Các mô hình GPT không phổ biến rộng rãi cho đến tháng 11 năm 2022, sau khi OpenAI xây dựng phiên bản kế nhiệm cho các mô hình ngôn ngữ của họ có tên là ChatGPT . Kể từ tháng 3 năm 2023, ChatGPT hiện đã chính thức được phát hành cùng với API và SDK để tích hợp mô hình này vào các sản phẩm của bạn. Mặc dù bề ngoài có rất nhiều ứng dụng, ChatGPT cung cấp nhiều cải tiến cho các loại quy trình kỹ thuật và kinh doanh khác nhau. Vì vậy, ở đây chúng tôi sẽ đưa vào thử nghiệm khả thi nhất và xem nó đưa chúng tôi đến đâu.

Tôi sẽ chia sẻ với bạn tầm nhìn của tôi về cách chúng ta có thể hưởng lợi từ mô hình GPT ở các cấp độ tự động hóa khác nhau, đồng thời cung cấp cho bạn câu trả lời ngắn gọn cho câu hỏi: “Tôi cần gì để triển khai mô hình GPT trong sản phẩm của mình?”.

Xin lưu ý: tất cả các thử nghiệm đã được thực hiện trong giai đoạn trước khi phát hành.

ChatGPT là gì và Mô hình GPT nói chung là gì?

Nếu bạn đã biết ChatGPT và các mô hình GPT khác là gì, bạn có thể bỏ qua phần này. Vì ở đây,tôi sẽ định nghĩa ChatGPT từ các góc độ khác nhau , cùng với cách khai thác khả năng của nó để khai thác dữ liệu và cung cấp thông tin cần thiết cho chúng ta. Cách dễ nhất để thực hiện việc này là chỉ cần hỏi mô hình và đây là cách ChatGPT tự xác định chính nó:

ChatGPT là mô hình GPT mới nhất được phát triển trên cơ sở GPT 3.5. Nó có khả năng tương tác với người dùng dưới dạng đối thoại và cung cấp câu trả lời cho hầu hết mọi câu hỏi dựa trên các sự kiện và thông tin cho đến năm 2021. Các mô hình GPT có khả năng cao giải quyết một loạt các nhiệm vụ Xử lý ngôn ngữ tự nhiên (NLP) bằng khả năng tùy biến như:

• khai thác từ khóa
• dịch văn bản
• trả lời câu hỏi
• tạo văn bản
• tóm tắt văn bản
• sửa lỗi chính tả
• chuyển kiểu văn bản
• Nhận dạng thực thể được đặt tên

Cách sử dụng ChatGPT trong ứng dụng hoặc trang web của bạn

Kể từ tháng 3 năm 2023, ChatGPT có sẵn thông qua API và một số công ty như Snapchat đã sử dụng nó. Vì vậy, thật hợp lý khi thảo luận về cách ChatGPT có thể được tích hợp trong ứng dụng của bạn về quan điểm kỹ thuật. Có một số tùy chọn nhất định ở đây:

1. NHIỆM VỤ KHẢ THI BẰNG PHƯƠNG TIỆN CỦA MÔ HÌNH HIỆN CÓ.

Ở đây, mô hình hoạt động như một danh mục thông minh, giúp người dùng duyệt qua nội dung và đưa ra lựa chọn nhanh hơn bằng cách sử dụng phản hồi của GPT. Tuy nhiên, các tùy chỉnh và cá nhân hóa không khả dụng.

2. TINH CHỈNH MÔ HÌNH VỚI DỮ LIỆU CỦA RIÊNG BẠN.

Các mô hình như vậy có thể hữu ích để tạo hệ thống đề xuất chatbot được cá nhân hóa dựa trên hành động/mong muốn của người dùng và các trường hợp sử dụng khác. Sử dụng dữ liệu của riêng bạn, mô hình GPT có thể được đào tạo để giới thiệu yếu tố cá nhân hóa. Lượng dữ liệu cần thiết để tinh chỉnh mô hình GPT phụ thuộc vào nhiều yếu tố khác nhau, chẳng hạn như kích thước và độ phức tạp của tập dữ liệu cũng như hiệu suất mong muốn của mô hình. Thông thường, cần có ít nhất vài trăm ví dụ để tinh chỉnh mô hình GPT một cách hiệu quả. Tuy nhiên, trong các miền phức tạp, có thể cần hàng chục nghìn hoặc thậm chí hàng triệu ví dụ để đạt được hiệu suất mô hình tối ưu.

