مقدمة
في مجال الذكاء الاصطناعي سريع التطور، تلعب نماذج اللغة دورًا حاسمًا في تعزيز الفهم والتفاعل عبر التطبيقات المختلفة. OpenLLM، وهو إطار عمل مفتوح المصدر، يمكّن المطورين من استخدام نماذج اللغة الكبيرة بفعالية. عند دمجه مع LangChain، وهي مكتبة مصممة لتبسيط إنشاء التطبيقات القائمة على اللغة، يتم تعزيز قدرات OpenLLM بشكل كبير. ستأخذك هذه المقالة عبر أساسيات استخدام OpenLLM داخل بيئة LangChain، بدءًا من التثبيت وحتى بناء أول تطبيق لغوي لك.
ما هو OpenLLM
OpenLLM هو منصة قوية تمكن المطورين من تسخير إمكانات نماذج اللغة الكبيرة مفتوحة المصدر. مثل سكين الجيش السويسري لنماذج LLM، يقدم مجموعة من الأدوات المصممة لمساعدة المطورين على التغلب على تحديات النشر.
يدعم OpenLLM مجموعة واسعة من نماذج LLM مفتوحة المصدر، بما في ذلك الخيارات الشائعة مثل Llama 2 وMistral. تتيح هذه المرونة للمطورين اختيار نموذج LLM الذي يلبي احتياجاتهم الخاصة على أفضل وجه. إحدى الميزات البارزة في OpenLLM هي القدرة على ضبط أي نموذج LLM بدقة باستخدام بياناتك الخاصة، وتخصيص استجاباته لمجالك أو تطبيقك الفريد.
بالإضافة إلى ذلك، يتبنى OpenLLM هيكل API مشابهًا لهيكل OpenAI، مما يسهل على المطورين الملمين بـ OpenAI نقل تطبيقاتهم لاستخدام نماذج LLM مفتوحة المصدر.
هل OpenLLM منتج مستقل؟
لا. OpenLLM هي منصة متعددة الاستخدامات مصممة للتكامل بسلاسة مع الأدوات القوية الأخرى. إنه بمثابة لبنة بناء للمطورين، مما يسهل دمج نماذج اللغة الكبيرة في أطر وخدمات الذكاء الاصطناعي المختلفة. يقدم OpenLLM حاليًا عمليات تكامل مع نقاط النهاية المتوافقة مع OpenAI وLlamaIndex وLangChain وTransformers Agents، مما يتيح إنشاء تطبيقات ذكاء اصطناعي أكثر تعقيدًا وكفاءة.
فيما يلي تفصيل لعمليات التكامل التي يقدمها OpenLLM حاليًا:
- OpenAI’s Compatible Endpoints: يسمح هذا التكامل لـ OpenLLM بتكرار هيكل API الخاص بـ OpenAI، وهي منصة سحابية شائعة لنماذج LLM. يتيح لك استخدام الأدوات والرموز المألوفة المصممة لـ OpenAI مع نماذج OpenLLM الخاصة بك.
- LlamaIndex: من المحتمل أن يكون محرك بحث أو فهرس مصمم خصيصًا لنماذج اللغة الكبيرة، يتيح لك هذا التكامل البحث بكفاءة عن معلومات أو إمكانيات محددة داخل نماذج OpenLLM الخاصة بك.
- LangChain: إطار عمل لربط مهام معالجة اللغة الطبيعية المختلفة معًا، يتيح لك تكامل LangChain إنشاء سير عمل متعدد الخطوات يجمع بين قدرات OpenLLM وأدوات معالجة اللغة الطبيعية الأخرى للمهام الأكثر تقدمًا.
- Transformers Agents: يشير هذا إلى التكامل مع مكتبة Transformers، وهو إطار عمل شائع لبناء واستخدام نماذج معالجة اللغة الطبيعية. يتيح لك الاستفادة من وظائف Transformers جنبًا إلى جنب مع OpenLLM لبناء تطبيقات معالجة لغة طبيعية قوية.
