Εξερεύνηση του ChatGPT Code Interpreter της OpenAI: Ένα Βαθύ Βούτι στο τις Ικανότητές του

Οι προόδους της OpenAI στην επεξεργασία φυσικής γλώσσας (NLP) σηματοδοτούνται από την άνοδο των Μεγάλων Μοντέλων Γλώσσας (LLMs), τα οποία υποστηρίζουν προϊόντα που χρησιμοποιούν εκατομμύρια άνθρωποι, συμπεριλαμβανομένου του βοηθού κωδικοποίησης GitHub Copilot και του μηχανισμού αναζήτησης Bing. Αυτά τα μοντέλα, μέσω της μοναδικής ικανότητάς τους να θυμόντου και να συνδυάζουν πληροφορίες, έχουν θέσει απαράμιλles πρότυπα σε εργασίες όπως η γεννήτρια κώδικα και κειμένου.

Κατανόηση του ChatGPT Code Interpreter

Για να κατανοήσουμε τη σημασία του ChatGPT Code Interpreter, είναι απαραίτητο να κατανοήσουμε πρώτα τι είναι και πώς χτίστηκε.

Ο ChatGPT Code Interpreter αξιοποιεί τις ικανότητες του ChatGPT, αλλά εισάγει μια ενισχυμένη ικανότητα να κατανοεί, να ερμηνεύει και ακόμη και να γεννά κώδικα σε πολλές γλώσσες προγραμματισμού. Αυτή η λειτουργία μετατρέπει το ChatGPT από einen γεννήτρια κειμένου σε ένα ακαταμάχητο εργαλείο για τους προγραμματιστές, βοηθώντας στην κατανόηση κώδικα, την αποσφαλμάτωση και ακόμη και τη γεννήτρια κώδικα.

Εκπαίδευση GPT για Κωδικοποίηση: Η Προσέγγιση Codex

Και ο GitHub Copilot και ο ChatGPT Code Interpreter χρησιμοποιούν το μοντέλο Codex που αναπτύχθηκε από την OpenAI.

Το Codex, ένα εξειδικευμένο μοντέλο GPT, σχεδιάστηκε για να έχει ικανότητες γραφής κώδικα Python. Εκπαιδευμένο σε δημόσια πηγή κώδικα από το GitHub, το Codex επιδεικνύει τις δυνατότητές του με την ενεργοποίηση χαρακτηριστικών στο GitHub Copilot. Όταν αξιολογηθεί για την ικανότητά του να συνθέτει προγράμματα από docstrings, ένα μέτρο της λειτουργικής ορθότητας, το Codex υπερέχει τόσο του GPT-3 όσο και του GPT-J.

Μια εντυπωσιακή παρατήρηση είναι ότι η επαναλαμβανόμενη δειγματοληψία ενισχύει τις ικανότητες του Codex. Όταν χρησιμοποιούνται μέχρι 100 δείγματα ανά πρόβλημα, το ποσοστό επιτυχίας του μοντέλου αυξάνεται στο 70,2%. Αυτή η αποτελεσματικότητα υποδηλώνει τη δυνατότητα χρήσης εύρηστης κατάταξης για την επιλογή ακριβών δειγμάτων κώδικα, χωρίς να απαιτεί πλήρη αξιολόγηση για κάθε ένα.

Για να αξιολογήσει τις ικανότητές του, το μοντέλο ζητήθηκε να δημιουργήσει αυτόνομες συναρτήσεις Python με βάση μόνο docstrings. Η ακρίβεια του γεννημένου κώδικα αξιολογήθηκε χρησιμοποιώντας unit tests. Σε ένα σύνολο δεδομένων που αποτελείται από 164 πρωτότυπα προβλήματα προγραμματισμού, που περιλαμβάνουν κατανόηση γλώσσας, αλγόριθμους και βασικές μαθηματικές δοκιμές, το Codex με 12B παραμέτρους λύσε 28,8% από αυτά σε μια seule προσπάθεια.

