Omówienie czatowych modeli generatywnej AI

Wyjaśnialne AI w Pythonie

Fouad Trad

Machine Learning Engineer

Czatowe modele generatywnej AI

Służą do generowania tekstu
Przewidują na podstawie kontekstu i wiedzy

Obraz przedstawiający użytkownika wysyłającego prompt do modelu generatywnej AI i otrzymującego odpowiedź.

Prompt łańcucha myśli

Zachęca model do przedstawienia toku rozumowania

Obraz pokazujący, jak prompt łańcucha myśli prosi model o rozwiązanie problemu krok po kroku, a wynik zawiera uzasadnienie każdego etapu.

Tworzenie promptu łańcucha myśli

prompt = """A shop starts with 20 apples. It sells 5 apples and then receives 8 more. 
How many apples does the shop have now? Show your reasoning step-by-step."""

response = get_response(prompt)

print(response)

To find out how many apples the shop has now, let's follow the transactions step-by-step:

1- The shop begins with 20 apples.

2- The shop sells 5 apples. 
   We subtract this number from the starting quantity: 20 - 5 = 15

3- The shop receives 8 apples. 
   We add this number to the remaining apples: 15 + 8 = 23

So, after these transactions, the shop has 23 apples.

Samospójność

Ocenia pewność modelu co do generowanych odpowiedzi

Obraz pokazujący, że prompt samospójności polega na wielokrotnym wysyłaniu tego samego promptu do modelu, z osobną odpowiedzią dla każdego wysłania.

Samospójność w klasyfikacji tekstu

Przydatne do zadań klasyfikacji tekstu

Obraz przedstawiający przykład samospójności, w którym model klasyfikuje recenzję użytkownika jako pozytywną lub negatywną i generuje wiele odpowiedzi.

Samospójność w klasyfikacji tekstu

Przydatne do zadań klasyfikacji tekstu

Obraz przedstawiający przykład samospójności, w którym model klasyfikuje recenzję użytkownika jako pozytywną lub negatywną i generuje wiele odpowiedzi. Ufność jest obliczana jako proporcja każdej kategorii względem łącznej liczby odpowiedzi.

Tworzenie promptów samospójności

prompt = """Classify the following review as positive or negative. 
You should reply with either "positive" or "negative", nothing else.
Review: 'The customer service was great, but the product itself did not meet my expectations.'"""


responses = []

for i in range(5):
    sentiment = get_response(review)

    responses.append(sentiment.lower())


confidence = {
    'positive': responses.count('positive') / len(responses),
    'negative': responses.count('negative') / len(responses)
}

Tworzenie promptów samospójności

print(confidence)

{
    'positive': 0.6,
    'negative': 0.4
}

Czas na ćwiczenia!

Wyjaśnialne AI w Pythonie