ما المشكلات التي يحلها OpenLLM؟
يدعم OpenLLM مجموعة متنوعة من نماذج LLM، من Llama 2 إلى Flan-T5، مما يسمح للمطورين باختيار النموذج الأفضل لاحتياجاتهم الخاصة. قد يكون نشر نماذج LLM أمرًا صعبًا، لكن OpenLLM يبسط العملية، ويوفر إرشادات واضحة للإعداد.
أمن البيانات هو مصدر قلق كبير في الذكاء الاصطناعي، ويضمن OpenLLM نشر نماذج LLM بما يتوافق مع لوائح حماية البيانات. مع زيادة شعبية خدمتك القائمة على LLM، يجب أن تتعامل مع حركة المرور المتزايدة. يساعد OpenLLM في بناء بنية مرنة يمكن توسيع نطاقها وفقًا لاحتياجاتك.
قد يكون التنقل في نظام الذكاء الاصطناعي البيئي شاقًا بسبب المصطلحات الواسعة ومجموعة متنوعة من الأدوات. يتكامل OpenLLM مع العديد من أدوات وأطر الذكاء الاصطناعي، مما يسهل على المطورين إدارة هذا التعقيد.
بالنسبة للأداء، تم تصميم OpenLLM للخدمة عالية الإنتاجية، حيث يتعامل بكفاءة مع عدد كبير من الطلبات في وقت واحد. يستفيد من تقنيات الخدمة والاستدلال المتقدمة لتقديم أسرع أوقات استجابة ممكنة.
كيفية استخدام ChatOpenAI في LangChain
LangChain هي مكتبة قوية مصممة لتبسيط تطوير التطبيقات القائمة على اللغة، خاصة تلك التي تستخدم الذكاء الاصطناعي للأغراض التحادثية. من خلال دمج ChatOpenAI، وهو مكون مصمم خصيصًا للعمل مع نماذج OpenAI التحادثية، يمكن للمطورين تبسيط نشر وإدارة أنظمة الذكاء الاصطناعي التحادثية. سيرشدك هذا الدليل عبر خطوات دمج ChatOpenAI داخل LangChain، من إعداد بيئتك إلى تشغيل جلسة محادثة.
إعداد بيئتك
قبل دمج ChatOpenAI، من الضروري إعداد بيئة التطوير الخاصة بك. تأكد من تثبيت Python على نظامك، مع الإصدار 3.7 أو الأحدث الموصى به للتوافق مع LangChain وChatOpenAI. بالإضافة إلى ذلك، يُنصح بإعداد بيئة افتراضية لإدارة التبعيات وتجنب التعارضات مع مشاريع Python الأخرى.
pip install langchain
# إنشاء بيئة افتراضية
python -m venv langchain-env
# تفعيل البيئة الافتراضية
# على Windows
langchain-env\Scripts\activate
# على Unix أو MacOS
source langchain-env/bin/activate
تثبيت LangChain
بمجرد إعداد بيئتك، الخطوة التالية هي تثبيت LangChain. يمكنك تثبيت LangChain بسهولة باستخدام pip، مدير حزم Python. تأكد من تنشيط بيئتك الافتراضية قبل تشغيل الأمر التالي:
pip install langchain
يقوم هذا الأمر بتنزيل وتثبيت LangChain مع تبعياته.
استيراد ChatOpenAI
بعد تثبيت LangChain، الخطوة التالية هي استيراد ChatOpenAI إلى مشروعك. ChatOpenAI هو فئة داخل LangChain تبسط التفاعل مع نماذج OpenAI التحادثية. استيراده مباشر:
from langchain.chat_openai import ChatOpenAI
هذا السطر من الكود يجعل فئة ChatOpenAI متاحة في البرنامج النصي الخاص بك، مما يتيح لك استخدام وظائفها.
