LLM-Funktionsaufruf und Datenextraktion
☰ Inhaltsverzeichnis
- Ziel
- Schlüsselkonzepte im Projekt
- Funktionsaufruf
- Funktionsaufruf mit externen Tools
- Strukturierte Extraktion
- Anwendungsfälle für Funktionsaufrufe
- Referenzen
Ziel
Erstellen Sie ein Dialog-Datenextraktionssystem
- Teil 1 – Prozessaufschlüsselung
- Definieren der erforderlichen zu extrahierenden Daten
- Erstellen einer Datenbank zum Speichern extrahierter Daten
- Definieren von Tools zum Auffüllen der Datenbank
- Erstellen von Tools zum Abrufen von Informationen
- Teil 2 – Aufbau des gesamten Absaugsystems
Schneller Zugriff auf das Notizbuch: Dialogue_Data_Extraction_System.ipynb
Schlüsselkonzepte im Projekt
Funktionsaufruf
- Aufruf einzelner Funktionen
- Aufruf mehrerer Funktionen
- Paralleler Funktionsaufruf
- Aufruf verschachtelter Funktionen
- Kein Anruf
Funktionsaufruf mit externen Tools
- API-Schnittstelle
- Internes Python-Tool
Strukturierte Extraktion
- Einfache Methode
- Datenklassenmethode
Anwendungsfälle für Funktionsaufrufe
- Anwendungsfall 1: Strukturierte Daten aus unstrukturierten Daten extrahieren
- Anwendungsfall 2: Extrahieren Sie die aktuellsten Daten aus dem Web, um sie selbst zu erlernen und zu aktualisieren
- Anwendungsfall 3: Erkenntnisse aus der internen Datenbank abrufen
- Anwendungsfall 4: Gültige JSON-Datei generieren
Referenzen
- Datensatz zum Hugging Face: SantiagoPG/customer_service_chatbot
- NexusRaven-V2 wird verwendet, um den Funktionsaufruf fortzusetzen, der von Nexusflow erfolgt.
Dieses Projekt wird von DeepLearning.AI und Nexusflow unterstützt.