Để biết liệu bạn có cần tinh chỉnh mô hình hay không, tôi khuyên bạn nên thực hiện 5 bước sau:

1. Hiểu biết về doanh nghiệp liên quan đến việc tìm hiểu trường hợp kinh doanh, nhiệm vụ nào được giao cho mô hình, dữ liệu nào nên sử dụng và các tính năng cá nhân hóa được mong đợi.
2. Thu thập dữ liệu. Có thể bỏ qua bước này nếu có thể bỏ qua thông tin được cá nhân hóa ở giai đoạn đầu. Tuy nhiên, nếu bạn định sử dụng mô hình GPT trong một miền đặc biệt cao, thì theo mặc định, mô hình này sẽ không hoạt động chính xác. Có nghĩa là, giai đoạn này là cần thiết. Ví dụ: cần giới thiệu quần áo cho người dùng dựa trên những gì có sẵn trong cửa hàng. Sau đó, cần thu thập thông tin về các sản phẩm của cửa hàng và cung cấp hướng dẫn cơ bản cho các đề xuất (ví dụ: nên mặc quần jean có bài viết YYYY bên ngoài áo phông có chữ XXXX như vậy).
3. Chú thích dữ liệu/Dán nhãn dữ liệu. Giai đoạn này sẽ bao gồm tạo lời nhắc cho từng mẫu từ giai đoạn thu thập dữ liệu. Ví dụ: quần short có mạo từ YYYY phải được mặc bên ngoài áo phông có mạo từ XXXX = tôi nên mặc gì bên dưới áo phông có mạo từ XXX? Và câu trả lời được mong đợi: quần jean với mạo từ YYYY.
4. Chuẩn bị dữ liệu. Điều này có nghĩa là chuyển đổi dữ liệu sang định dạng phù hợp, ví dụ: “{“prompt”: “<Tôi nên mặc gì dưới áo phông có bài viết XXX?>”, “completion”: “<Quần đùi có bài viết YYYY>”}”.
5. Làm người mẫu. Cuối cùng, áp dụng những thay đổi đó và triển khai mô hình trong sản xuất.

Hãy nhớ rằng mô hình GPT không phải là một sản phẩm hoàn chỉnh bao gồm tất cả các khu vực miền ngay lập tức. Bạn cũng sẽ cần ứng dụng cho nó và các công cụ quản lý ở phần phụ trợ. Sau đó, đầu ra của mô hình GPT phải được xử lý bằng các phương pháp NLP để trích xuất thông tin có ý nghĩa. Mô hình trả về câu trả lời dưới dạng văn bản trong nhiều câu, giống như một danh sách. Đầu ra này phải được trình bày dưới dạng một hoặc nhiều từ, sẽ được sử dụng làm bộ lọc hoặc từ khóa trong các phần tiếp theo của quy trình. Vì vậy, điều này có nghĩa là mô hình GPT cũng sẽ yêu cầu các mô hình khác hoạt động.

Biết được điều đó, chúng ta hãy thảo luận về các mô hình GPT như một công cụ bổ sung phù hợp với các nhu cầu kinh doanh và kỹ thuật khác nhau.

