7 پروژه LLM برای تقویت پورتفولیوی یادگیری ماشین شما

7 پروژه LLM برای تقویت پورتفولیوی یادگیری ماشین شما
تصویر توسط نویسنده | ایجاد شده در Canva

مدل های زبان بزرگ (LLM) در کارهای مختلف بسیار مفید هستند. ایجاد برنامه های کاربردی مبتنی بر LLM در ابتدا می تواند بسیار ترسناک به نظر برسد. اما تنها چیزی که نیاز دارید این است:

• توانایی کدنویسی، ترجیحاً در پایتون یا TypeScript و
• برخی از کارها یا مشکلات نه چندان سرگرم کننده که دوست دارید آنها را ساده کنید (مطمئنم که بسیاری از آنها دارید!).

برای ایجاد برنامه های LLM، باید بتوانید LLM ها را اجرا کنید و با آنها تعامل داشته باشید، به منابع داده مختلف متصل شوید: فایل ها در رایانه محلی خود، API ها، پایگاه های داده و غیره. لیست زیر لیست کاملی نیست، اما در اینجا برخی از ابزارها و چارچوب هایی وجود دارد که می توانید برای ساخت برنامه های کاربردی با LLM از آنها استفاده کنید:

• زبان های برنامه نویسی: Python، TypeScript
• قاب ها: LangChain، LlamaIndex
• Apis: OpenAI API، Cohere API
• در حال اجرا LLM: اولاما، لامافیل
• پایگاه های داده برداری: ChromaDB، Weaviate، Pinecone و موارد دیگر

این راهنما هفت پروژه جالبی را که می توانید با LLM بسازید بررسی می کند. در طول مسیر، یاد خواهید گرفت که چگونه با پایگاه داده های برداری مفید، چارچوب ها و API ها کار کنید. ما همچنین منابع یادگیری و پروژه های نمونه را به اشتراک می گذاریم تا به شما در شروع کار کمک کنیم. بیایید شروع کنیم.

1. برنامه پرسش و پاسخ مبتنی بر بازیابی برای اسناد فنی

یک سیستم پرسش و پاسخ توسعه‌دهنده ایجاد کنید که از RAG برای کشیدن اسناد فنی مختلف، پاسخ‌های Stack Overflow یا اسناد داخلی و پایگاه‌های دانش در صورت نیاز استفاده می‌کند. چنین برنامه ای می تواند مفاهیم پیچیده را خلاصه و روشن کند یا به سوالات فنی خاص پاسخ دهد.

عناصر کلیدی پروژه عبارتند از:

• چارچوب RAG که اسناد و عصاره های مربوطه را بازیابی می کند

• LLM منبع باز برای تفسیر سوالات و ایجاد پاسخ
• ادغام با API برای منابع خارجی مانند Stack Overflow، Confluence

کمک به توسعه دهندگان با پاسخ های فوری و قابل اعتماد به سوالات فنی بدون جستجوی دستی در اسناد بزرگ. این می تواند به ویژه برای فریم ورک هایی مانند جنگو که اسناد آن جامع است مفید باشد.

برای دانستن همه چیز در مورد RAG، به سایت مراجعه کنید LangChain: با داده های خود از DeepLearning.AI چت کنید و RAG را از ابتدا یاد بگیرید.

2. عامل اتوماسیون گردش کار مبتنی بر LLM

عاملی بسازید که بتواند گردش های کاری تکراری و کارهای خسته کننده را بر اساس دستورالعمل های زبان طبیعی ساده کند. عامل باید بتواند دنباله ای از مراحل را که از قبل تعریف شده اند یا به طور مستقل با در نظر گرفتن هدف نهایی دنبال کند.

چنین عاملی باید بتواند کارهایی مانند ایجاد پوشه های پروژه جدید، پیکربندی مخازن Git، ایجاد فایل های وابستگی پروژه و غیره را انجام دهد.

اجزای کلیدی، علاوه بر LLM، عبارتند از:

• ادغام API برای ابزارهای مختلف مانند Docker، Git و AWS
• موتور برای اجرای اسکریپت های تولید شده توسط LLM

می‌توانید اولین نسخه‌ای را که ایجاد می‌کنید بهبود ببخشید تا برنامه کاربردی مفیدتری داشته باشید که پیکربندی دستی و وظایف مدیریتی را برای توسعه‌دهندگان یا تیم‌ها کاهش می‌دهد و به آن‌ها اجازه می‌دهد روی کارهای با ارزش بالاتر تمرکز کنند.

3. متن به SQL Query Builder

فکر کردن در مورد مسائل تجاری به زبان انگلیسی ساده همیشه بصری و راحت تر است. با این حال، یک سوال ساده مانند “فروش فصلی یک محصول خاص در بخش های مختلف مشتریان چقدر است؟” » می تواند منجر به یک پرس و جو SQL نسبتاً پیچیده با اتصالات و چندین سؤال فرعی شود. به همین دلیل است که ایجاد یک متن در مولد SQL می تواند مفید باشد.

