هندسة المحفزات

استكشاف مفسّر أكواد ChatGPT من OpenAI: نظرة متعمقة على قدراته

Aayush Mittal
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةمحول الكود من OpenAI يحول ChatGPT إلى أداة حاسوبية تنفذ التعليمات البرمجية وتعالج…
عرض المزيد
  • محول الكود من OpenAI يحول ChatGPT إلى أداة حاسوبية تنفذ التعليمات البرمجية وتعالج تنسيقات الملفات المتنوعة.
  • يتم قياس الدقة الوظيفية للنظام باستخدام pass@k من خلال اختبارات الوحدات بدلاً من مقاييس مطابقة النصوص التقليدية.
  • يعمل محول الكود في بيئة آمنة معزولة تحتوي على أكثر من 300 مكتبة وتخزين مؤقت للملفات لضمان سلامة المستخدم.

حققت OpenAI تقدمًا في معالجة اللغة الطبيعية (NLP) مع ظهور نماذج اللغة الكبيرة (LLMs) ، والتي تشكل أساس المنتجات التي يستخدمها الملايين ، بما في ذلك مساعد الترميز GitHub Copilot ومحرك البحث Bing. هذه النماذج ، من خلال إمكانية فريدة في تذكر ودمج المعلومات ، قد وضعت معايير غير مسبوقة في مهام مثل توليد الكود والنص.

فهم مفسّر أكواد ChatGPT

لفهم أهمية مفسّر أكواد ChatGPT ، من الضروري أولاً فهم ما هو وكيف تم بناؤه.

في جوهره ، يستخدم مفسّر أكواد ChatGPT قدرات ChatGPT ولكن يقدم مهارة محسنة في فهم وتفسير وإنشاء كود عبر مجموعة من لغات البرمجة. هذه الميزة تحول ChatGPT من مولد نص إلى أداة قيمة للمطورين ، مما يساعدهم في فهم الكود وتصحيحه وإنشاءه.

تدريب GPT للترميز: نهج Codex

استفاد GitHub Copilot من أبحاث OpenAI في البرمجة. أما مفسّر أكواد ChatGPT فهو أداة تنفذ Python في بيئة معزولة. وتخص نتائج الاختبارات التاريخية التالية دراسة Codex، وليست تقييمًا لأداء مفسّر الأكواد.

Codex هو نموذج لغة GPT متخصص ، مصمم ليكون ماهراً في كتابة كود Python. تم تدريبه على كود عام من GitHub ، ويظهر Codex إمكانياته من خلال تمكينه ميزات في GitHub Copilot. عند تقييمه لقدرته في توليد البرامج من سلاسل التوثيق النصية (docstrings) ، مقياس للصواب الوظيفي ، يتفوق Codex على GPT-3 و GPT-J.

ملاحظة ملفتة هي أن العينة المتكررة تعزز كفاءة Codex. عند استخدام ما يصل إلى 100 عينة لكل مشكلة ، يزيد معدل نجاح النموذج إلى 70.2%. هذه الكفاءة توحي بإمكانية استخدام الترتيب الاستدلالي لاختيار عينات كود دقيقة ، دون الحاجة إلى تقييم كامل لكل عينة.

من أجل تقييم قدراته ، تم تكليف النموذج بإنشاء دوال Python مستقلة اعتمادًا على سلاسل التوثيق النصية (docstrings) فقط. ثم تم تقييم دقة الكود المنشأ باستخدام اختبارات وحدة. في مجموعة بيانات تتكون من 164 مشكلة برمجة أصلية ، بما في ذلك فهم اللغة و الخوارزميات واختبارات الرياضيات الأساسية ، حل Codex مع 12B معلمة 28.8% منهم في محاولة واحدة.

بيانات التدريب لنموذج Codex - مفسّر أكواد ChatGPT

بيانات التدريب لنموذج Codex: https://arxiv.org/abs/2107.03374

من خلال تحسين النموذج بشكل أكبر من خلال تعديل الدوال المنفذة بشكل صحيح ، تم تعزيز كفاءته ، مما أدى إلى حل Codex-S 37.7% من التحديات في المحاولة الأولى. ومع ذلك ، في المجال العملي للبرمجة ، فإن نهج التجربة والخطأ شائع. في تقليد هذا السيناريو الحقيقي ، تمكنت نموذج Codex-S ، عند منحه 100 فرصة ، من حل 77.5% من التحديات بنجاح.