Các trường hợp sử dụng ChatGPT dành cho doanh nghiệp

ChatGPT có khả năng hơn nhiều so với những người tiền nhiệm của nó vì nó được đào tạo với sự trợ giúp của kỹ thuật học tăng cường với phản hồi của con người (RLHF). Điều này cung cấp một mức hiệu suất khác biệt so với mô hình GPT 3 phổ biến không kém. Do đó, ChatGPT hiện được áp dụng cho một loạt các nhiệm vụ kinh doanh và kỹ thuật bằng cách sử dụng các khả năng NLP của nó. Hãy để chúng tôi hỏi ChatGPT nghĩ gì về các trường hợp sử dụng kinh doanh của mình:

Ở đây chúng ta có thể thấy mô hình cung cấp câu trả lời liệt kê một số trường hợp sử dụng phổ biến nhất. Vì mô hình dựa trên dữ liệu giới hạn đến năm 2021, nên đây thậm chí không phải là danh sách đầy đủ và có rất nhiều nhiệm vụ cấp thấp mà chúng tôi có thể ủy quyền cho ChatGPT. Chúng tôi cũng có thể cố gắng thu hẹp trọng tâm của mình và trích xuất một số giá trị trong một khu vực miền duy nhất:

Dựa trên những ví dụ này, chúng ta có thể đưa ra một loạt kết luận liên quan đến ba trong số các trường hợp sử dụng kinh doanh hứa hẹn nhất:

1. HỖ TRỢ KHÁCH HÀNG

ChatGPT là một bot trò chuyện có khả năng cao có thể được tùy chỉnh với dữ liệu của riêng bạn. Vì nó có thể hiểu chính xác câu hỏi ngay cả khi cấu trúc ngữ pháp bị hỏng hoặc thiếu các phần cú pháp, nên nó có thể được coi là một giải pháp sẵn sàng cho các hệ thống hỗ trợ khách hàng và cụ thể là các bot trò chuyện.

2. THẾ HỆ LÃNH ĐẠO

Theo quan điểm trước đó, các khả năng tương tự có thể được sử dụng trong các hoạt động tạo khách hàng tiềm năng vì trong hầu hết các trường hợp, mức độ lời nói của ChatGPT không khác quá nhiều so với những gì mọi người có thể viết.

3. PHÂN TÍCH DỮ LIỆU

Tại một thời điểm nào đó, các mô hình GPT có thể trở thành giải pháp thay thế cho các giải pháp phân tích dữ liệu và thông minh kinh doanh hiện đại. Vì chúng có thể hoạt động trên cơ sở dữ liệu lịch sử khổng lồ và cung cấp cho nhân viên con người những hiểu biết có giá trị.

Tuy nhiên, khi nói đến phân tích dữ liệu thời gian thực yêu cầu cập nhật liên tục và thông tin mới nhất hiện có, các mô hình GPT có vẻ vụng về. Quá trình đào tạo với kỹ thuật RLHF rất phức tạp và bên cạnh đó, nó sẽ yêu cầu một quy trình học máy với khả năng tự động đào tạo lại và triển khai lại các mô hình. Hiện tại, đó là một loại khoa học tên lửa.

Vì vậy các ứng dụng phụ thuộc nhiều vào cập nhật dữ liệu theo thời gian thực vẫn chưa thực sự phù hợp với mô hình GPT. Chúng ta có thể làm gì khác với nó?

1. Viết quảng cáo với ChatGPT

Một trong những tuyên bố phổ biến nhất về các mô hình ngôn ngữ và mạng lưới thần kinh là chúng chắc chắn có thể đảm nhận công việc của người viết quảng cáo hoặc ít nhất là tăng tốc độ viết lên một mức độ lớn. Hãy để chúng tôi xem liệu nó có đúng cho ngày hôm nay không. Chúng ta sẽ sử dụng hai loại yêu cầu để kiểm tra xem mô hình sẽ xử lý bài viết về chủ đề công nghệ phần mềm như thế nào. Loại yêu cầu đầu tiên chỉ nêu ý tưởng chung của văn bản, trong khi loại thứ hai sẽ chỉ định những điều tôi muốn mô hình mô tả và cung cấp ý kiến chuyên gia hoặc lập luận cho.

Yêu cầu : “Hãy viết cho tôi một bài viết về các PHP framework khác nhau.”

Đầu ra ChatGPT:

Yêu cầu : “Hãy viết cho tôi một bài viết về sự khác biệt giữa Laravel và Symfony frameworks, và tôi nên chọn PHP framework nào cho một ứng dụng Thương mại điện tử.”

