check g p t 背后的血焊工厂,看到这个热点话题之后呢,其实我都不用去翻内容,我就知道他说的是什么, 嗯,因为我本身是做这个自动驾驶算法的,就是包括人工智能这一系列的技术我都做过,就是一套非常非常好的一个算法,他是需要他是数据位出来的,是需要大量的高质量的数据。所谓的这个血汗工厂就指的是生产这些数据的人,是需要 我们先把这些没有标注的数据收集起来,然后给到外包人员或者标注人员,让他们去标这些数据,这个是一个非常非常辛苦的一个活,因为我亲自去标过,就是我做的的这个算法,所有的标注工作我都会先去 做一点点,然后呢确保我们的标注规则没有问题,标注规则是合理的,然后标注难度有多大,然后才能去预估说需要多少的标 人类之类的这样的事情,嗯,真的是很辛苦,就是说而且这个标注也会有各种各样的内容,很多都是会引起人身体不适的一些内容。我当时做非法短信的标注,就是那种非法短信, 各种就是其实不能说的一些短信,就是就是真的是很容易引起人的不适,然后呢就是这些也算是一个非常底层的一个劳动了,就是 说血汗工厂一点都不为过哈,但这也算是一个正在往上发展的一个行业,就是说实话也是你真的没有技术,大家也是可以去考虑去看一看的一个行业,但是真的是很辛苦,剥削人真的很辛苦。
粉丝2485获赞1.5万

要想签了 gpt, 成为你的私人专家,你就必须学会味道数据给他,比如给他一个平台和烦恼,让他体验一下核心内容,给他一个网页,让他查询最新的信息。给他一个表格,让他分析一下数据,给他一个文案,让他模仿, 给一些资料,让他做企业客服。要完成上面这些事,只需要一步喂头,如何做呢?首先,一千以下的那种相对较短的版本,直接在聊天框中丢给他即可。 用一条爆款的短视频文案的内容喂给他,让他模仿这种风格,写一条数据,给到他了,自动就总结了,然后让他模仿出一个文案。 然后如果是有网址的内容,可以用这个插件直接把网址放进去,让他把网页总结下来,或者根据网址的内容提分。再就是 如果是四点零的会员,也可以用这个插件再向他提问,回答的信息就是当前最新的内容。其次,如果是 pdf, 传统可以用四点零中的这个插件,只要把 pdf 送上到他自己的云盘,就能实现访问提问。 但是如果是 excel 表,其实可以把表格的内容丢给他,一会就给你总结好了,也可以基于这个数据不断去提外,比如让他生成表格,是不是和刚才我们看到的表格是一样的? 最后一种为数据的方式通过 api 来完成,比如用于 opia 的微调模型布局到本地化去做投位的智能客服手续的数据,企业实现客服的逻辑就是这样子的。

小白终于直接面对 gpd 了,兴奋之余却是大失所望。他的回答太空、太犯、太无用了。怎么别人都说他多牛逼,多有深度,多有有价值?别着急,原来他刚出茅庐,还需要调教。快快来看如何对他进行调教吧。 gpt 之所以牛逼, 首先他必须知道你在说什么。还好,他具备了多轮对话和理解的能力和结合上下文语境的能力。他会记住我们前面的绘画内容,在此基础上具针对性的回答后面的内容。所以他是一个可交的孺子,可以通过不断的对提位数据 投指令实现对他的调教。他会是一个出类拔萃的好孩子,他会给我们需要的回答和效果。调教的第一个方法就是继续指令,他的形式就是请继续。在场上的限制条件下, gpt 给我们回答可能会说到一半就中断了,我们就可以通过继续指令让他继续说完。即使他说完了话,我们也可以通过 继续指令让他对回答不够深入、不够具体的地方继续展开。除此之外,还可以用进一步的继续指令对其进行层层追问。在进行继续追问的过程中,还可以把我们提问中的不要求的提示词给用上。当追问层次太多时,要注意要明确对象,避免出现答非所问的情况。 如果在同一个对话框内穿插多个不同的话题场景,在开启一个新话题时,应初始化以下 gpd, 把前面的对话清空后,再开始新的话题,这样就可以避免 gpd 的回答受前面内容的干扰。 gpt 的每一次回答可能并不总是如我们的意,所以还要用讲成指令来调教 gpt。 讲成指令的实操思路很简单,以训练出题小助手为例,在 gpt 出现之后, 能不能让 g p t 自动或者辅助生成思维练习题一份单调部分的工作呢?