هيكل مفسّر أكواد ChatGPT

النماذج التوليدية مثل ChatGPT التي تنتج كودًا عادةً ما يتم تقييمها بالمقارنة مع حل مرجعي. يمكن أن تكون هذه المقارنة دقيقة أو تستخدم مقياس الشبه مثل BLEU. ومع ذلك ، فإن هذه المقاييس القائمة على المطابقة غالبًا ما تفشل في فهم دقائق البرمجة. ومن الانتقادات الأساسية لـBLEU عجزه عن التقاط الخصائص الدلالية للكود.

بدلاً من الاعتماد فقط على المطابقة ، تم اقتراح مقياس أكثر صلة: الصواب الوظيفي. هذا يعني أن الكود الذي ينتجه النموذج يجب أن يمر اختبارات وحدة معينة. الفكرة متوافقة مع ممارسات البرمجة القياسية ، حيث غالبًا ما يستخدم المطورون اختبارات وحدة لقياس فعالية و دقة كودهم.

لا يقيّم هذا المقياس الدقة فقط، بل قابلية الكود المنشأ للاستخدام الوظيفي أيضًا.

تم تقديم مقياس pass@k كوسيلة لقياس الصواب الوظيفي. إنه يعني أساسًا أن إذا كان أي من عينات الكود “k” التي تم إنشاؤها تمر اختبارات الوحدة ، فإن المشكلة تعتبر محلولة. ومع ذلك ، بدلاً من استخدام هذا المقياس بشكل مباشر ، يتم استخدام مقدر غير متحيز لحساب pass@k لتجنب التباين العالي.

لتقييم قدرات Codex في كتابة الكود ، تم استخدام مجموعة بيانات HumanEval. تتكون هذه المجموعة من مشاكل Python مكتوبة يدويًا ، كل واحدة مصحوبة باختبارات وحدة.

مثال على مجموعة بيانات HumanEval - مفسّر أكواد ChatGPT

https://github.com/openai/code-align-evals-data/blob/main/human_eval

نظرًا للمخاطر المرتبطة بتشغيل كود غير معروف أو غير موثوق به ، تم تصميم بيئة اختبار معزولة لاختبار الكود بشكل آمن. استخدمت هذه البيئة gVisor لمحاكاة الموارد وإنشاء حاجز بين نظام المضيف والكود الذي يتم تشغيله. وبالتالي ، حتى إذا أنتج النموذج كودًا ضارًا ، فإنه يظل محاطًا ولا يمكنه الإضرار بنظام المضيف أو الشبكة.

استخدام مفسّر أكواد ChatGPT

تمت تحسينات متعددة في ChatGPT ، وبرز مفسّر الأكواد كميزة ثورية في نموذج GPT-4. على عكس واجهات الدردشة التقليدية ، يسمح مفسّر الأكواد للمستخدمين بالغوص في مهام حسابية ، ويتلاشى الخط الفاصل بين محادثات الإنسان والأداة وعمليات الحوسبة.

في جوهره ، مفسّر الأكواد يشبه الحاسوب المدمج في الدردشة. يوفر هذا الميزة الديناميكية للمستخدمين مساحة قرص مؤقتة لتحميل مجموعة من صيغ الملفات ، بدءًا من الأنواع الشائعة مثل TXT و PDF و JPEG إلى الأنواع المتخصصة مثل CPP و PY و SQLite. هذا النطاق الواسع من الدعم يعزز مرونته عبر مهام مختلفة ، سواء كانت معالجة الوثائق أو معالجة الصور.

