Utforska OpenAI:s ChatGPT-kodtolk: En djupdykning i dess förmågor

OpenAI:s framsteg inom Natural Language Processing (NLP) markerades av uppkomsten av Large Language Models (LLM), som ligger till grund för produkter som används av miljontals människor, inklusive kodhjälpen GitHub Copilot och sökmotorn Bing. Dessa modeller, genom sin unika förmåga att komma ihåg och kombinera information, har satt oöverträffade benchmark för uppgifter som kod- och textgenerering.

Att förstå ChatGPT:s kodtolk

För att förstå betydelsen av ChatGPT-kodtolken är det viktigt att först förstå vad den är och hur den byggdes. I korthet utnyttjar ChatGPT-kodtolken ChatGPT:s förmågor men introducerar en förbättrad förmåga att förstå, tolka och till och med generera kod över en mängd olika programmeringsspråk. Denna funktion förvandlar ChatGPT från en textgenerator till ett ovärderligt verktyg för utvecklare, som hjälper till med kodförståelse, felsökning och till och med kodgenerering.

Träning av GPT för kodning: Codex-ansatsen

Både GitHub Copilot och ChatGPT:s kodtolk använder Codex-modellen som utvecklats av OpenAI. Codex, en specialiserad GPT-språkmodell, är konstruerad för att ha en hög förmåga att skriva Python-kod. Tränad på offentligt tillgänglig kod från GitHub, visar Codex sin potential genom att driva funktioner i GitHub Copilot. När den utvärderas för sin förmåga att syntetisera program från docstrings, en måttstock för funktionell korrekthet, överträffar Codex både GPT-3 och GPT-J. En anmärkningsvärd observation är att upprepad sampling förbättrar Codex förmåga. När upp till 100 prover per problem används, ökar modellens framgångsgrad till 70,2%. Sådan effektivitet tyder på möjligheten att använda heuristisk rangordning för att välja korrekta kodprover, utan att kräva fullständig utvärdering för varje. För att utvärdera dess förmågor, fick modellen i uppgift att skapa fristående Python-funktioner baserat enbart på docstrings. Den genererade koden korrekthet utvärderades sedan med enhetstester. I en dataset som bestod av 164 ursprungliga programmeringsproblem, som inkluderar språkförståelse, algoritmer och grundläggande matematiktester, löste Codex med 12B parametrar 28,8% av dem på ett enda försök.

Träningsdata för Codex-modell: https://arxiv.org/abs/2107.03374

Genom att finslipa modellen ytterligare genom finjustering av korrekt implementerade fristående funktioner, förbättrades dess effektivitet, vilket resulterade i att Codex-S löste 37,7% av utmaningarna på första försöket. Men i den praktiska världen av programmering är en trial-and-error-ansats vanlig. I enlighet med denna verkliga scenariot, löste Codex-S-modellen, när den gavs 100 chanser, framgångsrikt 77,5% av utmaningarna. Generativa modeller som ChatGPT som producerar kod utvärderas vanligtvis genom att jämföra genererade prover med en referenslösning. Denna jämförelse kan antingen vara exakt eller använda en likhetsmått som BLEU-poängen. Men dessa matchbaserade mått misslyckas ofta med att fånga kodens nyanser. En nyckelkritik av BLEU är dess ineffektivitet i att fånga kodens semantiska egenskaper. Istället för att förlita sig enbart på matchning, har ett mer relevant mått föreslagits: funktionell korrekthet. Detta innebär att koden som produceras av modellen ska passa en given uppsättning enhetstester. Idén är i linje med standardkodningspraxis, eftersom utvecklare ofta använder enhetstester för att bedöma effektiviteten och korrektheten i sin kod. Detta mått utvärderar inte bara korrektheten, utan den funktionella användbarheten av den genererade koden. Pass@k-måttet introduceras som ett mått på funktionell korrekthet. Det innebär i princip att om något av de “k” genererade kodproven passerar enhetstesterna, anses problemet vara löst. Men istället för att använda detta i dess direkta form, används en obiaserad estimator för att beräkna pass@k för att undvika hög varians. För att utvärdera ChatGPT:s kodförmågor, använde forskningen HumanEval-dataseten. Denna dataset består av handskrivna Python-problem, var och en åtföljd av enhetstester.

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

Med tanke på riskerna förknippade med att köra okänd eller obehörig kod, konstruerades en sandlådemiljö för att testa den genererade koden på ett säkert sätt. Denna miljö använde gVisor för att emulera resurser och skapa en barriär mellan värdsystemet och den körande koden. Således, även om modellen producerar skadlig kod, förblir den innesluten och kan inte skada värden eller nätverket.

