OpenAI API: Programmer kunstig intelligensdrevne samtaler, salgsassistenter og tekstbaserte eventyr

Dette kan du forvente deg i denne OpenAI-API-kurset.

I denne videoen vil det bli sett på de verktøyene som brukes og den nødvendige kunnskapen.

Her handler det om OpenAI-plattformen og hvordan man kan bruke den.

Her handler det om oppdateringen fra OpenAI. Finn ut hvilke endringer som er gjort. I prosjektfilen er alt viktig oppsummert på nytt.

Vi oppretter vårt første prosjekt med npm create astro og ser på strukturen av produktet.

Siden vi bruker React for grensesnittet vårt, må Astro JS først aktiveres for å bruke React-komponenter.

Vår sluttpunkt for chatten vil være en get--forespørsel til URL-en /api/chat. Vi setter opp denne sluttpunktet i denne videoen.

For å bruke OpenAI-API-en trenger vi, i tillegg til en API-nøkkel som vi kan generere via vår konto på OpenAI-plattformen, også openai-npm-pakken.

For å teste har vi brukt en fast tekst på serveren. Her vil vi for første gang bruke teksten som blir sendt av nettleseren i URL-en som en spørringsparameter.

Kun å chatte via URL-en i nettleserens adressefelt er ingen varig løsning. Derfor lager vi i denne videoen et grunnleggende React-brukergrensesnitt som tillater inntasting av chat-tekst.

Vi har fortsatt ikke en ordentlig chat, bare et spørsmål og svaret på det. For å ha en fruktbar samtale med LLM må vi huske chatteloggen.

Noen ganger ønsker man bare å begynne på nytt og glemme det som ble sagt. For å unngå å måtte starte serveren på nytt, bruker vi en chat-ID for å tilbakestille chatteloggen på serveren.

Tidligere var chattingen veldig rudimentær. Her vil det bli implementert noen forbedringer som vil skyve vår chatt-app litt mer mot ChatGPT.

Chatloggen har så langt vært vanskelig å lese og blir gjort litt "penere" i denne videoen.

Nå er vår første chat-app klar og likevel er det mye å gjøre hvis man vil konkurrere med ChatGPT. ;-) Hvis man ikke ønsker det, kan man fortsette med et nytt prosjekt i neste avsnitt.

Vi setter opp det nye prosjektet og bruker vår første chat-app.

Et spill trenger en historie. I denne videoen presenterer jeg ideen min for det og gjør de første forberedelsene for navigasjonen gjennom spillet.

Spilleren må gjennomføre tre oppdrag (chats) for å komme til (foreløpig) slutten av spillet. Disse forbereder jeg i denne videoen.

Bartenderen er den første chatpartneren i dette spillet og blir "vakt til live" i denne videoen.

Tidligere var bartenderen litt uvitende om rollen sin i spillet. Vi løser dette ved å legge til det første systempromptet.

Vår chattepartner har gått opp i rollen som bartender, men vi vet ennå ikke i programmet om oppdraget er blitt fullført av spilleren. For dette formålet kan det være hensiktsmessig med funksjonskall som LLM kan utføre av seg selv hvis det finner det hensiktsmessig. Vi må sørge for at det faktisk gjør det.

Funksjonskall kan ha returverdier, og vi må også informere AI om dette, noe vi gjør i denne videoen.

Klienten (nettleseren) må bli varslet om at oppgaven er fullført, slik at spilleren kan snakke med Dr. Owen og komme nærmere målet.

Selv den fineste samtalen må ta slutt, men hvordan får vi det med i programmet? Selvfølgelig ved å kalle en funksjon.

Endelig kan spilleren snakke med AI-eksperten for å få løsningen på den siste gåten fra ham.

Barkeeper og Dr. Owen er to forskjellige karakterer og bør derfor ikke dele en chatlogg. Derfor bør vi opprette en ny chatlogg for Dr. Owen.

Dr. Owen trenger en funksjon slik at vi får vite at spilleren har blitt spurt om og fått svar på løsningen av sitt lille sikkerhetsrobotproblem. Dette får han i denne videoen.

Vår endelige motstander i dette spillet er sikkerhetsroboten som ikke ville la oss passere hele tiden. Nå har imidlertid spilleren makten eller rettere sagt kunnskapen til å til slutt lure ham.

Vårt nye prosjekt tar oss til verden av gitarbutikker, selvfølgelig med vennlig støtte fra OpenAI-API-en, som lar oss realisere en virtuell salgsassistent.

Hittil har salgsassistenten ikke vært spesielt god på rådgivning. Dette skal nå forbedres ved hjelp av en simulert "database" med hjelp av maps.

Hittil har vi bare hatt 2 produkter, som vi nå utvider til 4 i denne videoen. Det viktige her er at vi nå har flere produkter per type og dermed kan spørre salgsassistenten f.eks. hvilke elbasser som er tilgjengelige.

Prisen er ikke alt når du kjøper en gitar, men en kunde som ikke ønsker å ta opp et nytt pantelån på sitt hjem, bør være i stand til å spørre selgeren om elektriske gitarer i den lave eller mellomstore priskategorien. Dette oppnår vi med en annen parameter priceRange i den tilsvarende funksjonen som LLM deretter skal kalle.

Vi har ødelagt det med den siste videoen. Men ikke bekymre deg, feilen er raskt fikset, hvis man vet hvor man skal lete.

Hva ville en nettbutikk være uten handlekurv? Selv om vi ikke vil implementere en ordentlig handlekurv (det er ikke hovedfokuset i denne kursen), vil vi i denne videoen legge grunnlaget for at dere kan koble en handlekurv til den virtuelle salgsassistenten. Her kommer igjen ... funksjonsanropet til hjelp!

Kunder vil i de fleste tilfeller bare ha et omtrentlig kjennskap til produktene sine navn. LLM kan bare utføre funksjonsanropet med de navnene som står i kundens forespørsel. Men med et lite triks kan kunstig intelligens enkelt brukes for en "uskarphets" søk i produktnavnene.

En liten oppsummering av hva vi har oppnådd i denne kurset, hva dere kan gjøre med det og hvilke spennende APIer som fortsatt finnes hos OpenAI.