این روزها چت بات ها بسیار محبوب هستند. بنابراین، ما آمده ایم تا به شما کمک کنیم تا یک چت بات با استفاده از پایتون توسعه دهید. در این پست، در مورد توسعه یک چت ربات تعاملی هوش مصنوعی صحبت خواهیم کرد.
سلامت هوش مصنوعی چت بات ها سیستم های کامپیوتری هستند که گفتگوی انسانی را تکرار می کنند. همچنین، آنها با استفاده از پردازش زبان طبیعی به ورودی انسان پاسخ می دهند فراگیری ماشین فن آوری ها
برای ارائه یک تجربه کارآمدتر از مراقبت از مشتری، این رباتهای گفتگو ممکن است به چندین پلتفرم مرتبط شوند. از این رو، این پلتفرم ها می توانند وب سایت ها، برنامه های کاربردی تلفن همراه و سیستم های پیام رسانی باشند. علاوه بر این، آنها می توانند برای اهداف مختلفی از جمله اوقات فراغت، آموزش و تبلیغات استفاده شوند.
کتابخانه OpenAI
مدل GPT-3 در کتابخانه OpenAI موجود است. ما می توانیم از آن برای تولید پاسخ برای چت بات شما استفاده کنیم. این بسته همچنین دارای یک API ساده برای برقراری ارتباط با مدل است. ادغام با شما را ساده می کند ربات چت پایتون نرم افزار.
از این رو، می توانید از OpenAI در پروژه خود استفاده کنید.
برای تولید پاسخ از مدل GPT-3، از متد ()completion.create استفاده می کنیم.
OpenAI همچنین مدلهای جایگزینی مانند GPT-2، DALL-E و غیره را عرضه میکند. می توانید از هر یک از اینها برای ایجاد ربات چت خود استفاده کنید. با این حال، به خاطر داشته باشید که هر مدل مجموعه ای از استعدادها، نقاط قوت و کاستی های منحصر به فرد خود را دارد.
ساخت چت بات
1- ابتدا باید کتابخانه OpenAI را نصب کرده و کلید API دریافتی از وب سایت OpenAI را اختصاص دهیم. این امکان دسترسی شما را به مدل GPT-3 از طریق OpenAI API فراهم می کند.
import openai
openai.api_key = "YOUR_API_KEY"
برای تنظیم کلید API، به https://beta.openai.com/ بروید و ثبت نام کنید.
2- حالا باید یک تابع ()chatbot ایجاد کنیم که ورودی کاربر را بپذیرد. و باید از آن به عنوان اعلان مدل GPT-3 استفاده کند. متد input() برای جمع آوری ورودی کاربر استفاده می شود و حلقه اجرا می شود تا زمانی که کاربر "خروج" را وارد کند.
def chatbot():
while True:
user_input = input("You: ")
3- اگر ورودی کاربر معادل "خروج" باشد، حلقه شکسته شده و چت بات خاتمه می یابد.
if user_input.lower() == "exit":
break
4- برای تولید پاسخ از مدل GPT-3، اکنون باید از تابع openai.Completion.create() استفاده کنیم. پارامتر موتور روی "text-davinci-002" تنظیم شده است که یک مدل GPT-3 است. پارامتر prompt روی ورودی کاربر و به دنبال آن یک فاصله برای نشان دادن پایان فرمان تنظیم می شود.
پارامتر دما روی 0.5 تنظیم شده است تا میزان غیرقابل پیش بینی بودن متن تولید شده را تنظیم کند. و پارامتر max tokens روی 2048 تنظیم شده است تا طول پاسخ ایجاد شده را محدود کند.
response = openai.Completion.create(
engine="text-davinci-002",
prompt=user_input + " ",
max_tokens=2048,
temperature=0.5
)
5- اکنون یک پاسخ چاپی از مدل GPT-3 ایجاد می کنیم.
print("Chatbot: ", response["choices"][0]["text"])
6- اکنون تابع اصلی اسکریپت را اضافه می کنیم. هنگامی که فراخوانی می شود، پیام خوشامدگویی را چاپ می کند و سپس متد ()chatbot را فراخوانی می کند.
if __name__ == "__main__":
print("Welcome to the GPT-3 Chatbot!")
print("Type 'exit' to close the chatbot.")
chatbot()
یک سوال متفاوت از چت بات بپرسید
قبلاً در مورد آب و هوا صحبت کردیم. بیایید چیز دیگری را برای بهبود مکالمه خود امتحان کنیم. برای مثال، میتوانیم بپرسیم «حالت امروز چطور است؟».
def chatbot():
while True:
user_input = input("You: ")
if user_input.lower() == "exit":
break
elif user_input.lower() == "how is your mood today?":
print("Chatbot: My mood is great, thank you for asking!")
continue
response = openai.Completion.create(
engine="text-davinci-002",
prompt=user_input + " ",
max_tokens=2048,
temperature=0.5
)
print("Chatbot: ", response["choices"][0]["text"])
روش های دیگر برای توسعه ربات چت با پایتون
با استفاده از جعبه ابزار زبان طبیعی (NLTK) یا کتابخانه SpaCy
این کتابخانه ها برای کارهایی مانند توکن سازی و ریشه یابی عالی هستند. همچنین، می توان از آنها استفاده کرد موجودیت نامگذاری شده شناسایی در پردازش زبان طبیعی NLTK بیشتر همه منظوره است. همچنین، طیف وسیع تری از ویژگی ها را ارائه می دهد. با این حال، SpaCy بیشتر بر عملکرد متمرکز است و معمولاً تصور می شود سریعتر باشد.
برای نصب NLTK می توانید از دستور زیر استفاده کنید:
pip install nltk
برای نصب اسپیس:
pip install spacy
با استفاده از RASA
RASA یک پلت فرم منبع باز برای توسعه است چت ربات های هوش مصنوعی مکالمه ای. این شامل مجموعه ای از کتابخانه ها و ابزار برای ایجاد ربات های گفتگو است. همچنین، می تواند ورودی زبان طبیعی را تشخیص دهد و به طور مناسب پاسخ دهد.
برای نصب RASA می توانید از دستور زیر استفاده کنید:
pip install rasa
تنسورفلو و کراس
TensorFlow و Keras کتابخانه های برجسته یادگیری ماشینی هستند. می توانید از آن برای آموزش مدلی برای تشخیص ورودی زبان طبیعی و ایجاد پاسخ های مناسب استفاده کنید.
برای نصب TensorFlow می توانید دستور زیر را اجرا کنید:
pip install tensorflow
pip install keras
نتیجه
چت ربات های هوش مصنوعی تعاملی سیستم های کامپیوتری هستند که ارتباطات انسانی را تقلید می کنند. از این رو، آنها به نظرات انسان پاسخ می دهند. بسیار هیجان انگیز و امیدوار کننده برای آینده است.
کتابخانه OpenAI یک API ساده برای اتصال با مدل GPT-3 فراهم می کند. شما می توانید یک چت بات طراحی کنید که به طور طبیعی و جذاب با کاربران تعامل داشته باشد. با رویکرد صحیح می توانید تجربه ای مؤثرتر و سفارشی تر ایجاد کنید.
پاسخ دهید