செயற்கை நுண்ணறிவு என்பது மெஷின் லேர்னிங் அல்காரிதம்களைப் பயன்படுத்தி, பெரிய தரவுகளைப் பயன்படுத்தி மாதிரிகளைப் பயிற்றுவிப்பதற்கும் சோதனை செய்வதற்கும் மிக வேகமாக வளர்ந்து வரும் தொழில்நுட்பங்களில் ஒன்றாகும். தரவு வெவ்வேறு வடிவங்களில் சேமிக்கப்படலாம் ஆனால் LangChain ஐப் பயன்படுத்தி பெரிய மொழி மாதிரிகளை உருவாக்க, JSON வகைதான் அதிகம் பயன்படுத்தப்படுகிறது. பயிற்சி மற்றும் சோதனை தரவு எந்த தெளிவின்மையும் இல்லாமல் தெளிவாகவும் முழுமையாகவும் இருக்க வேண்டும், எனவே மாடல் திறம்பட செயல்பட முடியும்.
இந்த வழிகாட்டி LangChain இல் பைடான்டிக் JSON பாகுபடுத்தியைப் பயன்படுத்தும் செயல்முறையை விளக்கும்.
LangChain இல் Pydantic (JSON) பாகுபடுத்தியை எவ்வாறு பயன்படுத்துவது?
JSON தரவு, வலை ஸ்கிராப்பிங் மற்றும் பதிவுகள் போன்ற பல ஆதாரங்கள் மூலம் சேகரிக்கக்கூடிய தரவின் உரை வடிவத்தைக் கொண்டுள்ளது. தரவின் துல்லியத்தை சரிபார்க்க, செயல்முறையை எளிமைப்படுத்த LangChain பைத்தானின் பைடான்டிக் லைப்ரரியைப் பயன்படுத்துகிறது. LangChain இல் பைடான்டிக் JSON பாகுபடுத்தியைப் பயன்படுத்த, இந்த வழிகாட்டியைப் பார்க்கவும்:
படி 1: தொகுதிகளை நிறுவவும்
செயல்முறையைத் தொடங்க, LangChain இல் பாகுபடுத்தியைப் பயன்படுத்த அதன் நூலகங்களைப் பயன்படுத்த LangChain தொகுதியை நிறுவவும்:
பிப் நிறுவு லாங்செயின்
இப்போது, பயன்படுத்தவும் ' குழாய் நிறுவல் ” OpenAI கட்டமைப்பைப் பெறவும் அதன் ஆதாரங்களைப் பயன்படுத்தவும் கட்டளை:
பிப் நிறுவு ஓப்பனை
தொகுதிகளை நிறுவிய பின், அதன் API விசையை வழங்குவதன் மூலம் OpenAI சூழலுடன் இணைக்கவும் நீ 'மற்றும்' கெட்பாஸ் 'நூலகங்கள்:
எங்களை இறக்குமதிgetpass இறக்குமதி
os.சூழல் [ 'OPENAI_API_KEY' ] = getpass.getpass ( 'OpenAI API விசை:' )
படி 2: நூலகங்களை இறக்குமதி செய்யவும்
வரியில் ஒரு டெம்ப்ளேட்டை உருவாக்கப் பயன்படுத்தக்கூடிய தேவையான நூலகங்களை இறக்குமதி செய்ய LangChain தொகுதியைப் பயன்படுத்தவும். ப்ராம்ட்க்கான டெம்ப்ளேட் இயற்கையான மொழியில் கேள்விகளைக் கேட்கும் முறையை விவரிக்கிறது, எனவே மாதிரியானது ப்ராம்ட்டை திறம்பட புரிந்து கொள்ள முடியும். மேலும், சாட்போட்டை உருவாக்க LLMகளைப் பயன்படுத்தி சங்கிலிகளை உருவாக்க OpenAI மற்றும் ChatOpenAI போன்ற நூலகங்களை இறக்குமதி செய்யவும்:
langchain.prompts இறக்குமதியிலிருந்து (ப்ராம்ட் டெம்ப்ளேட்,
ChatPrompt டெம்ப்ளேட்,
HumanMessagePrompt Template,
)
langchain.llms இலிருந்து OpenAIஐ இறக்குமதி செய்கிறது
langchain.chat_models இலிருந்து ChatOpenAIஐ இறக்குமதி செய்க
அதன் பிறகு, LangChain இல் JSON பாகுபடுத்தியைப் பயன்படுத்த பேஸ்மாடல், ஃபீல்ட் மற்றும் வேலிடேட்டர் போன்ற பைடான்டிக் லைப்ரரிகளை இறக்குமதி செய்யவும்:
