在一个技术飞速发展的时代，人工智能（或者以AI为朋友的人🤓）是最具变革力的力量之一。

从自动化琐碎任务到预测复杂模式，AI正在重塑行业，重新定义可能性。

而当我们站在这个AI革命的浪潮上时，我们有必要了解其潜力，并将其融入到我们的日常工作流程中。

然而…我知道开始使用这些新技术可能会让人感到不知所措。

所以，如果你想知道如何开始使用AI，特别是像ChatGPT这样的模型…

今天我带来了一套7个项目，从零开始学习如何处理它。

让我们一起探索它们吧！👇🏻

 

1. 使用OpenAI API生成语言翻译器

 

LLMs具有广泛的应用。其中最有用，也是最容易应用的之一，就是它的能力从任意语言翻译成任意其他语言。

在Kaushal Trivedi的教程《使用OpenAI ChatGPT API构建多语言翻译工具》中，读者将通过使用OpenAI的gpt-3.5-turbo模型及其API来创建一个基于AI的翻译应用程序。

   

该过程包括以下步骤：

1. 设置OpenAI API凭据。
2. 使用Python和OpenAI API定义一个翻译函数。
3. 测试该函数。
4. 使用Python的Tkinter库创建用户界面。
5. 测试用户界面。

 

关键教训是利用GPT-3.5 Chat API构建强大的AI工具的潜力。在这个例子中，用于创建翻译工具。

 

2. 使用ChatGPT为您的业务构建情感分析AI系统

 

LLM的另一个常见应用是处理大量文本。想象一下，您经营的电子商务每天收到数千条评论，您可以利用AI工具来处理它们。

这正是Courtlin Holt-Nguyen在他的教程《使用ChatGPT、OpenAI和Python构建情感分析AI系统》中向我们展示的。他在Google Colab上完成了整个教程，并试图强调ChatGPT在处理各种NLP任务中的多功能性，结构化数据对于有效分析的重要性，以及ChatGPT推理和解释其响应的能力。

   

以下是关键步骤：

1. 描述要使用的数据集。您可以使用他的数据集，或者选择其他任何您喜欢的。
2. 介绍OpenAI API。
3. 在Google Colab中安装所需的库，并开始使用ChatGPT OpenAI API进行情感分析。
4. GPT模型处理评论的特定应用。

ChatGPT强大的AI能力可以用于全面的情感分析、摘要和从客户评论中获得可操作的见解。

 

3. LangChain和OpenAI的基本用法

 

上个月我写了一篇易于理解的关于LangChain的基本介绍，名为《使用LangChain改变文本数据的AI》。LangChain是一个旨在最大限度地发挥大型语言模型在文本数据处理中潜力的Python库。

   

LangChain在处理大型文本数据和提供结构化输出方面的多功能性使其成为处理LLM和创建真实工具的最常用Python库之一。

本教程介绍了这个库的两个简单用例，可以在多个应用中应用。

1. 摘要：

• 短文本摘要：使用LangChain和ChatGPT对短文本进行摘要。
• 长文本摘要：通过将长文本分割成较小的块并对每个块进行摘要处理，处理更长的文本。

1. 提取：

• 提取特定词语：识别文本中的特定词语。
• 使用LangChain的响应模式：将LLM的输出结构化为Python对象。

 

LangChain提供了一个强大的文本摘要和提取框架，简化了自然语言处理应用的过程。

 

4. 使用LangChain和ChatGPT自动化PDF交互

 

在之前的教程中，有一篇更高级的文章教你如何使用OpenAI的GPT模型摄取PDF并与之交互。

   

Lucas Soares在他的教程《使用LangChain和ChatGPT自动化PDF交互》中向我们展示了如何利用ChatGPT和LangChain框架与PDF交互。该过程分为三个主要步骤：

1. 加载文档。
2. 生成嵌入并对内容进行向量化。
3. 查询特定信息的PDF。

这种方法允许用户直接向PDF提问，简化信息检索。你可以选择阅读他的文章或观看他的YouTube频道。无论你喜欢哪种方式！

 

