ContextDB

IA: Erstellen einer Kontextdatenbank für Ihre Eingabeaufforderungen

Ich werde Ihnen zeigen, wie Sie ein System entwickeln, um die Verwendung von Eingabeaufforderungen in Anwendungen für künstliche Intelligenz mithilfe einer Kontextdatenbank zu optimieren. Dieses Projekt verwendet unter anderem Technologien wie Python , Duckdb und Langchain. Es zeichnet sich durch die Verwendung von Duckdb als Vektordatenbank aus, mit denen große Datenvolumina effizient verwaltet werden, während die Langchain- Bibliothek integriert ist, um die Funktionen des ChatGPT-3,5- oder höheren Sprachmodells zu untersuchen.

Durch diese Integration enthält das Projekt fortschrittliche Techniken wie Einbettungen und retieval-Augmeld-Generation (RAG) , die eine praktische und ausgefeilte Anwendung der behandelten theoretischen Konzepte demonstrieren. Diese Kombination von Werkzeugen und Techniken erhöht nicht nur die Genauigkeit und Effizienz von AI- Anwendungen, sondern veranschaulicht auch die Praxis einer Eingabeaufforderung von wenigen Scheinen , bei denen eine Aufforderung einige Beispiele vorgelegt wird, die zu einem besseren Verständnis des Anforderns beitragen.

Videopräsentation

Anforderungen

Anwendungsbereitstellung

Klonen des Repositorys:

git clone https://github.com/Renatoelho/ContextDB.git contextDB

Vorbereitung der Umgebung:

• Zugriff auf das geklonte Verzeichnis

 cd contextDB/app/

• Erstellen der virtuellen Umgebung

python3 -m venv .venv

• Aktivierung der virtuellen Umgebung

 source .venv/bin/activate

• Installation der Abhängigkeiten

pip install pip setuptools wheel && pip install -r requirements.txt

WICHTIG: Aktualisieren Sie die .EnV -Datei mit OpenAIS Access Token sowie Credits auf Ihrer OpenAI -Entwicklerplattform https://platform.openai.com/.

• Testen der Anwendung

python3 ./app.py

Hinweis : Um die Anwendung mit anderen Nachrichten zu testen, ändern Sie einfach den Text des atendimento in der Datei app.py

Referenzen

Carraro, Fabricio. Künstliche Intelligenz und Chatgpt: Von der Revolution generativer KI -Modelle bis hin zur Erforschung von Engineering. 1.. Ed. Sao Paulo: Casa Do Code Publisher, 2023.

Python DB API, Duckdb. Verfügbar unter: https://duckdb.org/docs/api/python/dbapi. Zugriff auf: 22. April 2024.

Was ist RAG?, AWS. Verfügbar unter: https://aws.amazon.com/en/what-i/retieval-ugmented-Generation/. Zugriff auf: 22. April 2024.

Worteinbettung: Der Computer versteht die Bedeutung von Wörtern - eine Einführung in sehr wichtige NLP -Konzepte: Einbettungen und Word2Vec, Medium. Verfügbar unter: https://medium.com/turing-talks/word-empedding-fing-computer-nefing-da-das-lavras-92f2745057. Zugriff auf: 22. April 2024.

Langchain_Community.Vectors.Duckdb.Duckdb, Api Python Langchain. Verfügbar unter: https://api.python.langchain.com/en/latest/vectors/langchain_community.vectors.duckdb.html. Zugriff auf: 22. April 2024.

Langchain_Community.embeddings.openai.Openaieembeding, OpenieEembeddings. Verfügbar unter: https://api.python.langchain.com/en/latest/embeding/langchain_community.embeddings.openai.openaieembedings.html#langchain-Community-openai-pedings. Zugriff auf: 22. April 2024.