Đầu ra ChatGPT :

Trong cả hai trường hợp, mô hình xử lý chủ đề khá tốt liên quan đến quan điểm thông tin. Các văn bản về mặt ngữ pháp và văn phong cũng ổn. Tuy nhiên xét về mức độ sáng tạo, dễ đọc, suy luận, biện minh của một luận điểm nào đó thì có vẻ rất chuẩn mực và thiếu thuyết phục.

Mặc dù ChatGPT chắc chắn có thể tạo ra một số bản thiết kế để đơn giản hóa các nỗ lực tiếp thị của bạn, nhưng nó đặt ra một vấn đề đối với người đọc thử. Khi mô hình tự phân tích dữ liệu, có vẻ khó tìm nguồn thông tin và chứng minh các tuyên bố của mô hình. Vì vậy, để được sử dụng cho mục đích tiếp thị, ChatGPT yêu cầu tinh chỉnh và các tính năng bổ sung như khả năng giải thích bằng AI để có hiệu quả và hữu ích.

2. Lập trình chung với ChatGPT

Nếu các mô hình GPT có thể nói được ngôn ngữ của con người, thì không gì có thể ngăn cản họ sử dụng ngôn ngữ lập trình để viết ứng dụng. Trưởng nhóm PHP/DevOps của chúng tôi, Anton Logvinenko, đã thử nghiệm điều này để xem kết quả có thể đạt được bằng cách khai thác mô hình để viết mã bằng PHP cho các chức năng khác nhau.

Yêu cầu : “Viết mã PHP trên Laravel Framework sẽ hiển thị danh sách người dùng”.

Phản hồi ChatGPT :

Trong hầu hết các trường hợp, mã này chắc chắn sẽ hoạt động. Trong trường hợp cụ thể này, nó thiếu cấu trúc cơ sở dữ liệu, cũng như các trường mà mỗi người dùng có, chẳng hạn như tên và họ. Vì vậy, bạn nên nhớ rằng ChatGPT hiện tại không cung cấp cho bạn mã hoàn chỉnh có thể được sử dụng ngoài giá.

Tôi có thể thấy trường hợp sử dụng cho điều này là để hỗ trợ các nhà phát triển cấp cơ sở học PHP hoặc các khuôn khổ của nó và tăng tốc quá trình một chút. Mặc dù bản thân mã được viết theo cách đúng cú pháp, vẫn có rất nhiều điều cần cải thiện.

Anton Logvinenko

Trưởng nhóm PHP/DevOps

Yêu cầu : “Viết mã PHP triển khai API REST với các điểm cuối CRUD cho tài nguyên bài viết”.

Phản hồi ChatGPT :

Một lần nữa, nhìn vào những gì các mô hình đề xuất, mã này giống như một nỗ lực ở cấp độ mới bắt đầu trong PHP, nhưng rất có thể nó sẽ hoạt động nếu bạn thiết lập cơ sở dữ liệu, định cấu hình quyền truy cập, v.v. Mặc dù mã này được viết ở cấp độ của một nhà phát triển PHP thực tập, nhưng nó không sử dụng bất kỳ khung nào có sẵn và nó không được tối ưu hóa cũng như bạn không thể dễ dàng mở rộng quy mô cho toàn bộ ứng dụng. Ngoài ra, có những mối đe dọa bảo mật tiềm ẩn dưới dạng tiêm SQL mà ChatGPT để lại, điều này không tốt trong mọi trường hợp.

Anton Logvinenko

Trưởng nhóm PHP/DevOps

Phản hồi ChatGPT :

Trong lần thử đầu tiên của ví dụ này, tôi muốn ChatGPT tạo cây mục dựa trên ví dụ được cung cấp. Tuy nhiên, đầu ra hóa ra là một mã rác và tôi phát hiện ra rằng tôi đã không chỉ định rằng đó là một cái cây trong lời nhắc. Vì vậy, ở lần thử thứ hai, tôi đã thêm phần giải thích về những gì tôi cần làm đầu ra.