يعمل مفسّر الأكواد داخل إطار قوي وآمن ، ومجهز بأكثر من 300 مكتبة مثبتة مسبقًا. هذه البيئة المعزولة تضمن الأمان مع تقديم قدرة حسابية كبيرة. عندما يُطلب منه ، يصنع نصًا برمجيًا بلغة Python في الوقت الفعلي لتنفيذ طلب المستخدم. على سبيل المثال ، عند تحويل ملف PDF قائم على الصورة إلى تنسيق قابل للبحث باستخدام OCR ، كل ما يحتاجه المستخدم هو تحميل المستند ، وسيقوم ChatGPT بباقي العمل.

نقطة مثيرة للاهتمام هي حد حجم الملف للتحميل. بينما لم يتم الإعلان عن مواصفات محددة ، تشير تجارب المستخدمين إلى أن النظام يمكنه معالجة ملفات أكبر بكثير من 100MB. بغض النظر عن الحجم ، من المهم ملاحظة أن هذه الملفات هي مؤقتة ، وتتم إزالتها بعد انتهاء جلسة الدردشة.

ما يميز مفسّر الأكواد ليس فقط قوته الفنية ، بل إمكانية الوصول إليه. يقدم OpenAI هذه الميزة لمشتركين ChatGPT Plus ، والتي تأتي مع نموذج GPT-4. وبالتالي ، فإن هذا الأداة التحويلية لا تُستخدم فقط للنخبة التقنية ، بل تصبح متاحة تدريجياً لجمهور أوسع.

الفرق بين نموذج ChatGPT القياسي ومفسّر الأكواد يكمن في أنماط التفاعل. بينما يولد النموذج الأول استجابات نصية في الغالب ، يفهم وينفذ مفسّر الأكواد الكود ، ويوفر نتائج مباشرة. هذا لا يجعلها فقط موردًا قيّمًا للمحترفين التقنيين ، بل أيضًا يمنح أولئك الذين لا يعرفون الترميز القدرة على أداء مهام حسابية معقدة.

يمكن أن تحول قدرات مفسّر أكواد ChatGPT عدة جوانب من تطوير البرمجيات وعلوم البيانات:

  • توليد الكود التلقائي: لكل من تطبيقات البرمجيات وبرامج تحليل البيانات ، يمكن للنظام أن ينتج هيكلاً أساسيًا أو شفرة معقدة بناءً على وصف مرتفع المستوى ، مما يسرع من عملية التطوير وتحليل البيانات.
  • مراجعة الكود وتحقق البيانات: يمكن للأدوات المدعومة بالذكاء الاصطناعي مثل ChatGPT أن تساعد في تعزيز جودة وأمان قواعد الكود. بالإضافة إلى ذلك ، في مجال علوم البيانات ، يمكن أن تكون هذه الأدوات أداة في مراجعة والتحقق من نصوص معالجة البيانات وتحويلها ، مما يضمن الدقة والكفاءة.
  • مساعدة في تحليل البيانات: لمحترفي علوم البيانات ، يمكن لمفسّر أكواد ChatGPT أن يساعد في توليد كود لاستكشاف البيانات الأولية وتحليلها وربما حتى الاختبارات الإحصائية الأساسية ، مما يسهل تدفق عمل تحليل البيانات.

للمزيد عن تفاصيل ChatGPT وهندسة المطالبات، تقدم Unite AI شرحًا شاملًا بعنوان «ChatGPT: هندسة المطالبات المتقدمة».

إعداد مفسّر أكواد ChatGPT

يتيح دمج مفسّر الأكواد للمنصة تفسير استفسارات المستخدم وتنفيذها كأكواد Python وعرض النتائج في دردشة تفاعلية. للوصول إلى الميزة، يمكن للمستخدم الانتقال إلى إعدادات ChatGPT وفتح قسم الميزات التجريبية وتفعيل مفسّر الأكواد.


ما يميّزه هو آلية العمل الشفافة: عندما يطلب المستخدم مهمة، تعرض المنصة كل خطوة من المعالجة، وتوضح كيفية تفسير الأوامر وتنفيذها. ولأسباب تتعلق بالخصوصية والأمان، يعمل مفسّر الأكواد دون اتصال بالإنترنت.

