AskSage Open Source Community
1.0.0
- ถามไคลเอนต์ Sage Python v1.2.4
ยินดีต้อนรับสู่พื้นที่เก็บข้อมูลภาพรวม Ask Sage! -
พื้นที่เก็บข้อมูลนี้เป็นโครงการที่กำลังดำเนินการอยู่ ? และมีวัตถุประสงค์เพื่อเป็นการรวบรวมโค้ดตัวอย่าง ? และเอกสารประกอบ ? ในการโต้ตอบกับ Ask Sage ผ่านทาง Ask Sage API เนื้อหาเพิ่มเติมอาจมีขั้นตอนจริง ? ภายในแพลตฟอร์ม Ask Sage แต่พื้นที่เก็บข้อมูลส่วนใหญ่นี้จะมุ่งเน้นไปที่การใช้ API และการสร้างโครงการพิสูจน์แนวคิดขนาดเล็ก
ตัวอย่างที่ให้ไว้จะครอบคลุมหัวข้อต่างๆ มากมายที่เกี่ยวข้องกับ generative AI และจะได้รับการออกแบบให้เข้าถึงได้สำหรับผู้ใช้ที่มีประสบการณ์ในระดับต่างๆ กับ AI และการเขียนโปรแกรม ในขณะนี้ เราได้จัดเตรียมรายการแนวคิดเกี่ยวกับสิ่งที่จะครอบคลุมในพื้นที่เก็บข้อมูลนี้ และจะได้รับการอัปเดตเมื่อมีการเพิ่มเนื้อหาเพิ่มเติม
หมายเหตุ: เฉพาะ Ask Sage API เท่านั้นที่มีให้บริการสำหรับสมาชิกแบบชำระเงิน -
นี่เป็นความพยายามที่ขับเคลื่อนโดยชุมชนเพื่อจัดหาแหล่งข้อมูลเพิ่มเติมและตัวอย่างสำหรับผู้ใช้ Ask Sage
เยี่ยมชมเว็บไซต์อย่างเป็นทางการของ AskSage ที่นี่
หากคุณสนใจที่จะมีส่วนร่วมในพื้นที่เก็บข้อมูลนี้ โปรดดูหลักเกณฑ์การสนับสนุนสำหรับข้อมูลเพิ่มเติม
หากคุณมีคำถามหรือต้องการความช่วยเหลือ โปรดติดต่อผู้ดูแลพื้นที่เก็บข้อมูลนี้หรือทีม Ask Sage โดยตรง
แหล่งข้อมูลเพิ่มเติม:
หมายเหตุ: เนื้อหาในพื้นที่เก็บข้อมูลนี้อาจล้าสมัยหรือไม่ถูกต้อง ดังนั้นโปรดดูเอกสาร AskSage อย่างเป็นทางการสำหรับข้อมูลล่าสุด
AskSage เป็นแพลตฟอร์ม Generative AI ที่ให้การเข้าถึงโมเดลและเครื่องมือ AI ที่หลากหลาย แพลตฟอร์มดังกล่าวได้รับการออกแบบให้ใช้งานง่ายและบูรณาการเข้ากับขั้นตอนการทำงานที่มีอยู่ ซึ่งสามารถปรับแต่งเพิ่มเติมให้ตรงตามความต้องการของผู้ใช้/องค์กรได้
Ask Sage ได้รับการออกแบบมาเป็นพิเศษเพื่อให้ไม่เชื่อเรื่องพระเจ้า โดยให้การเข้าถึงโมเดลที่หลากหลายซึ่งสามารถใช้สำหรับงานที่หลากหลาย บางรุ่นที่มีจำหน่ายรวมถึงแต่ไม่จำกัดเฉพาะ:
| ชื่อรุ่น | คำอธิบาย |
|---|---|
| อาซัวร์ โอเพ่นเอไอ | โมเดลภาษาล้ำสมัยที่พัฒนาโดย OpenAI และโฮสต์บนแพลตฟอร์ม Azure |
| Azure Gov OpenAI | โมเดลภาษาล้ำสมัยที่พัฒนาโดย OpenAI และโฮสต์บนแพลตฟอร์ม Azure Gov |
| Google เจมินี่โปร | โมเดลภาษาที่พัฒนาโดย Google และได้รับการปรับให้เหมาะสมสำหรับงานประมวลผลภาษาธรรมชาติต่างๆ |
| LLMA3 | โมเดลภาษาขนาดใหญ่ที่พัฒนาโดย Meta ที่มีความเป็นเลิศในการสร้างข้อความคุณภาพสูง |
| มิสทรัล | โมเดลภาษาอันทรงพลังที่พัฒนาโดย Mistral ที่สามารถสร้างข้อความที่สร้างสรรค์และสอดคล้องกัน |
| โคลด 3 | โมเดลภาษาที่พัฒนาโดย Anthropic ที่เน้นการสร้างโค้ดและข้อความที่เกี่ยวข้องกับการเขียนโปรแกรม |
| เชื่อมโยงกัน | โมเดลภาษาที่พัฒนาโดย Cohere Technologies ซึ่งเชี่ยวชาญด้านการสร้างโค้ด |
| OpenAI กระซิบ | โมเดลภาษาที่พัฒนาโดย OpenAI ที่ช่วยให้สามารถพูดเป็นข้อความได้ |
| ดัล-อี v3 | โมเดลภาษาที่พัฒนาโดย OpenAI ซึ่งเชี่ยวชาญด้านการสร้างภาพ |