langchain.output_parsers இலிருந்து PydanticOutputParser ஐ இறக்குமதி செய்கிறதுபைடான்டிக் இறக்குமதியிலிருந்து BaseModel, Field, Validator
இறக்குமதி பட்டியலை தட்டச்சு செய்வதிலிருந்து
படி 3: ஒரு மாதிரியை உருவாக்குதல்
பைடான்டிக் JSON பாகுபடுத்தியைப் பயன்படுத்துவதற்கான அனைத்து நூலகங்களையும் பெற்ற பிறகு, OpenAI() முறையுடன் முன்பே வடிவமைக்கப்பட்ட சோதனை மாதிரியைப் பெறுங்கள்:
மாதிரி_பெயர் = 'text-davinci-003'வெப்பநிலை = 0.0
மாதிரி = OpenAI ( மாதிரி_பெயர் =மாடல்_பெயர், வெப்ப நிலை = வெப்பநிலை )
படி 4: Actor BaseModel ஐ உள்ளமைக்கவும்
நடிகரின் படத்தொகுப்பைக் கேட்டு அவர்களின் பெயர்கள் மற்றும் படங்கள் போன்ற நடிகர்கள் தொடர்பான பதில்களைப் பெற மற்றொரு மாதிரியை உருவாக்கவும்:
வர்க்க நடிகர் ( அடிப்படை மாதிரி ) :பெயர்: str = புலம் ( விளக்கம் = 'முன்னணி நடிகரின் பெயர்' )
படத்தின்_பெயர்கள்: பட்டியல் [ str ] = வயல் ( விளக்கம் = 'நடிகர் நடித்த படங்கள்' )
நடிகர்_கேள்வி = 'எந்த நடிகரின் படத்தொகுப்பையும் பார்க்க விரும்புகிறேன்'
பாகுபடுத்தி = PydanticOutputParser ( பைடான்டிக்_பொருள் =நடிகர் )
prompt = PromptTemplate (
டெம்ப்ளேட் = 'பயனரின் அறிவுறுத்தலுக்கு பதிலளிக்கவும். \n {format_instructions} \n {query} \n ' ,
உள்ளீடு_மாறிகள் = [ 'கேள்வி' ] ,
பகுதி_மாறிகள் = { 'format_instructions' : parser.get_format_instructions ( ) } ,
)
படி 5: அடிப்படை மாதிரியை சோதித்தல்
வரியில் உருவாக்கப்பட்ட முடிவுகளைக் கொண்ட வெளியீட்டு மாறி மூலம் பாகுபடுத்தும்() செயல்பாட்டைப் பயன்படுத்தி வெளியீட்டைப் பெறுங்கள்:
_input = prompt.format_prompt ( வினவல் =நடிகர்_கேள்வி )வெளியீடு = மாதிரி ( _input.to_string ( ) )
பாகுபடுத்தி.பகுத்து ( வெளியீடு )
நடிகர் பெயர் ' டாம் ஹாங்க்ஸ் ” மாதிரியிலிருந்து பைடான்டிக் செயல்பாட்டைப் பயன்படுத்தி அவரது படங்களின் பட்டியலுடன் பெறப்பட்டது:
LangChain இல் பைடான்டிக் JSON பாகுபடுத்தியைப் பயன்படுத்துவதே அவ்வளவுதான்.
முடிவுரை
LangChain இல் பைடான்டிக் JSON பாகுபடுத்தியைப் பயன்படுத்த, அவற்றின் ஆதாரங்கள் மற்றும் நூலகங்களுடன் இணைக்க LangChain மற்றும் OpenAI தொகுதிகளை நிறுவவும். அதன் பிறகு, அடிப்படை மாதிரியை உருவாக்க மற்றும் JSON வடிவத்தில் தரவைச் சரிபார்க்க OpenAI மற்றும் pydantic போன்ற நூலகங்களை இறக்குமதி செய்யவும். அடிப்படை மாதிரியை உருவாக்கிய பிறகு, பாகுபடுத்தும்() செயல்பாட்டை இயக்கவும், அது வரியில் பதில்களை வழங்குகிறது. LangChain இல் பைடான்டிக் JSON பாகுபடுத்தியைப் பயன்படுத்தும் செயல்முறையை இந்த இடுகை விளக்குகிறது.