ThinkGPT: مكتبة بايثون المتطورة التي تحول الذكاء الاصطناعي إلى آلة تفكير قوية

ThinkGPT هي مكتبة Python المبتكرة التي تعزز قدرات نماذج اللغة الكبيرة large language models، وتمكنهم من التفكير والعقل واتخاذ الإجراءات بشكل أكثر فعالية. إذا كنت حريصًا على دمج ThinkGPT في سكريبتات Python والاستفادة من ميزاتها المتقدمة، فقد وصلت إلى المكان الصحيح! في قسم المدونة هذا، سنوجهك خلال الخطوات الأولى لاستخدام ThinkGPT في مشاريع Python الخاصة بك.

سوف نستكشف الميزات الأساسية لـ ThinkGPT، بما في ذلك قدرات الذاكرة المتقدمة وآليات الصقل الذاتي ومهارات التفكير العليا فيما يلي. ستكون قادرًا على اكتشاف كيف تعمل هذه المكتبة المبتكرة على تحويل مشهد تطوير الذكاء الاصطناعي ومعرفة كيف يمكنك تسخير قوتها لتحسين مشاريعك الخاصة. لذا، انضم إلي في هذه الرحلة الرائعة بينما نتعمق في عالم ThinkGPT ونكشف عن إمكاناته!

يتم استضافة ThinkGPT على GitHub. يمكن العثور على المستودع على: https://github.com/alaeddine-13/thinkgpt

الميزات الرئيسية لبرنامج ThinkGPT

الذاكرة Memory: يمكّن ThinkGPT نماذج اللغة الكبيرة (LLMs) من تذكر الخبرات وتعلم مفاهيم جديدة.

الصقل الذاتي Self-refinement: تسمح هذه الميزة للنموذج بتحسين المحتوى الذي تم إنشاؤه من خلال مخاطبة النقاد وإصلاح المشكلات وتحسين فهمه.

التجريد Abstraction: يشجع LLMs على تعميم القواعد من الأمثلة أو الملاحظات، مما يساعد على إنشاء معرفة مضغوطة تناسب بشكل أفضل طول السياق المحدود للنموذج.

الاستدلال Inference: يُمكِّن LLM من إجراء تخمينات مستنيرة بناءً على المعلومات المتاحة.

حالات اللغة الطبيعية Natural Language Conditions: يمكن للمستخدمين التعبير بسهولة عن المهام والظروف بلغة طبيعية، مما يسمح للنموذج باتخاذ قرارات ذكية.

إعداد سهل Easy setup و Pythonic API: بفضل DocArray ، يوفر ThinkGPT عملية إعداد سهلة للغاية وواجهة برمجة تطبيقات Pythonic.

التثبيت

يعد تثبيت ThinkGPT أمرًا بسيطًا ويمكن تنفيذه باستخدام pip:

pip install git+https://github.com/alaeddine-13/thinkgpt.GitHub

سيقوم هذا الأمر بتثبيت مكتبة ThinkGPT مباشرة من مستودع GitHub الخاص بها.

الخطوة الأولى لاستخدام ThinkGPT في سكريبت Python الخاص بك

بمجرد اكتمال التثبيت، يمكنك البدء في استخدام ThinkGPT في سكريبت Python الخاص بك. للقيام بذلك، ما عليك سوى استيراد فئة ThinkGPT من الوحدة النمطية thinkgpt.llm وإنشاء مثيل جديد للفئة:

from thinkgpt.llm import ThinkGPT

llm = ThinkGPT(model_name="gpt-3.5-turbo")

يقوم مقتطف الشفرة هذا بتهيئة مثيل ThinkGPT جديد بالنموذج المحدد، في هذه الحالة ، “gpt-3.5-turbo”.

مع إنشاء مثيل ThinkGPT، يمكنك الآن تعليم مفاهيم أو حقائق جديدة لنموذج الذكاء الاصطناعي باستخدام طريقة memorize()

llm.memorize(['DocArray is a library for representing, sending, and storing multi-modal data.'])

لتذكر المعلومات المحفوظة، يمكنك استخدام طريقة remember():

memory = llm.remember('DocArray definition')

بمجرد أن يتعلم نموذج الذكاء الاصطناعي الخاص بك بعض المعلومات، يمكنك استخدام طريقة predict() لعمل تنبؤات أو الإجابة عن الأسئلة بناءً على البيانات المحفوظة:

llm.predict('what is DocArray ?', remember=memory)

يستخدم مقتطف الشفرة هذا طريقة remember() لاسترداد المعلومات المحفوظة وتغذيتها إلى طريقة  predict() للإجابة على السؤال.

