هرکسی می تواند برنامه های Genai را بسازد

نویسنده (ها): جیازن زو

در ابتدا منتشر شده در به سمت هوش مصنوعیبشر

نوشته شده توسط جیازن زو، مایکل پفافنبرگر ، والاس دالمت ، سریرام رانگاناتان ، احمد نوفل و آنوشریتا ساندارسواران

ما یک جلسه کیف قهوه ای را در سایت Walmart Global Tech Reston انجام دادیم تا در مورد این موضوع بحث کنیم. ما از دیدن نزدیک به 100 شرکت کننده فعال ، چه حضوری و چه به صورت آنلاین ، هیجان زده شدیم. هدف ما این است که بینش های مشترک امروز در عملیات تجاری شما سودمند خواهد بود. این پست وبلاگ ، برنامه ای از جلسه ما است که با هدف دستیابی به مخاطبان بزرگتر. هدف این است که خواننده را از طریق سفر از مفهوم سازی به توسعه هدایت کنید و در نهایت استقرار ، شما را قادر می سازد تا برنامه های Genai خود را بسازید.

دستور کار

• هوش مصنوعی​
• 2 چرا؟ و 1 چگونه؟
• چگونه یک ایده پیدا کنیم؟
• دانشمند داده
• تحلیلگر داده
• مهندس نرم افزار
• خلاصه

هوش مصنوعی

هوش مصنوعی در حال حاضر موضوعی گرایانه و بسیار بحث شده است. این بر روی لب همه است ، که نشان دهنده اهمیت روزافزون آن در صنعت فناوری است. البته ، همه ممکن است با نمودار ارائه شده در بالا موافق نباشند ، اما چشم انداز گسترده ای را ارائه می دهد و نمای چشم پرنده را در ارتفاع 10،000 پا ارائه می دهد. این تفاوت ها را ترسیم می کند و آن را به ابزاری مهم برای درک این موضوع پیچیده تبدیل می کند.

2 چرا؟ و 1 چگونه؟

هرکسی می تواند برنامه های Genai بسازد!

امروز ، ما بحث خود را در مورد این ایده متمرکز می کنیم ، “هر کسی می تواند برنامه های Genai را بسازد.” ما این موضوع را نه تنها به دلیل پتانسیل آن برای درگیر کردن افراد انتخاب کردیم بلکه به این دلیل که معتقدیم این واقعیت دارد. تقریباً همه افراد در تیم ما یک برنامه Genai ایجاد کرده اند و به موفقیت سازمان ما کمک می کند.

این ممکن است سؤالاتی مانند “چرا کسی؟” یا “چرا به طور خاص برنامه های Genai؟” و از همه مهمتر ، “چگونه می توانیم این کار را ممکن کنیم؟” اینها سوالات معتبری هستند که مستحق اکتشاف جامع هستند. در بحث ما ، ما به هر یک از این سؤالات خواهیم پرداخت و توضیحات کاملی را که از بینش های خود حمایت می شود ، ارائه خواهیم داد. ما هدف ما نه تنها پاسخ دادن به این سؤالات ، بلکه به توانمندسازی هر یک از شرکت کنندگان با دانش و درک توسعه برنامه Genai نیز هستیم.

1. چرا کسی؟

از آنجا که همه ما یک زبان مشترک را به اشتراک می گذاریم ، که برای بیشتر ما انگلیسی است ، نقش مهمی ایفا می کند. مدل مدل یادگیری زبان (LLM) ورودی ها را می پذیرد زبان طبیعی، و انگلیسی یکی از آنهاست. هنگامی که این عناصر جمع می شوند ، انگلیسی اساساً به یک زبان برنامه نویسی تبدیل می شود.

تصور کنید که یک دانشمند داده با درک عمیقی از یادگیری ماشین مدل ها ، اما نیاز به کمک به توسعه رابط کاربری (UI). در چنین مواردی ، LLM می تواند یک دارایی باشد ، و در ایجاد یک UI کاربردی کمک می کند.

به همین ترتیب ، اگر شما یک مهندس نرم افزار با مجموعه گسترده ای از توابع در مخزن کد خود هستید ، LLM می تواند در روند توسعه کمک کند. این می تواند به شناسایی عملکرد مناسب ، استخراج پارامترهای لازم کمک کند و عملکرد را تحریک کند ، در نتیجه عملیات را ساده تر می کند.