استكشاف فوائد مفسّر أكواد ChatGPT

تصوير البيانات وتحليلها

يذهب ChatGPT أبعد من نطاق الرسومات التقليدية ، ويوفر تمثيلات رسومية متقدمة وابتكارية. هذا يضمن للمستخدمين أن يتمكنوا من مشاهدة بياناتهم في تنسيقات توفر رؤى أكثر معنى.

ومع ذلك ، لا يتعلق الأمر فقط بتصوير البيانات الخام. نموذج ChatGPT ماهر في معالجة وتنقية البيانات. على الرغم من قوته ، يجب على المستخدمين توخي الحذر.

سيجد المحللون الماليون قدرة مفسّر الأكواد على تحليل أسعار الأسهم وتصويرها مفيدة بشكل خاص. من خلال التكامل السلس ، يمكن للمستخدمين تحميل مجموعات البيانات وتصويرها في تنسيقات مختلفة. أهمية هذه الوظيفة واضحة عندما يمكن للأفراد إجراء تحليلات بيانات معقدة.

الفيديو أدناه يظهر كيف أنشأ مفسّر أكواد ChatGPT تحليلًا شاملاً لأسهم TSLA.

النقاط الرئيسية:

  • واجهت أسهم TSLA تقلبات ولكن أظهرت أيضًا قدرة على الصمود مع فترات من النمو.
  • الكميات التجارية الكبيرة في أيام معينة تشير إلى اهتمام كبير بالسوق أو ردود فعل على أحداث رئيسية.
  • تراجع العائد منذ بداية العام (YTD) تشير إلى أن المستثمرين يجب أن يحللوا عوامل الشركة الداخلية والظروف السوقية الخارجية عند النظر في الاستثمارات المستقبلية.

تنفيذ رؤية الكمبيوتر و OCR

تم التعامل مع كشف الوجه ، وهو وظيفة أساسية في رؤية الكمبيوتر ، باستخدام تقنية كلاسيكية: مصنف Haar Cascade من OpenCV.

الصورة أدناه تظهر استخدام مصنف Haar Cascade الكلاسيكي.

تم إنجاز عملية استخراج النص من الصور ، المعروفة باسم التعرف الضوئي على الحروف (OCR) ، بسهولة باستخدام Tesseract ، ثم تم تنظيم النص بواسطة GPT-4 ، مما حسّن القابلية للفهم.

في الفيديو التالي ، شاهد كيف يستخرج Tesseract (OCR) النص من صورة شهادة.

يتفوق مفسّر الأكواد في مجال الفيديو والصوت والصورة. مع أوامر بسيطة ، يمكن للمستخدمين تحقيق تحريرات مفصلة ، مثل تحويل ملفات GIF إلى MP4 مع تحسينات محددة. كل ما عليك هو تحميل ملفك ، وادخل التعديلات التي تريدها ، وشاهد السحر يحدث.

مكتبة Python الخارجية داخل مفسّر أكواد ChatGPT

مفسّر أكواد ChatGPT هو منصة برمجة ديناميكية مجهزة بمجموعة واسعة من مكتبات Python. هذه المكتبات تغطي كل شيء من تصور البيانات مع Seaborn إلى تعلم الآلة المتقدم عبر Torch. ومع ذلك ، لا تقتصر على أداة ثابتة.

ملهمًا بهذه صفحة ChatGPT من Korakot Chaovavanich.

ابتداءً من الإصدار الأخير من nltk ، قمنا بتحميل ملف .whl إلى المترجم. ثم طلبنا من ChatGPT العثور على دليل site-packages المناسب من خلال تحليل موقع حزمة موجودة. الخطوة التالية تضمنت فك ضغط ملف العجلة إلى موقع مؤقت وتنقل الملفات إلى دليل site-packages المحدد. ومع ذلك ، واجهنا مشكلة.

بحثًا عن حل بديل ، طلبنا: “يرجى التأكد من تثبيت NLTK في بيئة Python وضمان إمكانية الوصول إليها بعد التثبيت”.