นี่คือรายการโมเดลจริงที่พร้อมใช้งานบนแพลตฟอร์ม Ask Sage ณ วันที่ 22 ต.ค. 2024:
models = [ 'aws-bedrock-titan' , 'llma3' , 'claude2' , 'claude-3-opus' , 'claude-3-sonnet' , 'claude-35-sonnet' , 'cohere' , 'mistral-large' , 'gpt-gov' , 'gpt4-gov' , 'gpt' , 'gpt4' , 'gpt4-32k' , 'gpt35-16k' , 'gpt4-vision' , 'gpt-4o' , 'gpt-4o-mini' , 'dall-e-2' , 'dall-e-3' , 'google-bison' , 'google-gemini-pro' , 'gpt-4o-gov' , 'groq-70b' , 'gpt-o1' , 'gpt-o1-mini' , 'xai-grok' ]สามารถเพิ่มโมเดลเพิ่มเติมได้โดยทีมงาน Ask Sage ที่ตรงกับความต้องการของผู้ใช้โดยเฉพาะ (อาจมีค่าใช้จ่ายเพิ่มเติม)
หมายเหตุ: รุ่นที่ระบุไว้ข้างต้นอาจมีการเปลี่ยนแปลงและอาจมีการเพิ่มรุ่นเพิ่มเติมในอนาคต
มีสองวิธีหลักในการโต้ตอบกับ Ask Sage:
Ask Sage API มอบอินเทอร์เฟซ RESTful สำหรับการโต้ตอบกับโมเดลที่มีให้ใช้งานผ่านแพลตฟอร์ม ผู้ใช้สามารถส่งคำขอไปยัง API และรับการตอบกลับในรูปแบบ JSON API ได้รับการออกแบบมาให้ใช้งานง่ายและผสานรวมเข้ากับเวิร์กโฟลว์ที่มีอยู่
โดยรวมแล้ว พื้นที่เก็บข้อมูลนี้จะให้คำแนะนำในการตั้งค่า ตัวอย่าง และทรัพยากรอื่นๆ เมื่อเริ่มสำรวจความสามารถของ Generative AI และวิธีการใช้งานในสถานการณ์จริง
Ask Sage API ได้รับการบันทึกโดยใช้ Swagger ซึ่งให้ข้อมูลโดยละเอียดเกี่ยวกับตำแหน่งข้อมูลที่มีอยู่ พารามิเตอร์คำขอ รูปแบบการตอบสนอง และวิธีการตรวจสอบสิทธิ์
ตารางต่อไปนี้แสดงตำแหน่งข้อมูลที่มีอยู่ใน User API:
| จุดสิ้นสุด | คำอธิบาย |
|---|---|
| /get-token-with-api-key | รับโทเค็นการเข้าถึงด้วยคีย์ API และอีเมล |
| /get-user-logins | รับการเข้าสู่ระบบครั้งล่าสุดของคุณ (จำกัดไว้ที่ 5 โดยค่าเริ่มต้น) |
| /get-user-logs | รับคำแนะนำครั้งสุดท้ายของคุณ |
| /เพิ่มชุดข้อมูล | เพิ่มชุดข้อมูลใหม่ |
| /มอบหมายชุดข้อมูล | กำหนดชุดข้อมูล |
| /ลบชุดข้อมูล | ลบชุดข้อมูล |
ข้อมูลนี้ใช้เพื่อโต้ตอบกับ Ask Sage API ผู้ใช้สามารถสืบค้นโมเดล เลือก/รับลักษณะเฉพาะ รับชุดข้อมูล ฝึกฝนโมเดล และอื่นๆ อีกมากมาย
ตารางต่อไปนี้แสดงตำแหน่งข้อมูลที่มีอยู่ใน Server API:
| จุดสิ้นสุด | คำอธิบาย |
|---|---|
| /get-models | ส่งคืนรายการรุ่นที่มีอยู่ผ่านบริการ Ask Sage |
| /สอบถาม | จุดสิ้นสุดหลักสำหรับการสร้างความสำเร็จตามอินพุตของผู้ใช้ |
| /query_with_file | สืบค้นด้วยจุดสิ้นสุดของไฟล์เพื่อสร้างความสำเร็จตามอินพุตของผู้ใช้ |
| /query-plugin | ค้นหาด้วยจุดสิ้นสุดของปลั๊กอินเพื่อสร้างความสำเร็จตามอินพุตของผู้ใช้ |
| /execute-ปลั๊กอิน | รันปลั๊กอินด้วยเนื้อหาที่ให้มา |
| /follow_up_questions | จุดสิ้นสุดสำหรับการสร้างคำถามติดตามผลตามอินพุตของผู้ใช้ |
| /โทเค็นไนเซอร์ | จุดสิ้นสุดสำหรับการรับโทเค็นของค่าสตริง |
| /get-personas | จุดสิ้นสุดสำหรับรับโทเค็นของสตริง |
| /get-ชุดข้อมูล | ส่งคืนรายการชุดข้อมูลที่มีอยู่ |
| /get-plugins | ส่งคืนรายการปลั๊กอินที่มีอยู่ |
| /get-train | ฝึกโมเดลตามอินพุตของผู้ใช้ |
| /ไฟล์ | แปลงไฟล์ที่รองรับเป็นข้อความธรรมดา/ข้อความ |
