Προγραμματισμός βασισμένος σε AI: Δημιουργία chatbot, βοηθός πωλήσεων και παιχνιδιών κειμένου.

Αυτό σε περιμένει σε αυτό το μάθημα του OpenAI-API.

Σε αυτό το βίντεο γίνεται αναφορά στα εργαλεία που χρησιμοποιούνται και τις απαραίτητες γνώσεις.

Εδώ συζητάμε για την πλατφόρμα OpenAI και πώς μπορεί κανείς να τη χρησιμοποιήσει.

Εδώ γίνεται αναφορά στην ενημέρωση της OpenAI. Μάθετε ποιες αλλαγές υπάρχουν. Στο αρχείο έργου είναι συνοψισμένα όλα τα σημαντικά.

Δημιουργούμε το πρώτο μας έργο με npm create astro και εξετάζουμε τη δομή του προϊόντος.

Καθώς χρησιμοποιούμε React για το UI μας, το Astro JS πρέπει πρώτα να επιτραπεί να χρησιμοποιεί React στοιχεία.

Το σημείο προορισμού μας για την υπηρεσία συνομιλίας θα είναι μια αίτηση get- προς το URL /api/chat. Θα δημιουργήσουμε αυτό το σημείο προορισμού σε αυτό το βίντεο.

Για τις κλήσεις του API της OpenAI χρειαζόμαστε, εκτός από ένα API-Key, το οποίο μπορούμε να δημιουργήσουμε μέσω του λογαριασμού μας στην πλατφόρμα της OpenAI, επίσης το πακέτο openai-npm.

Για δοκιμή χρησιμοποιήσαμε έναν σταθερό κείμενο στον εξομοιωτή. Εδώ θα χρησιμοποιήσουμε για πρώτη φορά το κείμενο που στέλνεται από τον περιηγητή στο URL ως παράμετρο ερωτήματος.

Απλά να συνομιλείτε μέσω της διεύθυνσης URL στη γραμμή διευθύνσεων του προγράμματος περιήγησης δεν είναι μια μακροχρόνια λύση. Γι 'αυτό δημιουργούμε σε αυτό το βίντεο ένα βασικό React-UI που επιτρέπει την εισαγωγή του κειμένου συνομιλίας.

Ακόμα δεν έχουμε μια πραγματική συνομιλία, αλλά απλώς λαμβάνουμε μια ερώτηση και την απάντηση σε αυτή. Για να έχουμε μια παραγωγική συζήτηση με τον LLM, πρέπει να θυμόμαστε το ιστορικό συνομιλίας.

Καμιά φορά απλά θέλεις να ξεκινήσεις από την αρχή και να ξεχάσεις ό,τι ειπώθηκε. Γι' αυτό χρησιμοποιούμε ένα αναγνωριστικό συνομιλίας για την επαναφορά του ιστορικού συνομιλίας στον διακομιστή, χωρίς να χρειαστεί να γίνει επανεκκίνηση.

Μέχρι στιγμής, η συνομιλία ήταν πολύ αρχαική. Εδώ θα γίνουν μερικές βελτιώσεις που θα κάνουν την εφαρμογή μας στη σωστή κατεύθυνση για το ChatGPT.

Το ιστορικό συνομιλίας δεν ήταν μέχρι τώρα εύκολο να διαβαστεί και σε αυτό το βίντεο γίνεται λίγο πιο "όμορφο".

Τώρα η πρώτη μας εφαρμογή συνομιλίας είναι έτοιμη και υπάρχει ακόμα πολλή δουλειά που πρέπει να γίνει αν θέλει κανείς να ανταγωνιστεί το ChatGPT. ;-) Όποιος δεν το επιθυμεί, μπορεί να συνεχίσει με ένα νέο έργο στην επόμενη ενότητα.

Ξεκινάμε το νέο έργο και χρησιμοποιούμε την πρώτη μας εφαρμογή συνομιλίας.

Ένα παιχνίδι χρειάζεται μια ιστορία. Σε αυτό το βίντεο παρουσιάζω την ιδέα μου και κάνω τις πρώτες προετοιμασίες για την πλοήγηση μέσα από το παιχνίδι.

Ο παίκτης πρέπει να περάσει τρεις αποστολές (συνομιλίες) για να φτάσει στο (προσωρινό) τέλος του παιχνιδιού. Αυτές τις ετοιμάζω σε αυτό το βίντεο.

Ο μπάρμαν είναι ο πρώτος συνομιλητής σε αυτό το παιχνίδι και ζωντανεύει σε αυτό το βίντεο.

Μέχρι στιγμής, ο μπάρμαν ήταν λίγο άγνωστος για το ρόλο του στο παιχνίδι. Κάνουμε κάτι γι' αυτό, εισάγοντας το πρώτο σύστημα εντολών.

Ο συνομιλητής μας έχει ενσωματωθεί στον ρόλο του μπάρμαν, αλλά δεν γνωρίζουμε ακόμα αν η αποστολή έχει ολοκληρωθεί από τον παίκτη στο πρόγραμμα. Για αυτό, οι κλήσεις λειτουργιών είναι μια καλή επιλογή, τις οποίες το LLM μπορεί να πραγματοποιήσει από μόνο του, αν το θεωρήσει αναγκαίο. Πρέπει να διασφαλίσουμε ότι αυτό συμβαίνει.

