10.1 ChatGPT
No cóż, o czym to ja? Przecież żyjemy w świecie stworzonym przez sztuczną inteligencję. Spróbujmy więc z nią popracować. I zacznijmy oczywiście od ChatGPT.
Przykład pracy z OpenAI API (ChatGPT)
Aby korzystać z OpenAI API, musisz zarejestrować się na platformie, uzyskać klucz API i użyć go do uwierzytelnienia podczas wykonywania zapytań.
Potem trzeba zainstalować bibliotekę openai — to ich oficjalny klient.
pip install openai
Teraz wyślijmy im jakieś zapytanie:
import openai
# Twój klucz API OpenAI
api_key = 'YOUR_OPENAI_API_KEY'
# Uwierzytelnienie
openai.api_key = api_key
# Zapytanie do modelu ChatGPT
response = openai.Completion.create(
engine="text-davinci-003",
prompt="Opowiedz mi ciekawy fakt o kosmosie.",
max_tokens=500
)
# Drukowanie odpowiedzi
print(response.choices[0].text.strip())
Musisz zarejestrować się na ich oficjalnej stronie i uzyskać klucz. Jeśli jesteś nowym użytkownikiem (twojego telefonu nie ma w bazie), to dostaniesz bonusowe $20 na konto.
10.2 Google Cloud Vision API
Google Cloud Vision API oferuje możliwości analizy obrazów, w tym rozpoznawanie obiektów, tekstu, twarzy i innych elementów. W chwili obecnej Google Bard API nie jest publicznie dostępne i wymaga uwierzytelnienia przez Google Cloud Platform.
Krok 1. Zacznij od instalacji biblioteki google-cloud-vision.
pip install google-cloud-vision
Krok 2. Skonfiguruj uwierzytelnienie za pomocą klucza konta usługi (Service Account Key).
Przykład kodu do analizy obrazu:
from google.cloud import vision
import io
# Inicjalizacja klienta
client = vision.ImageAnnotatorClient()
# Ładowanie obrazu
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)
# Wykrywanie obiektów
response = client.object_localization(image=image)
objects = response.localized_object_annotations
# Wyświetlanie wykrytych obiektów
for object_ in objects:
print(f'Object name: {object_.name}')
print(f'Score: {object_.score}')
Ten kod rozpoznaje obraz i zwraca listę znalezionych na nim obiektów. Możesz łatwo dodać go do swojego projektu i stworzyć super serwis internetowy lub aplikację.
10.3 Microsoft Text Analytics API
Azure Cognitive Services oferuje API do analizy tekstu, w tym rozpoznawanie języka, analizę tonacji, wydobywanie kluczowych fraz i rozpoznawanie jednostek.
Analiza tonacji tekstu to proces określania emocjonalnego zabarwienia tekstu (pozytywnego, negatywnego lub neutralnego). Może to być przydatne do analizy opinii klientów, monitorowania mediów społecznościowych lub oceny reakcji na określone wydarzenia lub produkty.
Instalacja biblioteki i uwierzytelnienie
Krok 1. Zainstaluj bibliotekę Azure:
pip install azure-ai-textanalytics
Krok 2. Skonfiguruj uwierzytelnienie za pomocą klucza API i końcowego punktu (endpoint).
Przykład kodu do analizy tonacji tekstu:
from azure.ai.textanalytics import TextAnalyticsClient
from azure.core.credentials import AzureKeyCredential
# Inicjalizacja klienta
endpoint = "YOUR_AZURE_ENDPOINT"
api_key = "YOUR_AZURE_API_KEY"
credential = AzureKeyCredential(api_key)
client = TextAnalyticsClient(endpoint=endpoint, credential=credential)
# Teksty do analizy
documents = ["I love programming in Python!", "I'm feeling very happy today!"]
# Analiza tonacji
response = client.analyze_sentiment(documents=documents)
# Wyświetlanie wyników
for doc in response:
print(f"Sentiment: {doc.sentiment}")
print(f"Confidence Scores: {doc.confidence_scores}")
10.4 DeepAI (Text Summarization API)
DeepAI oferuje API do różnych zadań uczenia maszynowego, w tym podsumowywania tekstu.
Podsumowanie tekstu to proces tworzenia skróconej wersji dużej ilości tekstu, zachowując jednocześnie jego kluczowe idee i główną treść. Jest to przydatne do szybkiego zapoznania się z długimi dokumentami, automatycznego tworzenia streszczeń lub przetwarzania dużych ilości informacji tekstowych.
Instalacja biblioteki i uwierzytelnienie
Krok 1. Zainstaluj bibliotekę requests:
pip install requests
Krok 2. Użyj klucza API do uwierzytelnienia.
Przykład kodu do podsumowywania tekstu:
import requests
# Twój klucz API DeepAI
api_key = 'YOUR_DEEPAI_API_KEY'
# Tekst do podsumowania
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."
# Zapytanie do API
response = requests.post(
"https://api.deepai.org/api/summarization",
data={'text': text},
headers={'api-key': api_key}
)
# Otrzymywanie odpowiedzi
data = response.json()
# Wyświetlanie podsumowania
print(data['output'])
Możliwe wyjście
Jeśli uruchomisz powyższy kod z poprawnym kluczem API, otrzymasz coś takiego:
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.
To podsumowanie będzie zawierać kluczowe punkty z oryginalnego tekstu, skracając go do bardziej zwięzłej wersji. Zwróć uwagę, że dokładny wynik może się różnić w zależności od algorytmu i wersji modelu używanego w DeepAI.
GO TO FULL VERSION