Anton Logvinenko

Trưởng nhóm PHP/DevOps

Phản hồi ChatGPT :

Trong lần thử thứ hai, ChatGPT đã hoàn thành nhiệm vụ và cây trông ổn ngoại trừ chất lượng mã. Chúng ta có thể kết luận gì từ thí nghiệm nhỏ này? Rõ ràng, ChatGPT chưa thể thay thế các kỹ sư phần mềm vì cách tiếp cận và chất lượng viết mã vẫn còn rất nông cạn. Nhưng vào cuối ngày, điều này chắc chắn sẽ được cải thiện theo thời gian. Hiện tại, còn quá sớm để nói về ChatGPT với tư cách là một trình viết mã tự động.

Anton Logvinenko Trưởng nhóm PHP/DevOps

Nếu bạn đang xem xét các tùy chọn để tự động hóa một phần quy trình viết mã và hỗ trợ các nhà phát triển của mình, chúng tôi khuyên bạn nên sử dụng Copilot . Copilot sử dụng OpenAI Codex để đề xuất các đoạn mã và chức năng trong thời gian thực và nó đã được chứng minh là dễ sử dụng hơn bởi các kỹ sư phần mềm cấp trung/cao cấp với mã chất lượng tốt hơn nhiều. So với việc chỉ tra cứu trên Google những gì cần thiết để hoàn thành mã, Copilot cho phép quy trình công việc nhanh hơn nhiều, do đó đây là giải pháp thay thế tốt hơn cho những gì ChatGPT có thể đề xuất vào lúc này.

3. Xây dựng quy trình AI với sự trợ giúp của Mô hình GPT

Cho rằng chúng tôi biết các mô hình GPT có thể hoàn thành phần lớn các nhiệm vụ NLP, chúng tôi có thể coi nó như một giải pháp thay thế cho việc đào tạo các mô hình ngôn ngữ của riêng bạn. Theo truyền thống này, tôi sẽ cung cấp những điều cơ bản bằng cách đặt câu hỏi cho ChatGPT tại sao nó có thể là một lựa chọn tốt hơn so với đào tạo một mô hình NLP tùy chỉnh:

Điều quan trọng là phải nhận ra những hạn chế của phương pháp này. Vì các mô hình GPT không có quyền truy cập vào dữ liệu thời gian thực nên chúng chỉ có thể giúp bạn bắt đầu một số dịch vụ mà không cần thu thập dữ liệu ban đầu. Theo thời gian, bạn sẽ có thể thu thập dữ liệu trực tiếp từ tương tác của mô hình với người dùng, nhưng điều này không đóng vai trò là bản sửa lỗi cho tất cả các tác vụ NLP cụ thể.

Thay vào đó, chúng ta có thể nghĩ đến các lĩnh vực ứng dụng khác trong khoa học dữ liệu nơi có thể sử dụng các mô hình GPT.

Xử lý dữ liệu bảng với ChatGPT

Để xây dựng mô hình phân loại, hồi quy hoặc dự báo, chúng ta cần thực hiện các bước phân tích dữ liệu khám phá (EDA). EDA cho phép chúng tôi tìm mối quan hệ giữa các tính năng khác nhau trong dữ liệu và biểu thị thông tin chuyên sâu và ngoại lệ để hiểu lý do của hành vi bất thường này hoặc hành vi bất thường đó. Vì vậy, phần lớn các dự án khoa học dữ liệu sẽ yêu cầu thực hiện 4 bước:

Với sự trợ giúp của mô hình GPT, quy trình bán hàng ở trên có thể được rút gọn thành một yêu cầu được lập công thức tốt cho mô hình GPT. Ví dụ: hãy sử dụng yêu cầu này về số lượng bán hàng của Amazon theo quý và yêu cầu ChatGPT trích xuất thông tin chi tiết từ thông tin này.

