آنچه من با ساختن یک خبرنامه AI محور یاد گرفتم

نویسنده (ها): دکتر جک ساندرز

در ابتدا منتشر شده در به سمت هوش مصنوعیبشر

یکی از سخت ترین بخش های محقق بودن در دنیای فعلی هوش مصنوعی ، ادامه کار با حجم مجنون کارهای جدید است که به نظر می رسد هر روز به وجود می آید. من تعجب کردم: آیا می توانم از هوش مصنوعی برای خلاصه کردن خودکار مقالات جدید هنگام بیرون آمدن استفاده کنم؟ این منجر به توسعه یک پروژه بسیار اساسی برای ساخت روزانه شد خبرنامهبشر من زمان بسیار خوبی برای ساختن این کار داشتم و فکر کردم برخی از یادگیری های خود را از این پروژه به اشتراک می گذارم.

فعلاً یک انسان را در حلقه نگه دارید

هوش مصنوعی اشتباه می کند. برای بیشتر این مقاله ، من در مورد برخی از روش های این اتفاق و چگونگی کاهش آن بحث می کنم. با این وجود ، مهم نیست که چه چیزی را امتحان می کنید ، هوش مصنوعی غیر تعیین کننده و مستعد توهم است. این ممکن است کاملاً ده بار کار کند و سپس در یازدهم کاری کاملاً غیرقابل پیش بینی انجام دهد. به همین دلیل ، من همیشه مطمئن هستم که هر یک را به صورت دستی تأیید می کنم خبرنامه قبل از اینکه تمام شود این به من کمک کرده است که چندین خطای بسیار مهم را بدست آورم ، که معمولاً تصحیح آن بسیار آسان است.

همه چیز نیازی به عامل ندارد

نمایندگان هستند در در حال حاضر Buzzword ، و در حالی که هیئت منصفه هنوز دقیقاً در مورد آنچه در آن قرار دارد ، اما بیشتر تعاریف موافق هستند که این مدل های هوش مصنوعی با توانایی انتخاب ابزارها/سایر عوامل برای تماس و چه زمانی و همچنین خاتمه خود هستند.

این شگفت انگیز به نظر می رسد ، و این همان چیزی بود که تصمیم گرفتم برای اولین تلاش خود امتحان کنم. با این حال ، من این را خیلی مستعد خطاها دیدم. به عنوان مثال ، می گویم من یک عملکرد برای جستجوی اخبار دارم ، و دیگری برای جستجوی مقالات ، حتی اگر عامل ممکن است ابزار مناسب را 95 ٪ از زمان تماس بگیرد ، این هنوز به اندازه کافی خوب نیست ، زیرا جریان فیلمنامه را می شکند. شما می توانید این کار را با رسیدگی به خطای خوب طراحی شده کاهش دهید ، اما صادقانه بگویم ، این می تواند تلاش بیشتری از آنچه که ارزش دارد باشد.

شما باید از خود بپرسید ، آیا این واقعاً یک مورد استفاده است که به یک عامل احتیاج دارد یا گردش کار بهتر خواهد بود.

برای من خبرنامه، اهداف ثابت است: جمع آوری داده ها ، فیلتر کردن آن ، خلاصه و ارسال. این یک گردش کار است ، نه یک عامل. یک عامل بدون بهره وری واقعی پیچیدگی را اضافه می کند. هنگامی که ذهنیت را روشن کردم ، توانستم خبرنامه را بسیار مؤثرتر توسعه دهم.

شما معمولاً می توانید API را برای انجام بیشتر کارهایی که می خواهید پیدا کنید

این وسوسه انگیز است که خرگوش را روی یک پروژه مانند این و سعی کنید همه چیز را از ابتدا بسازید ، به خصوص هنگامی که یک چتپپ خوش بینانه دقیقاً به شما می گوید چگونه این کار را انجام دهید (حتی اگر اشتباه باشد). با این حال ، در بسیاری موارد ، شما فقط چرخ را دوباره اختراع می کنید. وقتی کسی قبلاً کار را برای شما حل کرده است ، ممکن است از راه حل آنها نیز استفاده کنید! در بسیاری از موارد ، حتی API های رایگان برای کار شما وجود خواهد داشت (مشروط بر اینکه در مقیاس کوچک کار کنید). به عنوان مثال ، من استفاده کردم:

• بوی برای ساختار خبرنامه این به شما امکان می دهد یک الگوی را به صورت دستی طراحی کنید و سپس یک API پایتون را برای پر کردن بخش ها به صورت برنامه ای و ارسال ایمیل به لیست آدرس ها ارائه می دهد. همچنین لیست مخاطبین من را مدیریت می کند.
• در arxiv api برای دیدن نسخه های اخیر. این لیستی از مقالات را به همراه دارد که می توانید برای یافتن مقالات مربوطه فیلتر کنید.
• thenewsapi برای دریافت مقالات خبری. این به شما امکان می دهد تا با کلمات کلیدی فیلتر کنید ، برای من “انسانهای دیجیتال” و “آواتارها” در یک دوره زمانی خاص.

