Cara Menggabungkan model GPT: Menguji 6 Kasus Penggunaan ChatGPT

Komentar · 297 Tampilan

Model GPT baru populer pada November 2022, setelah OpenAI membangun penerus model bahasa mereka yang disebut ChatGPT . Adapun pada Maret 2023 ChatGPT kini resmi dirilis dengan API dan SDK untuk mengintegrasikan model ke dalam produk Anda. Meskipun ada banyak sekali aplikasi yang ada, ChatG

APA ITU CHATGPT DAN APA MODEL GPT SECARA UMUM?

Jika Anda sudah mengetahui apa itu ChatGPT dan model GPT lainnya, Anda dapat melewati bagian ini. Karena di sini saya akan mendefinisikan ChatGPT dari berbagai sudut pandang, beserta cara memanfaatkan kemampuannya untuk menggali data dan memberi kita informasi yang diperlukan. Cara termudah untuk melakukannya adalah dengan menanyakan modelnya, dan berikut adalah cara ChatGPT mengidentifikasi dirinya:

ChatGPT mendefinisikan dirinya sendiri

ChatGPT mendefinisikan dirinya sendiri

ChatGPT adalah model GPT terbaru yang dikembangkan berdasarkan GPT 3.5. Ia memiliki kemampuan untuk berinteraksi dengan pengguna dalam bentuk dialog dan memberikan jawaban atas hampir semua pertanyaan berdasarkan peristiwa dan informasi hingga tahun 2021. Model GPT sangat mampu menyelesaikan berbagai tugas Natural Language Processing (NLP) dengan kemungkinan penyesuaian seperti: 

  • Ekstraksi kata kunci
  • Terjemahan teks
  • Menjawab pertanyaan
  • Pembuatan teks
  • Ringkasan teks
  • Koreksi ejaan 
  • Mentransfer gaya teks 
  • Pengakuan entitas bernama

CARA MENGGUNAKAN CHATGPT DI APLIKASI ATAU SITUS WEB ANDA

Mulai Maret 2023, ChatGPT tersedia melalui API dan beberapa perusahaan seperti Snapchat sudah menggunakannya. Jadi masuk akal untuk mendiskusikan bagaimana ChatGPT dapat diintegrasikan dalam aplikasi Anda dari sudut pandang teknis. Ada beberapa pilihan pilihan di sini:

1. TUGAS TERSEBUT DAPAT DILAKSANAKAN DENGAN MENGGUNAKAN MODEL YANG ADA. 

Di sini, model beroperasi sebagai katalog cerdas, membantu pengguna menelusuri konten dan membuat pilihan lebih cepat menggunakan respons GPT. Namun, penyesuaian dan personalisasi tidak tersedia. 

2. MENYEMPURNAKAN MODEL DENGAN DATA ANDA SENDIRI. 

Model seperti itu dapat berguna untuk membuat sistem rekomendasi chatbot yang dipersonalisasi berdasarkan tindakan/keinginan pengguna dan kasus penggunaan lainnya. Dengan menggunakan data Anda sendiri, model GPT dapat dilatih untuk memperkenalkan elemen personalisasi. Jumlah data yang diperlukan untuk menyempurnakan model GPT bergantung pada berbagai faktor, seperti ukuran dan kompleksitas kumpulan data, serta performa model yang diinginkan. Biasanya, setidaknya diperlukan beberapa ratus contoh untuk menyempurnakan model GPT secara efektif. Namun, dalam domain yang kompleks, mungkin diperlukan puluhan ribu atau bahkan jutaan contoh untuk mencapai performa model yang optimal.

Untuk memahami apakah Anda perlu menyempurnakan model, saya sarankan Anda melakukan 5 langkah berikut:

  1. Pemahaman bisnis yang melibatkan pembelajaran kasus bisnis, tugas apa yang didelegasikan ke model, data apa yang harus digunakan, dan fitur personalisasi yang diharapkan.
  2. Pengumpulan data . Langkah ini dapat dilewati jika informasi yang dipersonalisasi dapat dilewati pada tahap awal. Namun jika Anda berencana menggunakan model GPT di domain yang sangat spesifik, secara default, model tersebut akan gagal beroperasi dengan benar. Artinya, tahapan ini perlu dilakukan. Misalnya, perlu merekomendasikan pakaian kepada pengguna berdasarkan apa yang tersedia di toko. Maka perlu untuk mengumpulkan informasi tentang produk-produk toko dan memberikan instruksi dasar untuk rekomendasi (misalnya, jeans dengan artikel YYYY harus dikenakan di atas T-shirt dengan XXXX tersebut).
  3. Anotasi data/Pelabelan data . Tahap ini akan mencakup pembuatan prompt untuk setiap sampel dari tahap pengumpulan data. Misal: celana pendek bertulisan YYYY harus dikenakan di atas kaos bertulisan XXXX = apa yang harus saya kenakan di bawah kaos bertulisan XXX? Dan jawaban yang diharapkan: jeans dengan artikel YYYY.
  4. Persiapan data. Hal ini berarti mengubah data ke dalam format yang sesuai, misalnya “{“prompt”: “<apa yang harus saya kenakan di balik kaus dengan tulisan XXX?>”, “completion”: “<Celana pendek dengan artikel YYYY>”}”.
  5. Pemodelan . Terakhir, menerapkan perubahan tersebut dan menerapkan model dalam produksi.

Perlu diingat bahwa model GPT bukanlah produk lengkap yang mencakup semua area domain secara langsung. Anda juga memerlukan aplikasi untuk itu dan alat manajemen di backend. Kemudian, keluaran model GPT harus diproses dengan metode NLP untuk mengekstrak informasi yang bermakna. Model mengembalikan jawaban sebagai teks dalam beberapa kalimat, seperti daftar. Output ini harus disajikan dalam bentuk satu atau beberapa kata, yang akan digunakan sebagai filter atau kata kunci di bagian pipeline berikut ini. Artinya, model GPT juga memerlukan model lain untuk dapat beroperasi.

Oleh karena itu, mari kita bahas model GPT sebagai alat pelengkap yang sesuai untuk berbagai kebutuhan bisnis dan teknis. 

KASUS PENGGUNAAN BISNIS CHATGPT

ChatGPT jauh lebih mampu dibandingkan pendahulunya karena dilatih dengan bantuan teknik pembelajaran penguatan dengan umpan balik manusia (RLHF). Hal ini memberikan tingkat performa yang berbeda dibandingkan model GPT 3 yang sama populernya. Oleh karena itu, ChatGPT kini diadopsi untuk berbagai tugas bisnis dan teknis menggunakan kemampuan NLP-nya. Mari kita tanyakan pendapat ChatGPT tentang kasus penggunaan bisnisnya:

Kasus penggunaan bisnis ChatGPT

Kasus penggunaan bisnis ChatGPT

Di sini kita dapat melihat model memberikan jawaban yang mencantumkan beberapa kasus penggunaan paling umum. Karena model ini mengandalkan data terbatas pada tahun 2021, ini bahkan bukan daftar lengkap dan ada banyak tugas tingkat rendah yang dapat kami delegasikan ke ChatGPT. Kami juga dapat mencoba mempersempit fokus kami, dan mengekstrak beberapa nilai dalam satu area domain:

Strategi konten ChatGPT

ChatGPT memberikan saran bagaimana mengembangkan strategi produk

Berdasarkan contoh-contoh ini, kita dapat menarik banyak kesimpulan mengenai tiga kasus penggunaan bisnis yang paling menjanjikan:

1. DUKUNGAN PELANGGAN 

ChatGPT adalah bot percakapan berkemampuan tinggi yang dapat disesuaikan dengan data Anda sendiri. Karena mampu memahami pertanyaan dengan benar bahkan dengan struktur tata bahasa yang rusak atau bagian sintaksis yang hilang, ini dapat dianggap sebagai solusi siap pakai untuk sistem dukungan pelanggan, yaitu bot obrolan.

2. GENERASI PEMIMPIN 

Menindaklanjuti poin sebelumnya, kemampuan yang sama dapat digunakan dalam aktivitas menghasilkan prospek karena dalam sebagian besar kasus, tingkat ucapan ChatGPT tidak terlalu berbeda dengan apa yang dapat ditulis orang. 

