Selam millet! ve tıpkı sizin gibi ben de yapay zekanın son zamanlardaki ilerlemelerine hayran kaldım. Olan tüm gelişmelere ayak uydurmam gerektiğini fark ederek kişisel bir öğrenme yolculuğuna çıkmaya karar verdim ve böylece doğdu! Bu seriyle yüksek lisans (LLM) hakkında bilgi edineceğim ve fikirleri, deneyleri, görüşleri, trendleri ve öğrendiklerimi blog yazılarım aracılığıyla paylaşacağım. Yolculuğumuzu HackerNoon'dan veya kişisel web takip edebilirsiniz. Bugünkü makalemizde GPT-4'ün yardımıyla Semantik Çekirdek oluşturmaya bakacağız. Ben Nataraj 100 günlük yapay zeka buradan sitemden Bu yazıda belirli bir iş sorununa yönelik tasarım odaklı düşünme gerçekleştirmek için yapay zekanın nasıl kullanılacağına bakacağız. Bu örneğin hatırına, tasarım düşüncesini aşağıda gösterilen bir dizi adım olarak tanımlıyoruz. Ayrıca bu fikri daha fazla adım eklemek ve bunlar için mantık yazmak üzere genişletebilirsiniz. Bağlamı belirlemek için, yakın zamanda bazı müşteri geri bildirimleri alan bir örneğini ele alalım ve bunu yapay zeka tasarım düşüncesini uygulamak ve işi iyileştirmenin yollarını bulmak için kullanalım. Kahve Dükkanı Tasarım odaklı düşünme için Open AI'nin gpt-4 modelini ve Microsoft'un Semantic Kernel'ini kullanacağız. Yol boyunca, Anlamsal İşlevlerin yeniden kullanımını kolaylaştıran Çekirdekteki Eklentiler kavramını nasıl kullanabileceğimizi de keşfedeceğiz. Öyleyse hadi konuya girelim. : Adım 1 – Çekirdeği Kurun İlk adım, Open AI'nin gizli anahtarını yerel .env dosyasından yüklemek ve ardından yeni Çekirdek örneği oluşturmaktır. Daha sonra Çekirdeğe hizmetini ekleyin. OpenAIChatCompletion : Adım 2 – Kahve Dükkanı işinin kullanım geri bildirimini ve SWOT analizini ekleyin # 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? """ : Adım 3 – Tasarım Düşüncesi için Eklentiler Oluşturma Eklenti Nedir? Semantic Kernel, Semantic Functions'ın girişlerini tanımlayabileceğiniz ve bunları tekrar tekrar kullanabileceğiniz Eklentiler adı verilen bir özelliğe sahiptir. Bir eklenti iki dosyadan oluşur: .json (LLM ve giriş parametreleri için yapılandırma bilgilerini içerir) ve .txt (özel bir istem içerir). Tasarım odaklı düşünme kullanımı için 4 eklenti oluşturacağız. 4 eklentinin tamamının kodunu bulabilirsiniz. burada : Müşteri geri bildirimlerini alır ve duyguları izole eder ve müşteri tarafından ifade edilen her duygu için kısa bir özet sunar. Empati Yapın : Empati adımından çıktı alır, analizi bir işaretleme tablosunda sınıflandırır. Sorunları ve olası kaynaklarını tanımlar. Tanımla : Yukarıdaki adımın çıktısını alır ve Düşük asılı meyve ve Yüksek asılı meyve adı verilen iki sütunlu bir işaretleme tablosu biçiminde fikirler üretir. Fikir Oluştur : Bu eklenti önceki adımda oluşturulan fikirleri alır ve düşük çözünürlüklü bir prototip verir, böylece çözüm test edilebilir. PrototypeWithPaper Adım 4 – Hepsini bir araya getirin: Önceki adımlarda dört eklentinin kodunu vermiş olsam da, bunların Design Thinking bağlamında ne yaptığını açıkladığımı unutmayın. Üretecekleri çıktıyı da görüntüledim. Ancak aslında bu eklentileri kodumuzdan çağırmadık. Şimdi bunu aşağıda gösterildiği gibi yapalım. ## 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()) Önceki adımda 4 adımın tamamının ürettiği çıktıyı zaten gördünüz. Kernel'in tek bir çağrıda birbiri ardına eklentileri aramayı ne kadar basit hale getirdiğine dikkat edin. Sonuç olarak şunu yaptık. Özel istemler yazıp bunları eklentiler haline getirdik ve bunları adlı bir klasöre koyduk. Daha sonra Coffee Shop için SWOT analizini ve Müşteri geri bildirimini kullanarak onları aramak için Kernel'i kullandı. Artık SWOT analizini değiştirerek ve farklı bir iş sorunu için müşteri geri bildirimi alarak tasarım odaklı düşünme yapabilir ve sorununuzu çözecek bir MVP çözümü üretebilirsiniz. eklentiler-sk Her ne kadar özünde 4 özel komut bulunsa da bu yöntem, Kernel'in yapay zeka ile karmaşık hedefler geliştirmeyi eklentilerle nasıl kolay ve yönetilebilir hale getirdiğini vurguluyor. Yapay Zekanın 100 Günü'nün 10. Günü bu kadar. Büyük teknolojide olup biten her şeyin ardındaki ikinci dereceden içgörülerden bahsettiğim Ortalamanın Üstünde adlı bir haber bülteni yazıyorum. Teknolojiyle ilgiliyseniz ve ortalama olmak istemiyorsanız . abone olun Yapay zekanın 100 günüyle ilgili en son güncellemeler için beni , veya ** ** üzerinden takip edin. Teknolojiyle ilgileniyorsanız, teknoloji profesyonellerinden oluşan topluluğuma katılmak ilginizi çekebilir. Twitter LinkedIn HackerNoon buradaki Önceki 100 Günlük Yapay Zeka, 9. Gün: Yapay Zeka, İş Fikriniz için SWOT Analizi Oluşturabilir mi?