Använda ChatGPT-kodtolk

OpenAI:s ChatGPT har genomgått många evolutioner, med kodtolken som en revolutionerande funktion i GPT-4-modellen. Till skillnad från traditionella chatsystem, tillåter kodtolken användare att dyka djupare in i beräkningsuppgifter, sammanflätar gränserna mellan mänskliga AI-samtal och beräkningsprocesser. I sin kärna är kodtolken likt att ha en dator inbäddad i chatboten. Denna dynamiska funktion erbjuder användare tillfällig diskutrymme för att ladda upp en mängd olika filformat, från vanliga typer som TXT, PDF och JPEG till mer specialiserade som CPP, PY och SQLite. Denna bredd av stöd förstärker dess mångsidighet över olika uppgifter, antingen det handlar om dokumentbearbetning eller bildmanipulering. Verksam inom en robust och säker ram, är kodtolken utrustad med över 300 förinstallerade bibliotek. Denna sandlådesmiljö säkerställer säkerhet samtidigt som den tillhandahåller betydande beräkningskraft. Intressant nog, när den tilldelas en uppgift, skapar den en Python-skript i realtid för att utföra användarens begäran. Ta till exempel att konvertera en bildbaserad PDF till ett sökbart format med OCR; allt en användare behöver göra är att ladda upp dokumentet, och ChatGPT hanterar resten. En punkt av intresse har varit den maximala filstorleksgränsen för uppladdningar. Medan definitiva specifikationer ännu inte har meddelats, tyder användarexperiment på att systemet kan bearbeta filer som är betydligt större än 100MB. Oavsett storlek är det viktigt att notera att dessa filer är transienta, och kastas bort efter att chatsessionen avslutas. Kodtolkens briljans ligger inte bara i dess tekniska duglighet, utan i dess tillgänglighet. OpenAI erbjuder denna funktion till prenumeranter av ChatGPT Plus, som kommer med GPT-4-modellen. Således är detta transformerande verktyg inte bara för teknikeliten, utan blir gradvis tillgängligt för en bredare publik. Skillnaden mellan den standard ChatGPT-modellen och kodtolken ligger i deras interaktionsparadigm. Medan den förra främst genererar textbaserade svar, förstår och utför den senare kod, erbjuder direktresultat. Detta gör det inte bara till ett värdefullt tillgång för teknikproffs, utan också till ett verktyg som ger de som saknar kodkunskap möjlighet att utföra komplexa beräkningsuppgifter. ChatGPT-kodtolkens förmågor kan revolutionera flera aspekter av programvaruutveckling och datavetenskap:

• Automatisk kodgenerering: För både programvaruapplikationer och dataanalys-skript, givet en högnivåbeskrivning, kan systemet producera boilerplate-strukturer eller intrikata kodbitar, accelererande utvecklings- och dataanalysprocesserna.
• Kodgranskning och datavalidering: AI-drivna verktyg som ChatGPT kan hjälpa till att förbättra kvaliteten och säkerheten på programvarukodbasen. Dessutom, inom datavetenskapens område, kan sådana verktyg vara instrumentala i att granska och validera data bearbetnings- och transformations skript, säkerställande noggrannhet och effektivitet.
• Dataanalysstöd: För dataanalytiker kan ChatGPT-kodtolken hjälpa till att generera kod för preliminär datautforskning, visualisering och till och med grundläggande statistiska tester, underlättande dataanalysarbetsflödet.

Om du är intresserad av att lära dig mer om detaljerna i ChatGPT och promptteknik, erbjuder Unite.AI en omfattande genomgång i ‘ChatGPT: Avancerad promptteknik‘. Konfigurera ChatGPT-kodtolk Kodtolksintegration tillåter plattformen att tolka användarfrågor, köra dem som Python-kod och visa resultaten i en interaktiv chatsamtalsform. För att komma åt denna funktion kan användare navigera till ChatGPT-inställningar, utforska Beta-funktioneravdelningen och aktivera kodtolken. Vad som skiljer det från andra är dess transparenta mekanism. När användare begär en uppgift, avslöjar plattformen varje steg i bearbetningsresan, erbjuder tydlighet i hur kommandon tolkas och utförs. Viktigt, av skäl som rör sekretess och säkerhet, fungerar kodtolken utan internetanslutning.

Utforska fördelarna med ChatGPT-kodtolk

Datavisualisering & analys

ChatGPT går utöver omfånget av traditionella diagram, erbjuder både konventionella och innovativa grafiska representationer. Detta säkerställer att användare kan visa sin data i format som ger mest meningsfulla insikter. Men det handlar inte bara om att visualisera rådata. ChatGPT-modellen är skicklig på att bearbeta och raffinera data. Även om den är kraftfull, bör användare utöva försiktighet. Finansanalytiker kommer att finna kodtolkens förmåga att analysera och visualisera aktiekurser särskilt användbar. Genom smidig integration kan användare ladda upp datamängder och visualisera dem i olika format. Denna funktionens betydelse är uppenbar när individer kan utföra komplexa dataanalyser. Videon nedan demonstrerar hur ChatGPT:s kodtolk skapade en omfattande TSLA-aktieanalys. Nyckeltar:

• Teslas aktie har mött volatilitet men har också visat sig vara motståndskraftig med perioder av tillväxt.
• Höga handelsvolymer på specifika dagar indikerar betydande marknadsintresse eller reaktioner på viktiga händelser.
• Den nedåtgående år-till-datum-avkastningen (YTD) tyder på att investerare bör analysera både interna företagsfaktorer och externa marknadsförhållanden när de överväger framtida investeringar.

