OpenAI CEO'su Sam Altman, Ekim 2023'teki OpenAI Geliştirici Günü'nde ürün kullanım rakamlarını sunuyor. OpenAI üç müşteri segmentini değerlendiriyor: geliştiriciler, işletmeler ve genel kullanıcılar. bağlantı: https://www.youtube.com/watch?v=U9mJuUkhUzk&t=120s
 

Ekim 2023'teki OpenAI Geliştirici Günü'nde OpenAI CEO'su Sam Altman, bir slayt gösterdi Üç farklı müşteri segmentinde ürün kullanımına ilişkin bilgiler: geliştiriciler, işletmeler ve genel kullanıcılar.

Bu yazıda geliştirici segmentine odaklanacağız. Üretken bir yapay zeka geliştiricisinin neler yaptığını, bu iş için hangi araçlarda uzmanlaşmanız gerektiğini ve nasıl başlayacağınızı ele alacağız.

Birkaç şirket kendini üretken yapay zeka ürünleri üretmeye adamış olsa da çoğu üretken yapay zeka geliştiricisi, bunun geleneksel odak noktası olmadığı diğer şirketlerde bulunuyor. 

Bunun nedeni, üretken yapay zekanın çok çeşitli işletmeler için geçerli olan kullanımlara sahip olmasıdır. Üretken yapay zekanın dört yaygın kullanımı çoğu işletme için geçerlidir. 

Chatbots

Resim Oluşturan: DALL·E 3
 

Chatbotlar on yılı aşkın bir süredir ana akım olsa da çoğunluğu berbat durumda. Tipik olarak bir chatbot ile ilk etkileşim, ona bir insanla konuşup konuşamayacağınızı sormaktır.

Üretken yapay zekadaki ilerlemeler, özellikle de büyük dil modelleri ve vektör veritabanları, bunun artık doğru olmadığı anlamına geliyor. Artık chatbotların kullanımı müşterilerin hoşuna gidebildiği için, her şirket onları yükseltmek için çabalıyor (ya da en azından meşgul olmalı).

makale Üretken yapay zekanın sohbet robotları üzerindeki etkisi MIT Technology Review'dan gelen makale, sohbet robotları dünyasının nasıl değiştiğine dair iyi bir genel bakış sunuyor.

Anlamsal arama

Arama, dokümanlardan alışveriş sitelerine ve internete kadar çok çeşitli yerlerde kullanılmaktadır. Geleneksel olarak, arama motorları anahtar kelimeleri yoğun şekilde kullanır, bu da arama motorunun eşanlamlılardan haberdar olacak şekilde programlanması gerektiği sorununu yaratır.

Örneğin, müşteri segmentasyonuyla ilgili kısmı bulmak için bir pazarlama raporunda arama yapmaya çalışmayı düşünün. CMD+F tuşlarına basıyorsunuz, "segmentasyon" yazıyorsunuz ve bir şey bulana kadar isabetler arasında geçiş yapıyorsunuz. Ne yazık ki, belgenin yazarının "segmentasyon" yerine "sınıflandırma" yazdığı durumları kaçırıyorsunuz.

Anlamsal arama (arama anlam) benzer anlamlara sahip metni otomatik olarak bularak bu eşanlamlılık sorununu çözer. Buradaki fikir, bir gömme modeli (metni anlamına göre sayısal bir vektöre dönüştüren bir derin öğrenme modeli) kullanmanız ve ardından ilgili metni bulmanın basit bir doğrusal cebir olmasıdır. Daha da iyisi, birçok gömme modeli, girdi olarak görsel, ses ve video gibi diğer veri türlerine izin vererek, aramanız için farklı girdi veri türleri veya çıktı veri türleri sağlamanıza olanak tanır.

Chatbotlarda olduğu gibi birçok şirket de anlamsal aramayı kullanarak web sitesi arama yeteneklerini geliştirmeye çalışıyor.

Bu öğretici Semantik Arama Milvus vektör veri tabanının yaratıcısı Zillus, kullanım senaryolarının iyi bir tanımını sağlıyor.

Kişiselleştirilmiş içerik

Resim Oluşturan: DALL·E 3
 

Üretken yapay zeka, içerik oluşturmayı daha ucuz hale getirir. Bu, farklı kullanıcı grupları için özel içerik oluşturmayı mümkün kılar. Yaygın örneklerden bazıları, kullanıcı hakkında bildiklerinize bağlı olarak pazarlama metnini veya ürün açıklamalarını değiştirmektir. İçeriği farklı ülkeler veya demografik gruplarla daha alakalı hale getirmek için yerelleştirmeler de sağlayabilirsiniz.

Bu yazı hakkında Üretken yapay zeka platformlarını kullanarak hiper kişiselleştirmeye nasıl ulaşılır? Salesforce Baş Dijital Evangelisti Vala Afshar'dan içeriği kişiselleştirmek için üretken yapay zeka kullanmanın faydalarını ve zorluklarını ele alıyor.