3. ANALISIS DATA 

Pada titik tertentu, model GPT dapat menjadi alternatif terhadap solusi intelijen bisnis dan analitik data modern. Karena mereka dapat beroperasi pada database data historis yang sangat besar dan memberikan wawasan yang berharga kepada pekerja manusia. 

Namun, jika menyangkut analisis data real-time yang memerlukan pembaruan terus-menerus dan ketersediaan informasi terkini, model GPT tampak canggung. Proses pelatihan dengan teknik RLHF rumit, dan selain itu, memerlukan pipeline pembelajaran mesin dengan pelatihan ulang otomatis dan penerapan ulang model. Artinya, semacam ilmu roket… untuk saat ini. 

Jadi aplikasi yang sangat bergantung pada pembaruan data real-time belum terlalu cocok untuk model GPT. Apa lagi yang bisa kita lakukan dengannya? 

1. COPYWRITING DENGAN CHATGPT

Salah satu pernyataan paling populer tentang model bahasa dan jaringan saraf adalah bahwa mereka pasti dapat mengambil pekerjaan copywriter atau setidaknya meningkatkan kecepatan menulis secara signifikan. Mari kita lihat apakah hal tersebut benar untuk saat ini. Kami akan menggunakan dua jenis permintaan untuk memeriksa bagaimana model akan menangani penulisan artikel tentang topik rekayasa perangkat lunak. Jenis permintaan pertama hanya menyatakan gagasan umum teks, sedangkan permintaan kedua akan menentukan hal-hal yang saya ingin model jelaskan dan memberikan pendapat atau argumen ahli. 

Permintaan : “ Tuliskan saya artikel tentang berbagai framework PHP. 

Keluaran ChatGPT :

Artikel ChatGPT PHP

Artikel ChatGPT tentang topik kerangka kerja PHP

Permintaan : “ Tuliskan saya artikel tentang perbedaan antara kerangka Laravel dan Symfony, dan kerangka PHP apa yang harus saya pilih untuk aplikasi Ecommerce. 

Keluaran ChatGPT :

Artikel ChatGPT Laravel

Artikel ChatGPT membandingkan kerangka kerja PHP

Dalam kedua kasus tersebut, model tersebut menangani topik dengan cukup baik dari sudut pandang informasi. Teks secara tata bahasa dan gaya juga baik-baik saja. Namun jika dilihat dari tingkat kreativitas, kemudahan membaca, penalaran, dan justifikasi suatu hal, terlihat sangat standar dan tidak meyakinkan. 

Meskipun ChatGPT tentu saja dapat menghasilkan beberapa cetak biru untuk menyederhanakan upaya pemasaran Anda, hal ini menimbulkan satu masalah bagi pengoreksi manusia. Saat model mengurai datanya sendiri, tampaknya sulit untuk menemukan sumber informasi dan membuktikan klaim model. Jadi agar dapat digunakan untuk tujuan pemasaran, ChatGPT memerlukan penyesuaian dan fitur tambahan seperti kemampuan penjelasan AI agar efektif dan berguna.

2. PEMROGRAMAN UMUM DENGAN CHATGPT

Jika model GPT dapat berbicara dalam bahasa manusia, tidak ada yang dapat menghentikannya menggunakan bahasa pemrograman untuk menulis aplikasi. Pemimpin grup PHP/DevOps kami, Anton Logvinenko, menguji hal ini untuk melihat hasil apa yang dapat dicapai dengan memanfaatkan model untuk menulis kode dalam PHP untuk berbagai fungsi. 

Permintaan : “ Tulis kode PHP pada Laravel Framework yang akan menampilkan daftar pengguna ”.

Tanggapan ChatGPT :

 

Pengontrol pengguna

Pengontrol pengguna

Pisau indeks

Melihat

Dalam kebanyakan kasus, kode ini pasti akan berfungsi. Dalam kasus khusus ini, tidak ada struktur database, serta bidang apa yang dimiliki setiap pengguna, seperti nama dan nama keluarga. Jadi, Anda harus ingat bahwa saat ini ChatGPT tidak memberi Anda kode siap pakai yang dapat langsung digunakan. 

Kasus penggunaan yang dapat saya lihat adalah untuk mendukung pengembang tingkat junior dalam mempelajari PHP atau kerangka kerjanya dan sedikit mempercepat prosesnya. Meskipun kodenya sendiri ditulis dengan cara sintaksis yang benar, ada banyak hal yang perlu diperbaiki.