ไคลเอ็นต์ Python API ได้รับการจัดทำเอกสารและจัดการผ่านลิงก์ต่อไปนี้: https://pypi.org/project/asksageclient/
| ชื่อฟังก์ชัน | คำอธิบาย |
|---|---|
get_models | รับรุ่นที่มีจำหน่ายจากบริการ Ask Sage |
add_dataset | เพิ่มชุดข้อมูลใหม่ |
delete_dataset | ลบชุดข้อมูลที่ระบุ |
assign_dataset | กำหนดชุดข้อมูล |
get_user_logs | ดึงบันทึกทั้งหมดสำหรับผู้ใช้ |
get_user_logins | ดึงข้อมูลการเข้าสู่ระบบสำหรับผู้ใช้เฉพาะ |
query | โต้ตอบกับจุดสิ้นสุด /query ของ Ask Sage API |
query_with_file | ดำเนินการค้นหาโดยใช้ไฟล์ |
query_plugin | ดำเนินการค้นหาโดยใช้ปลั๊กอินเฉพาะ |
execute_plugin | รันปลั๊กอินด้วยเนื้อหาที่ให้มา |
follow_up_questions | โต้ตอบกับตำแหน่งข้อมูล /follow-up-questions ของ Ask Sage API |
tokenizer | โต้ตอบกับตำแหน่งข้อมูล /tokenizer ของ Ask Sage API |
get_personas | รับบุคลิกที่มีอยู่จากบริการ Ask Sage |
get_datasets | รับชุดข้อมูลที่พร้อมใช้งานจากบริการ Ask Sage |
get_plugins | รับปลั๊กอินที่มีอยู่จากบริการ Ask Sage |
count_monthly_tokens | รับจำนวนโทเค็นการฝึกอบรมรายเดือนที่ใช้สำหรับผู้ใช้รายนี้จากบริการ Ask Sage |
count_monthly_teach_tokens | นับจำนวนโทเค็นการสอนที่ใช้ในหนึ่งเดือน |
train | ฝึกโมเดลตามเนื้อหาที่ให้มา |
train_with_file | ฝึกชุดข้อมูลตามไฟล์ที่ให้มา |
file | อัปโหลดไฟล์ไปยังบริการ Ask Sage |
ในส่วนตัวอย่าง เราจะให้ตัวอย่างวิธีใช้ตำแหน่งข้อมูลเหล่านี้เพื่อโต้ตอบกับ Ask Sage API และสร้างข้อความโดยใช้โมเดลที่มีอยู่บนแพลตฟอร์ม
ผู้ใช้สามารถรับคีย์ API ได้จากแพลตฟอร์ม Ask Sage และใช้เพื่อสร้างโทเค็นการเข้าถึง คีย์ API คือตัวระบุเฉพาะที่ใช้ในการตรวจสอบสิทธิ์ผู้ใช้และให้สิทธิ์การเข้าถึงจุดสิ้นสุด API
ไปที่ตัวเลือกเมนูแล้วเลือกตัวเลือก 'บัญชีและโทเค็น'
เลื่อนลงไปที่ส่วน 'คีย์ API' และคลิกที่ปุ่ม 'สร้างคีย์ API'
สร้างคีย์ API ใหม่โดยเลือกปุ่ม 'สร้างคีย์ API ใหม่' ระบุชื่อที่ไม่ซ้ำกันสำหรับคีย์ API และคลิกที่ปุ่ม 'ส่ง'
API Key จะถูกสร้างขึ้นและแสดงบนหน้าจอ คัดลอกคีย์ API และเก็บไว้ในตำแหน่งที่ปลอดภัย
มีสามวิธีที่ผู้ใช้สามารถตรวจสอบความถูกต้องกับ Ask Sage Endpoints:
สามารถใช้คีย์ API และอีเมลเพื่อตรวจสอบสิทธิ์ผู้ใช้และให้สิทธิ์การเข้าถึงผ่าน Ask Sage Python Client คีย์ API และอีเมลผู้ใช้จะรวมอยู่ในส่วนหัวของคำขอ
ตัวอย่างเช่น ข้อมูลโค้ดต่อไปนี้สาธิตวิธีสร้างอินสแตนซ์ของคลาส AskSageClient และรับรองความถูกต้องกับ Ask Sage API โดยใช้คีย์ API และอีเมล:
import json # Import the json module to work with JSON data
import requests # Import the requests library to send HTTP requests
from asksageclient import AskSageClient # Import the AskSageClient class from the asksageclient module
# Function to load credentials from a JSON file
def load_credentials ( filename ):
try :
with open ( filename ) as file :
return json . load ( file )
