genai cookbook
1.0.0
Generatif Buatan Kecerdasan (Genai) dengan cepat mengubah berbagai domain dengan memperkenalkan tingkat kebaruan, kreativitas, dan produktivitas yang belum pernah terjadi sebelumnya, "menciptakan perubahan teknologi terbesar dalam masa hidup kita." Dengan kemampuannya untuk menanggapi instruksi bahasa alami seperti manusia, Genai menambahkan dimensi interaktif baru untuk aplikasi AI. Ini menghasilkan konten baru - teks, audio, gambar, dan video - dari data yang ada, mencapai prestasi yang sebelumnya tidak terbayangkan. Juga, Genai unggul dalam produktivitas, mengungguli manusia dalam beberapa tugas dalam kecepatan dan efisiensi.
Selamat datang di Genai Cookbook, campuran resep dan panduan untuk menggunakan LLMS. Koleksi ini mencakup berbagai aplikasi pemrosesan bahasa alami (NLP) menggunakan model bahasa:
LLM Minta Strategi : Contoh Get-Get-Started untuk Meminta Teknik Kerangka DSPY : Menjelajahi Alternatif untuk Meminta Rekayasa Dengan Pendekatan Deklaratif dan Programatik untuk Pemrograman LLMS Sederhana Chatbots : Pelajari Dasar-Dasar Bangunan Forsion For Augmentasi Pengambilan AI (RAGS) : Menggabungkan Data Pribadi atau Data Organisasi untuk respons yang lebih akurat lebih lanjut. Tanggapan yang lebih akurat . format, dan nada suara yang memperluas fungsionalitas LLM : Gunakan agen dan fungsi untuk meningkatkan kemampuan dengan berinteraksi dengan alat eksternal dan sumber data yang menggunakan model bahasa terkemuka : panduan praktis untuk menggunakan model dan platform inferensi dari OpenAI, Antropik, Gemini, Meta, Anyscale Endpoints, Ollama, dan basis data.
Ditujukan untuk pengembang pemula, buku ini menyediakan kode contoh dan panduan cara, menampilkan cara menggunakan API dan kerangka kerja dari platform terkemuka. Mulailah perjalanan Anda dan temukan potensi Genai.
Untuk mencoba contoh -contoh ini, Anda akan memerlukan akun OpenAI dan kunci API terkait, antropik, Pinecone, Platform Data Intelligent Data Datrabricks atau akun titik akhir AnyScale dan kunci terkait. Bahkan lebih baik, instal ollama di laptop Anda.
Semua contoh dan buku catatan ada di Python, namun konsepnya dapat disesuaikan dengan bahasa pemrograman apa pun, selama Anda dapat membuat panggilan API REST dalam bahasa target atau menggunakan SDK bahasa target.
Beberapa contoh dalam buku masak ini terinspirasi (beberapa dimodifikasi, diperluas atau disalin) dari sumber daya ini, termasuk:
| Nama Direktori | Keterangan |
|---|---|
| genai_intro | Pengantar Umum untuk Genai, Model Yayasan, GPTS |
| agen | Apa itu agen, archicture agen yang berkembang, mengapa menggunakannya dan cara menulis agen |
| asisten | Openai Assistants memperluas fungsionalitas LLM untuk bekerja dan berinteraksi dengan alat eksternal, memungkinkan akses ke layanan eksternal seperti layanan web dan datastores. Cara bekerja dengan asisten openai untuk mengimplementasikan agen |
| chatbots | Aplikasi Umum dalam Layanan Pelanggan, Cara Menulis Chatbots Sederhana dan Percakapan Dengan LLMS, Menggunakan Teknik Prompt |
| dspy | Tinjauan cepat kerangka kerja deklaractive untuk memprogram LLMS: apa dan mengapa dan bagaimana menggunakan DSPY |
| embeddings-and-vectorbs | Pengantar embeddings vektor dan perannya dalam pencarian semantik untuk aplikasi gen llm. Emector embeddings adalah pusat dari generasi augmentasi pengambilan. Jelajahi toko vektor umum sebagai retreivers untuk dokumen yang diindeks |
| evaluasi | Mengevaluasi LLM tidak mudah dan berantakan; itu mungkin tampak seperti seni yang gelap. Tetapi beberapa alat, seperti MLFLOW, memberikan eksperimen, penebangan, pelacakan dan penelusuran untuk mengevaluasi LLMS |
| fine-tuning | Penggunaan umum LLM untuk menangani tugas-tugas khusus domain adalah melalui penyesuaian. Mengapa dan kapan harus menyempurnakan tugas khusus domain Anda untuk respons, nada, dan format yang disesuaikan |
| pemanggilan fungsi | Cara menggunakan openai dan open-source llm funciton panggilan untuk memperluas fungsionalitas llm |
| LLM-Prompts | Pengantar Teknik Rekayasa Prompt Segudang Menggunakan Model LLM Tertutup dan Open Source |
| Rags | Pengambilan generasi augmentasi (RAG) adalah Taylor Swift dari aplikasi LLM; Semua orang menginginkannya; Semua orang menulis tentang mereka; Semua orang membangunnya. Pengantar berbagai jenis kain, kapan harus menggunakannya lebih dari fine-tunign, dan bagaimana mengimplementasikannya untuk data Anda, meningkatkan akurasi dan mengurangi halukinasi dalam tanggapan Anda |
Karena saya menggunakan openai, antropik, Google Gemmini, atau titik akhir apa pun, saya menyediakan file templat lingkungan masing -masing: env_anyscale_template , env_anthropic_template , env_google_template , dan env_openai_template .
Tambahkan kunci dan nama model Anda ke salah satu file dan salin file ke .Env ke direktori tingkat atas. Untuk memigrasi kode openai apa pun ke titik akhir apa pun, gunakan panduan sederhana ini. Sebagian besar, migrasi mulus.
Juga, Anda akan memerlukan beberapa perpustakaan Python. Gunakan pip install -r requirements.txt untuk menginstalnya.
Catatan : Jangan membagikan file lingkungan Anda dengan tombol API secara publik.
Saya menyambut kontribusi. Mari kita menjadikan ini sumber daya yang digerakkan oleh pengembang AI generatif. Kontribusi Anda dapat mencakup penambahan atau perluasan panduan cara ini.
Periksa masalah yang ada dan tarik permintaan sebelum berkontribusi untuk menghindari duplikasi. Jika Anda memiliki saran untuk contoh atau panduan, bagikan di halaman masalah.
Bersenang -senang Genai! ? ️
Jules