Lohvynenko Anton
Anton Lohvynenko

Arsitek Solusi

Permintaan : “ Tulis kode PHP yang mengimplementasikan REST API dengan endpoint CRUD untuk sumber artikel ”.

Tanggapan ChatGPT 

Istirahat API

Istirahat API 

Sekali lagi, melihat apa yang disarankan oleh model, kode tersebut terlihat seperti upaya tingkat pemula di PHP, tetapi kemungkinan besar akan berfungsi jika Anda menyiapkan database, mengonfigurasi akses, dan sebagainya. Meskipun kode ini ditulis pada tingkat pengembang PHP magang, kode ini tidak menggunakan kerangka kerja apa pun yang tersedia, dan tidak dioptimalkan dan Anda juga tidak dapat dengan mudah menskalakannya ke seluruh aplikasi. Selain itu, ada potensi ancaman keamanan dalam bentuk injeksi SQL yang ditinggalkan oleh ChatGPT, dan hal ini tidak baik.

Lohvynenko Anton
Anton Lohvynenko

Arsitek Solusi

Tugas pohon 1

Permintaan tugas pohon, upaya pertama

Tanggapan ChatGPT:

Tanggapan tugas pohon 1

Respons tugas pohon, upaya pertama 

Dalam percobaan pertama contoh ini, saya ingin ChatGPT membuat pohon item berdasarkan contoh yang diberikan. Namun, hasilnya ternyata adalah kode sampah, dan saya menyadari bahwa saya tidak menentukan bahwa itu adalah pohon di prompt. Jadi pada percobaan kedua saya menambahkan penjelasan tentang apa yang saya butuhkan sebagai output. 

Lohvynenko Anton
Anton Lohvynenko

Arsitek Solusi

Tugas pohon 2

Permintaan tugas pohon, upaya kedua

Tanggapan ChatGPT:

Tanggapan tugas pohon 2

Respons tugas pohon, upaya kedua

Pada percobaan kedua, ChatGPT menyelesaikan tugasnya dan pohonnya terlihat baik-baik saja kecuali kualitas kodenya. Apa yang dapat kita simpulkan dari percobaan kecil ini? Jelasnya, ChatGPT belum mampu menggantikan insinyur perangkat lunak karena pendekatan dan kualitas penulisan kode masih sangat dangkal. Namun pada akhirnya, hal ini pasti akan mengalami peningkatan seiring berjalannya waktu. Untuk saat ini, masih terlalu dini untuk menyebut ChatGPT sebagai penulis kode otomatis.

Lohvynenko Anton
Anton Lohvynenko

Arsitek Solusi

Jika Anda mempertimbangkan opsi untuk mengotomatiskan sebagian alur kerja pengkodean dan mendukung pengembang Anda, kami sarankan menggunakan Copilot. Copilot menggunakan OpenAI Codex untuk menyarankan cuplikan kode dan fungsi secara real-time, dan terbukti lebih dapat digunakan oleh insinyur perangkat lunak tingkat menengah/senior dengan kualitas kode yang jauh lebih baik. Dibandingkan dengan hanya mencari apa yang diperlukan untuk menyelesaikan kode di Google, Copilot memungkinkan alur kerja yang jauh lebih cepat, sehingga hadir sebagai alternatif yang lebih baik dari apa yang disarankan ChatGPT saat ini.

3. MEMBANGUN SALURAN AI DENGAN BANTUAN MODEL GPT

Mengingat kami tahu model GPT dapat menyelesaikan sebagian besar tugas NLP, kami dapat menganggapnya sebagai alternatif untuk melatih model bahasa Anda sendiri. Mengikuti tradisi ini, saya akan memberikan dasar-dasarnya dengan mempertanyakan ChatGPT mengapa ini bisa menjadi pilihan yang lebih baik daripada melatih model NLP khusus:

ObrolanGPT NLP

Mengapa ChatGPT lebih baik daripada melatih model NLP Anda sendiri?