Δεδομένα Εκπαίδευσης για το Μοντέλο Codex: https://arxiv.org/abs/2107.03374

Βελτιώνοντας το μοντέλο περαιτέρω μέσω της σωστής εκπαίδευσης αυτόνομων λειτουργιών, η αποτελεσματικότητά του αυξήθηκε, με αποτέλεσμα το Codex-S να λύσει 37,7% των προκλήσεων στην πρώτη προσπάθεια. Ωστόσο, στην πρακτική περιοχή της προγραμματισμού, μια προσέγγιση δοκιμής και λάθους είναι κοινή. Μιμούμε αυτή τη πραγματική περίπτωση, το μοντέλο Codex-S, όταν έλαβε 100 ευκαιρίες, αντιμετώπισε επιτυχώς 77,5% των προκλήσεων.

Γεννήτρια μοντέλα όπως το ChatGPT που παράγουν κώδικα συνήθως αξιολογούνται με σύγκριση των γεννημένων δειγμάτων με μια αναφορά λύση. Αυτή η σύγκριση μπορεί να είναι ακριβής ή να χρησιμοποιεί ένα μέτρο ομοιότητας όπως ο βαθμός BLEU. Ωστόσο, αυτά τα μέτρα σύγκρισης συχνά δεν κατανοούν τις νюανς της κωδικοποίησης. Μια κρίσιμη κριτική του BLEU είναι η ανικανότητά του να καταγράψει τις σεμαντικές ιδιότητες του κώδικα.

Αντί να βασίζονται αποκλειστικά στη σύγκριση, ένα πιο σχετικό μέτρο έχει προταθεί: η λειτουργική ορθότητα. Αυτό σημαίνει ότι ο κώδικας που παράγεται από το μοντέλο πρέπει να περάσει ένα σύνολο unit tests. Η ιδέα είναι ευθυγραμμισμένη με τις τυπικές πρακτικές κωδικοποίησης, поскольку οι προγραμματιστές συχνά χρησιμοποιούν unit tests για να αξιολογήσουν την αποτελεσματικότητα και την ακρίβεια του κώδικα τους.

Το μέτρο pass@k εισάγεται ως μέτρο της λειτουργικής ορθότητας. Αυτό σημαίνει ότι αν ένα από τα “k” γεννημένα δείγματα κώδικα περάσει τα unit tests, το πρόβλημα θεωρείται λυμένο. Ωστόσο, αντί να χρησιμοποιηθεί απευθείας, χρησιμοποιείται ένας αμερόληπτος εκτιμητής για να υπολογιστεί το pass@k και να αποφευχθεί η υψηλή διακύμανση.

Για να αξιολογήσουμε τις ικανότητες του ChatGPT, η έρευνα χρησιμοποίησε το σύνολο δεδομένων HumanEval. Αυτό το σύνολο δεδομένων αποτελείται από χειρόγραφα προβλήματα Python, κάθε ένα από τα οποία συνοδεύεται από unit tests.

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

Δεδομένου των κινδύνων που συνδέονται με την εκτέλεση άγνωστου ή μη αξιόπιστου κώδικα, σχεδιάστηκε ένα περιβάλλον αμμοβολής για να δοκιμαστεί ο γεννημένος κώδικας με ασφάλεια. Αυτό το περιβάλλον χρησιμοποίησε το gVisor για να μιμηθεί πόρους και να δημιουργήσει ένα φράγμα μεταξύ του συστήματος υποδοχής και του εκτελούμενου κώδικα. Έτσι, ακόμη και αν το μοντέλο παράγει κακόβουλο κώδικα, παραμένει περιεχόμενο και δεν μπορεί να βλάψει το σύστημα υποδοχής ή το δίκτυο.

Χρήση του ChatGPT Code Interpreter

Το ChatGPT της OpenAI έχει υποβεί σε πολλές εξελίξεις, με τον ChatGPT Code Interpreter να ξεχωρίζει ως μια επαναστατική λειτουργία στο μοντέλο GPT-4. Σε αντίθεση με τις παραδοσιακές διεπαφές chat, ο ChatGPT Code Interpreter επιτρέπει στους χρήστες να πηδήξουν σε υπολογιστικές εργασίες, συνδυάζοντας ομαλά τις γραμμές μεταξύ των ανθρώπινων-ΑΙ συνομιλιών και των υπολογιστικών διαδικασιών.