Và tại đây, chúng ta có thể thấy những hiểu biết và kết luận mà ChatGPT đã đưa ra, dựa trên dữ liệu được trình bày trước đó:

Phản hồi ChatGPT :

“Thông tin chi tiết:

• Doanh thu thuần của Amazon tăng 38% so với cùng kỳ trong Q4
• Trong Q1, doanh thu thuần tăng 26% YoY
• trong quý 2 tăng 40% so với cùng kỳ
• Quý 2 tăng 40% theo năm và trong quý 3 tăng 37% theo năm

Kết luận (lý do):

• Điều quan trọng cần lưu ý là đại dịch COVID-19 đã có tác động đáng kể đến doanh số bán hàng của Amazon, khi nhiều người chuyển sang mua sắm trực tuyến hơn trong khi các cửa hàng thực đóng cửa. Ngoài ra, các mảng AWS và Quảng cáo của Amazon cũng có mức tăng trưởng đáng kể trong năm 2020.”

Đầu ra của mô hình có thể khác nhau về chất lượng, do đó, nó cần có sự giám sát hoặc hoàn thiện lời nhắc ban đầu. Tuy nhiên, những khả năng như vậy có thể dễ dàng áp dụng để làm cho giai đoạn EDA trở nên dễ dàng hơn và có khả năng tự động hóa các nhiệm vụ đường ống khoa học dữ liệu.

5. ChatGPT cho các hệ thống đề xuất

Các hệ thống đề xuất hoặc công cụ đề xuất đã trở nên phổ biến như các công cụ tìm kiếm trên các nền tảng khác nhau và trong các ứng dụng khác nhau. Đề xuất thực hiện một nhiệm vụ rất quan trọng: hiểu sở thích của từng khách hàng, đề xuất nội dung phù hợp và giữ khách hàng trên nền tảng càng lâu càng tốt.

Tuy nhiên, bất chấp những lợi thế cạnh tranh mà hệ thống đề xuất có thể mang lại, thực tế là chúng ta không thể xây dựng một hệ thống mà không thu thập dữ liệu, thử nghiệm và đào tạo một mô hình hoạt động dường như là lý do chính khiến không phải ai cũng có đủ khả năng đề xuất. Để bắt đầu đề xuất, trước tiên chúng tôi cần thu thập dữ liệu liên quan đến nội dung của mình, sau đó theo dõi một cách có phương pháp những danh mục nội dung mà khách hàng của chúng tôi thu hút.

Trong tình huống này, chúng tôi có thể sử dụng ChatGPT như một giải pháp thay thế cho các công cụ đề xuất vì nó đã có rất nhiều dữ liệu bên trong. Mặc dù nó không được tinh chỉnh cho nội dung của bạn và nó không biết lịch sử tìm kiếm của người dùng, nhưng nó có thể cung cấp các đề xuất khá cụ thể sau khi chúng tôi sử dụng các lời nhắc đủ cụ thể.

Chẳng hạn, chúng tôi đã sử dụng loại yêu cầu này: “Tôi muốn có một chuyến đi. Tôi có một đứa con 2 tuổi và thích dành thời gian ở gần biển. Tôi nên đi đâu?". Đây là đầu ra:

Phản hồi của ChatGPT : “Đi du lịch với một đứa trẻ 2 tuổi và dành thời gian ở gần biển có thể là một ý tưởng tuyệt vời. Dưới đây là một vài gợi ý về các điểm đến có thể phù hợp với bạn và gia đình:

• Các bãi biển của California: Các bãi biển của California mang đến sự kết hợp tuyệt vời giữa nắng, cát và biển. Một số điểm đến phổ biến bao gồm Santa Monica, Huntington Beach và Newport Beach.
• Các bãi biển của Florida: Florida là nơi có nhiều bãi biển đẹp, bao gồm Bãi biển Miami, Siesta Key và Bãi biển Clearwater.
• Các bãi biển của Hawaii: Các bãi biển của Hawaii nổi tiếng với làn nước trong vắt và bãi cát trắng mịn. Một số điểm đến phổ biến bao gồm Bãi biển Waikiki, Bãi biển Kaanapali và Bãi biển Poipu.
• Các bãi biển của Ca-ri-bê: Ca-ri-bê là nơi có nhiều bãi biển đẹp, bao gồm Bãi biển Bảy Dặm ở Jamaica, Bãi biển Eagle ở Aruba và Vịnh Grace ở Turks và Caicos.
• Các bãi biển Địa Trung Hải: Các quốc gia Địa Trung Hải như Tây Ban Nha, Hy Lạp, Ý là nơi có nhiều bãi biển đẹp. Một số điểm đến phổ biến bao gồm Playa de Muro ở Mallorca, Mykonos ở Hy Lạp và Positano ở Ý.