Οι κλήσεις συναρτήσεων μπορεί να έχουν επιστρεφόμενες τιμές και πρέπει να τις επισημάνουμε και στην τεχνητή νοημοσύνη, όπως κάνουμε σε αυτό το βίντεο.

Ο πελάτης (πρόγραμμα περιήγησης) πρέπει να ενημερωθεί ότι η αποστολή ολοκληρώθηκε, ώστε ο παίκτης να μπορεί να μιλήσει και με τον Δρ. Owen και να πλησιάσει λίγο περισσότερο στον στόχο.

Κάθε όμορφη συνομιλία πρέπει να τελειώσει, αλλά πώς θα το επιτύχουμε στο πρόγραμμα; Φυσικά, μέσω μιας κλήσης λειτουργίας.

Τέλος, ο παίκτης μπορεί να μιλήσει με τον ειδικό της τεχνητής νοημοσύνης για να μάθει από αυτόν τη λύση του τελευταίου γρίφου.

Ο μπάρμαν και ο Δρ. Owen είναι δύο διαφορετικοί χαρακτήρες και για αυτό το λόγο δεν πρέπει να μοιραστούν τη συνομιλία τους. Γι' αυτό πρέπει να δημιουργήσουμε έναν νέο ιστορικό συνομιλίας για τον Δρ. Owen.

Ο δρ. Owen χρειάζεται μια λειτουργία, ώστε να μάθουμε ότι ο παίκτης ρωτήθηκε για τη λύση του προβλήματος του μικρού του Security-Robot και έλαβε μια απάντηση. Αυτήν λαμβάνει σε αυτό το βίντεο.

Ο εχθρός μας σε αυτό το παιχνίδι είναι ο ρομπότ ασφαλείας, που δεν ήθελε ποτέ να μας αφήσει να περάσουμε. Τώρα όμως ο παίκτης έχει τη δύναμη, ή μάλλον τη γνώση, να τον εξαπατήσει τελικά.

Το νέο μας έργο μας οδηγεί στον κόσμο των καταστημάτων κιθάρας, φυσικά με τη φιλική υποστήριξη της OpenAI-API, που μας επιτρέπει να υλοποιήσουμε έναν εικονικό βοηθό πωλήσεων.

Μέχρι στιγμής, ο βοηθός πώλησης δεν ήταν ιδιαίτερα καλός στη συμβουλευτική. Αυτό πρόκειται τώρα να βελτιωθεί με ένα προσονομιακό "Βάση Δεδομένων" χρησιμοποιώντας χάρτες.

Μέχρι τώρα είχαμε μόνο 2 προϊόντα, τα οποία αυξήσαμε σε 4 σε αυτό το βίντεο. Σημαντικό εδώ είναι ότι τώρα έχουμε περισσότερα προϊόντα ανά τύπο και μπορούμε να ρωτήσουμε τον βοηθό πωλήσεων για παράδειγμα ποια ηλεκτρικά μπάσα υπάρχουν στη συλλογή.

Η τιμή δεν είναι το παν κατά την αγορά κιθάρας, όμως ένας πελάτης που δεν θέλει να πάρει νέα υποθήκη στο σπίτι του, πρέπει να είναι σε θέση να ρωτήσει τον πωλητή για ηλεκτρικές κιθάρες στη χαμηλή ή μεσαία κατηγορία τιμών. Αυτό επιτυγχάνεται με ένα δεύτερο παράμετρο priceRange στην αντίστοιχη λειτουργία που θα πρέπει να καλεί το LLM.

Το σπάσαμε με το τελευταίο βίντεο. Αλλά μην ανησυχείτε, το λάθος διορθώνεται γρήγορα αν ξέρετε πού πρέπει να ψάξετε.

Τι θα ήταν ένα ηλεκτρονικό κατάστημα χωρίς καλάθι αγορών; Αν και δεν πρόκειται να υλοποιήσουμε ένα πραγματικό καλάθι αγορών (αφού δεν είναι το θέμα του μαθήματος αυτού), σε αυτό το βίντεο θα δημιουργήσουμε τις βάσεις για να συνδέσετε ένα καλάθι αγορών με τον εικονικό βοηθό πώλησης. Και πάλι, εδώ βοηθάει… η κλήση συνάρτησης!

Στην πλειοψηφία των περιπτώσεων, οι πελάτες θα γνωρίζουν μόνο περίπου τα ονόματα των προϊόντων. Το LLM μπορεί να πραγματοποιήσει την κλήση λειτουργίας μόνο με τα ονόματα που υπάρχουν στο αίτημα του πελάτη. Ωστόσο, με ένα μικρό κόλπο, μπορεί να χρησιμοποιηθεί πολύ εύκολα η τεχνητή νοημοσύνη για μια "ασαφή" αναζήτηση στα ονόματα των προϊόντων.

Μια μικρή σύνοψη του τι επιτύχαμε σε αυτό το μάθημα, τι μπορείτε να κάνετε με αυτό και ποια συναρπαστικά APIs υπάρχουν ακόμα στο OpenAI.