OpenAI API: Programmerings KI-baserede chats, salgsassistenter og tekst-eventyr.

Dette venter dig i denne OpenAI API-kursus.

I denne video vil der blive fokuseret på de anvendte værktøjer og de nødvendige færdigheder.

Her handler det om OpenAI-platformen og hvordan man kan bruge den.

Her handler det om opdateringen af OpenAI. Find ud af, hvilke ændringer der er sket. I projektfilen er alt det vigtige opsummeret igen.

Vi opretter vores første projekt med npm create astro og ser på strukturen af produktet.

Da vi bruger React til vores brugergrænseflade, skal Astro JS først gøres i stand til at bruge React-komponenter.

Vores slutpunkt for chat-tjenesten vil være en get--forespørgsel til URL'en /api/chat. Vi opretter denne slutpunkt i denne video.

For at kalde OpenAI-API'en har vi brug for udover en API-nøgle, som vi kan generere via vores konto på OpenAI-platformen, også openai-npm-pakken.

Til test brugte vi en fast tekst på serveren. Her vil vi første gang bruge teksten, der sendes af browseren i URL'en som forespørgselsparameter.

Kun at chatte via URL'en i browserens adresselinje er ikke en permanent løsning. Derfor opretter vi i denne video et rudimentært React-brugerinterface, der tillader indtastning af chatteksten.

Vi har stadig ikke en rigtig chat, men kun får et spørgsmål og svaret på det. For at have en frugtbar samtale med LLM skal vi huske chatloggen.

Nogle gange vil man bare starte forfra og glemme det sagt. For at undgå at genstarte serveren bruger vi en chat-ID til at nulstille chatloggen på serveren.

Indtil nu har chatten været ret rudimentær. Her vil der blive implementeret nogle forbedringer, der vil skubbe vores chat-app lidt mere i retning af ChatGPT.

Chathistorikken har hidtil været svær at læse, men i denne video bliver den gjort lidt mere "smuk".

Nu er vores første chat-app klar, og alligevel er der stadig meget at gøre, hvis man vil konkurrere med ChatGPT. ;-) Hvis du ikke ønsker det, kan du fortsætte med et nyt projekt i næste afsnit.

Vi sætter det nye projekt op og bruger vores første chat-app til det.

Et spil har brug for en historie. I denne video præsenterer jeg min idé for det og tager de første forberedelser til navigation gennem spillet.

Spilleren skal bestå tre quests (chats) for at nå (foreløbig) slutningen af spillet. Disse forbereder jeg i denne video.

Bartenderen er den første chatpartner i dette spil og bliver "vakt til live" i denne video.

Indtil videre var bartenderen lidt uvidende om sin rolle i spillet. Vi afhjælper situationen ved at implementere det første systemprompt.

Vores chatpartner er blevet en dygtig bartender, men vi ved stadig ikke i programmet, om spilleren har gennemført questen. Derfor er funktionsopkald passende, som LLM kan udføre af sig selv, hvis det finder det nødvendigt. Vi skal sørge for, at det også gør det.

Funktionsopkald kan have returværdier, og vi skal også informere AI'en om dette, hvilket vi opnår i denne video.

Browseren (klienten) skal underrettes om, at questen er blevet fuldført, fordi spilleren derefter kan tale med Dr. Owen og komme tættere på målet.

Selv den smukkeste samtale skal have en ende, men hvordan integrerer vi det i programmet? Ved at kalde en funktion selvfølgelig.

Endelig kan spilleren tale med AI-eksperten for at få løsningen på det sidste puslespil.

Bartender og Dr. Owen er to forskellige karakterer og må derfor ikke dele en chat-log. Derfor bør vi oprette en ny chat-log for Dr. Owen.

Dr. Owen har brug for en funktion, så vi kan finde ud af, at spilleren er blevet spurgt om og har modtaget et svar på sit lille sikkerhedsrobotproblem. Dette får han i denne video.

Vores endemodstander i dette spil er sikkerhedsrobotten, som hele tiden ikke ville lade os passere. Men nu har spilleren magten eller rettere sagt viden til at narre ham til sidst.

Vores nye projekt fører os ind i verdenen af guitarbutikker, selvfølgelig med venlig støtte fra OpenAI-API'en, der gør det muligt for os at realisere en virtuel salgsassistent.

Indtil videre har salgsassistenten ikke været særlig god til rådgivning. Dette skal nu forbedres med en simuleret "database" ved hjælp af kort.

Indtil videre havde vi kun 2 produkter, som vi i denne video vil øge til 4. Det er vigtigt her, at vi nu har flere produkter af hver type og dermed kan spørge salgsassistenten f.eks. hvilke elbasder der er på lager.

Prisen er ikke alt, når man køber en guitar, men en kunde, der ikke ønsker at tage et nyt pantelån på sit hjem, bør være i stand til at spørge sælgeren om e-guitarer i det lavere eller mellemste prisklasse. Dette opnår vi ved hjælp af en anden parameter priceRange i den relevante funktion, som LLM'en derefter skal kalde.

Vi har ødelagt det med den sidste video. Men ingen grund til bekymring, fejlen er hurtigt rettet, hvis man ved, hvor man skal lede.

Hvad ville en online butik være uden en indkøbskurv? Selvom vi ikke vil implementere en rigtig indkøbskurv (det er ikke formålet med denne kursus), vil vi i denne video dog lægge grundlaget, så I kan tilknytte en indkøbskurv til den virtuelle salgsassistent. Her kommer funktionopkaldet igen til hjælp!

Kunder vil i de fleste tilfælde kun have en omtrentlig idé om produkternes navne. LLM kan kun udføre funktionskald med de navne, der står i kundens anmodning. Men med en lille trick kan AI let bruges til en "uspecifik" søgning i produktnavne i disse tilfælde.

En lille konklusion om, hvad vi har opnået i denne kursus, hvad I kan gøre med det, og hvilke spændende APIs der stadig er hos OpenAI.