Penting untuk menyadari keterbatasan pendekatan ini. Karena model GPT tidak memiliki akses ke data real-time, model tersebut hanya dapat membantu Anda memulai beberapa layanan tanpa pengumpulan data awal. Seiring waktu, Anda akan dapat mengumpulkan data langsung dari interaksi model dengan pengguna, namun ini tidak berfungsi sebagai perbaikan terbaru untuk semua tugas NLP tertentu. 

Sebagai gantinya, kita dapat memikirkan area penerapan lain dalam ilmu data yang dapat menggunakan model GPT. 

4. MENGOLAH DATA TABEL DENGAN CHATGPT

Untuk membangun model klasifikasi, regresi, atau peramalan, kita perlu melalui langkah-langkah analisis data eksplorasi (EDA). EDA memungkinkan kita menemukan hubungan antara berbagai fitur dalam data, dan menunjukkan wawasan dan outlier untuk memahami alasan perilaku anomali ini atau itu. Jadi sebagian besar proyek ilmu data memerlukan 4 langkah:

Pipa Eda

Pipa EDA

Dengan bantuan model GPT, alur di atas dapat disederhanakan menjadi satu permintaan yang dirumuskan dengan baik ke model GPT. Misalnya, mari kita gunakan permintaan tentang angka penjualan Amazon per kuartal, dan minta ChatGPT untuk mengekstrak wawasan dari informasi ini.

Obrolan penjualan AmazonGPT

Respons ChatGPT penjualan Amazon

Dan di sini, kita dapat melihat wawasan dan kesimpulan apa yang dihasilkan ChatGPT, berdasarkan data yang disajikan sebelumnya:

Tanggapan ChatGPT 

"Wawasan:

  • Penjualan bersih Amazon meningkat 38% YoY di Q4
  • Pada Q1, penjualan bersih meningkat sebesar 26% YoY
  • di Q2 meningkat sebesar 40% YoY
  • Q2 meningkat sebesar 40% YoY, dan di Q3 meningkat sebesar 37% YoY

Kesimpulan (alasan): 

  • Penting untuk dicatat bahwa pandemi COVID-19 berdampak signifikan terhadap penjualan Amazon, karena semakin banyak orang beralih ke belanja online sementara toko fisik tutup. Selain itu, segmen AWS dan Periklanan Amazon juga mengalami pertumbuhan signifikan pada tahun 2020. ”

Keluaran model dapat bervariasi kualitasnya, sehingga memerlukan pengawasan atau penyempurnaan pada perintah awal. Namun, kemampuan tersebut dapat dengan mudah diterapkan untuk membuat tahapan EDA lebih mudah dan berpotensi mengotomatiskan tugas-tugas pipeline ilmu data. 

5. CHATGPT UNTUK SISTEM REKOMENDASI

Sistem rekomendasi atau mesin pemberi rekomendasi sudah menjadi hal biasa seperti mesin pencari di berbagai platform dan dalam berbagai aplikasi. Rekomendasi melakukan satu tugas yang sangat penting: memahami preferensi setiap pelanggan, menyarankan konten yang relevan, dan mempertahankan pelanggan di platform selama mungkin. 

Namun, meskipun sistem pemberi rekomendasi memiliki keunggulan kompetitif, fakta bahwa kita tidak dapat membangun sistem tanpa mengumpulkan data, bereksperimen, dan melatih model kerja tampaknya menjadi alasan utama mengapa tidak semua orang mampu mendapatkan rekomendasi. Untuk mulai memberikan rekomendasi, biasanya kami perlu mengumpulkan data mengenai konten kami terlebih dahulu, lalu secara metodis melacak kategori konten apa yang disukai pelanggan kami. 

Dalam hal pengembangan aplikasi AI ini , kita dapat menggunakan ChatGPT sebagai alternatif mesin rekomendasi, karena sudah memiliki banyak sekali data di dalamnya. Meskipun tidak disesuaikan dengan konten Anda dan tidak mengetahui riwayat penelusuran pengguna Anda, ini dapat memberikan rekomendasi yang cukup spesifik setelah kami menggunakan perintah yang cukup spesifik. 