except FileNotFoundError :
raise FileNotFoundError ( "The credentials file was not found." )
except json . JSONDecodeError :
raise ValueError ( "Failed to decode JSON from the credentials file." )
# Load the credentials
credentials = load_credentials ( '../../credentials.json' )
# Extract the API key, and email from the credentials to be used in the API request
api_key = credentials [ 'credentials' ][ 'api_key' ]
email = credentials [ 'credentials' ][ 'Ask_sage_user_info' ][ 'username' ]
"""
class AskSageClient(
email: email, # The email address of the user
api_key: api_key, # The API key for the Ask Sage API, which can be obtained from the Ask Sage website
user_base_url: str = 'https://api.asksage.ai/user', # The base URL for the user API
server_base_url: str = 'https://api.asksage.ai/server' # The base URL for the server API
)
"""
ask_sage_client = AskSageClient ( email , api_key ) # Create an instance of the AskSageClient class with the email and api_key หลังจากการตั้งค่านี้ ผู้ใช้สามารถโต้ตอบกับ Ask Sage API โดยใช้ออบเจ็กต์ AskSageClient ได้แล้ว
โทเค็นการเข้าถึงถูกสร้างขึ้นโดยใช้คีย์ API และที่อยู่อีเมลที่มีตำแหน่งข้อมูล '/get-token-with-api-key' โทเค็นการเข้าถึงใช้งานได้เป็นเวลา 24 ชั่วโมง และสามารถใช้เพื่อตรวจสอบคำขอไปยัง Ask Sage API
นี่เป็นวิธีการตรวจสอบสิทธิ์ที่ปลอดภัยกว่า เนื่องจากโทเค็นการเข้าถึงใช้ได้เฉพาะในระยะเวลาที่จำกัด และต้องสร้างใหม่เป็นระยะ
นี่คือตัวอย่างโค้ดใน Python ที่สาธิตวิธีรับโทเค็นการเข้าถึงโดยใช้ที่อยู่อีเมลและคีย์ API ของคุณ:
import requests
# Define the endpoint URL
url = "https://api.asksage.ai/user/get-token-with-api-key"
# Define the payload with the user's email and API key
payload = {
"email" : "your_email@your_domain.com" ,
"api_key" : "sdfsdfsfr23456789" # Your API key generated from the Ask Sage platform
}
# Set the headers, if required (e.g., Content-Type)
headers = {
"Content-Type" : "application/json"
}
# Make the POST request
response = requests . post ( url , json = payload , headers = headers )
# Check if the request was successful
if response . status_code == 200 :
# Parse the JSON response
data = response . json ()
# raw response
print ( data )
# Extract the access token only from the response
access_token = data [ 'response' ][ 'access_token' ]
print ( access_token )โทเค็นการเข้าถึงที่สร้างขึ้นสามารถใช้เพื่อตรวจสอบคำขอไปยัง Ask Sage API ได้ภายใน 24 ชั่วโมงข้างหน้า นี่คือตัวอย่างวิธีใช้โทเค็นการเข้าถึงเพื่อตรวจสอบสิทธิ์คำขอไปยังจุดสิ้นสุด Ask Sage API ใดๆ:
import requests
# Define the access token obtained from the previous request - Note: You would want to store this securely and not hardcode it in your script/file.