می توانید برنامه ای ایجاد کنید که پرس و جوهای زبان طبیعی را با استفاده از LLM به SQL ترجمه کند. درخواست باید:

• ورودی کاربر را بر اساس طرح پایگاه داده از پیش تعریف شده به پرس و جوهای SQL تبدیل کنید
• آنها را روی یک پایگاه داده متصل اجرا می کند تا داده های مربوطه را برگرداند

در اینجا یک نمونه روش گام به گام برای یک پروژه آورده شده است: برنامه LLM Text-To-SQL End-to-End توسط کریش نایک

4. مولد اسناد مبتنی بر هوش مصنوعی برای پایگاه های کد

ابزاری ایجاد کنید که از یک LLM برای اسکن مخازن کد و ایجاد خودکار اسناد جامع استفاده کند. از جمله خلاصه ویژگی ها، توضیحات ماژول، و نمای کلی معماری. می توانید آن را به عنوان یک ابزار CLI یا به عنوان یک اقدام GitHub ایجاد کنید.

شما نیاز خواهید داشت:

• ادغام با سرویس های مخزن برای تجزیه و تحلیل فایل های پایه کد
• گزینه هایی برای بررسی و افزودن نظرات برای اصلاح یا اصلاح اسناد تولید شده

یک نسخه پیشرفته تر از چنین ژنراتوری در واقع می تواند برای تولید خودکار اسناد فنی برای تیم های توسعه استفاده شود. اگرچه دریافت اسناد بی نقص می تواند یک چالش باشد، اما چنین ابزاری قطعا ساعت ها کار شما را کاهش می دهد!

5. دستیار کدنویسی هوش مصنوعی

یک جادوگر کد نویسی مجهز به LLM ایجاد کنید که می تواند مانند یک برنامه نویس جفت در زمان واقعی عمل کند. این ابزار باید پیشنهاداتی را ارائه دهد، قطعه کد بنویسد، کدهای موجود را اشکال زدایی کند، و حتی در یک جلسه برنامه نویسی زنده توضیحاتی در مورد منطق پیچیده ارائه دهد.

هنگام ایجاد چنین برنامه ای، مطمئن شوید:

• انتخاب خوب LLM برای تولید کد مناسب است
• ادغام IDE، مانند پسوند VS Code، برای عملکرد درون ویرایشگر.
• دانش متنی از محیط کدگذاری فعلی: کتابخانه های مورد استفاده، فایل های باز شده و غیره.

بررسی کنید آموزش ADVANCED Python AI Agent – ​​با استفاده از RAG برای بررسی کامل ایجاد یک جادوگر کدنویسی.

6. سازنده خط لوله داده مبتنی بر متن

یک برنامه LLM توسعه دهید که به کاربران اجازه می دهد خطوط لوله داده را به زبان طبیعی توصیف کنند. بگویید: “یک اسکریپت ETL بنویسید تا فایل CSV را از S3 وارد کنید، داده ها را پاک کنید و در پایگاه داده PostgreSQL بارگذاری کنید.” سپس برنامه باید با استفاده از ابزارهایی مانند Apache Airflow یا Prefect کدی را برای یک خط لوله کامل ETL ایجاد کند.

بنابراین باید روی موارد زیر تمرکز کنید:

• پشتیبانی از منابع داده های مختلف (S3، پایگاه های داده) و مقصد.
• ایجاد و برنامه ریزی خط لوله را با ابزارهایی مانند جریان هوا به صورت خودکار انجام دهید.

این باید به شما کمک کند تا خطوط لوله داده پیچیده را با حداقل کدنویسی ایجاد و برنامه ریزی کنید. اگرچه کد کاملاً دقیق نیست، باید به شما کمک کند تا گام‌های زیادی را جلوتر از نوشتن خط لوله از ابتدا بردارید.

7. کد مهاجرت ابزار طراحی شده توسط LLM

راه حل های تجاری در دسترس وجود دارد، اما می توانید ابزارهای انتقال کد ساخت را از ابتدا امتحان کنید. ابزاری ایجاد کنید که می تواند کدهای نوشته شده در یک زبان برنامه نویسی را تجزیه و تحلیل کند و آن را به زبان دیگری تبدیل کند، با استفاده از LLM ها منطق اصلی را درک کرده و آن را در زبان مقصد دوباره پیاده سازی کند. برای مثال، ممکن است بخواهید کد پایتون را به Go یا Rust منتقل کنید.

شما باید موارد زیر را تجربه کنید:

• انتخاب LLM برای ترجمه کد بین زبان ها
• ابزارهای تحلیل استاتیک برای اطمینان از صحت منطقی پس از ترجمه
• پشتیبانی از پارادایم های مختلف و ساختارهای خاص زبان

چنین برنامه ای می تواند به انتقال کدهای موجود به زبان های جدیدتر و بهتر با حداقل بازنویسی دستی کمک کند.

نتیجه گیری

تمام شد! امیدوارم این ایده های پروژه برای شما جالب بوده باشد.

اینها باید نقطه شروع خوبی برای ایده های جالب و مفیدتری باشد که ممکن است داشته باشید. هنگامی که یک برنامه کاربردی ایجاد کردید، می توانید جهت های دیگر را کاوش کنید. به عنوان مثال، ممکن است بخواهید با استفاده از RAG یک تحلیلگر صورت های مالی یا دستیار تحقیقاتی سفارشی خود ایجاد کنید.

همانطور که گفته شد، تنها چیزی که نیاز دارید یک مشکل برای حل کردن، علاقه به ساختن چیزها و یک قهوه است؟

کد نویسی مبارک!