genai cookbook
1.0.0
La inteligencia artificial generativa (Genai) está transformando rápidamente varios dominios al introducir niveles sin precedentes de novedad, creatividad y productividad, "creando el mayor cambio tecnológico en nuestras vidas". Con su capacidad de responder a las instrucciones de lenguaje natural similares a los humanos, Genai agrega una nueva dimensión interactiva a las aplicaciones de IA. Genera nuevo contenido (textos, audio, imágenes y video) de los datos existentes, logrando hazañas previamente inimaginables. Además, Genai sobresale en la productividad, superando a los humanos en algunas tareas en velocidad y eficiencia.
Bienvenido al libro de cocina de Genai, una combinación de recetas y guías prácticas para usar LLMS. Esta colección cubre una amplia gama de aplicaciones de procesamiento del lenguaje natural (PNL) utilizando modelos de idiomas:
Estrategias de solicitación de LLM : Ejemplos de inicio a las técnicas de solicitación DSPY Marco : Explore alternativas a la ingeniería rápida con enfoques declarativos y programáticos para programar chatbots simples de chatbots simples : aprenda los conceptos básicos de la creación de modelos de generación de recuperación de IA IA Interactive: Aumento de la generación de recuperación (RAGS) : Formas de forma personal u organizativa para respuestas más precisas para las respuestas FIN-TUNING: Modelos personalizados para el dominio de los modelos y el dominio de los modelos de dominio y el formulario de la forma, el formulario de la forma, el formulario de la forma, el formulario de la forma, el formulario, los formatos de la formación de respuestas. Tonality Extending LLM Funcionalidad : use agentes y funciones para mejorar las capacidades interactuando con herramientas externas y fuentes de datos que emplean modelos de idiomas líderes : guías prácticas para usar modelos y plataformas de inferencia de OpenAI, antrópico, Géminis, Meta, puntos finales de cualquier escala, Ollama y Databricks.
Dirigido a los desarrolladores para principiantes, este libro proporciona código de ejemplo y guías prácticas, mostrando cómo usar API y marcos de las plataformas líderes. Comience su viaje y descubra el potencial de Genai.
Para probar estos ejemplos, necesitará una cuenta de OpenAI y una clave API asociada, la plataforma inteligente de Datrabricks Data Data o una cuenta de punto final en cualquier escala y una clave asociada. Aún mejor, instale Ollama en su computadora portátil.
Todos los ejemplos y cuadernos están en Python, sin embargo, los conceptos se pueden adaptar a cualquier lenguaje de programación, siempre que pueda hacer llamadas API REST en el idioma de destino o usar el SDK del lenguaje de destino.
Algunos ejemplos en este libro de cocina están inspirados (algunos modificados, expandidos o copiados) de estos recursos, incluidos:
| Nombres de directorio | Descripción |
|---|---|
| Genai_intro | Introducción general a Genai, Modelos de Fundación, GPTS |
| agentes | ¿Qué son los agentes, la arquicción del agente evolucionador, por qué usarlos y cómo escribir agentes? |
| asistentes | OpenAI Assistants Extend LLM Functity para trabajar e interactuar con herramientas externas, lo que permite el acceso a servicios externos como servicios web y almacenes de datos. Cómo trabajar con asistentes de Openai para implementar agentes |
| chatbots | Aplicación común en el servicio al cliente, cómo escribir chatbots simples y conversacionales con LLMS, utilizando técnicas de solicitud |
| dspy | Descripción general rápida de un marco declarado para programar LLM: qué y por qué y cómo usar DSPY |
| incrustaciones y vectordords | Introducción a las integridades vectoriales y su papel en las búsquedas semánticas para aplicaciones de gen LLM. Las integridades vectoriales son fundamentales para la generación de aumentos de recuperación. Explore las tiendas vectoriales comunes como retisores para documentos indexados |
| evaluación | Evaluar LLM no es fácil y desordenado; puede parecer un arte oscuro. Pero algunas herramientas, como MLFlow, proporcionan experimentación, registro, seguimiento y rastreo para evaluar LLMS |
| sintonia FINA | El uso común de LLM para manejar tareas específicas del dominio es a través del ajuste fino. Por qué y cuándo ajustar para su tarea específica de dominio a respuestas, tono y formato personalizados |
| calificación de funciones | Cómo usar las llamadas de funciones LLM de OpenAI y Source LLM para extender la funcionalidad LLM |
| LLM-PROMPTS | Una introducción a innumerables técnicas de ingeniería rápida utilizando modelos LLM cerrados y de código abierto |
| harapos | La generación de aumento de recuperación (RAG) es el Taylor Swift de las aplicaciones LLM; todos los quieren; Todos escriben sobre ellos; Todos los construyen. Una introducción a los diferentes tipos de trapos, cuándo usarlos sobre el ajuste y cómo implementarlos para sus datos, aumentando la precisión y disminuyendo las halucinaciones en sus respuestas |
Dado que uso OpenAI, Anthrope, Google Gemmini o AnyScale Endpoints, proporciono archivos de plantilla de entorno respectivos: env_anyscale_template , env_anthropic_template , env_google_template y env_openai_template .
Agregue sus claves y el nombre del modelo a cualquiera de los archivos y copie el archivo a .env al directorio de nivel superior. Para migrar cualquier código de OpenAI a los puntos finales de cualquier escala, use esta guía simple. En su mayor parte, la migración es perfecta.
Además, necesitará algunas bibliotecas de Python. Use pip install -r requirements.txt para instalarlos.
Nota : No comparta públicamente sus archivos de entorno con las claves API.
Agradezco las contribuciones. Hagamos de este un recurso generativo de AI desarrollador impulsado por la comunidad. Sus contribuciones pueden incluir adiciones o expansiones de estas guías prácticas.
Verifique los problemas existentes y extraiga las solicitudes antes de contribuir para evitar la duplicación. Si tiene sugerencias para ejemplos o guías, compártalos en la página de problemas.
¡Diviértete Genai! ? ️
Jules