access_token = "fghjkl4567890" # Replace with the actual access token
# Define the endpoint URL
url = "https://api.asksage.ai/user/get-user-logins" # Replace with the actual base URL of the API
# Define the payload with the limit parameter
payload = {
"limit" : 1 # Replace with the desired limit (max is 100)
}
# Set the headers, including the Authorization header with the Bearer token
headers = {
"x-access-tokens" : access_token ,
"Content-Type" : "application/json"
}
# Make the POST request
response = requests . post ( url , json = payload , headers = headers )
# Check if the request was successful
if response . status_code == 200 :
# Parse the JSON response
data = response . json ()
print ( "User Logins:" , data )
else :
print ( f"Failed to get user logins. Status code: { response . status_code } " )
print ( f"Response: { response . text } " )แทนที่จะสร้างโทเค็นการเข้าถึงทุกครั้งที่คุณต้องการเข้าถึง API คุณสามารถส่งคีย์ API แบบคงที่ในตำแหน่งที่ต้องการโทเค็นได้ สิ่งนี้ไม่ปลอดภัยเท่ากับการสร้างโทเค็นการเข้าถึง 24 ชั่วโมง แต่เป็นตัวเลือกที่ถูกต้องสำหรับกรณีการใช้งานบางกรณี
หมายเหตุ: ตัวแปรส่วนหัวที่คาดหวังคือ
x-access-tokensและค่าคือคีย์ API คีย์ API ไม่มีการจำกัดเวลา แต่ขอแนะนำให้สร้างใหม่เป็นระยะๆ ด้วยเหตุผลด้านความปลอดภัย
import requests
# Define the access token obtained from the previous request - Note: You would want to store this securely and not hardcode it in your script/file.
access_token = api_key #
# Define the endpoint URL
url = "https://api.asksage.ai/user/get-user-logins" # Replace with the actual base URL of the API
# Define the payload with the limit parameter
payload = {
"limit" : 1 # Replace with the desired limit (max is 100)
}
# Set the headers, including the Authorization header with the Bearer token
headers = {
"x-access-tokens" : access_token ,
"Content-Type" : "application/json"
}
# Make the POST request
response = requests . post ( url , json = payload , headers = headers )
# Check if the request was successful
if response . status_code == 200 :
# Parse the JSON response
data = response . json ()
print ( "User Logins:" , data )
else :
print ( f"Failed to get user logins. Status code: { response . status_code } " )
