2024-12-25 智能 0
利用 GPT-3 打造企业灵魂的对话机器人：科技小手工制作篇
在这个快速变化的数字时代，聊天机器人或客服助手已经成为互联网上不可或缺的一部分。这些AI工具通过文本或语音与用户进行交互，以实现业务价值。聊天机器人的发展，从简单逻辑到基于自然语言理解（NLU）的深度学习模型，都有了显著的进步。构建此类聊天机器人时，我们常用到的框架包括国外如RASA、Dialogflow和Amazon Lex，以及国内大厂百度、科大讯飞等。这些建立可以集成自然语言处理（NLP）和NLU来处理输入文本、分类意图并触发正确操作以生成响应。
首先，我们需要安装OpenAI库，这是GPT-3的一个关键组件。我们使用pip命令：
pip install openai
安装后，我们就可以加载数据了：
import os
import json
import openai
import pandas as pd
from dotenv import load_dotenv
load_dotenv()
os.environ[OPENAI_API_KEY] = os.getenv(OPENAI_KEY)
openai.api_key = os.getenv(OPENAI_KEY)
data = pd.read_csv('data/data.csv')
new_df = pd.DataFrame({
'Interview AI': data['Text'].iloc[::2].values,
'Human': data['Text'].iloc[1::2].values})
print(new_df.head(5))
我们将问题加载到"Interview AI"列中，并将相应的答案加载到"Human"列中。此外，我们还需要创建一个环境变量文件.env来保存OPENAI_API_KEY。
然后，我们将数据转换为GPT-3标准格式，即JSONL具有两个键的格式——prompt和completion。在这一步骤中，确保数据采用JSONL格式，这一点非常重要，因为它决定了如何与GPT-3模型交互。
output = []
for index, row in new_df.iterrows():
completion = {
"prompt": row["Human"],
"completion": row["Interview AI"]
}
output.append(completion)
with open('data/data.jsonl', 'w') as outfile:
for i in output:
json.dump(i, outfile)
使用prepare_data命令时，你会被询问一些问题，你可以提供Y或N回复。
os.system("openai tools fine_tunes.prepare_data -f data/data.jsonl")
最后，一份名为data_prepared.jsonl文件被保存在目录中。这是fun-tuning过程中的准备工作。
接着，fun-tuning模型只需运行一行命令：
os.system("openai api fine_tunes.create -t data/data_prepared.jsonl -m davinci")
这基本上就是从OpenAI训练davinci模型，并fine-tuning后的模型存储在用户配置文件下，可以在面板右侧找到结论。
结论：
GPT-3是一个强大的大型语言生成模型，它最近火遍无边界，如chatgpt就是基于GPT-3进行fine-tuning构建的。你也可以对GPT-3进行fine-tuning，以创造适合你自己的业务需求的聊天机器人。通过调整参数，可以更好地适应业务对话数据，让机器人更加理解和响应你的需求。经过fine-tuning后的模型，可用于集成至聊天机器人平台，对于处理用户交互以及生成客户服务回复都异常有效。此文章可供参考，相关数据集可从这里下载。