Yazılıma doğal dil arayüzleri

Yazılım karmaşıklaştıkça ve tam özellikli hale geldikçe kullanıcı arayüzü, kullanıcıların bulamadığı veya nasıl kullanacaklarını çözemediği menüler, düğmeler ve araçlarla dolup taşar. Kullanıcıların istediklerini bir cümleyle açıklamak istedikleri doğal dil arayüzleri, yazılımın kullanılabilirliğini önemli ölçüde artırabilir. “Doğal dil arayüzü”, yazılımı kontrol etmenin sözlü veya yazılı yollarını ifade edebilir. Önemli olan, insanların anlayabileceği standart cümleleri kullanabilmenizdir.

İş zekası platformları bunu ilk benimseyenlerden bazılarıdır; doğal dil arayüzleri iş analistlerinin daha az veri işleme kodu yazmasına yardımcı olur. Bununla birlikte, bunun için uygulamalar oldukça sınırsızdır: zengin özelliklere sahip hemen hemen her yazılım parçası, doğal bir dil arayüzünden yararlanabilir.

Bu Forbes makalesi Yapay Zeka ve Doğal Dil Arayüzlerini Benimsiyorum Omega Venture Partners'ın kurucusu ve Yönetici Ortağı Gaurav Tewari'den doğal dil arayüzlerinin yazılımın kullanılabilirliğine neden yardımcı olabileceğine dair okunması kolay bir açıklama var.

Öncelikle üretken bir yapay zeka modeline ihtiyacınız var! Metinle çalışmak için bu, büyük bir dil modeli anlamına gelir. GPT 4.0, performans açısından mevcut altın standarttır ancak Llama 2, Falcon ve Mistral gibi birçok açık kaynak alternatifi de mevcuttur. 

İkinci olarak bir vektör veritabanına ihtiyacınız var. Pinecone en popüler ticari vektör veritabanıdır ve Milvus, Weaviate ve Chroma gibi bazı açık kaynaklı alternatifler vardır.

Programlama dili açısından topluluk Python ve JavaScript'e yerleşmiş görünüyor. JavaScript web uygulamaları için önemlidir ve Python herkes için uygundur.

Bunların da ötesinde, üretken bir yapay zeka uygulama çerçevesinin kullanılması yararlı olacaktır. İki ana yarışmacı LangChain ve LlamaIndex'tir. LangChain, çok çeşitli üretken yapay zeka uygulamaları geliştirmenize olanak tanıyan daha geniş bir çerçevedir ve LlamaIndex, anlamsal arama uygulamaları geliştirmeye daha sıkı bir şekilde odaklanır. 

Bir arama uygulaması yapıyorsanız LlamaIndex'i kullanın; aksi takdirde LangChain'i kullanın.

Ortamın çok hızlı değiştiğini ve her hafta yeni araçlarla birlikte birçok yeni yapay zeka girişiminin ortaya çıktığını belirtmekte fayda var. Bir uygulama geliştirmek istiyorsanız, yazılım yığınının bazı kısımlarını diğer uygulamalara göre daha sık değiştirmeyi bekleyin.

Özellikle yeni modeller düzenli olarak ortaya çıkıyor ve kullanım durumunuz için en iyi performansı gösteren modelin değişmesi muhtemeldir. Yaygın bir iş akışı, geliştirilmeleri hızlı olduğundan API'leri (örneğin, API için OpenAI API'si ve vektör veritabanı için Pinecone API'si) kullanmaya başlamaktır. Kullanıcı tabanınız büyüdükçe API çağrılarının maliyeti külfetli hale gelebilir, dolayısıyla bu noktada açık kaynaklı araçlara geçmek isteyebilirsiniz (Hugging Face ekosistemi burada iyi bir seçimdir).

Her yeni projede olduğu gibi basit başlayın! Her seferinde bir araç öğrenmek ve daha sonra bunları nasıl birleştireceğinizi öğrenmek en iyisidir.

İlk adım, kullanmak istediğiniz araçlar için hesap oluşturmaktır. Platformlardan yararlanmak için geliştirici hesaplarına ve API anahtarlarına ihtiyacınız olacak.

Yeni Başlayanlar İçin OpenAI API Kılavuzu: Uygulamalı Eğitim ve En İyi Uygulamalar OpenAI geliştirici hesabı kurma ve API anahtarı oluşturma konusunda adım adım talimatlar içerir.

Aynı şekilde, Çam Kozalağı Eğitimi ile Vektör Veritabanlarında Uzmanlaşma: Kapsamlı Bir Kılavuz Çam Kozalağı kurulumuna ilişkin ayrıntıları içerir.

Yüze Sarılmak Nedir? Yapay Zeka Topluluğunun Açık Kaynak Vahası Hugging Face'e nasıl başlayacağınızı açıklıyor.