با این حال ، همه چیز API ندارد. به عنوان مثال ، من دوست دارم از آن استفاده کنم صندوق ورودی محقق برای کمک به من در یافتن مقالات خاص برای انسانهای دیجیتال ، اما API ندارد. در عوض ، من راهی برای خواندن مطالب از ایمیل های خود با API Gmail پیدا کردم ، اما این ممکن است منطقه ای باشد که می خواهم الگوریتم خودم را برای آن توسعه دهم. با این وجود ، API هایی که وجود دارد به من در صرفه جویی در ساعتهای بی شماری در این پروژه کمک کرده است.

حتی بهترین اعلان ها بی پروا نیستند

در این مرحله ، فوریت بیشتر از یک علم است و به یک علم کمک می کند تا در مورد آنچه می خواهید بسیار دقیق باشید. با این حال ، حتی وقتی شما تا حد امکان دقیق باشید ، LLM هنوز هم اشتباه خواهد کرد برای نشان دادن این نکته ، در اینجا بخشی از سریع من برای استفاده می کنم LLM خلاصه مقالات:

Please return the output in the following format:
{
"TITLE": {
"Contribution 1": "…",
"Contribution 2": "…",
"Contribution 3": "…",
"TLDR": "…"
}
}
Make sure that what you return is a valid json object.
DO NOT include any other text in your response.

با این وجود ، با وجود این ، هنوز هم ، به مناسبت ، متن دیگری راجع به LLM ، یا از دست دادن کاما و JSON معتبر نیست. بنابراین بسیار مهم است که شامل رسیدگی به خطای قوی برای خروجی های مدل خود باشید.

قدرت یک بنیانگذار/توسعه دهنده انفرادی بهتر از همیشه است …

این یک پروژه جانبی نسبتاً کوچک بود ، اما من تحت تأثیر قرار گرفتم که از زمین خارج شدم! اکنون ابزارهای زیادی وجود دارد که به این معنی است که شما دیگر برای همه چیز به تیم احتیاج ندارید. برون سپاری مناطق توسعه برنامه شما به ابزارهایی امکان پذیر است تا سرعت قابل توجهی را افزایش دهد. به عنوان مثال ، من از ابزارهای زیر برای صرفه جویی در وقت زیادی استفاده کردم!

• دوست داشتنی برای جبهه: من مهارت های طراحی کاملاً صفر دارم ، بنابراین این یک خدادادی بود. فقط در عرض چند دقیقه ، من توانستم یک وب سایت مناسب و معقول را تولید کنم.
• Windsurf برای کارهای برنامه نویسی: در حالی که من یک توسعه دهنده نیمه صلاحیت هستم ، من هنوز از توانایی های صرفه جویی در وقت یک IDE با قابلیت AI قدردانی می کنم. بسیاری از کارهای ساده مورد مراقبت قرار گرفتند و مرا آزاد کردند تا روی تصویر بزرگ تمرکز کنم.
• chatgpt برای ایده ها: من با استفاده از LLM مبتنی بر چت واقعاً به عنوان یک صفحه صوتی برای گزاف گویی ایده ها و کمک به من در یافتن بهترین API ها برای یک کار معین ، پیدا کردم.

لیست ابزارها بی وقفه در حال رشد است و اینها به هیچ وجه تنها گزینه های هر یک نیستند. مدتی را در ابتدای پروژه خود صرف کنید و فقط با این ابزارها به هم بزنید و ممکن است از آنچه می توانند ارائه دهند شگفت زده شوید.

… اما هنوز راهی برای رفتن وجود دارد.

اگر برخی از اعتیاد به مواد مخدره در اطراف هوش مصنوعی را می خوانید ، ممکن است وسوسه شوید که فکر کنید یک سریع در ابزار مناسب می تواند شما را یک راه اندازی کاربردی و سودآور ایجاد کند. با این حال ، این دور از حقیقت است. ابزارهای هوش مصنوعی فعلی در انجام کارهای کوچک و به خوبی تعریف شده برتری دارند ، اما با پیچیدگی پروژه به سرعت تجزیه می شوند. در واقع ، من سعی کردم این خبرنامه را صرفاً کدگذاری کنم و برنامه حاصل کاملاً بی فایده بود. حداقل در حال حاضر ، هوش مصنوعی دستیار یا شاید یک عضو تیم جوان است ، اما راهی برای پیشبرد آن وجود دارد که بتواند یک تیم کامل را جایگزین کند.

به طور کلی ، این یک پروژه بسیار جالب بوده است ، که در مورد وضعیت عوامل هوش مصنوعی و LLM های مدرن چیزهای زیادی به من آموخته است. همچنین برای تصمیم گیری در مورد اینکه کدام مقالات ارزش سرمایه گذاری زمان خواندن کامل را دارند ، به من کمک بزرگی کرده است.

برای من ، این پروژه اثبات این بود که هوش مصنوعی یک شتاب دهنده باورنکردنی است اما جایگزینی برای تفکر ساختاری یا نظارت انسانی نیست. اگر شما در حال ساختن ابزارهای AI خود هستید ، امیدوارم که این دروس مدتی را برای شما صرفه جویی کند.

اگر علاقه مند هستید ، می توانید مشترک شوید در اینجا و من قصد دارم در حال توسعه باشم!

منتشر شده از طریق به سمت هوش مصنوعی