanie modeli LLM za pomocą frameworków i wtyczek Platforma LangChain Biblioteki platformy Langchain Dynamiczne prompty Agenty i narzędzia Pamięć Osadzenia Platforma LlamaIndex Prezentacja: RAG w 10 liniach kodu Zasady platformy LlamaIndex Dostosowanie Wtyczki GPT-4 Informacje ogólne Interfejs API Manifest Specyfikacja OpenAPI Opisy Niestandardowe modele GPT API asystentów Tworzenie API asystentów Zarządzanie rozmową z API asystentów Wywoływanie funkcji Asystenty na platformie webowej OpenAI Podsumowanie 6. Składanie wszystkiego w całość Kluczowe wnioski Składanie wszystkiego w całość - przykład zastosowania asystenta Krok 1: tworzenie pomysłów Krok 2: definiowanie wymagań Krok 3: budowanie prototypu Krok 4: ulepszanie, iteracje Krok 5: zabezpieczenie rozwiązania Wnioski Słownik kluczowych pojęć Narzędzia, biblioteki i frameworki