تكوين ChatOpenAI
لاستخدام ChatOpenAI، تحتاج إلى تهيئته باستخدام مفتاح API الخاص بـ OpenAI. يسمح هذا المفتاح لتطبيقك بالتواصل مع API الخاص بـ OpenAI واستخدام نماذج اللغة الخاصة به. إليك كيفية تهيئة ChatOpenAI:
# تهيئة ChatOpenAI باستخدام مفتاح API الخاص بـ OpenAI
chat_openai = ChatOpenAI(api_key=“your_openai_api_key_here”)
استبدل “your_openai_api_key_here” بمفتاح API الفعلي الخاص بك. هذه الخطوة ضرورية لمصادقة طلباتك إلى خدمات OpenAI وضمان الوصول المناسب إلى مواردها.
إنشاء محادثة
بعد تكوين ChatOpenAI، أنت الآن جاهز لتطوير دالة تدير منطق المحادثة. ستستقبل هذه الدالة إدخال المستخدم، وتنقله إلى النموذج، وتعرض رد النموذج. إليك مثال أساسي:
def start_conversation():
while True:
user_input = input("You: ")
if user_input.lower() == “quit”:
break
response = chat_openai.generate_response(user_input)
print(“AI:”, response)
تنشئ هذه الدالة حلقة تفاعلية حيث يمكن للمستخدمين إدخال الرسائل، ويستجيب الذكاء الاصطناعي وفقًا لذلك. يؤدي إدخال “quit” إلى إنهاء المحادثة.
تشغيل الدردشة
لاختبار الإعداد الخاص بك ورؤية ChatOpenAI قيد التشغيل، ما عليك سوى استدعاء الدالة start_conversation:
# بدء المحادثة
start_conversation()
سيؤدي تنفيذ هذا البرنامج النصي في الطرفية أو موجه الأوامر إلى بدء جلسة دردشة حيث يمكنك التفاعل مع نموذج الذكاء الاصطناعي.
مثال: بناء بوت لجمع الملاحظات باستخدام Novita AI LLM API
في هذا المثال، سنستكشف إنشاء بوت لجمع الملاحظات باستخدام Novita AI LLM API، وهو API لنماذج اللغة الكبيرة مغلق المصدر يهدف إلى تقديم محرك استدلال موثوق وفعال من حيث التكلفة ومضمون الخصوصية للمطورين، وهو ما لا يمكن لـ OpenLLM ضمانه.
يتفاعل هذا البوت مع المستخدمين لجمع ملاحظاتهم حول خدمة ويستجيب وفقًا لذلك، مع مراعاة مشاعر الملاحظات. بينما يستخدم هذا المثال شكلاً بسيطًا من تحليل المشاعر، إلا أنه يوضح الإجراءات الأساسية لبناء وكلاء محادثة أكثر تقدمًا قادرين على إجراء تحليل مشاعر متطور.
- بالنسبة للمستخدمين الذين يرغبون في تشغيل نظام RAG دون خبرة في البرمجة، يمكنك تجربة Novita AI LLM API، حيث يمكنك إنشاء تطبيقات ذكاء اصطناعي مذهلة باستخدام منشئ بدون كود!
يعمل بوت جمع الملاحظات كأداة بسيطة وقوية للشركات للتفاعل مع العملاء والحصول على رؤى قيمة حول خدماتهم. من خلال تحليل مشاعر الملاحظات، يمكن للبوت تصنيف الردود ومعالجة المخاوف أو التأكيد على التعليقات الإيجابية. يمكن لهذا التفاعل الفوري تحسين رضا العملاء وتقديم بيانات في الوقت الفعلي لتحسين الخدمة.
التنفيذ خطوة بخطوة
إعداد البوت
قبل المتابعة، تأكد من تثبيت وتكوين LangChain وChatOpenAI بشكل صحيح كما هو مفصل في الأقسام السابقة. بمجرد الانتهاء، يمكنك البدء في برمجة البوت:
from langchain.chat_openai import ChatOpenAI
# تهيئة ChatOpenAI باستخدام مفتاح API الخاص بـ OpenAI
chat_openai = ChatOpenAI(api_key=“your_openai_api_key_here”)
إنشاء منطق التفاعل
في قلب بوت الملاحظات تكمن قدرته على التفاعل مع المستخدمين وتحليل مدخلاتهم. إليك كيفية تنفيذ منطق التفاعل:
def feedback_bot():
print(“Hello! How was your experience with our service today?”)
while True:
feedback = input("Your feedback: ")
if feedback.lower() == “quit”:
break
analyze_feedback(feedback)
تبدأ هذه الدالة محادثة وتجمع ملاحظات المستخدم باستمرار حتى يكتب المستخدم “quit”.