Misalnya, kami menggunakan jenis permintaan ini : “ Saya ingin melakukan perjalanan. Saya memiliki anak berusia 2 tahun dan suka menghabiskan waktu di dekat laut. Kemana aku harus pergi? ”. Inilah hasilnya:

Tanggapan ChatGPT : “ Berwisata bersama anak berusia 2 tahun dan menghabiskan waktu di dekat laut bisa menjadi ide yang bagus. Berikut beberapa saran destinasi yang mungkin cocok untuk Anda dan keluarga:

  • Pantai California: Pantai California menawarkan kombinasi matahari, pasir, dan laut yang luar biasa. Beberapa destinasi populer antara lain Santa Monica, Pantai Huntington, dan Pantai Newport.
  • Pantai Florida: Florida adalah rumah bagi banyak pantai indah, termasuk Miami Beach, Siesta Key, dan Clearwater Beach.
  • Pantai Hawaii: Pantai Hawaii terkenal dengan airnya yang jernih dan pasir putihnya yang lembut. Beberapa destinasi populer antara lain Pantai Waikiki, Pantai Kaanapali, dan Pantai Poipu.
  • Pantai Karibia: Karibia adalah rumah bagi banyak pantai indah, termasuk Pantai Seven Mile di Jamaika, Pantai Eagle di Aruba, dan Grace Bay di Turks dan Caicos.
  • Pantai-pantai di Mediterania: Negara-negara Mediterania seperti Spanyol, Yunani, dan Italia adalah rumah bagi banyak pantai yang indah. Beberapa destinasi populer antara lain Playa de Muro di Mallorca, Mykonos di Yunani, dan Positano di Italia.

Perlu diketahui bahwa destinasi ini juga menawarkan beragam aktivitas dan atraksi lainnya baik untuk dewasa maupun anak-anak, seperti berenang, berjemur, olahraga air, taman bermain, dan taman hiburan. Penting juga untuk mempertimbangkan faktor lain seperti cuaca, keamanan, dan aksesibilitas sebelum mengambil keputusan. 

Jika kami menentukan permintaan kami dengan menambahkan detail, berikut tampilan jawabannya: 

Permintaan : “ Saya ingin melakukan perjalanan. Saya punya anak berusia 2 tahun dan suka menghabiskan waktu di dekat laut, saya punya $3000. Kemana aku harus pergi? ”.

Tanggapan ChatGPT :

“Berjalan-jalan bersama anak berusia 2 tahun dan menghabiskan waktu di dekat laut bisa menjadi ide yang bagus. Penting untuk mempertimbangkan anggaran Anda saat merencanakan perjalanan Anda. Berikut adalah beberapa saran destinasi yang mungkin sesuai untuk Anda dan keluarga sesuai anggaran Anda:

  • Pantai-pantai di Meksiko: Meksiko menawarkan kombinasi matahari, pasir, dan laut yang luar biasa. Beberapa destinasi populer antara lain Cancun, Playa del Carmen, dan Puerto Vallarta.
  • Pantai-pantai di Amerika Tengah: Negara-negara seperti Kosta Rika, Panama, dan Nikaragua memiliki pantai yang indah, cuaca bagus, dan ramah anggaran.
  • Pantai-pantai di Asia Tenggara: Negara-negara seperti Thailand, Vietnam, dan Filipina memiliki pantai yang indah, cuaca yang bagus, dan ramah anggaran.
  • Pantai Karibia: Beberapa destinasi Karibia seperti Republik Dominika, Jamaika, dan Kuba ramah anggaran dan memiliki pantai yang indah.

Perlu diketahui bahwa destinasi ini juga menawarkan beragam aktivitas dan atraksi lainnya baik untuk dewasa maupun anak-anak, seperti berenang, berjemur, olahraga air, taman bermain, dan taman hiburan. Selain itu, saat bepergian dengan anak berusia 2 tahun, penting untuk mempertimbangkan aksesibilitas, keamanan, dan ketersediaan akomodasi dan layanan berkualitas baik, seperti rumah sakit dan fasilitas penitipan anak yang baik.”

Seperti yang Anda lihat, keluarannya tidak dibingkai berdasarkan parameter yang kami berikan sebagai permintaan, karena model mencoba melewati perintah awal. Dan bahkan hasil mentah tersebut dapat bekerja lebih baik daripada mencoba mencari konten dengan menerapkan puluhan filter, karena memerlukan manusia untuk menggunakan kata-kata yang tepat untuk mendapatkan hasil yang memuaskan. Pada dasarnya itulah keuntungan utama dari rekomendasi berbasis NLP dibandingkan pendekatan standar.