Điều đáng chú ý là những điểm đến này cũng cung cấp nhiều hoạt động và điểm tham quan khác cho cả người lớn và trẻ em, chẳng hạn như bơi lội, tắm nắng, thể thao dưới nước, sân chơi và công viên giải trí. Điều quan trọng nữa là phải xem xét các yếu tố khác như thời tiết, an toàn và khả năng tiếp cận trước khi đưa ra quyết định.”

Nếu chúng tôi chỉ định yêu cầu của mình bằng cách thêm chi tiết, đây là cách câu trả lời có thể trông như thế nào:

Yêu cầu : “Tôi muốn có một chuyến đi. Tôi có một đứa con 2 tuổi và thích dành thời gian ở gần biển, tôi có 3000$. Tôi nên đi đâu?".

Phản hồi ChatGPT :

“Đi du lịch với một đứa trẻ 2 tuổi và dành thời gian ở gần biển có thể là một ý tưởng tuyệt vời. Điều quan trọng là phải xem xét ngân sách của bạn khi lập kế hoạch chuyến đi của bạn. Dưới đây là một vài gợi ý về các điểm đến có thể phù hợp với bạn và gia đình trong phạm vi ngân sách của bạn:

• Các bãi biển của Mexico: Mexico mang đến sự kết hợp tuyệt vời giữa nắng, cát và biển. Một số điểm đến phổ biến bao gồm Cancun, Playa del Carmen và Puerto Vallarta.
• Các bãi biển ở Trung Mỹ: Các quốc gia như Costa Rica, Panama và Nicaragua có những bãi biển đẹp, thời tiết tuyệt vời và ngân sách hợp lý.
• Các bãi biển ở Đông Nam Á: Các quốc gia như Thái Lan, Việt Nam và Philippines có những bãi biển đẹp, thời tiết tuyệt vời và chi phí hợp lý.
• Các bãi biển ở Ca-ri-bê: Một số điểm đến ở Ca-ri-bê như Cộng hòa Dominica, Jamaica và Cuba có ngân sách hợp lý và có những bãi biển đẹp.

Điều đáng chú ý là những điểm đến này cũng cung cấp nhiều hoạt động và điểm tham quan khác cho cả người lớn và trẻ em, chẳng hạn như bơi lội, tắm nắng, thể thao dưới nước, sân chơi và công viên giải trí. Ngoài ra, khi đi cùng trẻ 2 tuổi, điều quan trọng là phải xem xét khả năng tiếp cận, sự an toàn và sự sẵn có của các dịch vụ và chỗ ở chất lượng tốt, chẳng hạn như bệnh viện và cơ sở chăm sóc trẻ tốt.”

Như bạn có thể thấy đầu ra không được đóng khung xung quanh các tham số mà chúng tôi đã cung cấp dưới dạng yêu cầu, vì mô hình cố gắng vượt qua lời nhắc ban đầu. Và ngay cả những kết quả thô đó cũng có thể hoạt động tốt hơn so với việc cố gắng tìm nội dung bằng cách áp dụng hàng chục bộ lọc, bởi vì nó yêu cầu con người sử dụng đúng từ để có được kết quả hài lòng. Về cơ bản, đó là lợi thế chính của các khuyến nghị dựa trên NLP so với các phương pháp tiêu chuẩn.

