👨‍🏫ChatGPT modelini verilerimizle eğitmek

ChatGPT'yi kişisel verilerimizle Python ile nasıl eğitiriz ona bakalım

🕊️ Eğer içeriğiniz ufaksa direkt bu yöntemi kullanarabilirsiniz

• Article sonrasındaki alana bilgiyi yazın
• Questions sonrasındaki alana da soruyu yazın

📚 Daha büyük verilerle eğitmek

🏜️ Projeniz içerisinde sanal ortam oluşturun ve bağımlılıkları kurun/text

# cd ile proje dizinine girin

python3 -m venv venv

# mac ve linux için Sanal ortamı aktif edin
# venv/Scripts/bin/activate # windows için
source venv/bin/activate

# pip'i güncelleyin
pip install -U pip

# Sadece gpt-index 0.4.24 sürümü için kod çalışascaktır
# openai==0.27.4
# gpt-index==0.4.24
# gradio==3.24.1
pip install openai gpt-index==0.4.24 gradio

grandio basit bir web arayüzü oluşturup, local ve global olarak erişmenizi sağlar

📑 PDF içerisindekileri metinleri okumak

• PyPDF2 ve PyCryptodome kullanabilirsiniz

pip install PyPDF2 PyCryptodome

🔑 OpenAI API Key yoksa, OpenAI sitesinden oluşturun

API kalan kullanımlarınızı https://platform.openai.com/account/usage alanından görebilrisiniz

⚙️ Proje dizinine .env dosyası oluşturun ve içerisindeki gerekli alanları doldurun

• OPENAI_API_KEY OpenAI üzerinden oluşturduğun secret key’i buraya yapıştırın
• DIRECTORY_PATH olarak tanımlanan dizindeki ve alt dizinlerindeki tüm içerikler veri olarak alınacaktır

OPENAI_API_KEY=key-degerini-buraya-ekleyin
DIRECTORY_PATH=docs

👨‍💻 Eğitimi uygulayacağımız main.py dosyası içeriği

Sanal ortamı aktif etmeyi unutmayın

from gpt_index import (
    SimpleDirectoryReader,
    GPTSimpleVectorIndex,
    LLMPredictor,
    PromptHelper,
)
from langchain.chat_models import ChatOpenAI
import gradio as gr
from dotenv import load_dotenv
import os

load_dotenv()

def construct_index(directory_path):
    max_input_size = 4096
    num_outputs = 512
    max_chunk_overlap = 20
    chunk_size_limit = 600

    prompt_helper = PromptHelper(
        max_input_size,
        num_outputs,
        max_chunk_overlap,
        chunk_size_limit=chunk_size_limit,
    )

    llm_predictor = LLMPredictor(
        llm=ChatOpenAI(  # type: ignore
            temperature=0.7, model_name="gpt-3.5-turbo", max_tokens=num_outputs
        )
    )

    documents = SimpleDirectoryReader(directory_path, recursive=True).load_data()

    index = GPTSimpleVectorIndex(
        documents, llm_predictor=llm_predictor, prompt_helper=prompt_helper
    )

    index.save_to_disk("index.json")

    return index

def chatbot(input_text):
    index = GPTSimpleVectorIndex.load_from_disk("index.json")
    response = index.query(input_text, response_mode="compact")
    return response.response

iface = gr.Interface(
    fn=chatbot,
    inputs=gr.components.Textbox(lines=7, label="Enter your text"),
    outputs="text",
    title="Custom-trained AI Chatbot",
)

index = construct_index(os.getenv("DIRECTORY_PATH"))
iface.launch(share=True)

🖤 Eğitim sonrası terminal üzerindeki ... on local URL: sonrasındaki adrese tıklayın

• Kapatmak için ⌃C yani Ctrl C kısayolunu kullanın

🌍 Local hosttaki websiteniz aşağıdaki gibi gözükecektir

• flag ile konuşmayı kayıt edebilirsiniz

How to Train an AI Chatbot With Custom Knowledge Base Using ChatGPT APIBeebom