علاوه بر این ، برای تحلیلگران داده ، LLM می تواند طیف گسترده ای از بینش داده ها را ارائه دهد. این به عنوان ابزاری همه کاره عمل می کند که در تفسیر ، تجزیه و تحلیل و به دست آوردن الگوهای مهم از مجموعه داده های پیچیده کمک می کند. بنابراین ، LLM بدون توجه به نقش شما در زمینه علوم داده می تواند به عنوان یک همراه ارزشمند در سفر حرفه ای شما عمل کند.

2. چرا Genai و برنامه؟

Genai پتانسیل قابل توجهی دارد ، مشابه افزایش برنامه های تلفن همراه که 10 تا 15 سال پیش دیدیم ، همانطور که در نمودار زیر نشان داده شده است. در قلمرو موبایل ، چیپست برای توسعه تلفن های هوشمند اساسی بود. از این پایگاه ، ما یک سیستم عامل ایجاد کردیم که به توسعه دهندگان بی شماری اجازه می دهد تا برنامه های تلفن همراه را به سرعت و کارآمد ایجاد کنند.

همین اصول در مورد Genai نیز اعمال می شود. LLM برای Genai بسیار مهم است. با LLM ، می توانیم زیرساخت های Genai را به عنوان پایه و اساس خود تأسیس کنیم و ایجاد برنامه های مختلف Genai را تسهیل کنیم.

ممکن است تعجب کنید که چرا اگر دومی بسیار ضروری باشد ، به جای LLM روی برنامه های Genai تمرکز می کنیم. دلیل این امر این است که نوار ورود به LLM زیاد است. در حال حاضر ، ممکن است تقریباً 100 محقق قادر به ایجاد LLM از ابتدا باشند ، از جمله پیش پردازش ، آموزش مدل و پس از پردازش. در مقابل ، برنامه های Genai بسیار در دسترس تر هستند و آنها را به یک نقطه ورود آسانتر برای اکثر افراد تبدیل می کند.

3. چگونه می توانیم به هدف برسیم؟

بر اساس اطلاعات ارائه شده ، مشخص است که بیشتر مؤلفه ها تحت LLM قرار می گیرند یا عناصر بنیادی هستند که قبلاً تأسیس شده اند. به عنوان مثال ، RAG مؤلفه به نسل بازیابی و آگوست اشاره دارد ، چارچوبی که قبلاً اجرا کرده ایم.

به طور مشابه ، استخرهای عملکرد مربوط به مجموعه توابع یا الگوهای SQL است که از قبل موجود در پایه کد ما هستند.

علاوه بر این ، هر زمان که الزامی برای یک مدل جدید LLM یا از قبل آموزش دیده باشد ، بغل کردن چهره یک منبع ارزشمند است. بغل کردن چهره در واقع مخزن برای جستجوی مدل است و آن را به یک بستر مناسب برای یافتن مدل LLM/از پیش آموزش مورد نیاز تبدیل می کند.

سه عنصر اصلی که باید روی آنها تمرکز کنیم عبارتند از:

• سریع: راهنمای کاربر به عنوان ورودی به مدل تغذیه می شود.
• منطق اساسی: این شامل چند خط کد است که شکاف بین سریع و LLM را نشان می دهد. نمونه ای از این روند فراخوانی پارچه است.
• برنامه وب/سیستم عامل: چند خط کد برای UI

چگونه یک ایده پیدا کنیم؟

به طور معمول ، Genai از LLM برای استخراج یا تولید اطلاعات ساختاری از داده های بدون ساختار استفاده می کند. با استفاده از RAG ، می توانیم اطلاعات مناسبی را که به تصمیم گیری کمک می کند ، بدست آوریم.

اگر با داده های بدون ساختار سر و کار دارید و به دنبال تبدیل آن به بینش های ساختاری برای تصمیم گیری آگاهانه تر هستید ، این یک فرصت ایده آل برای مهار هوش مصنوعی مولد برای اتوماسیون و بهینه سازی است.

داده های بدون ساختار

• داده منبع
• فرمان انسانی

ساختار

• کد خام/SQL
• عملکرد با پارامترها
• الگوی SQL با پارامترها
• جداول

تصمیم گیری

• داشبورد
• پاسخ مستقیم
• ماشه عملکرد

پشته AI منبع باز

دانشمند داده

به عنوان یک دانشمند داده ، تمرکز اصلی شما اغلب بر توسعه LLM یا مولکول مدل ها. با این حال ، استفاده از این مدل ها در برنامه های دنیای واقعی معمولاً جزئی از مسئولیت های اصلی شما نیست. خوشبختانه ، این صنعت اکنون روشهای ساده تری برای ساخت برنامه های UI با ML یا LLM Backends ، با استفاده از ابزارهایی مانند StreamLit ارائه می دهد.