تحليل الملاحظات
لتبسيط الأمور، يستخدم هذا المثال بحثًا أساسيًا عن الكلمات المفتاحية لتحديد المشاعر. ومع ذلك، يمكنك تحسين ذلك من خلال دمج تقنيات معالجة اللغة الطبيعية الأكثر تطورًا المتاحة عبر LangChain وOpenAI.
def analyze_feedback(feedback):
# تحليل المشاعر البسيط القائم على الكلمات المفتاحية
positive_keywords = [“great”, “excellent”, “good”, “fantastic”, “happy”]
negative_keywords = [“bad”, “poor”, “terrible”, “unhappy”, “worst”]
if any(word in feedback.lower() for word in positive_keywords):
print(“AI: We’re thrilled to hear that! Thank you for your feedback.”)
elif any(word in feedback.lower() for word in negative_keywords):
print(“AI: We’re sorry to hear that. We’ll work on improving.”)
else:
print(“AI: Thank you for your feedback. We’re always looking to improve.”)
تفحص هذه الدالة وجود كلمات مفتاحية محددة لتقييم مشاعر الملاحظات. عند اكتشاف كلمات مفتاحية إيجابية أو سلبية، يتم تشغيل الردود المقابلة.
تعزيز البوت بتحليل مشاعر متقدم
لتعزيز قوة وعمق بوت الملاحظات، يمكنك دمج نماذج تحليل مشاعر متقدمة. يسهل LangChain التكامل السلس لنماذج اللغة المختلفة القادرة على التعمق في تحليل النص، وفهم الفروق الدقيقة والسياق بشكل أكثر فعالية من البحث الأساسي عن الكلمات المفتاحية. على سبيل المثال، يمكن أن يؤدي استخدام نماذج GPT من OpenAI إلى تفسير أكثر دقة للمشاعر وحتى توليد ردود مخصصة بناءً على سياق الملاحظات.
لا يمكن تشغيل OpenLLM؟ تحقق من إصدار Python
لمنع مشكلات التوافق عند استخدام OpenLLM وLangChain، من الضروري التحقق من أن بيئة Python الخاصة بك تلبي متطلبات Python 3.7 أو أحدث.
التحقق من إصدار Python
يمكنك التحقق من إصدار Python الحالي عن طريق تشغيل الأمر التالي في الطرفية:
python --version
إذا كان إصدارك أقل من 3.7، فستحتاج إلى تحديث Python إلى إصدار أحدث لاستخدام OpenLLM بفعالية.
الخلاصة
يوفر OpenLLM داخل LangChain للمطورين مجموعة أدوات قوية لتسخير نماذج اللغة الكبيرة في تطبيقاتهم. من خلال اتباع الخطوات الموضحة، يمكنك بدء دمج OpenLLM في مشاريعك، وإثرائها بوظائف معالجة اللغة المتقدمة. سواء كنت تبني روبوت محادثة، أو ملخص نصوص، أو أي تطبيق يركز على اللغة، فإن OpenLLM وLangChain يقدمان الأدوات الأساسية للنجاح.
novita.ai، المنصة الشاملة للإبداع غير المحدود التي تمنحك إمكانية الوصول إلى أكثر من 100 واجهة برمجة تطبيقات. من إنشاء الصور ومعالجة اللغة إلى تحسين الصوت ومعالجة الفيديو، دفع حسب الاستخدام بتكلفة منخفضة، يحررك من متاعب صيانة GPU أثناء بناء منتجاتك الخاصة. جربه مجانًا.
قراءة موصى بها