首先先从为之前的思维题让 g p t 学习和分析出题的格式,然后让它生成答案模式。 对于这些 gpt 生成的内容,如果符合要求,就用肯定词汇,比如非常好,请继续保持这种形式。对于不符合要求的地方,就用否定词汇,比如不对,你错了,请重做。要求是叉叉叉。经过重复的走位,一轮轮的调教, 读书的犯罪加糖快,一个初级小助手就调教成功了。 ppt 有无尽的可能性?赶快加入这场创造与探索吧!如果你有任何问题,欢迎在评论区讨论,如果你觉得有价值,请点赞关注,谢谢观看,下期再见。

怎么用代码显示器来提高 chet g b t 的记忆力呢?参考推上一个博主的思路,我们先告诉他要建立一个 t x t 文本, 要求他把每次对话的要点都总结放到这个文本里。而且每次对话之前呢,必须先读取文本的信息,然后就开始跟他对话了,并且发送了几千字的一篇文章。你看,他总结之后就存在了 t x t 里,并且提供了下载的链接。打开一看,确实是刚才文章内容的总结。 照这样继续跟他对话,并且还未给了他几篇文章,这时对话的内容早已超过了 chat gbt token 长度的限制,但是呢,他把精华全都存在了 txt 当中。 最后让他根据之前几篇文章的内容来做一个创意,他首先就会读取 t x t 里面存放的内容,这样不会丢失最重要的信息,然后再结合他的 记忆做出了不错的回答。这个方法其实简单,模拟了提高大于模型 tok 数的一类算法,方案就是靠不断的总结来节省空间。代码显示器加上文件读写的功能,确实为突破 chat gpt 本身的限制提供了方法。

小白如何零门槛制作视频?小白能零门槛制作视频?一个语言模型能为你完成所有工作, 是的,你没听错, gpt 四就是这样的神奇工具。让我们一步步展示如何使用 gpt 四进行视频制作,确定视频主题。 例如,我们今天的主题是如何用 g p t 四进行视频制作。文案创作和修改这一步非常关键,您可以根据生成的文案对 g p t。 四提出要求和建议, 例如表达的形式、语气及突出的重点, g p t 四会根据您的反馈进行及时调整。使用 cap cat 插件进行视频生成,这个插件可以 可以帮助我们根据已经确定的文案自动生成视频。在完成视频制作后,您可以使用 video in size sl 插件获取视频的原数据和摘要,确保视频内容符合您的预期。更多 gpt 次干货, 欢迎评论留言或私信我们。以上文案视频由 g p t 四制作完成。

我真的要被苹果气死了,昨天晚上我用自己 app store 的美趣账号去登录了一下,去下载架子 cpt 的呃手机版应用,搞完之后 退出,然后登上自己国内的 appid appleid, 结果想去备忘录里面写一些东西,发现备忘录里面我的四月份五月份的的记录全部丢失了。然后我又登录 icloud 去找,里面也没有,今天早上打 apple 的客服电话说 他们那里也找不到这些数据,恢复不了哇,我为了体验一下这个呃 app, 我亏大发了,所以 有想去体验价值 g p t a p p 版的同学们在你换美区哎, apple id 登录的时候一定要注意了,要保留你的 icloud 的数据哦。

g p t chart 那个 g p t g l m 微调的这个模型,那么在这个微调的模型里面有一个非常重要的,就是如何产生这个训练的数据,因为它是要五点二万条数据,然后再进行微调和训练的。 所以的话呢,我们我最近也看了一些开源的一些解决方案,他能够通过一百七十五个一百七十五条的这个叫种子任务,自动的可以产生出这样的一个训练的样本, 它是主要这个今天我可以跟大家讲一讲这个东西啊,这个也是蛮主要的啊,因为我们知道那个 chat gpd 的话呢,它是各个行业都可以应用的,对吧?