print ( f"Response: { response . text } " )ตัวอย่างเหล่านี้จะเน้นมากขึ้นเกี่ยวกับวิธีการโต้ตอบกับ Ask Sage API และสิ่งที่คาดหวังในการตอบกลับ นอกจากนี้ มินิโปรเจ็กต์บางรายการจะถูกสร้างขึ้นเพื่อสาธิตความสามารถของ Generative AI และวิธีการนำไปใช้ในสถานการณ์จริง แม้ว่าพื้นที่เก็บข้อมูลนี้จะมุ่งเน้นไปที่ Ask Sage API แต่ตัวอย่างจะมีเนื้อหากว้างพอที่จะนำไปใช้กับแพลตฟอร์มอื่นๆ ที่ให้บริการที่คล้ายกัน แต่อาจมีจุดสิ้นสุดหรือพารามิเตอร์ที่แตกต่างกัน
หมายเหตุ: ตัวอย่างในขณะนี้เน้นไปที่โมเดลแบบข้อความมากกว่า แต่จะขยายไปสู่การโต้ตอบของ LLM กับประเภทข้อมูลอื่นๆ เช่น รูปภาพ เสียง และวิดีโอ (โมเดลหลายรูปแบบ) การเข้าไปในตัวอย่างเหล่านี้จะนำไปสู่โครงการที่ซับซ้อนมากขึ้นและต้องใช้ทรัพยากรและเวลามากขึ้นในการดำเนินการให้เสร็จสิ้น
หลังจากติดตั้งแพ็คเกจจาก requirements.txt คุณอาจต้องรีสตาร์ทเคอร์เนล Jupyter เพื่อใช้แพ็คเกจที่อัพเดต เพื่อให้แน่ใจว่าไลบรารีที่ติดตั้งใหม่ถูกโหลดอย่างถูกต้อง
✅ เรียบร้อย ✅
นี่ไม่ใช่ตัวอย่างจริงๆ แต่เป็นการอภิปรายเกี่ยวกับผลกระทบทางจริยธรรมของการใช้ AI และวิธีการลดความเสี่ยงที่อาจเกิดขึ้น เราให้ความสำคัญอย่างยิ่งว่าผู้ใช้จำเป็นต้องได้รับการฝึกอบรมอย่างดีเกี่ยวกับวิธีการทำงานของ AI แต่ยังให้ความเข้าใจที่ชัดเจนว่าสิ่งที่สร้างขึ้นผ่านเครื่องมือ GenAI อาจไม่ถูกต้องเสมอไป
✅ เรียบร้อย ✅
ตัวอย่างนี้จะครอบคลุมถึงวิธีใช้ตำแหน่งข้อมูล Ask Sage API และสิ่งที่คาดหวังในการตอบกลับในระดับสูง ตัวอย่างต่อไปนี้จะแสดงให้เห็นว่าสามารถใช้จุดสิ้นสุดในสถานการณ์จริงเพื่อสร้างแอปพลิเคชัน เครื่องมือ หรือบริการที่มีประโยชน์ได้อย่างไร
- ในการก่อสร้าง ? -> การเปิดตัวฉบับเต็มเร็ว ๆ นี้!
ตัวอย่างนี้จะครอบคลุมถึงวิธีการโต้ตอบกับโมเดล LLM และวิธีใช้วิศวกรรมทันทีเพื่อสร้างข้อความคุณภาพสูงเพื่อใช้เป็นแนวทางในการสร้างแบบจำลองในการสร้างผลลัพธ์ที่ต้องการ วิศวกรรมพร้อมท์เป็นทักษะที่ทรงพลังและจำเป็นซึ่งสามารถใช้เพื่อควบคุมผลลัพธ์ของโมเดลภาษา และสร้างข้อความที่ตรงตามเกณฑ์หรือข้อกำหนดเฉพาะ
- ในการก่อสร้าง ?
โดยส่วนใหญ่ โมเดล LLM ได้รับการฝึกบนชุดข้อมูลขนาดใหญ่ที่มีข้อความมากมายจากแหล่งต่างๆ และไม่รับประกันว่าจะเกี่ยวข้องกับความต้องการเฉพาะของผู้ใช้ อย่างไรก็ตาม บน Ask Sage ผู้ใช้สามารถสร้างชุดข้อมูลแบบกำหนดเองที่มีข้อความที่เกี่ยวข้องกับโดเมนหรือกรณีการใช้งานของตน และใช้กับวิธีการต่างๆ เช่น การดึงข้อมูล-Augmented Generation (RAG) เพื่อปรับปรุงประสิทธิภาพของโมเดล ดังนั้น ตัวอย่างนี้จะครอบคลุมถึงวิธีการสร้างชุดข้อมูลที่กำหนดเองและใช้กับโมเดล LLM เพื่อสร้างข้อความที่เกี่ยวข้องกับความต้องการของผู้ใช้มากขึ้น ข้อมูลโดยละเอียดเพิ่มเติมจะระบุไว้ในตัวอย่างเกี่ยวกับวิธีการทำงานของโมเดล/ผสานรวมกับชุดข้อมูล
- ในการก่อสร้าง ?