به عنوان مثال ، اگر در حال کار بر روی یک به رسمیت شناختن موجودیت برنامه (NER) ، StreamLit به شما امکان می دهد یک رابط کاربری با چند خط کد پایتون ایجاد کنید – توسعه ساده تر و در دسترس تر از همیشه.

# this the function for sentiment
def sentiment_analysis(input):
tokenizer = AutoTokenizer.from_pretrained("your_model")
model = AutoModelForTokenClassification.from_pretrained("your_model")
nlp = pipline("ner", model = model, tokenizer = tokenizer)
ner_results = nlp(input)
return ner_results
# Streamlit UI function
demo = gr.Interface(
fn = sentiment_analysis,
input = gr.Textbox(placeholder = "Write your text here...")
outputs = "text",
examples = [["Please check here"]]
)
demo.launch(server_name = "your_ip", share = True, server_port = 8502)

تحلیلگر داده

به عنوان یک تحلیلگر داده ، هدف اصلی شما کشف بینش از داده های شما است. نکته اصلی موفقیت در چگونگی تجزیه و تحلیل آن به طور مؤثر است. اما اگر بتوانید از یک برنامه LLM استفاده کنید تا عمیق تر به سمت کوچک شیرجه بزنید مجموعه داده ها؟ خبر خوب این است – بله ، ممکن است! ساختن چنین کاربردی نه تنها امکان پذیر است بلکه با حداقل تلاش کدگذاری نیز ساده است.

# if we have one function (get_response_from_llm) which can get the response from LLM
# create one function feed the prompt
def query(data, query):
prompt = f"""
You are an expert Data Analyst, given the following data, answer the corresponding questions:
Data: {data}
Question: {query}
"""
output = get_response_from_llm(prompt)
return output
# Streamlit UI function
demo = gr.Interface(
fn = query,
inputs = inputs,
outputs = outputs
)
demo.launch(server_name = "your_ip", share = True, server_port = 8502)

علاوه بر این ، ما می توانیم توسعه دهیم متن به SQL برنامه ای که به تحلیلگران اجازه می دهد با وارد کردن نمایش داده های زبان طبیعی ، داده ها را به راحتی واکشی کنند. این امر نیاز به دانش پیچیده SQL را از بین می برد و اکتشاف داده ها را تسریع می کند و تصمیم گیری سریعتر را فراهم می کند.

مهندس نرم افزار

برای مهندسان نرم افزار ، نوشتن کد مسئولیت اصلی آنهاست و این چیزی است که آنها در آن برتری دارند. با این حال ، برنامه های Gen AI می توانند با کمک به آنها در استفاده مجدد از کد و توابع قبلی که قبلاً نوشته شده اند ، بهره وری خود را به میزان قابل توجهی افزایش دهند.

به عنوان مثال ، مهندسان می توانند تمام کد عملکرد خود را در یک پایگاه داده بردار ، همراه با نظرات و مستندات تعریف شده ، ذخیره کنند. با قدرت جستجوی معنایی وت فراخوانی تابع، یک برنامه با قدرت Genai می تواند به طور هوشمندانه مهمترین کارکردها را شناسایی کند و به طور خودکار اجزای مناسب را در خط لوله توسعه ایجاد کند.

این رویکرد نه تنها گردش کار توسعه را ساده تر می کند بلکه تلاشهای کدگذاری اضافی را نیز کاهش می دهد ، جدول زمانی پروژه را تسریع می کند و با استفاده از راه حل های موجود ، سازگاری را در بین پروژه ها تضمین می کند.

خلاصه

بینش های به اشتراک گذاشته شده در جلسه ما و در این پست وبلاگ برای کمک به شما در درک و استفاده از پتانسیل Genai طراحی شده است. با دنبال کردن مراحل مشخص شده و استفاده از منابع موجود ، می توانید سفر خود را برای توسعه برنامه های Genai که باعث تقویت عملکردهای تجاری شما می شود ، شروع کنید.

منتشر شده از طریق به سمت هوش مصنوعی