استجاب ChatGPT ، وقدم حلًا. اقترح إضافة الدليل المؤقت إلى sys.path ، مما يسمح لبيثون بالتعرف على استيراد وحدات من حزمة NLTK التي فُك ضغطها في ذلك الموقع. هذا التكتيك عمل بشكل رائع ، مما أدى إلى تثبيت NLTK بنجاح.

من خلال استخدام ملفات .whl ، أظهر التثبيت مزيجًا من الابتكار والقدرة على التكيف. لم يظهر مفسّر أكواد ChatGPT فقط قوته الفنية ، بل أيضًا إمكانية التكيف مع احتياجات المبرمجين ، مما يضمن للمبتدئين والمحترفين تجربة برمجة محسنة.

تثبيت مكتبات مخصصة في مفسّر أكواد ChatGPT

في عرض مثير للاهتمام لقدرات المترجم ، أشار تويتر الأخير من @DominikPeters إلى عرض فريد. طلب Peters من GPT-4 إنشاء اختبار على أحياء باريس ، وقدم النموذج موقعًا عاملاً. يمكن الوصول إلى الاختبار العامل على dominik-peters.de/gpt-arrondissement-quiz/.

https://twitter.com/DominikPeters/status/1652630445639467008?s=20

الختام

انطلاق OpenAI مع مفسّر أكواد ChatGPT هو تحول حقيقي للمبرمجين وغير المبرمجين على حد سواء. مرونته في التعامل مع مجموعة واسعة من المهام – من مساعدة المطورين في تصحيح الأخطاء إلى توليد اختبارات باريس بسهولة – هي شهادة على الإمكانيات غير المحدودة للذكاء الاصطناعي في تحسين تجاربنا الرقمية. هنا جوهر استكشافنا:

افهم أداتك: كما تفعل مع زميل ، تعرف على مفسّر الأكواد. إنه أداة تنفذ أكواد Python في بيئة معزولة. تتنوع كفاءته عبر لغات برمجة متعددة ، مما يجعله رفيقًا مثاليًا لمغامرات الترميز.

اعتنق ثورة الذكاء الاصطناعي: من المرجح أن تشهد ممارسات الترميز التقليدية تحولًا كبيرًا. مع أدوات مدعومة بالذكاء الاصطناعي مثل مفسّر أكواد ChatGPT ، يمكن تسريع مهام مثل تحديد الأخطاء وتوليد الكود ومراجعة الكود.

ما وراء الكود فقط: لا تقتصر مساهمة المترجم على النص أو الكود. قدرته على التعامل مع صيغ ملفات متعددة ، من ملفات TXT البسيطة إلى نصوص PY المعقدة ، تبرز منفعته عبر مجالات مختلفة.

لا تتوقف أبدًا عن التجربة: استكشافنا لتثبيت مكتبة NLTK يعكس أهمية المثابرة والقدرة على التكيف ، وهي قيم يتحلى بها مفسّر الأكواد. إذا واجهت مشكلة ، فهناك دائمًا حل.

انضم إلى محادثة الذكاء الاصطناعي: التطبيقات العملية ، كما هو موضح في اختبار أحياء باريس ، تبرز الفائدة العملية الهائلة للأداة. اعتنقها ، استكشفها ، واسمح لها بأن تعزز مشاريعك.

تم إنشاء الفيديو أعلاه باستخدام Gen-2 و Midjourney.

لتلخيص ، مفسّر أكواد ChatGPT هو أكثر من مجرد أداة ؛ إنه يغير الطريقة التي نتواصل بها مع التكنولوجيا. لكل من المبتكرين والمتحمسين ، يعد بـ عالمًا مليئًا بإمكانيات الترميز.

أمضيت السنوات الخمس الماضية منغمسًا في عالم التعلم الآلي والتعلم العميق المثير للاهتمام. وقد دفعني شغفي وخبرتي إلى المساهمة في أكثر من 50 مشروعًا متنوعًا في هندسة البرمجيات، مع التركيز بشكل خاص على الذكاء الاصطناعي والتعلم الآلي. كما جذبني فضولي المستمر إلى معالجة اللغة الطبيعية، وهو مجال أتطلع إلى استكشافه بمزيد من التعمق.