Implementering av datorseende och OCR

Ansiktsdetektering, en viktig funktion i datorseende, angreps med en klassisk teknik: Haar Cascade-klassificeraren från OpenCV. Bilden nedan visar användningen av den klassiska Haar Cascade-klassificeraren. Processen att extrahera text från bilder, känd som optisk teckenigenkänning (OCR), åstadkoms smidigt med Tesseract, och texten strukturerades sedan av GPT-4, förbättrande förståeligheten. I följande video ser du hur Tesseract (OCR) extraherar text från ett certifikatbild. Kodtolken excellerar inom området video, ljud och bildmanipulering. Med enkla kommandon kan användare uppnå detaljerade redigeringar, som att konvertera GIF till MP4 med specifika förbättringar. Ladda bara upp din fil, ange dina önskade ändringar och se magin ske.

Python-externa bibliotek i din ChatGPT-kodtolk

ChatGPT-kodtolken är en dynamisk programmeringsplattform utrustad med en omfattande uppsättning Python-bibliotek. Dessa täcker allt från datavisualisering med Seaborn till avancerad maskinlärning via Torch. Men det är mer än ett statiskt verktyg. Inspirerad av denna Chatgpt-sida från Korakot Chaovavanich. Börjande med den senaste nltk-utgåvan, laddade vi upp en .whl-fil till tolken. Vi instruerade sedan ChatGPT att hitta den lämpliga site-packages-katalogen genom att analysera en befintlig pakets plats. Nästa steg involverade att packa upp wheel-filen till en tillfällig plats och flytta filerna till den identifierade site-packages-katalogen. Men detta ledde till ett problem. Sökande efter en lösning, uppmanade vi: “Var vänlig och se till att NLTK installeras i Python-miljön och är tillgänglig efter installation.” ChatGPT svarade och föreslog en lösning. Det föreslog att lägga till den tillfälliga katalogen till sys.path, vilket tillåter Python att identifiera och hämta moduler från den packade nltk-paketet inom den platsen. Denna taktik fungerade underverk, vilket ledde till den lyckade installationen av NLTK. Genom användningen av .whl-filer visade installationen en blandning av skarpsynthet och anpassningsförmåga. ChatGPT-kodtolken, trots de initiala utmaningarna, visade sin mångsidighet och engagemang för att tillgodose utvecklares behov, säkerställande en förfinad kodupplevelse för både nybörjare och veteraner. I en fascinerande showcase av tolkens förmågor, betonade en nylig tweet av @DominikPeters en unik demonstration. Peters begärde att GPT-4 skulle generera en quiz om Paris stadsdelar, och modellen levererade en fungerande webbplats. Den fungerande quizen är tillgänglig för en hands-on-upplevelse på dominik-peters.de/gpt-arrondissement-quiz/. https://twitter.com/DominikPeters/status/1652630445639467008?s=20

Avslutning

OpenAI:s genombrott med ChatGPT-kodtolken är ingenting mindre än transformerande för både utvecklare och icke-utvecklare. Dess mångsidighet i att hantera en mängd olika uppgifter – från att hjälpa utvecklare med felsökning till att framgångsrikt skapa Paris-quiz – är ett testamente till den obegränsade potentialen för AI i att förbättra våra digitala upplevelser. Här är en destillerad essens av vår djupdykning: Förstå ditt verktyg: Liksom du skulle lära känna en kollega, bli bekant med kodtolken. Den är konstruerad ovanpå Codex, som är finjusterad från GPT-4. Dess förmåga spänner över flera programmeringsspråk, vilket gör den till en idealisk kompanjon för alla dina kodäventyr. Embracing AI-revolutionen: Traditionella kodningspraxis kommer att se en seismisk förändring. Med AI-drivna verktyg som ChatGPT-kodtolken kan uppgifter som felsökning, kodgenerering och till och med kodgranskning accelereras. Bortom bara kod: Kodtolkens inträde är inte begränsat till text eller kod. Dess förmåga att hantera flera filformat, från enkla TXT-filer till komplexa PY-skript, understryker dess användbarhet över olika domäner. Sluta aldrig experimentera: Vår utforskning med installationen av NLTK-biblioteket reflekterar vikten av uthållighet och anpassningsförmåga, värderingar som kodtolken kroppsligar. Om det finns ett hinder, finns det ofta ett sätt runt det. Anslut till AI-samtalet: Verkliga tillämpningar, som visas av Paris-stadsdelsquizet, understryker den enorma verkliga nyttan av verktyget. Embracinga det, utforska det och låt det förstärka dina projekt.

Ovanstående video är skapad med Gen-2 och Midjourney. För att sammanfatta, ChatGPT-kodtolken är mer än bara ett verktyg; det förändrar sättet vi interagerar med teknik på. För både innovatörer och entusiaster lovar det en värld full av kodpotential.