Podstawy modeli GPT-4 i ChatGPT Wprowadzenie do modeli LLM Podstawy modeli językowych i NLP Transformer i jego rola w modelu LLM Demistyfikacja etapów tokenizacji i prognozowania w modelach GPT Dodanie wizji do modeli LLM Historia modeli w skrócie: od GPT-1 do GPT-4 Od GPT-3 do InstructGPT GPT-3.5, Codex i ChatGPT Rozwój sztucznej inteligencji w kierunku multimodalności Zastosowania modelu LLM i przykładowe produkty Be My Eyes Morgan Stanley Khan Academy Duolingo Yabble Waymark Inworld AI Uwalnianie potencjału modeli GPT za pomocą zaawansowanych funkcji Szczegółowe informacje o interfejsach OpenAI API Dostępne interfejsy API modeli OpenAI Fundamentalne modele GPT InstructGPT (przestarzałe) GPT-3.5 GPT-4 Testowanie modeli GPT za pomocą platformy OpenAI Playground Pierwsze kroki: biblioteka OpenAI dla języka Python Dostęp do modeli i klucz API Korzystanie z modeli uzupełniania rozmów Parametry wejściowe punktu końcowego ChatCompletion Dobieranie wartości parametrów top_p i temperature Format odpowiedzi punktu końcowego ChatCompletion Wymuszanie odpowiedzi w formacie JSON Korzystanie z innych modeli uzupełniających tekst Parametry wejściowe punktu końcowego Completion Format odpowiedzi punktu końcowego Completion Ceny i limity tokenów Bezpieczeństwo i prywatność danych Inne interfejsy API i ich funkcjonalności Osadzenia Modele moderujące Przekształcanie tekstu na mowę Przekształcanie mowy na tekst API do pracy z obrazami Nawigacja po aplikacjach wspieranych przez modele LLM — możliwości i wyzwania Zarządzanie kluczami API Bezpieczeństwo i prywatność danych Wzorce architektoniczne oprogramowania Zastosowanie możliwości modeli LLM w aplikacjach Prowadzenie rozmów Przetwarzanie języka Interakcja człowiek – komputer Łączenie zdolności Projekt 1. Generator wiadomości — przetwarzanie języka Projekt 2. Streszczanie filmów z YouTube’a — przetwarzanie języka Projekt 3. Ekspert od Minecrafta — przetwarzanie języka i prowadzenie rozmowy Projekt 4. Osobisty asystent — interfejs interakcji komputer – człowiek Projekt 5. Organizowanie dokumentów — przetwarzanie języka Projekt 6. Analiza wydźwięku tekstu — przetwarzanie języka Zarządzanie kosztami Podatności na ataki aplikacji opartych na modelach LLM . Analiza danych wejściowych i wyjściowych Nieuchronność wstrzykiwania promptów Praca z zewnętrznym API Obsługa błędów i nieoczekiwanych opóźnień Limity prędkości Poprawa responsywności i doświadczenia użytkownika Zaawansowane strategie integracji modeli LLM Inżynieria promptu Tworzenie skutecznych promptów z rolami, kontekstem i zadaniami Implementacja uczenia na kilku przykładach Iteracyjna poprawa z uwzględnieniem opinii użytkownika Zwiększanie skuteczności promptu Dostrajanie modelu Dostrajanie modelu za pomocą interfejsu OpenAI API Dostrajanie za pomocą interfejsu webowego OpenAI Zastosowania dostrojonych modeli Generowanie syntetycznych danych i dostrajanie modelu na potrzeby e-mailowej kampanii marketingowej Koszty dostrajania RAG Najprostszy RAG Zaawansowany RAG Ograniczenia RAG Wybór strategii Porównanie strategii Ocenianie Od standardowej aplikacji do rozwiązania wspomaganego przez LLM Wrażliwość na prompt Brak determinizmu Halucynacje Rozszerzanie modeli LLM za pomocą frameworków i wtyczek Platforma LangChain Biblioteki platformy Langchain Dynamiczne prompty Agenty i narzędzia Pamięć Osadzenia Platforma LlamaIndex Prezentacja: RAG w 10 liniach kodu Zasady platformy LlamaIndex Dostosowanie Wtyczki GPT-4 Interfejs API Manifest Specyfikacja OpenAPI Opisy Niestandardowe modele GPT API asystentów Tworzenie API asystentów Zarządzanie rozmową z API asystentów Wywoływanie funkcji Asystenty na platformie webowej OpenAI Składanie wszystkiego w całość — przykład zastosowania asystenta Krok 1: tworzenie pomysłów Krok 2: definiowanie wymagań Krok 3: budowanie prototypu Krok 4: ulepszanie, iteracje Krok 5: zabezpieczenie rozwiązania Dodatek. Narzędzia, biblioteki i frameworki