100 Gün Yapay Zeka, 12. Gün: Geri Bildirim Almak İçin Nesil Yapay Zeka Deneylerinizi Hızlı Bir Şekilde Nasıl Tanıtabilirsiniz?

Eğer Yapay Zekanın 100 Günü serisini okuyorsanız, fark edeceğiniz ortak bir tema yazıyorum, gönderilerin çoğunun bir tür deney veya demo içerdiğini fark edeceksiniz. Gönderilerin sonunda, keşfettiğim teknolojilerle mümkün olan fikirleri de listeliyorum. Dolayısıyla bir sonraki soru şu: Bu deneyleri kolayca demo yapılabilir ürünlere sarmanın, bunları insanlarla paylaşmanın ve geri bildirim almanın bir yolu var mı?

Bu yazıda bir AI deneyini kolayca geri bildirim alınabilecek bir demoya nasıl dönüştürebileceğimizi keşfedeceğiz.

Diyelim ki metni alan ve bir özet döndüren bir yapay zeka uygulaması oluşturmak istiyorsunuz. Ve bunu insanlarla paylaşmak ve geri bildirim almak istiyorsunuz. Bu uygulama için bir web uygulaması oluşturmanız gerekiyorsa, kullanıcı arayüzünü kodlamanız, bir barındırma çözümü bulduğunuzdan emin olmanız ve tüm yığının ne olacağını bulmanız gerekir. Elbette bunu daha hızlı yapmanıza olanak sağlayacak web uygulaması yığınları başlatıldı, ancak kullanım durumunuz için bu kadar karmaşıklığa ihtiyacınız yok. Bunun yerine, bu uygulama için herhangi bir kod yazmadan web uygulaması benzeri bir arayüz oluşturan Gradio'yu kullanacağız.

Gradio nedir?

Gradio, AI uygulamalarınızın demolarını kolayca oluşturmanıza ve bunu bir web uygulaması biçiminde hedef kitleyle paylaşmanıza olanak tanıyan bir python kütüphanesidir.

Gradio ile bir gen yapay zeka deneyinin nasıl kolayca demosunu oluşturulacağını anlamak için, uygulamaya uzun bir metin verebileceğiniz ve uygulamanın bu uzun metnin özetini çıkaracağı bir özetleme web uygulaması oluşturacağız.

1. Adım: Kurulum

Gradio ile birlikte, kucaklaşan yüz uygulamasını kullanacağız, böylece takip etmek için kucaklayan yüz API anahtarınızı el altında bulundurduğunuzdan emin olun. Başlamak için API anahtarını .env dosyasından yükleyelim ve gerekli python modüllerini ekleyelim.

 import os import io from IPython.display import Image, display, HTML #from PIL import Image import base64 import openai env_path = '../.env' from dotenv import load_dotenv, find_dotenv _ = load_dotenv(find_dotenv(env_path)) # read local .env file hf_api_key = os.environ['HF_API_KEY']

Adım 2: Özetleme İşlevini Tanımlayın

Ulaşmak istediğimiz şeyin temel mantığı uzun bir metni bir modele gönderip metnin özetini almaktır. Uzun metni girdi olarak alan ve distilbart adı verilen sarılma yüzündeki modeli çağıran bir fonksiyon tanımlayacağız. İşte bunu yapacak fonksiyon.

 def get_completion(inputs, parameters=None, ENDPOINT_URL=os.environ['HF_API_SUMMARY_BASE']): headers = { "Authorization": f"Bearer {hf_api_key}", "Content-Type": "application/json" } data = { "inputs": inputs } if parameters is not None: data.update({"parameters": parameters}) response = requests.request("POST", ENDPOINT_URL, headers=headers, data=json.dumps(data) ) return json.loads(response.content.decode("utf-8"))

3. Adım: Özetleme Uygulamasının Demosunu Yapmak için Gradio'yu kullanın

Gradio ile etkileşim kurmanın ana yolu arayüz işlevidir. Bir fonksiyonu ve ona karşılık gelen giriş ve çıkışları aktarmamız gerekiyor. Bu amaçla özetleme adında yeni bir işlev tanımladığımızı unutmayın. Bu işlev, özetlenecek uzun metin olacak bir girdi alır ve işlev, girdi metninin özetini almak ve bunu çıktı olarak döndürmek için 2. adımdan itibaren get_completion işlevini çağırır. Son satırda Gradio'dan bu uygulamanın demosunu başlatmasını istiyoruz. share=True sağlayarak, gradio'ya başkalarıyla paylaşılabilecek genel bir bağlantı oluşturmasını söylüyoruz ve ayrıca yerel web barındırıcısının üzerinde çalışması gereken sunucu_portunu da veriyoruz. Aşağıdaki kodda ayrıca çıktıda fark edeceğiniz giriş ve çıkış alanlarının başlığını, açıklamasını ve etiketlerini de özelleştiriyoruz.

 import gradio as gr def summarize(input): output = get_completion(input) return output[0]['summary_text'] gr.close_all() demo = gr.Interface(fn=summarize, inputs=[gr.Textbox(label="Text to summarize", lines=6)], outputs=[gr.Textbox(label="Result", lines=3)], title="Text summarization with distilbart-cnn", description="Summarize any text using the `shleifer/distilbart-cnn-12-6` model under the hood!" ) demo.launch(share=True, server_port=int(os.environ['PORT1']))

Bunu çalıştırdığınızda, http://127.0.0.1:<bağlantı noktası numaranız> adresinde çıktının tarayıcınızda nasıl göründüğünü görebilirsiniz.

Gradio ile bir projenin demosunu yapmak bu kadar kolay. Buradaki güzellik, bir geliştirici olarak sizin UI yığını bulmanız ve bu yığını öğrenmenin ve onu üretime almanın karmaşıklığıyla uğraşmanıza gerek olmamasıdır. Gradio bunu sizin için yapıyor.

Gradio, kolayca paylaşılabilen daha karmaşık ve ilgi çekici demolar oluşturabileceğiniz farklı giriş ve çıkış türleri sunar. Önümüzdeki gönderilerde Gradio ve diğer araçlarla daha fazla demo keşfedeceğiz.

Yapay Zekanın 100 Günü'nün 12. 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 gününe ilişkin en son güncellemeler için beni Twitter , LinkedIn veya HackerNoon'da takip edin. Teknolojiyle ilgileniyorsanız, buradaki teknoloji profesyonellerinden oluşan topluluğuma katılmak ilginizi çekebilir.