จำนวนโมเดล LLM ที่มีอยู่ในปัจจุบันมีมากมายมหาศาล และจะยังคงเพิ่มขึ้นต่อไป เนื่องจากมีการวิจัยเพิ่มเติมในสาขา Generative AI ตัวอย่างนี้จะครอบคลุมถึงวิธีเปรียบเทียบโมเดล LLM ต่างๆ โดยใช้วิธี Ask Sage Agnostic API และประเมินประสิทธิภาพตามเกณฑ์ต่างๆ เช่น คุณภาพข้อความ การเชื่อมโยงกัน ความคิดสร้างสรรค์ และอื่นๆ ผู้ใช้สามารถใช้ข้อมูลนี้เพื่อเลือกโมเดลที่ดีที่สุดสำหรับความต้องการของตน และตัดสินใจโดยมีข้อมูลประกอบว่าควรใช้โมเดลใดในโครงการของตน
หากต้องการไปที่ส่วนนี้ ให้คลิกการเปรียบเทียบโมเดล LLM
- ในการก่อสร้าง ?
นี่เป็นโปรเจ็กต์ที่มีเอกลักษณ์และอาจจะล้าสมัยในอนาคต แต่ LLM เป็นโมเดลแบบข้อความที่สร้างข้อความตามอินพุตที่ผู้ใช้ให้มา แต่จะเกิดอะไรขึ้นหากเราต้องการสร้างไดอะแกรมโดยไม่ต้องสร้างด้วยตนเอง ตัวอย่างเช่น สมมติว่าเราต้องการผังงาน แผนที่ความคิด แผนภูมิแกนต์ หรือแผนภาพประเภทอื่นๆ ตัวอย่างนี้จะครอบคลุมถึงวิธีที่เราใช้ Mermaid.js เครื่องมือสร้างไดอะแกรมแบบข้อความเพื่อสร้างไดอะแกรมตามข้อความที่สร้างโดยโมเดล LLM
หากต้องการไปที่ส่วนนี้ ให้คลิกการสร้างไดอะแกรมด้วย LLM
- ในการก่อสร้าง ?
แล้วความสามารถในการปรับใช้โมเดล LLM บนอุปกรณ์ Edge เช่น Raspberry Pi หรือ Jetson Nano ล่ะ ตัวอย่างนี้จะครอบคลุมถึงวิธีการปรับใช้โมเดล LLM บนอุปกรณ์ Edge และสร้างข้อความโดยใช้ Ask Sage API
หากต้องการไปที่ส่วนนี้ ให้คลิกการปรับใช้ LLM บนอุปกรณ์ Edge
- ในการก่อสร้าง ?
เราจะประเมินประสิทธิภาพของแบบจำลอง LLM และติดตามความคืบหน้าเมื่อเวลาผ่านไปได้อย่างไร ตัวอย่างนี้จะครอบคลุมถึงวิธีการสร้างแดชบอร์ดที่แสดงหน่วยวัดหลักและข้อมูลเชิงลึกเกี่ยวกับแบบจำลอง LLM ผู้ใช้สามารถใช้แดชบอร์ดนี้เพื่อติดตามประสิทธิภาพของโมเดลและตัดสินใจอย่างมีข้อมูลเกี่ยวกับวิธีการปรับปรุงเมื่อเวลาผ่านไป
แต่ก่อนอื่น เราจะใช้เครื่องมือโอเพ่นซอร์ส @arize-ai phoenix เพื่อสร้างแดชบอร์ดที่แสดงตัวชี้วัดหลักและข้อมูลเชิงลึกเกี่ยวกับโมเดล LLM
- ในการก่อสร้าง ?
