10.1 ChatGPT
Attends une seconde, de quoi je parlais ? On vit dans un monde créé par l'intelligence artificielle. Allez, on va essayer de bosser avec. Et on commence bien sûr avec ChatGPT.
Exemple de travail avec OpenAI API (ChatGPT)
Pour bosser avec OpenAI API, faut s'inscrire sur la plateforme, choper une clé API et l'utiliser pour authentifier tes requêtes.
Ensuite, il faut installer la librairie openai — c'est leur client officiel.
pip install openai
Maintenant, envoyons-leur une requête quelconque :
import openai
# Votre clé API OpenAI
api_key = 'YOUR_OPENAI_API_KEY'
# Authentification
openai.api_key = api_key
# Requête au modèle ChatGPT
response = openai.Completion.create(
engine="text-davinci-003",
prompt="Raconte-moi un fait intéressant sur l'espace.",
max_tokens=500
)
# Impression de la réponse
print(response.choices[0].text.strip())
Il faut que tu t'inscrives sur leur site officiel et que tu récupères une clé. Si t'es un nouvel utilisateur (ton téléphone n'est pas dans leur base), ils vont te filer un bonus de 20 $ sur ton compte.
10.2 Google Cloud Vision API
Google Cloud Vision API offre des fonctionnalités pour analyser des images, y compris la reconnaissance d'objets, de texte, de visages et d'autres éléments. Pour le moment, Google Bard API n'est pas public et nécessite une authentification via Google Cloud Platform.
Étape 1. Commence par installer la librairie google-cloud-vision.
pip install google-cloud-vision
Étape 2. Configure l'authentification en utilisant la clé du compte de service (Service Account Key).
Exemple de code pour analyser une image :
from google.cloud import vision
import io
# Initialisation du client
client = vision.ImageAnnotatorClient()
# Chargement de l'image
file_name = 'path/to/your/image.jpg'
with io.open(file_name, 'rb') as image_file:
content = image_file.read()
image = vision.Image(content=content)
# Détection des objets
response = client.object_localization(image=image)
objects = response.localized_object_annotations
# Affichage des objets détectés
for object_ in objects:
print(f'Object name: {object_.name}')
print(f'Score: {object_.score}')
Ce code reconnaît l'image et te donne une liste des objets trouvés dessus. Tu peux facilement l'ajouter à ton projet et créer un super service web ou application.
10.3 Microsoft Text Analytics API
Azure Cognitive Services propose des APIs pour analyser du texte, y compris la détection de langue, l'analyse de sentiment, l'extraction de phrases clés et la reconnaissance d'entités.
L'analyse de sentiment de texte, c'est le processus de déterminer l'émotion d'un texte (positive, négative ou neutre). C'est super utile pour analyser des avis clients, surveiller les réseaux sociaux ou évaluer la réaction à certains événements ou produits.
Installation de la librairie et authentification
Étape 1. Installe la librairie Azure :
pip install azure-ai-textanalytics
Étape 2. Configure l'authentification en utilisant la clé API
et le point de terminaison (endpoint).
Exemple de code pour analyser le sentiment d'un texte :
from azure.ai.textanalytics import TextAnalyticsClient
from azure.core.credentials import AzureKeyCredential
# Initialisation du client
endpoint = "YOUR_AZURE_ENDPOINT"
api_key = "YOUR_AZURE_API_KEY"
credential = AzureKeyCredential(api_key)
client = TextAnalyticsClient(endpoint=endpoint, credential=credential)
# Textes à analyser
documents = ["I love programming in Python!", "I'm feeling very happy today!"]
# Analyse de sentiment
response = client.analyze_sentiment(documents=documents)
# Affichage des résultats
for doc in response:
print(f"Sentiment: {doc.sentiment}")
print(f"Confidence Scores: {doc.confidence_scores}")
10.4 DeepAI (Text Summarization API)
DeepAI propose des APIs pour différentes tâches d'apprentissage automatique, y compris la synthèse de texte.
La synthèse de texte, c'est le processus de créer un résumé d'un texte long, en conservant ses idées principales et son contenu de base. C'est pratique pour un aperçu rapide des documents longs, la création automatique de résumés ou le traitement de gros volumes d'informations textuelles.
Installation de la librairie et authentification
Étape 1. Installe la librairie requests :
pip install requests
Étape 2. Utilise la clé API pour l'authentification.
Exemple de code pour la synthèse de texte :
import requests
# Votre clé API DeepAI
api_key = 'YOUR_DEEPAI_API_KEY'
# Texte à synthétiser
text = "Artificial intelligence (AI) is intelligence demonstrated by machines, in contrast to the natural intelligence displayed by humans and animals. Leading AI textbooks define the field as the study of 'intelligent agents': any device that perceives its environment and takes actions that maximize its chance of successfully achieving its goals."
# Requête à l'API
response = requests.post(
"https://api.deepai.org/api/summarization",
data={'text': text},
headers={'api-key': api_key}
)
# Récupération de la réponse
data = response.json()
# Affichage de la synthèse
print(data['output'])
Sortie possible
Si tu exécutes le code ci-dessus avec la bonne clé API, tu obtiendras quelque chose de similaire à ceci :
Artificial intelligence (AI) is the intelligence shown by machines, unlike natural intelligence in humans and
animals. AI studies 'intelligent agents': devices that perceive their environment and act to achieve their
goals.
Cette synthèse inclura les points clés du texte original, le réduisant à une version plus courte. Note que le résultat exact peut varier en fonction de l'algorithme et de la version du modèle utilisée dans DeepAI.
GO TO FULL VERSION