أمثلة عملية

يأتي ThinkGPT مع بعض الأمثلة سهلة الفهم لحالة الاستخدام. يمكن العثور على سكريبتات Python المقابلة في مثال مجلد المستودع:

دعنا نلقي نظرة أعمق على أحد الأمثلة المتوفرة: replay_expand_memory.py:

from thinkgpt.llm import ThinkGPT

llm = ThinkGPT(model_name="gpt-3.5-turbo")

# Load old memory
old_memory = [
    "Klaus Mueller is writing a research paper",
    "Klaus Mueller enjoys reading a book on gentrification",
    "Klaus Mueller is conversing with Ayesha Khan about exercising"
]

# Teach the LLM the old memory
llm.memorize(old_memory)

# Induce reflections based on the old memory
new_observations = llm.infer(facts=llm.remember())
print('new thoughts:')
print('\n'.join(new_observations))

llm.memorize(new_observations)

في مثال هذا السكريبت ThinkGPT ، الهدف هو استخدام مكتبة ThinkGPT للحث على انعكاسات أو ملاحظات جديدة بناءً على المعلومات الموجودة حول Klaus Mueller.

1. أولاً، يستورد السكريبت فئة ThinkGPT من الوحدة النمطية thinkgpt.llm.
2. يتم إنشاء مثيل ThinkGPT جديد وتهيئته باستخدام نموذج “gpt-3.5-turbo”.
3. تم تعريف المتغير old_memory ، ويحتوي على ثلاث عبارات حول Klaus Mueller ، والتي تمثل المعرفة السابقة.
4. تُستخدم طريقة memorize() لتعليم نموذج اللغة الكبير (LLM) المعلومات المخزنة في old_memory.
5. يتم استدعاء طريقة infer() مع ضبط معلمة الحقائق على نتيجة طريقة remember(). هذا يوجه LLM للحث على ملاحظات أو انعكاسات جديدة بناءً على المعلومات المحفوظة مسبقًا.
6. تتم طباعة الملاحظات المستحدثة حديثًا على وحدة التحكم تحت عنوان “أفكار جديدة: new thoughts “.
7. أخيرًا ، يتم استدعاء طريقة memorize() مرة أخرى لتخزين الملاحظات الجديدة في ذاكرة LLM ، مما يسمح لها بالبناء على فهمها لـ Klaus Mueller في التفاعلات المستقبلية.

قبل أن نكون مستعدين لتنفيذ السكريبت ومعرفة ما تبدو عليه النتيجة، نحتاج إلى استرداد مفتاح OpenAI API وتعيين متغير البيئة المقابل OPENAI_API_KEY مع استرداد قيمة المفتاح.

للحصول على مفتاح OpenAI API ، اتبع هذه الخطوات البسيطة:

1. قم بزيارة موقع ويب OpenAI على https://www.openai.com/.
2. قم بالتسجيل للحصول على حساب إذا لم يكن لديك حساب. انقر فوق ” Sign Up ” في الزاوية اليمنى العليا من الصفحة الرئيسية واتبع عملية التسجيل.
3. بعد التسجيل أو تسجيل الدخول، انتقل إلى قسم API بالنقر فوق “API” أعلى الصفحة أو من خلال زيارة https://www.openai.com/api/.
4. تحقق من خطط تسعير API المتاحة واختر الخطة التي تناسب احتياجاتك. قد توفر بعض الخطط وصولاً مجانيًا مع استخدام محدود، بينما يوفر البعض الآخر مستويات مختلفة من الوصول وفقًا لمتطلباتك وميزانيتك.
5. بعد اختيار خطة، سيتم تزويدك بمفتاح API الفريد الخاص بك. تأكد من إبقائه آمنًا، لأنه يمنح الوصول إلى واجهة برمجة التطبيقات بحدود وامتيازات استخدام حسابك.

في الأمر، استخدم الأمر التالي لتعيين مفتاح OpenAI API:

export OPENAI_API_KEY="YOUR OPENAI API KEY"

نحن الآن جاهزون لتنفيذ السكريبت عن طريق كتابة:

python replay_expand_memory.py

ستتمكن بعد ذلك من رؤية نتيجة مشابهة لما يلي:

الخاتمة

ThinkGPT هي مكتبة Python قوية تعمل على تحسين قدرات نماذج اللغة الكبيرة عن طريق إضافة ميزات ذاكرة متقدمة وصقل ذاتي وتجريد واستدلال. تجعل عملية التثبيت سهلة الاستخدام و Pythonic API إضافة قيمة للعديد من مشاريع الذكاء الاصطناعي. من خلال استكشاف الأمثلة العملية الواردة في منشور المدونة هذا، يمكنك تسخير قوة ThinkGPT لإحداث ثورة في طريقة تفكير الذكاء الاصطناعي الخاص بك، واستخلاص النتائج ، واتخاذ الإجراءات.