然后如果你企业要把你的知识能够沉淀在这个人工智能的这个模型里面的话呢,我们去训练一个 chat glm 的这样的一个模型,哎,把这是自己知识的那个 knowledge 沉淀在这个模型里面,然后这个算力安过机器去替代你的一些人力,这个还是非常有价值的啊这件事情, no, 我们今天的这个 项目,它叫 self in instruct, 就是自己产生,呃,这个是这样的,呃 呃,是零二年的,呃,二零二十二月二十号,他是刚刚公布出来的,他这篇论文还是蛮新的,他这个那就是有很多的项目,就是另一个论文开始写了一些代码,像那个目前国外比较火的那个羊驼的那个训练的那个模型,他就是用这个 self instruct, 用一百七十五个 种子指令,自动的能够产生五点二万条的这个训练的数据,我就跟大家讲一讲他到底是怎么来工作的? negro 呢?我就不讲了,就是背景应用的场景我就不讲了, 应该大家都会比较清楚,因为我们清楚你这个就是指令的提示学习,他非常重要,产生各种各样的提示指令,这个提示指的指令可以让你的这个模型他比你的叫 findoten 更有价值啊,微调,所以更好啊, 所以的话指令就会非常重要。但是呃,你人工写的提示指令不一定是你机器最优的,所以的话呢,他他又耗费工时,成本又非常高,所以的话呢,经过机器来产生,自动的产生这些提示的指令, 呃,只可以输入到你这个模型的马逊 learning 的这样一个训练级当中去啊,我们来看看啊这张图,我们来看一下,它呢是经过四个步骤, st, step, 一二,三,四,经过四个步骤之后,它就能够把一百七十五个这个人工写的这种叫种子任务 自动的能产生五点二万条的指令,当然如果你要产生更多,它主要你输入一个参数。但是目前像这种 呃智能的这个指令学习,像那个一到这个十三,呃,一百三十亿的这个大模型的话,他要几万条指令就已经足够了啊。他是这样,那么步的话,是先通过这手工写的这个指令先,他会 扔给这个 g p t at g p t, 它就利用了 chat g p t 的这个能力,它把这个指令认给 chat g p t, 然后把 chat g p t 的这个返回 response 返回,它通过这种方式去构建指令,它通过这种方式去做的,当然它前提是要你要手工先写一些指令,它这个指令的话就不断的循环, 不断的去问,掐着 gpg, 然后他能产生很多很多的这个指令,他是通过这种方式去做的,产生五五万多条指令之后的话呢,他进入了第二个步骤,就是对这些任务进行分类。为什么要进行分类呢?这个是跟我们提示指令学习是有一定的关系的,为什么?因为 他在那个就是掐着 g p t, 他回答人的问题的时候呢?他有两种类型,一种类型呢他叫分类任务,比如说呃,你问他呃你的这个呃电影到底是呃积极乐观的、悲观的,那么这个问题或者你要要回答 yes or no 啊,或者你要有回答,它叫分类。那么还有呢就是填空,填空就你让它自动的产生一些东西啊,这个也是啊,它主要是分这两大类啊,它等于是这样换来你通过这个一百七十五个种子的任务问及,掐着 g p t 去不断的去循环,然后产生各种各样的 五万条的这个指令,或者十万条的这个指令,然后的指令这些问题,然后你再去把这个去进行做一个分类,到底是一个分类回答还是个填空的回答?然后 进入第三步就把这个纸再去问 chat g p g, 让他把答案帮你填上去啊,填上去填完了之后的话呢,他会有这个一个这样的一个知识库里面去,在这个知识库里面他再会去做一些你这个指定是否重复啊?对吧?你的回答是否这个有有一些问题啊?他会做一些过滤,然后再 在在成在呃过滤完的这些指任务指令的话呢,可变成这个训练的数据,他是通过这种啊,呃,这个是他整个一个处理的,这样的一个会发现,哎,我们如果去训练我行业 一个一个机器人的话,他就会非常方便啊,你只要去写一期标准的问答啊,你只要去去做,大概呃几百条啊,那他就可以通过呃 gpd 四或 gpd, 他可以产生各种各样的这个训练的数据啊。他通过这种方式去做的 那个项目的话呢?他也把最后的元代码都开元啊,都把最后的元代码开元。我们看一下啊,他用他这种方法去做的话,第一条出来的这个模型性能量 啊,这个是他的一个统计,是产生了五万千四百四十五条数据啊,那么他当中有一些分类的指令,有一万一千五百八十四条,然后非分类的指令是三零八百 百六十一条啊,它等于是这样。