6. MENGGUNAKAN CHATGPT UNTUK TUGAS COMPUTER VISION

Karena model GPT dilatih pada data teks, jelas kami tidak dapat menggantikan model computer vision dengan cara ini. Namun, ChatGPT dapat menyederhanakan implementasi bagian-bagian tertentu dari pipeline computer vision seperti:

  • Deteksi warna untuk gambar yang dikenal
  • Kesamaan gambar, misalnya logo mirip MCDonalds berdasarkan warna atau tipografi
  • Deteksi objek, misalnya mengidentifikasi objek yang digambarkan pada foto, materi grafis, simbol merek, dll.
  • Pengenalan karakter optik atau OCR

Informasi yang diberikan oleh ChatGPT dapat berguna saat menganalisis dan menyiapkan data untuk model visi komputer di berbagai bidang. Misalnya, dalam tugas OCR, model dapat digunakan untuk menyeret teks dari gambar, seperti pada pengenalan kartu ID. Ini adalah langkah terpisah dalam mempersiapkan data untuk pelatihan.

Kartu identitas Polandia

ID Polandia

Karena KTP mempunyai formatnya sendiri dan bidang yang berbeda di setiap negara, tugas mengenali KTP bisa sangat membutuhkan sumber daya. Dengan model GPT, kami dapat mengurangi waktu yang diperlukan untuk mengekstraksi data tekstual dari gambar, karena ChatGPT dapat mengambil sendiri beberapa bagian dari pipeline.

Bidang teks ChatGPT ID Polandia

Bidang teks ID Polandia

7. KASUS BISNIS CHATGPT ANDA?

Jika Anda mendapati diri Anda berpikir apakah model GPT dapat mencakup kasus penggunaan spesifik Anda, sebaiknya diskusikan integrasi tersebut dengan para profesional. MobiDev memiliki pengalaman luas dalam ilmu data, pembelajaran mesin, dan model bahasa khusus yang beroperasi di berbagai domain bisnis. Kami akan memberi Anda dukungan singkat pada proyek Anda, menangani bagian pengembangan dan bisnis dari sebuah pertanyaan.

Ingin menghubungi?

HUBUNGI KAMI

 

PENTINGNYA REKAYASA CEPAT DAN MASA DEPAN MODEL GPT

Rekayasa cepat pada dasarnya adalah disiplin pembuatan teks masukan kerja yang diteruskan ke model GPT seperti tugas teknis. Outputnya akan selalu bergantung pada cara Anda menjelaskan apa yang Anda butuhkan, dan ini melibatkan pemahaman tentang cara terbaik untuk menunjukkan setiap aspek permintaan Anda sehingga model tersebut tidak menghasilkan Frankenstein untuk Anda. Ada beberapa prinsip dasar perkembangan pesat model GPT:

Spesifik : semakin spesifik perintahnya, semakin relevan teks yang dihasilkan dengan tugas yang ada.

Tentukan konteksnya : semakin banyak konteks yang dimiliki model, semakin jelas tugas model GPT.

Atur prompt dalam bahasa yang sama dan terminologi yang sama (menggunakan fitur area domain) di mana Anda ingin menerima jawaban.

Temukan kompromi antara panjang perintah dan kekhususan : perintah yang lebih panjang dan spesifik dapat menghasilkan jawaban yang lebih akurat dan relevan, namun juga mempersulit pengelolaan model. Dalam beberapa kasus, perintah yang rumit dan panjang dapat memicu model untuk rusak dan menulis respons yang belum selesai, yang telah kami alami beberapa kali selama pengujian. 

Semua contoh berikut dibuat dengan memanfaatkan ChatGPT pada tahap pra-rilis, dan ini menunjukkan hasil yang jauh lebih baik dibandingkan pendahulunya. Namun, model GPT 4 telah diumumkan oleh OpenAI pada kuartal pertama tahun 2023, dan menggunakan sampel data 500x lebih banyak dibandingkan GPT 3. Jadi masuk akal juga untuk terus memantau tanggal rilis dan situasinya sangat dinamis dan Anda mungkin lebih suka model masa depan oleh Open

Komentar