关键教训是人工智能在简化与传统静态文档的交互方面的潜力，使数据访问更加动态和直观。

 

5. 使用ChatGPT构建简历解析器

 

Reo Ogusu提供了一个易于跟随的项目，使用OpenAI API和LangChain构建简历解析器。在教程《使用GPT将非结构化文档转换为标准格式：构建简历解析器》中，他演示了如何使用GPT将非结构化文档，特别是简历，转换为标准化的YAML格式。

   

以下是关键步骤：

1. 使用PyPDF2库从PDF中提取文本。
2. 利用社区驱动的框架LangChain简化语言模型驱动应用程序的开发。
3. 为结构化简历数据定义一个YAML模板。
4. 使用LangChain调用OpenAI API指示GPT根据YAML模板格式化数据。

GPT证明了将非结构化数据转换为结构化格式的强大工具，为各种数据转换应用提供了潜力。

 

6. 使用OpenAI API生成简单的聊天机器人

 

要生成一个简单的聊天机器人，可以参考Avra的教程《如何使用ChatGPT API和Python构建聊天机器人》，他解释了如何使用ChatGPT API和GPT-3.5-Turbo模型构建聊天机器人实现。

它集成了LangChain AI的ConversationChain记忆模块，并具有一个Streamlit前端。

   

文章强调了聊天机器人中对话记忆的重要性，指出传统的聊天机器人由于无状态而缺乏记住过去交互的能力。

通过引入记忆，聊天机器人可以提供更流畅和自然的对话体验，类似于人类的交互。

关键要点是保留上下文以增强聊天机器人与人类之间的交流。

7. 使用ChatGPT进行端到端数据科学项目

作为一个最终项目，我带来了一个非常有趣的数据科学教程，直接使用ChatGPT接口。

Abid Ali Awan通过他的教程《使用ChatGPT进行数据科学项目指南》教我们如何将ChatGPT整合到数据科学项目的各个阶段中。它展示了ChatGPT在数据科学领域的强大能力。

从项目规划和探索性数据分析到特征工程、模型选择和部署，ChatGPT可以在每个步骤中提供帮助。

最终产品是什么？

一个完全功能的贷款审批分类的Web应用！

教程的截图。

该教程涵盖了以下内容：

1. 项目规划：使用ChatGPT概述项目。
2. 探索性数据分析（EDA）：利用Python进行数据可视化和理解。
3. 特征工程：通过创建新特征来增强数据。
4. 预处理：清理数据，处理类别不平衡问题，以及特征缩放。
5. 模型选择：训练各种模型并评估它们的性能。
6. 超参数调优：优化选择的模型。
7. Web应用创建：为贷款数据分类器设计基于Gradio的Web应用。
8. 部署：在Hugging Face Spaces上启动应用。

该教程强调了ChatGPT在自动化和增强各种数据科学任务方面的能力，特别是在项目规划和代码生成方面。

关键要点是AI工具（如ChatGPT）与人类专业知识之间的协同作用，彼此互补，以实现最佳结果。

总结思考

上述项目集只是ChatGPT潜力的冰山一角。

开源社区正在积极努力开发新工具和改进现有工具，这些工具可以帮助您打造您能想到的任何东西。LangChain只是其中的一个例子。

这就是为什么无论您是ChatGPT的初学者还是资深专家，始终记住，在人工智能的世界中，唯一的限制是您的想象力！

那么，为什么还要等待呢？

赶紧开始，进行实验，让生成式AI模型的世界为您打开无限的可能性之门吧！ Josep Ferrer是来自巴塞罗那的分析工程师。他毕业于物理工程专业，目前在应用于人类移动性的数据科学领域工作。他是一个兼职的内容创作者，专注于数据科学和技术。您可以通过LinkedIn、Twitter或VoAGI与他联系。