呃,然后它的浓度就是字符的话呢,它有大概呃接,嗯,十六个 word, 它等于是这样啊,那么大部分都是一些。呃。 这个指令是输入吗?他这个问 g p t 回答的他的这个问题,他平均的这个指令的长度大概是在十九个 w, 就是十十九个英文单词,他等于是这样,他们也做了一些实验,实验这个是一张大图,他大概五万多条直 指令里面他这个 top 二十,他的,他的这个指令的分布到底是怎么样的?他可能让他去写一个什么函数,写一个 write, 写一段话,给一些建议啊,给一些 zangpo 啊, list 啊,呃。寻找一些 word。 他他他这个我就不讲了,他他会把这个指令产生完,他就做了一个分布, 他到底有哪些任务都是可以做的,什么描述啊?产生啊、分类啊、制啊、值啊啊,这个是他这个产生了这些指令之后,他们就 拿这个东西去训练,训练,训练的话呢,它它有一个非常强的一个东西,就是它有一个叫 g p t 三这个模型,用了它的这个 self instruct, 就是它自己的指令生成的 这种方式,它去训练了一个 g p d 三的这样一个模型,它这个模型它的这个性能跟 instruct g g g g p g 的第一个版本、第二个版本、第三个版本,它在这个论文里面都做了对比, 它跟这些 instruct 的这个 gpt 啊,就是 gpd 三点五 chat gpt 的它这个性能就是比较接近啊,比较接近,当然没有 掐的 gpd 性能好,但是也是已经比较接近,这个是他这个论文的主要的这个概述。我就跟大家就聊到这,我们再深入一下,再看看他的源代码,这部分是要重点来讲一讲源代码。嗯,我们前面是介绍过,他主要是源代码只要分了四个步骤,第一个步骤就是你要 产生指令,你就是通过最基础的一百多条人工输入的这个问答的指令,然后你要产生五万多条指令,这个是怎么产生的?我们代码一起来看一下。这个我觉得 比较有价值。首先的话呢,他还是去读取,读取这个用户就是 human right, 就是用户写的这些指令作为一个叫种子指令,他是这样来做的,他是第一步。然后做完了之后的话呢,他会有一个这个是比较重要的,他会去对比你机器产生的这个指令, 在我这个指令库里面,在我这个训练的数据里面,他要去对比他的相似度,如果他的相似度非常高,大于百分之七十,这条指定是不会采纳的,他这条指定是不会采纳, 那么他这边也会定义一个总共要产生多少条指令,他这个里面有一个值的,他这个里面写的定义的是五万条,当然你可以定义十十万条更多也是可以的。当然你定 音的指令越多,那你要训练微调你的整个一个模型的时间需要更久。目前看下来他们五万多条指指令,他们是研究过的,数量是比较最优的,他是最优的。好,那么他拿到这个指令之后的话,就去问 mac 这个 g p t 三去请求。他拿到这个指令之后,作为一个请求的一个参数 去问 g p t 去要它的这个返回,那么这个返回它其实本质上也是一个问题,它等于是这样,它也会作为一个指令,然后存放下来,它就 不断的是这样,他拿回来的指令他会去做一个相似度的一个对比,如果这个相似度超过百分之七十,他这条指令就扔掉了。如果他相似度没有达到七十,他认为这条指令是放在他的这个指指令级里面, 他是这样,那这样就不断的去循环,他是这样来产生指令级的。好,这个代码还是比较简单的,这,这是第一步,第二步的话呢,他要 做一个操作,我前面产生的从这个 chat g p t 里面, g p t 三里面产生的这个指指令级,我要去问这个,继续去询问这个 chat g p t。 这条指令到底是 分类任务,还是到底是填空的任务?他主要是做这样一件事情,他也是一样,他要把五万多条的指令再进行循环,去问这个 chat g p t。 他到底是不是一个分类的一个任务,如果是分类任务,那么他要打上这个分类任务的标记,如果不是分类任务,那么他就是这个分类任务,就是 force, 他主要是做这样一件事情,这是第二步, 那么第三步他就要去把前面的这个构造出来的这些指令进行,再去问 chat g p t。 