Στην καρδιά του, ο ChatGPT Code Interpreter είναι παρόμοιος με τον υπολογιστή που είναι ενσωματωμένος στη διεπαφή chat. Αυτή η δυναμική λειτουργία προσφέρει στους χρήστες προσωρινό χώρο δίσκου για να ανεβάσουν eine ποικιλία αρχείων, από κοινά είδη όπως TXT, PDF και JPEG μέχρι πιο εξειδικευμένα όπως CPP, PY και SQLite. Αυτή η εύρος υποστήριξης ενισχύει την πολυμορφία του σε διάφορες εργασίες, είτε πρόκειται για επεξεργασία εγγράφων είτε για χειρισμό εικόνων.

Λειτουργώντας σε ένα ρομποτικό και ασφαλές πλαίσιο, ο ChatGPT Code Interpreter είναι εξοπλισμένος με πάνω από 300 προεγκατεστημένες βιβλιοθήκες. Αυτό το περιβάλλον αμμοβολής εξασφαλίζει την ασφάλεια ενώ vẫn παρέχει σημαντική υπολογιστική δύναμη. Ενδιαφέρον είναι ότι, όταν ζητηθεί, δημιουργεί ένα σενάριο Python σε πραγματικό χρόνο για να εκτελέσει την αίτηση του χρήστη. Για παράδειγμα, η μετατροπή ενός αρχείου PDF που βασίζεται σε εικόνες σε αναζητήσιμο формά με OCR; ό,τι χρειάζεται να κάνει ο χρήστης είναι να ανεβάσει το έγγραφο, και το ChatGPT θα χειριστεί το υπόλοιπο.

Ένα σημείο ενδιαφέροντος ήταν το όριο μεγέθους αρχείου για ανεβάσεις. Ενώ οι οριστικές προδιαγραφές είναι ακόμη να ανακοινωθούν, πειράματα χρηστών δείχνουν ότι το σύστημα μπορεί να επεξεργαστεί αποτελεσματικά αρχεία σημαντικά μεγαλύτερα από 100MB. Ανεξάρτητα από το μέγεθος, είναι κρίσιμο να σημειωθεί ότι αυτά τα αρχεία είναι προσωρινά, απορρίπτοντας μετά την ολοκλήρωση της συνεδρίας chat.

Η εξαιρετικότητα του ChatGPT Code Interpreter δεν είναι μόνο η τεχνική του ικανότητα, αλλά και η προσιτότητά του. Η OpenAI προσφέρει αυτή τη λειτουργία στους συνδρομητές του ChatGPT Plus, η οποία συνοδεύεται από το μοντέλο GPT-4. Έτσι, αυτό το μετασχηματιστικό εργαλείο δεν είναι μόνο για την τεχνολογική ελίτ, αλλά γίνεται σταδιακά προσιτό σε ένα ευρύτερο κοινό.

Η διάκριση μεταξύ του τυπικού μοντέλου ChatGPT και του ChatGPT Code Interpreter έγκειται στις παραδείγματα αλληλεπίδρασης. Ενώ το πρώτο παράγει κυρίως κείμενο απαντήσεων, το δεύτερορο κατανοεί και εκτελεί κώδικα, προσφέροντας άμεσα αποτελέσματα. Αυτό δεν μόνο καθιστά ένα πολύτιμο εργαλείο για τους τεχνολογικούς επαγγελματίες, αλλά επίσης ενδυναμώνει εκείνους χωρίς γνώσεις κωδικοποίησης να εκτελέσουν σύνθετες υπολογιστικές εργασίες.

Οι ικανότητες του ChatGPT Code Interpreter μπορούν να επαναπροσδιορίσουν διάφορα аспектs της Ανάπτυξης Λογισμικού και της Επιστήμης Δεδομένων:

• Αυτόματη Γεννήτρια Κώδικα: Για εφαρμογές λογισμικού και σενάρια ανάλυσης δεδομένων, με βάση μια περιγραφή υψηλού επιπέδου, το σύστημα μπορεί να παράγει δομές κώδικα ή περίπλοκες παραμέτρους, επιταχύνοντας τις διαδικασίες ανάπτυξης και ανάλυσης δεδομένων.
• Επικύρωση Κώδικα και Δεδομένων: Εργαλεία AI όπως το ChatGPT μπορούν να βοηθήσουν στην βελτίωση της ποιότητας και της ασφάλειας των κωδικών. Επιπλέον, στην περιοχή της επιστήμης δεδομένων, τέτοια εργαλεία μπορούν να είναι όργανα για την επικύρωση και την επαλήθευση των δεδομένων.
• Βοήθεια Ανάλυσης Δεδομένων: Για τους επιστήμονες δεδομένων, ο ChatGPT Code Interpreter μπορεί να βοηθήσει στην παραγωγή κώδικα για την αρχική εξερεύνηση δεδομένων, οπτικοποίηση και ακόμη και βασικές στατιστικές δοκιμές, διευκολύνοντας τη ροή εργασίας ανάλυσης δεδομένων.

Εάν ενδιαφέρεστε να μάθετε περισσότερα για τις λεπτομέρειες του ChatGPT και την μηχανική προώθησης, το Unite AI προσφέρει μια綜合τική ανάλυση στο “ChatGPT: Advanced Prompt Engineering“.

Ρύθμιση του ChatGPT Code Interpreter

Η ενσωμάτωση του Code Interpreter επιτρέπει στην πλατφόρμα να ερμηνεύει τις αιτήσεις του χρήστη, να τις εκτελεί ως κώδικα Python και να εμφανίζει τα αποτελέσματα σε μια διαδραστική μορφή chat. Για να αποκτήσετε πρόσβαση σε αυτή τη λειτουργία, οι χρήστες μπορούν να πλοηγηθούν στις ρυθμίσεις του ChatGPT, να εξερευνήσουν το τμήμα των λειτουργιών Beta και να ενεργοποιήσουν τον ChatGPT Code Interpreter.

Τι το διακρίνει είναι η διαφανής μηχανισμός του. Όπως οι χρήστες ζητούν μια εργασία, η πλατφόρμα αποκαλύπτει κάθε βήμα της διαδικασίας επεξεργασίας, προσφέροντας σαφήνεια σχετικά με τον τρόπο με τον οποίο οι εντολές ερμηνεύονται και εκτελούνται. Σημαντικά, για λόγους ιδιωτικότητας και ασφάλειας, ο ChatGPT Code Interpreter λειτουργεί χωρίς σύνδεση στο διαδίκτυο.

Εξερεύνηση των Πλεονεκτημάτων του ChatGPT Code Interpreter

Οπτικοποίηση Δεδομένων & Ανάλυση

Το ChatGPT ξεπερνά το πεδίο των παραδοσιακών διαγραμμάτων, προσφέροντας τόσο συμβατικές όσο και καινοτόμες γραφικές αναπαραστάσεις. Αυτό εξασφαλίζει ότι οι χρήστες μπορούν να δουν τα δεδομένα τους σε μορφές που παρέχουν τις πιο σημαντικές πληροφορίες.

Ωστόσο, δεν είναι μόνο για την οπτικοποίηση των raw δεδομένων. Το μοντέλο ChatGPT είναι ικανό να επεξεργαστεί και να βελτιώσει τα δεδομένα. Παρόλο που είναι ισχυρό, οι χρήστες πρέπει να ασκήσουν προσοχή.

Οι οικονομικοί αναλυτές θα βρουν την ικανότητα του Code Interpreter να αναλύει και να οπτικοποιεί μετοχικές τιμές ιδιαίτερα χρήσιμη. Μέσω αβίαστης ενσωμάτωσης, οι χρήστες μπορούν να ανεβάσουν συνόλα δεδομένων και να τα οπτικοποιήσουν σε διάφορες μορφές. Η σημασία αυτής της λειτουργίας είναι εμφανής όταν οι χρήστες μπορούν να διεξάγουν σύνθετες αναλύσεις δεδομένων.

Το βίντεο παρακάτω δείχνει πώς ο ChatGPT Code Interpreter δημιούργησε μια綜合τική ανάλυση μετοχών TSLA.

