OpenAI API: AI-gebaseerde chatbots, verkoopassistenten & tekstavonturen programmeren.

Dit staat je te wachten in deze OpenAI API-cursus.

In deze video wordt ingegaan op de gebruikte gereedschappen en de vereiste kennis.

Hier gaat het over het OpenAI-platform en hoe je het kunt gebruiken.

Hier gaat het om de update van OpenAI. Ontdek welke veranderingen er zijn. In het projectbestand is alles wat belangrijk is nogmaals samengevat.

We maken ons eerste project aan met npm create astro en bekijken de structuur van het eindproduct.

Omdat we voor onze UI op React vertrouwen, moet Astro JS eerst worden aangepast om React-componenten te kunnen gebruiken.

Onze eindpunt voor de chat-service zal een get-Request naar de URL /api/chat zijn. We zullen deze eindpunt opzetten in deze video.

Voor het aanroepen van de OpenAI-API hebben we naast een API-sleutel die we kunnen genereren via ons account op het OpenAI-platform, ook het openai-npm-pakket nodig.

Ter testen hebben we een vaste tekst op de server gebruikt. Hier willen we voor de eerste keer de tekst gebruiken die door de browser in de URL als queryparameter wordt verzonden.

Alleen chatten via de URL in de adresbalk van de browser is geen permanente oplossing. Daarom maken we in deze video een rudimentaire React-UI die het invoeren van de chattekst mogelijk maakt.

Nog hebben we geen echte chat, maar alleen een vraag en het antwoord daarop krijgen. Om een vruchtbaar gesprek met de LLM te voeren, moeten we de chatgeschiedenis onthouden.

Soms wil je gewoon opnieuw beginnen en vergeten wat er gezegd is. Zodat de server niet opnieuw hoeft te worden opgestart, gebruiken we een chat-ID om de chatgeschiedenis op de server te resetten.

Chatten was tot nu toe nog erg rudimentair. Hier worden enkele verbeteringen toegevoegd die onze chat-app iets meer richting ChatGPT duwen.

De chatgeschiedenis was tot nu toe moeilijk leesbaar en wordt in deze video een beetje "mooier" gemaakt.

Nu is onze eerste chat-app klaar en er is nog veel te doen als je de concurrentie van ChatGPT wilt aangaan. ;-) Als je dat niet wilt, kun je doorgaan met een nieuw project in de volgende sectie.

We zetten het nieuwe project op en maken daarbij gebruik van onze eerste chat-app.

Een spel heeft een verhaal nodig. In deze video presenteer ik mijn idee daarvoor en maak ik de eerste voorbereidingen voor de navigatie door het spel.

Drie quests (chats) moet de speler voltooien om het (voorlopige) einde van het spel te bereiken. Deze bereid ik voor in deze video.

De barman is de eerste chatpartner in dit spel en wordt in deze video "tot leven gebracht".

De barkeeper was tot nu toe een beetje onwetend over zijn rol in het spel. Wij zullen dit verhelpen door het eerste systeem-prompt in te bouwen.

Onze chatpartner is opgegaan in zijn rol als barman, maar we weten nog niet in het programma of de missie door de speler is voltooid. Hiervoor kunnen functieaanroepen worden gebruikt die het LLM zelf kan uitvoeren als dat nodig is. We moeten ervoor zorgen dat dit ook gebeurt.

Oproepen naar functies kunnen retourwaarden hebben en deze moeten we ook aan de AI doorgeven, wat we in deze video zullen laten zien.

De client (browser) moet op de hoogte worden gesteld dat de quest voltooid is, want dan kan de speler ook met Dr. Owen praten en het doel naderbij komen.

Zelfs het mooiste gesprek moet tot een einde komen, maar hoe lossen we dit op in het programma? Natuurlijk, door een functieaanroep.

Eindelijk kan de speler met de AI-expert praten om van hem de oplossing van de laatste puzzel te horen.

Barkeeper en Dr. Owen zijn twee verschillende personages en mogen daarom geen chatgeschiedenis delen. Daarom zouden we voor Dr. Owen een nieuwe chatgeschiedenis moeten aanmaken.

Dr. Owen heeft een functie nodig zodat we kunnen zien dat de speler het kleine beveiligingsrobotprobleem heeft opgelost en een antwoord heeft gekregen. Hij krijgt dit in deze video.

Onze eindbaas in dit spel is de beveiligingsrobot die ons de hele tijd niet voorbij wilde laten. Maar nu heeft de speler de kracht of beter gezegd de kennis om hem uiteindelijk toch te slim af te zijn.

Ons nieuwe project brengt ons naar de wereld van gitaarwinkels, uiteraard met vriendelijke ondersteuning van de OpenAI-API, die ons in staat stelt een virtuele verkoopassistent te realiseren.

Tot nu toe was de verkoopassistent nog niet bijzonder goed in advies. Dit moet nu verbeterd worden met behulp van een gesimuleerde "database" met behulp van kaarten.

Tot nu toe hadden we slechts 2 producten, die we in deze video naar 4 uitbreiden. Belangrijk is hierbij dat we nu meerdere producten per type hebben en dus de verkoop assistent bijvoorbeeld kunnen vragen welke elektrische bassen er in het assortiment zitten.

De prijs is bij het kopen van een gitaar misschien niet alles, maar een klant die geen nieuwe hypotheek op zijn eigen huis wil nemen, zou wel in staat moeten zijn om de verkoper te vragen naar E-gitaren in het lagere of middelhoge prijsbereik. Dit bereiken we met een tweede parameter priceRange in de betreffende functie die dan het LLM moet oproepen.

We hebben het kapot gemaakt met de laatste video. Maar geen zorgen, de fout is snel opgelost, als je weet waar je moet zoeken.

Wat zou een online winkel zijn zonder winkelwagen? Hoewel we geen echte winkelwagen zullen implementeren (dat is immers niet het doel van deze cursus), zullen we in deze video echter de basis leggen zodat jullie een winkelwagen kunnen koppelen aan de virtuele verkoopassistent. Ook hier komt weer het functie-aanroep aan bod!

Klanten zullen in de meeste gevallen de namen van de producten slechts ongeveer kennen. Het LLM kan de functieaanroep alleen maken met de namen die in de aanvraag van de klant staan. Maar met een kleine truc kan AI voor dit soort gevallen vrij eenvoudig worden gebruikt voor een "wazige" zoekopdracht in de productnamen.

Een kleine samenvatting van wat we hebben bereikt in deze cursus, wat jullie ermee kunnen doen en welke spannende API's er nog zijn bij OpenAI.