มาสร้างเครือข่ายแชทบอทที่สามารถสื่อสารกันและสร้างข้อความตามผลลัพธ์ของกันและกัน ตัวอย่างนี้จะครอบคลุมถึงวิธีการสร้างเครือข่ายแชทบอทโดยใช้โมเดล LLM และจำลองการสนทนาระหว่างแชทบอท ผู้ใช้สามารถใช้เครือข่ายนี้เพื่อสร้างข้อความที่สร้างสรรค์และน่าดึงดูดซึ่งสามารถนำไปใช้ในแอปพลิเคชัน สถานการณ์ และกรณีการใช้งานการสร้างแบบจำลองที่หลากหลาย
หากต้องการไปที่ส่วนนี้ให้คลิก LLM Chatbot Network
ต่อไปนี้เราจะแสดงรายการตัวอย่างเพิ่มเติมที่เกิดจากผู้ใช้ที่ขอตัวอย่างหรือกรณีการใช้งานที่เฉพาะเจาะจง หากคุณมีตัวอย่างหรือกรณีการใช้งานเฉพาะที่คุณต้องการดู โปรดติดต่อเรา แล้วเราจะพยายามอย่างเต็มที่เพื่อสร้างตัวอย่างที่ตรงกับความต้องการของคุณ วิธีที่ดีที่สุดในการติดต่อเราคือการเข้าร่วมเซิร์ฟเวอร์ Discord ของเราและโพสต์คำขอของคุณที่นั่น Discord - Ask Sage :
AskSage API อาจส่งคืนข้อผิดพลาดในบางสถานการณ์ เช่น เมื่อมีการร้องขอที่ไม่ถูกต้อง หรือเมื่อเกินขีดจำกัดอัตรา ผู้ใช้ควรคุ้นเคยกับรหัสข้อผิดพลาดและข้อความที่ส่งคืนโดย API และจัดการอย่างเหมาะสมในโค้ดของตน
ต่อไปนี้เป็นแนวปฏิบัติที่ดีที่สุดที่ควรคำนึงถึงเมื่อทำงานกับ Ask Sage API:
เราจะจัดเตรียมเอกสาร PDF เพิ่มเติมที่จะมีทรัพยากรที่เกี่ยวข้องกับ GenerativeAI (GenAI) เอกสารนี้จะมีลิงก์ไปยังบทความ หนังสือ บทช่วยสอน วิดีโอ และเนื้อหาอื่น ๆ ที่อาจเป็นประโยชน์สำหรับผู้ใช้ที่สนใจเรียนรู้เพิ่มเติมเกี่ยวกับ generative AI และวิธีการใช้งานอย่างมีประสิทธิภาพ
เป้าหมายของเราคือการจัดเตรียมรายการทรัพยากรที่ครอบคลุมซึ่งครอบคลุมหัวข้อต่างๆ มากมายที่เกี่ยวข้องกับ generative AI รวมถึงการประมวลผลภาษาธรรมชาติ คอมพิวเตอร์วิทัศน์ การเรียนรู้แบบเสริมกำลัง และอื่นๆ อีกมากมาย นอกจากนี้เรายังจะรวมทรัพยากรที่ครอบคลุมโมเดลและเครื่องมือเฉพาะที่ใช้กันทั่วไปในด้าน Generative AI
หากคุณมีข้อเสนอแนะใดๆ เกี่ยวกับทรัพยากรที่จะรวมไว้ในเอกสารนี้ โปรดติดต่อเราและเราจะพยายามอย่างดีที่สุดเพื่อเพิ่มพวกเขาลงในรายการ
มีความสุขในการเรียนรู้! -
เราจะจัดเตรียมรายการคำศัพท์ที่สำคัญที่ควรทราบเมื่อทำงานกับ Generative AI หรือ Machine Learning ข้อกำหนดเหล่านี้จะช่วยให้ผู้ใช้เข้าใจคำศัพท์ที่ใช้ในสาขา AI/การเรียนรู้ของเครื่อง และวิธีการนำไปใช้ในโครงการของตน
ตัวอย่างเช่น ต่อไปนี้เป็นคำศัพท์ที่ควรทราบเมื่อทำงานกับ Generative AI:
หากต้องการดูรายการคำจำกัดความทั้งหมด ให้คลิกคำจำกัดความที่ควรรู้
ต่อไปนี้เป็นคุณสมบัติหรือการปรับปรุงบางส่วนที่เราต้องการให้เพิ่มใน Ask Sage API:
แต่ละรายการจะมีลิงก์ไปยังตัวอย่างที่จะสร้างขึ้นเพื่อแสดงให้เห็นว่าสามารถใช้คุณลักษณะหรือการปรับปรุงได้ที่ใดบ้าง
ข้อบกพร่องหรือปัญหาใดๆ ที่พบใน Ask Sage API ควรรายงานไปยังทีมงาน Ask Sage โดยตรง หากคุณพบปัญหาใดๆ กับ API โปรดติดต่อทีม Ask Sage เพื่อขอความช่วยเหลือ นอกจากนี้ คุณยังสามารถรายงานจุดบกพร่องหรือปัญหาในพื้นที่เก็บข้อมูลนี้ และเราจะทดสอบและตรวจสอบก่อนที่จะส่งต่อไปยังทีม Ask Sage
พื้นที่เก็บข้อมูลนี้ได้รับอนุญาตภายใต้ใบอนุญาต MIT ดูไฟล์ใบอนุญาตสำหรับข้อมูลเพิ่มเติม