Κύρια Συμπεράσματα:

• Οι μετοχές της Tesla (TSLA ) έχουν αντιμετωπίσει μεταβλητότητα, αλλά έχουν δείξει επίσης ανθεκτικότητα με περιόδους αύξησης.
• Υψηλές交易 όγκοι σε συγκεκριμένες ημέρες δείχνουν σημαντικό ενδιαφέρον της αγοράς ή αντιδράσεις σε κρίσιμα γεγονότα.
• Η κάτω προς τα κάτω ετήσια απόδοση (YTD) υποδηλώνει ότι οι επενδυτές πρέπει να αναλύσουν τόσο τα εσωτερικά παράγοντες της εταιρείας όσο και τις εξωτερικές αγορικές συνθήκες όταν εξετάζουν μελλοντικές επενδύσεις.

Εφαρμογή Υπολογιστικής Όρασης και OCR

Η ανίχνευση προσώπου, μια βασική λειτουργία στην υπολογιστική όραση, αντιμετωπίστηκε με μια κλασική τεχνική: τον ταξινομητή Haar Cascade από το OpenCV.

Η εικόνα παρακάτω δείχνει την利用 του κλασικού ταξινομητή Haar Cascade.

Η διαδικασία εξαγωγής κειμένου από εικόνες, γνωστή ως οπτική αναγνώριση χαρακτήρων (OCR), επιτεύχθηκε με ευκολία χρησιμοποιώντας το Tesseract, με το κείμενο να δομείται από το GPT-4, ενισχύοντας την κατανοησιμότητα.

Στο παρακάτω βίντεο, δείτε πώς το Tesseract (OCR) εξάγει κείμενο από μια εικόνα πιστοποιητικού.

Ο ChatGPT Code Interpreter excels στην περιοχή του βίντεο, ήχου και χειρισμού εικόνων. Με απλές εντολές, οι χρήστες μπορούν να επιτύχουν λεπτομερείς επεξεργασίες, όπως η μετατροπή GIF σε MP4 με συγκεκριμένες βελτιώσεις. Απλώς ανεβάστε το αρχείο σας, εισαγάγετε τις επιθυμητές τροποποιήσεις και παρακολουθήστε τη μαγεία να συμβαίνει.

Εξωτερική Βιβλιοθήκη Python μέσα στο ChatGPT Code Interpreter

Ο ChatGPT Code Interpreter είναι μια δυναμική πλατφόρμα προγραμματισμού που είναι εξοπλισμένη με μια εκτεταμένη σειρά βιβλιοθηκών Python. Αυτές καλύπτουν όλα, από την οπτικοποίηση δεδομένων με το Seaborn μέχρι την προηγμένη μάθηση με το Torch. Αλλά είναι περισσότερο από ένα στατικό εργαλείο.

Εμπνευσμένο από αυτή τη σελίδα Chatgpt από Korakot Chaovavanich.

Ξεκινώντας με την τελευταία έκδοση του nltk, ανεβάσαμε ένα αρχείο .whl στο Interpreter. Στη συνέχεια, ζητήσαμε από το ChatGPT να βρει τον κατάλληλο κατάλογο site-packages αναλύοντας την τοποθεσία ενός υπάρχοντος πακέτου. Το επόμενο βήμα ήταν η αποσυσκευασία του αρχείου wheel σε μια προσωρινή θέση και η μετακίνηση των αρχείων στον αναγνωρισμένο κατάλογο site-packages. Ωστόσο, αυτό χτύπησε ένα εμπόδιο.

Ζητώντας μια διέξοδο, ζητήσαμε: “Παρακαλώ, βεβαιωθείτε ότι το NLTK εγκατασταθεί στο περιβάλλον Python και είναι προσβάσιμο μετά την εγκατάσταση.”

Το ChatGPT απάντησε, προσφέροντας μια λύση. Προτεινόταν να προστεθεί ο προσωρινός κατάλογος στο sys.path, επιτρέποντας στο Python να αναγνωρίσει και να ανακαλέσει μονάδες από το αποσυσκευασμένο πακέτο nltk μέσα σε αυτή τη θέση. Αυτή η τακτική δούλεψε θαύματα, οδηγώντας στην επιτυχή εγκατάσταση του NLTK.

Μέσω της χρήσης αρχείων .whl, η εγκατάσταση εμφάνισε μια смесь ευφυίας και προσαρμοστικότητας. Ο ChatGPT Code Interpreter, παρά τις αρχικές προκλήσεις, επέδειξε την ευελιξία και την αφοσίωσή του να ικανοποιήσει τις ανάγκες των προγραμματιστών, εξασφαλίζοντας και στους αρχάριους και στους βετεράνους μια βελτιωμένη εμπειρία κωδικοποίησης.