Yüksek Lisans Öğrenme

GPT gibi Yüksek Lisans'ları programlı olarak kullanmaya başlamak için en basit şey, bir istem göndermek ve mesaj almak üzere API'yi nasıl çağıracağınızı öğrenmektir. 

LLM ile tek bir değişim kullanılarak birçok görev gerçekleştirilebilirken, sohbet robotları gibi kullanım durumları uzun bir konuşma gerektirir. OpenAI yakın zamanda Asistanlar API'sinin bir parçası olarak bir "konu" özelliğini duyurdu. OpenAI Asistanları API Eğitimi. 

Bu, her LLM tarafından desteklenmez, dolayısıyla konuşmanın durumunu manuel olarak nasıl yöneteceğinizi de öğrenmeniz gerekebilir. Örneğin, görüşmedeki önceki mesajlardan hangisinin hâlâ mevcut görüşmeyle alakalı olduğuna karar vermeniz gerekir.

Bunun ötesinde yalnızca metinle çalışırken durmanıza gerek yok. Diğer medyalarla çalışmayı deneyebilirsiniz; örneğin sesi yazıya dökmek (konuşmayı metne dönüştürmek) veya metinden görüntüler oluşturmak.

Vektör veritabanlarını öğrenme

Vektör veritabanlarının en basit kullanım durumu anlamsal aramadır. Burada bir gömme modeli kullanırsınız (bkz. OpenAI API ile Metin Gömmelere Giriş) metni (veya diğer girişi) anlamını temsil eden sayısal bir vektöre dönüştürür.

Daha sonra gömülü verilerinizi (sayısal vektörler) vektör veritabanına eklersiniz. Aramak yalnızca bir arama sorgusu yazmak ve veritabanındaki hangi girişlerin aradığınız şeye en yakın şekilde karşılık geldiğini sormak anlamına gelir.

Örneğin, şirketinizin ürünlerinden biriyle ilgili bazı SSS'leri alabilir, bunları yerleştirebilir ve bir vektör veritabanına yükleyebilirsiniz. Daha sonra ürün hakkında bir soru sorarsınız ve en yakın eşleşmeleri sayısal bir vektörden orijinal metne dönüştürerek döndürür.

Yüksek Lisans ve vektör veritabanlarının birleştirilmesi

Metin girişini doğrudan vektör veritabanından döndürmenin yeterli olmadığını görebilirsiniz. Çoğunlukla metnin sorguya daha doğal yanıt verecek şekilde işlenmesini istersiniz.

Bunun çözümü, alma artırılmış nesil (RAG) olarak bilinen bir tekniktir. Bu, metninizi vektör veritabanından aldıktan sonra, Yüksek Lisans için bir bilgi istemi yazacağınız ve ardından alınan metni isteminize dahil edeceğiniz anlamına gelir (sizin büyütme ile istemi alınan metin). Daha sonra LLM'den insanlar tarafından okunabilir bir cevap yazmasını istersiniz.

SSS'lerdeki kullanıcı sorularını yanıtlama örneğinde, aşağıdaki gibi yer tutucularla bir bilgi istemi yazarsınız.

"""
Please answer the user's question about {product}.
---
The user's question is : {query}
---
The answer can be found in the following text: {retrieved_faq}
"""

Son adım, daha uzun bir görüşme yapabilmek için RAG becerilerinizi mesaj dizilerini yönetme yeteneğiyle birleştirmektir. İşte! Bir sohbet robotunuz var!

DataCamp'in sahip olduğu dokuz koddan oluşan bir dizi size üretken bir yapay zeka geliştiricisi olmayı öğretmek. Başlamak için temel Python becerilerine ihtiyacınız var, ancak tüm yapay zeka kavramları sıfırdan öğretiliyor.

Bu seri Microsoft, Pinecone, Imperial College London ve Fidelity'den (ve ben!) en iyi eğitmenler tarafından verilmektedir.

OpenAI API, Pinecone API ve LangChain'in ticari yığınına odaklanan altı birlikte kodla bu makalede ele alınan tüm konular hakkında bilgi edineceksiniz. Diğer üç eğitim Hugging Face modellerine odaklanmıştır.

Serinin sonunda bir chatbot oluşturabilecek, NLP ve bilgisayarla görme uygulamaları geliştirebileceksiniz.
 
 

Richie Pamuk DataCamp'ta Veri Evangelistidir. DataFramed podcast'inin sunucusudur, R programlama üzerine 2 kitap yazmıştır ve veri bilimi üzerine 10 binden fazla öğrencinin aldığı 700 DataCamp dersi oluşturmuştur.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://www.kdnuggets.com/4-steps-to-become-a-generative-ai-developer?utm_source=rss&utm_medium=rss&utm_campaign=4-steps-to-become-a-generative-ai-developer