OpenAI API: Programiranje klepetov na osnovi umetne inteligence, prodajnih asistentov in tekstovnih pustolovščin

To te čaka v tem tečaju OpenAI-API.

V tem videu bodo predstavljena orodja, ki se uporabljajo, in potrebna znanja.

Gre za platformo OpenAI in kako jo lahko uporabimo.

Tukaj gre za posodobitev OpenAI. Izvedi, kakšne spremembe so bile narejene. V projektu je ponovno povzeto vse pomembno.

Ustvarimo naš prvi projekt z npm create astro in si ogledamo strukturo izdelka.

Ker za naš uporabniški vmesnik uporabljamo React, mora biti Astro JS najprej omogočen za uporabo React komponent.

Naša končna točka za storitev klepeta bo zahteva get-na naslov /api/chat. To točko bomo vzpostavili v tem videu.

Za klice v OpenAI API potrebujemo poleg API ključa, ki ga lahko generiramo prek našega računa na platformi OpenAI, tudi paket openai-npm.

Za testiranje smo na strežniku uporabili fiksno besedilo. Tu želimo prvič uporabiti besedilo, ki ga brskalnik pošlje kot poizvedbeni parameter v URL-ju.

Le preprosto pogovarjanje prek URL-ja v naslovni vrstici brskalnika ni trajna rešitev. Zato v tem videoposnetku ustvarjamo osnovni React-UI, ki omogoča vnos besedila v klepetu.

Še nimamo pravega klepeta, ampak samo postavljamo vprašanja in dobimo nanje odgovor. Da bi imeli plodovit pogovor z LLM, si moramo zapomniti zgodovino klepeta.

Včasih bi enostavno začeli znova in pozabili povedano. Da pa za to ni treba znova zagnati strežnika, uporabljamo ID klepeta za ponastavitev klepeta na strežniku.

Doslej je bilo klepetanje zelo rudimentarno. Tukaj bodo vgrajene nekatere izboljšave, ki bodo našo aplikacijo za klepet premaknile nekoliko bližje ChatGPT.

Zgodovina pogovora doslej ni bila dobro berljiva in bo v tem videu nekoliko 'lepše' oblikovana.

Zdaj je naša prva aplikacija za klepet končana in vendar je še veliko dela, če želite konkurirati ChatGPT. ;-) Tisti, ki tega ne želijo, lahko nadaljujejo z novim projektom v naslednjem odstavku.

Ustanavljamo nov projekt in pri tem uporabljamo našo prvo Chat-App.

Igra potrebuje zgodbo. V tem videoposnetku predstavim svojo idejo in naredim prve priprave za navigacijo skozi igro.

Igralec mora uspešno opraviti tri naloge (klepete), da lahko doseže (začasni) konec igre. Te pripravljam v tem videoposnetku.

Barman je prvi klepetalni partner v tej igri in je v tem videoposnetku "oživel".

Do zdaj je bil natakar nekoliko zmeden glede svoje vloge v igri. Odpravimo to težavo, tako da vključimo prvi sistemski poziv.

Najin pogovorni partner se je v svoji vlogi natakarja popolnoma znašel, vendar v programu še vedno ne vemo, ali je bil quest izpolnjen. Za to so na voljo klici funkcij, ki jih lahko LLM izvrši sam, če meni, da je primerno. Poskrbeti moramo, da se to tudi zgodi.

Klice funkcij lahko vrnejo vrednosti in te moramo sporočiti tudi umetni inteligenci, kar bomo storili v tem videu.

Klientu (brskalniku) je treba sporočiti, da je naloga opravljena, saj lahko igralec nato tudi govori z Dr. Owenom in se približa cilju.

Tudi najlepši pogovor se mora enkrat končati, ampak kako bomo to dosegli v programu? Seveda, prek klica funkcije.

Igralec končno lahko govori s strokovnjakom za umetno inteligenco, da izve rešitev zadnje uganke od njega.

Barman in Dr. Owen sta dva različna lika in zato si ne smeta deliti pogovora. Zato bi morali za Dr. Owena ustvariti nov klepet.

Dr. Owen potrebuje funkcijo, da izve, da je igralec vprašal po rešitvi svojega majhnega varnostnega robota in prejel odgovor. Tega dobi v tem videu.

Naš končni nasprotnik v tej igri je varnostni robot, ki nam ves čas ni želel pustiti mimo. Sedaj pa ima igralec moč ali bolje rečeno znanje, da ga na koncu vseeno prelisiči.

Naš novi projekt nas popelje v svet trgovin z kitarami, seveda s prijazno podporo OpenAI-API, ki nam omogoča uresničitev virtualnega prodajnega pomočnika.

Doslej prodajni asistent ni bil posebej dober pri svetovanju. To naj bi se zdaj izboljšalo s pomočjo simulirane "baze podatkov" z uporabo zemljevidov.

Doslej smo imeli le 2 izdelka, ki jih v tem videoposnetku povečujemo na 4. Pomembno pri tem je, da imamo sedaj več izdelkov na vrsto in lahko tako prodajnega pomočnika vprašamo, katere električne bas kitare imamo v ponudbi.

Cena ni vse pri nakupu kitare, vendar bi moral biti kupec, ki noče najeti nove hipoteke na svoje premoženje, že sposoben vprašati prodajalca po E-kitarah v nižjem ali srednjem cenovnem razponu. To lahko dosežemo z drugim parametrom priceRange v ustrezni funkciji, ki naj jo nato pokliče LLM.

Pokvarili smo ga z zadnjim videoposnetkom. Toda ne skrbite, napaka je hitro odpravljena, če veste, kje iskati.

Kaj bi bil spletna trgovina brez nakupovalnega vozička? Čeprav ne bomo implementirali pravega nakupovalnega vozička (saj to ni namen tega tečaja), bomo v tem videoposnetku ustvarili osnove, da boste lahko povezali nakupovalni voziček z virtualnim prodajnim pomočnikom. Tudi tukaj spet pomaga ... klic funkcije!

Večina strank bo imela približno informacijo o imenih izdelkov. LLM lahko funkcijo kliče le s imeni, ki so navedena v strankinem povpraševanju. Vendar pa se za te primere umetna inteligenca zlahka uporabi za "nejasno" iskanje po imenih izdelkov.

Majhno povzetek tega, kar smo dosegli na tem tečaju, kaj lahko iz tega naredite in katere zanimive API-je še ponuja OpenAI.