Fine Tuning GPT 3 for Amazon Support Chatbot Download - Fine Tuning GPT 3 for Amazon Support Chatbot Source Code Download

Fine Tuning GPT 3 for Amazon Support Chatbot

AI-Quellcode

1.0.0

Herunterladen

Amazon Support Chatbot mit fein abgestimmter GPT-3

Dieses Projekt beinhaltet das Erstellen eines benutzerdefinierten Amazon-Support-Bots mit dem GPT-3-Sprachmodell von OpenAI. Ziel ist es, eine Konversations -KI zu erstellen, die auf der Grundlage der Amazon -Frage, die den Datensatz beantwortet, genaue und hilfreiche Antworten auf Kundenabfragen liefern kann. Wir werden ein GPT-3-Modell für benutzerdefinierte Amazon-Frage-Beantwortung des Datensatzes zu diesem Zweck einstellen.

Projektschritte

1. Datenvorbereitung

Das Projekt beginnt mit einem Datensatz namens amazon_qna.csv , das Fragen und Antworten im Zusammenhang mit Amazon enthält.
Um das GPT-3-Modell zu trainieren, wird aus dem ursprünglichen Datensatz eine kleinere Stichprobe von Trainings- und Validierungsdaten erstellt.

2. Datenumwandlung

Die Trainings- und Validierungsdatensätze ( training_amazon_qna.csv und validation_amazon_qna.csv ) werden vom CSV -Format in JSONL -Format ( training_amazon_qna.jsonl und validation_amazon_qna.jsonl ) konvertiert
Das JSONL-Format (JSON-Linien) ist zur Feinabstimmung des GPT-3-Modells erforderlich.
Jede Zeile in der JSONL -Datei enthält einen gültigen JSON mit 2 Schlüssel, prompt und completion . Dieses Format ist obligatorisch, um ein GPT-3-Modell zu beenden.

{ "prompt" : " Non-Ducted range Hood, does this mean there is no need to vent up thru the roof or out thru the wall? -> " , "completion" : " That's correct. The air flows through the filter on the underside and out through the three columns of vent slats you see on the front of the range hood. There is no connection to other vents or ducts in a wall or through the roof. n " }

3. Laden Sie Daten auf Öffnen hoch

Die konvertierten Trainings- und Validierungsdatensätze im JSONL -Format werden auf die OpenAI -Plattform hochgeladen.
Diese Daten werden verwendet, um das GPT-3-Modell zu optimieren, um Antworten zu generieren, die für Amazon-Kundendienstabfragen spezifisch sind.

4. Feinabstimmung

Das für die Feinabstimmung verwendete GPT-3-Modell ist davinci .
Die Hyperparameter für die Feinabstimmung sind wie folgt festgelegt:
- Anzahl der Epochen: 15
- Stapelgröße: 3
- Lernrate -Multiplikator: 0,3

5. Überwachung und Verfolgung

Der Feinabstimmungs-Trainingsprozess wird überwacht, um sicherzustellen, dass das Modell effektiv lernt.
Der Fortschritt aller Feinabstimmungen wird auf der OpenAI-Plattform verfolgt.

6. Modellname extrahieren

Sobald die Feinabstimmung abgeschlossen ist, wird der fein abgestimmte Modellname aus dem Trainingsprozess extrahiert.
Dieses Modell wird verwendet, um Antworten im Amazon Support Bot zu generieren.

7. Inferenz

Das fein abgestimmte GPT-3-Modell wird zur Folgerung im Amazon Support Bot verwendet.

 prompt = "Is this louder/quiter than the HWM450? Does it need to be cleaned more often? ->"

Die obige Eingabeaufforderung führt zu einer folgenden Antwort

 "I think they are about the same, and it does not need to be cleaned n "

Abschluss

Dieses Projekt zeigt den Prozess, einen benutzerdefinierten Amazon-Support-Bot mit einem fein abgestimmten GPT-3-Modell zu erstellen. Durch die Schulung des Modells auf Amazon-spezifischen Frage- und Beantwortungsdaten kann der Bot hilfreiche Antworten auf Kundenanfragen liefern. Die Readme bietet einen Überblick über die Projektschritte, die Datenvorbereitung, die Feinabstimmung, die Inferenz und das ultimative Ziel, einen effizienten Customer-Support-Chatbot für Amazon-bezogene Abfragen zu erstellen.