TWORZENIE APLIKACJI AI Z LIAMALNDEX

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

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