Σε μια ενδιαφέρουσα επίδειξη των ικανοτήτων του ερμηνευτή, ένα πρόσφατο tweet από @DominikPeters υπογράμμισε μια μοναδική επίδειξη. Ο Peters ζήτησε από το GPT-4 να δημιουργήσει ένα τεστ για τα arrondissements του Παρισιού, και το μοντέλο παρήγαγε ένα λειτουργικό ιστοχώρο. Το τεστ είναι διαθέσιμο για μια πρακτική εμπειρία στο dominik-peters.de/gpt-arrondissement-quiz/.

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

Συμπέρασμα

Η πρόοδος της OpenAI με τον ChatGPT Code Interpreter είναι τίποτα λιγότερο από μετασχηματιστική για τους προγραμματιστές και τους μη προγραμματιστές. Η πολυμορφία του στην αντιμετώπιση einer ευρείας γκάμα εργασιών – από την υποστήριξη των προγραμματιστών στην αποσφαλμάτωση μέχρι την εύκολη δημιουργία κουίζ για τα arrondissements του Παρισιού – είναι ένα τεκμήριο του απεριόριστου потенτικού της AI στην ενίσχυση των ψηφιακών μας εμπειριών. Εδώ είναι μια συμπυκνωμένη ουσία του βαθύ μας βουτιού:

Κατανοήστε το Εργαλείο σας: Όπως θα φίλευετε ένα συνάδελφο, γνωρίστε τον ChatGPT Code Interpreter. Είναι σχεδιασμένος πάνω στο Codex, το οποίο είναι βελτιωμένο από το GPT-4. Η ικανότητά του εκτείνεται σε πολλές γλώσσες προγραμματισμού, καθιστώντας το ένα ιδανικό σύντροφο για όλες τις κωδικοποιητικές σας περιπέτειες.

Εμπιστευθείτε την Επανάσταση της AI: Οι παραδοσιακές πρακτικές κωδικοποίησης είναι έτοιμες να δουν μια σεισμική μετατόπιση. Με εργαλεία AI όπως ο ChatGPT Code Interpreter, εργασίες όπως η ανίχνευση σφαλμάτων, η γεννήτρια κώδικα και ακόμη και οι κριτικές κώδικα μπορούν να επιταχυνθούν.

Πέρα από τον Κώδικα: Η επέμβαση του Code Interpreter δεν είναι περιορισμένη στο κείμενο ή τον κώδικα. Η ικανότητά του να χειρίζεται πολλά формά αρχεία, από απλά αρχεία TXT μέχρι σύνθετα σενάρια PY, υπογραμμίζει την उपयσιμότητά του σε διάφορους τομείς.

Ποτέ μην Σταματήσετε να Πειραματίζεστε: Η εξερεύνησή μας με την εγκατάσταση της βιβλιοθήκης NLTK αντικατοπτρίζει τη σημασία της επιμονής και της προσαρμοστικότητας, αξίες που ο ChatGPT Code Interpreter ενσωματώνει. Αν υπάρχει ένα εμπόδιο, υπάρχει συνήθως ένας τρόπος γύρω από αυτό.

Συμμετέχετε στη Συζήτηση της AI: Πρακτικές εφαρμογές, όπως το τεστ arrondissements του Παρισιού, υπογραμμίζουν την τεράστια πρακτική χρησιμότητα του εργαλείου. Αυτό το εργαλείο, εξερευνήστε το, και αφήστε το να ενισχύσει τα προτζεκτά σας.

Το παραπάνω βίντεο δημιουργήθηκε χρησιμοποιώντας Gen-2 και Midjourney.

Για να το συνοψίσουμε, ο ChatGPT Code Interpreter είναι περισσότερο από ένα εργαλείο; είναι η αλλαγή του τρόπου με τον οποίο συνδεόμαστε με την τεχνολογία. Για τους καινοτόμους και τους ενθουσιώδεις, υπόσχεται έναν κόσμο γεμάτο δυνατότητες κωδικοποίησης.