Olá a todos! assim como você, sou fascinado pelo recente progresso da inteligência artificial. Percebendo que precisava ficar por dentro de todos os desenvolvimentos que aconteciam, decidi embarcar em uma jornada pessoal de aprendizado, assim nasceu ! Com esta série, aprenderei sobre LLMs e compartilharei ideias, experimentos, opiniões, tendências e aprendizados por meio de postagens em meu blog. Você pode acompanhar a jornada no HackerNoon ou no meu site pessoal . No artigo de hoje, procuraremos construir um Kernel Semântico com a ajuda do GPT-4. e, Meu nome é Nataraj 100 dias de IA aqui aqui Nesta postagem, veremos como usar IA para fazer design thinking para um determinado problema de negócios. Para fins deste exemplo, definimos o design thinking como uma série de etapas mostradas abaixo. Você também pode estender essa ideia para adicionar mais etapas e escrever lógica para elas. Para definir o contexto, vamos pegar o exemplo de uma que recebeu recentemente algum feedback dos clientes e usá-lo para aplicar o pensamento de design de IA e encontrar maneiras de melhorar o negócio. cafeteria Usaremos o modelo gpt-4 da Open AI e o Kernel Semântico da Microsoft para fazer design thinking. Ao longo do caminho também exploraremos como podemos usar o conceito de Plugins no Kernel, o que facilita a reutilização de Funções Semânticas. Então vamos entrar no assunto. : Passo 1 – Configure o Kernel A primeira etapa é carregar a chave secreta do Open AI do arquivo .env local e, em seguida, criar uma nova instância do Kernel. Em seguida, adicione o serviço ao Kernel. OpenAIChatCompletion : Etapa 2 – Adicione o feedback de uso e análise SWOT do negócio de cafeteria # SWOT questions strength_questions = ["What unique recipes or ingredients does the coffee shop use?","What are the skills and experience of the staff?","Does the coffee shop have a strong reputation in the local area?","Are there any unique features of the shop or its location that attract customers?", "Does the coffee shop have a strong reputation in the local area?", "Are there any unique features of the shop or its location that attract customers?"] weakness_questions = ["What are the operational challenges of the coffee shop? (eg, slow service, high staff turnover, not having wifi)","Are there financial constraints that limit growth or improvements?","Are there any gaps in the product offering?","Are there customer complaints or negative reviews that need to be addressed?"] opportunities_questions = ["Is there potential for new products or services (eg, delivery, food along with coffee)?","Are there under-served customer segments or market areas?","Can new technologies or systems enhance the business operations?","Are there partnerships or local events that can be leveraged for marketing?"] threats_questions = ["Who are the major competitors and what are they offering?","Are there potential negative impacts due to changes in the local area (eg, construction, closure of nearby businesses)?","Are there economic or industry trends that could impact the business negatively (eg, increased ingredient costs)?","Is there any risk due to changes in regulations or legislation (eg, health and safety, employment)?"] # SWOT answers strengths = [ "Unique coffee recipe that wins top awards","Owner trained in Sicily","Strong local reputation","Prime location on university campus" ] weaknesses = [ "High staff turnover","Floods in the area damaged the seating areas that are in need of repair","Absence of popular mocha latte from menu","Negative reviews from younger demographic for lack of hip ingredients" ] opportunities = [ "Untapped work from anywhere potential as they dont have wifi","Growing local tech startup community","Unexplored online presence and order capabilities","Upcoming annual food fair" ] threats = [ "Competition from big coffee chains nearby","There's nearby street construction that will impact foot traffic","Rising cost of coffee beans will increase the cost of coffee","No immediate local regulatory changes but it's election season" ] # Customer comments some positive some negative customer_comments = """ Customer 1: The seats look really raggedy. Customer 2: The americano is the best on this earth. Customer 3: I've noticed that there's a new server every time I visit, and they're clueless. Customer 4: Why aren't there any snacks? Customer 5: I love the coffe blend they use and can't get it anywhere else. Customer 6: The dark roast they have is exceptional. Customer 7: why is there no wifi? Customer 8: Why is the regular coffee so expensive? Customer 9: There's no way to do online ordering. Customer 10: Why is the seating so uncomfortable and dirty? """ : Passo 3 – Criando Plugins para Design Thinking O que é um plug-in? O Kernel Semântico possui um recurso chamado Plugins onde você pode definir Funções Semânticas em suas entradas e reutilizá-las repetidamente. Um plug-in é composto de dois arquivos: .json (contém informações de configuração para LLM e parâmetros de entrada) e .txt (contém um prompt personalizado). Para o caso de uso de design thinking, criaremos 4 plug-ins. Você pode encontrar o código para todos os 4 plug-ins . aqui : recebe o feedback do cliente, isola o sentimento e fornece um resumo conciso para cada sentimento expresso pelo cliente. Empatia : obtém o resultado da etapa de empatia e categoriza a análise em uma tabela de redução. Define os problemas e sua possível origem. Definir : pega o resultado da etapa acima e gera ideias na forma de uma tabela de descontos com duas colunas chamadas Frutas mais fáceis e Frutas mais fáceis. Idealizar : Este plugin pega as ideias geradas na etapa anterior e fornece um protótipo de baixa resolução, para que a solução possa ser testada. PrototypeWithPaper Passo 4 – Reúna tudo: Observe que nas etapas anteriores, embora eu tenha fornecido o código de quatro plug-ins, expliquei o que eles fazem no contexto do Design Thinking. Também exibi a saída que eles irão gerar. Mas na verdade não chamamos esses plug-ins de nosso código. Vamos fazer isso agora, conforme mostrado abaixo. ## access design thiking plugin pluginsDirectory = "./plugins-sk" pluginDT = kernel.import_semantic_skill_from_directory(pluginsDirectory, "DesignThinking"); async def run_designthinking_async(): my_result = await kernel.run_async(pluginDT["Empathize"], pluginDT["Define"], pluginDT["Ideate"], pluginDT["PrototypeWithPaper"], input_str=customer_comments) display(my_result) asyncio.run(run_designthinking_async()) Você já viu a saída que todas as 4 etapas geram na etapa anterior. Observe como o Kernel é simples, chamando um plug-in após o outro em uma única chamada. Para concluir, aqui está o que fizemos. Escrevemos prompts personalizados e os transformamos em plug-ins e os colocamos em uma pasta chamada . E então usei o Kernel para chamá-los usando a análise SWOT e feedback do cliente para a cafeteria. Agora, alterando a análise SWOT e recebendo feedback do cliente para um problema de negócios diferente, você pode fazer design thinking e encontrar uma solução MVP para resolver seu problema. plugins-sk Embora no centro sejam 4 prompts personalizados, este método destaca como o Kernel torna o desenvolvimento de objetivos complexos com IA fácil e gerenciável com plug-ins. É isso no dia 10 de 100 dias de IA. Escrevo um boletim informativo chamado Above Average, onde falo sobre os insights de segunda ordem por trás de tudo o que está acontecendo nas grandes tecnologias. Se você trabalha com tecnologia e não quer ser mediano, . inscreva-se Siga-me no , ou ** ** para obter as últimas atualizações sobre 100 dias de IA. Se você trabalha com tecnologia, pode estar interessado em ingressar na minha comunidade de profissionais de tecnologia . Twitter LinkedIn HackerNoon aqui Anterior 100 dias de IA, dia 9: A IA pode gerar uma análise SWOT para sua ideia de negócio?