Sử dụng ChatGPT cho các tác vụ thị giác máy tính

Vì các mô hình GPT được đào tạo trên dữ liệu văn bản nên rõ ràng là chúng tôi không thể thay thế các mô hình thị giác máy tính theo cách này. Tuy nhiên, ChatGPT có thể đơn giản hóa việc triển khai một số phần nhất định của quy trình thị giác máy tính, chẳng hạn như:

• Phát hiện màu cho hình ảnh đã biết
• Sự tương đồng về hình ảnh, ví dụ: logo tương tự như MCDonalds theo màu sắc hoặc kiểu chữ
• Phát hiện đối tượng, chẳng hạn như xác định đối tượng được mô tả trên ảnh, tài liệu đồ họa, biểu tượng thương hiệu, v.v.
• Nhận dạng ký tự quang học hoặc OCR

Thông tin do ChatGPT cung cấp có thể hữu ích khi phân tích và chuẩn bị dữ liệu cho mô hình thị giác máy tính ở các khu vực khác nhau. Chẳng hạn, trong các tác vụ OCR, mô hình có thể được sử dụng để kéo văn bản từ ảnh, như trong nhận dạng thẻ ID. Đây là một bước riêng biệt trong việc chuẩn bị dữ liệu cho đào tạo.

Vì thẻ ID có định dạng riêng và các trường khác nhau ở mỗi quốc gia nên nhiệm vụ nhận dạng thẻ ID có thể rất tốn tài nguyên. Với các mô hình GPT, chúng tôi có thể giảm thời gian cần thiết để trích xuất dữ liệu văn bản từ hình ảnh vì ChatGPT có thể tự đảm nhận một số phần của quy trình.

Tầm quan trọng của kỹ thuật nhanh chóng và tương lai của các mô hình GPT

Kỹ thuật nhanh về cơ bản là nguyên tắc tạo văn bản đầu vào đang hoạt động được chuyển sang mô hình GPT giống như một nhiệm vụ kỹ thuật. Đầu ra sẽ luôn phụ thuộc vào cách bạn giải thích những gì bạn cần và nó liên quan đến việc hiểu cách tốt nhất để chỉ ra từng khía cạnh trong yêu cầu của bạn để mô hình không tạo ra một số Frankenstein cho bạn. Có một số nguyên tắc cơ bản để phát triển nhanh các mô hình GPT:

Hãy cụ thể : lời nhắc càng cụ thể, văn bản được tạo sẽ càng phù hợp với nhiệm vụ hiện tại.

Xác định ngữ cảnh : mô hình càng có nhiều ngữ cảnh thì nhiệm vụ của mô hình GPT càng rõ ràng. Đặt lời nhắc bằng cùng ngôn ngữ và cùng thuật ngữ (sử dụng các tính năng của vùng miền) mà bạn muốn nhận câu trả lời.

Tìm sự thỏa hiệp giữa độ dài và tính cụ thể của lời nhắc : lời nhắc dài hơn và cụ thể hơn có thể dẫn đến câu trả lời chính xác và phù hợp hơn, nhưng cũng làm phức tạp việc quản lý mô hình. Trong một số trường hợp, các lời nhắc phức tạp và dài có thể khiến mô hình bị hỏng và viết một phản hồi chưa hoàn thành, điều mà chúng tôi đã gặp phải nhiều lần trong quá trình thử nghiệm của mình.

Tất cả các ví dụ sau đây đều được thực hiện khai thác ChatGPT ở giai đoạn trước khi phát hành và nó cho thấy kết quả tốt hơn nhiều so với các phiên bản tiền nhiệm. Tuy nhiên, mô hình GPT 4 đã được OpenAI công bố vào quý đầu tiên của năm 2023 và mô hình này sử dụng nhiều mẫu dữ liệu hơn 500 lần so với GPT 3. Vì vậy, bạn cũng nên theo dõi ngày phát hành và tình hình rất năng động và bạn có thể thích các mô hình tương lai của OpenAI cho sản phẩm của bạn.

Ưu điểm chính của các mô hình GPT là khả năng tìm cách giải quyết vấn đề mà không cần khối lượng dữ liệu lớn ban đầu. Rõ ràng, các mô hình như vậy không thể thay thế hoàn toàn chức năng mong muốn. Tuy nhiên, trong các lần lặp lại đầu tiên của sản phẩm, việc sử dụng các mô hình như vậy giúp bắt đầu phát triển, cung cấp cho người dùng dịch vụ trong khi thu thập dữ liệu tùy chỉnh.