他的这些问问题,去问 chat g p t。 要答案,他是这样的,他就不不断的去问他要答案,然后把它存储在这个这个这个训练的这个数据集里面,他还是一样好。最后这他呢?他也是比较简单的啊,他主要 做一些过滤,过滤和操作啊,有没有重复的?叫 instance, 有有有没有重复的这种要训练的这个样本,他就把他踢掉,有没有错误的这个这个样本要把它过滤掉,他主要是做这样一件事情,呃,如果他最后的过滤操作都做完了,那么他就会保存在一个文件里面, 他训练的这个样本的,从这个重报让呃恰的产生任务,对吧?产生这些的样本他就完成了,然后他会保存,保存下来,然后他保存了这个面, 他们的那个最终的这个格式,他这个论文里面也讲了,就是可能这个他通过这种方式啊,他会错误的产生一些 指令和训练的这个数据,他有可能有些低质量的,他也会产生的,所以这个时候他还需要最好能够经过一部分叫用户的验证。他这个里面也讲了一下,他叫评估,最好能够经过一个用户的评估啊,当然你这 多的几万条的这个数据,你要经过用户的评估,其实工作量还是蛮大的,等于是这样当然比你原来从头到尾写那个效率要高很多了,他等于是这样好的,那么经过这个四步之后,他就可以他他这个测试的数据集就产生了,所以这个方案他可以应用在我们每个公司 产生你自己的,他都是可以产生你自己的这个胃的这个比较重要的这个训练的这个数据,训练数据是非常重要的,那么你有了这个训练数据之后,经过人的评估,你就可以喂给我昨天讲的那个 chat g l m 的这样的一个 人工智能的这样的一个模型里面去,它可以打造一个你公司自己定义版本的这种行业版本的这种恰的 g p t 出来,是这样来做出来的。好啊,所以今天我就跟大家就就聊这个东西,这个我也自己实实践过,确实也有些公司也是用过的,像上次给大家介绍过 那个叫斯坦福大学的那个羊驼模型,羊驼的那个模型就是用这个 self instruct 自己产生的这个这个这个训练级来产生的,他们据说的话呢,他只花了不到五百美金,他不断地去问 恰的 gpt 产生这种训练的数据,他的大量的这个数据是这样训练出来,然后的话呢,他也能达到这个恰的 gpt 三点五,大概百分之九十左右的这个能力,他是这样的羊头这个模型我们也清楚,他是横行模,一个模型记就是七十亿的这样的一个模型。好,嗯,如果大家有兴趣的话呢,也可以给我留言。

都散了吧,先都不要去凑这个热闹了。这两天围绕 chart gpt, 我发了几个视频,简单讲了一下,就有很多的老板发私信来找我,都想蹭这个热点,问我怎么把 chart gpt 结合他们的实际业务进行结合和创新。 我想说的是,先都散了吧,都不要去凑这个热闹了。传统企业老板如果真想创新转型升级,那就先好好的去琢磨一下产业数字化吧。 先考虑怎么把你的用户数字化、营销数字化、供应链数字化、分销渠道数字化、顾客培育数字化、上下游管理数字化等等这些先给搞起来, 考虑怎么将传统产业业务融合数字化,把线上线下融合、全域运营先给搞起来,把全业务链条实现数字化。因为在未来,数 数据是基础,没有数据谈何人工智能?谈什么 ai 呢?没有大量的数据及模型进行喂养和训练, trot gpt 也只能是一个傻子。而数字化是所有数据的来源。 当下当务之急是先要逐步实现产业数字化的转型升级和应用,这个才是核心的关键呢。

嗯,很好,我们都知道这个拆的 gd 是一个很神奇的工具啊,他回答问题的质量其实很大程度上取决于我们提问的质量。今天老哥给大家分享一个万能的模板啊,能让拆的 gd 快速完成编程,然后实现我们需要的数据处理。 这个模板就三个部分啊,第一部分是给他带入一个角色,第二部分是表达希望他具有的这个能力。然后第三部分啊,他是直接提出我们数据处理的这个需求,那比如说现在我们让他预测一下这个混凝土的强度啊, 啊,大家看到了啊,他就开始帮我们写这个代码了,然后写完的这个结果我们直接 copy 一下啊,那这个结果我们粘贴到拍子里边试着运行一下啊, 他算了一会,已经给出这个计算的结果,这个代码我是没有改过的,大家看非常的方便。那同样的,前面的表述我们都不改啊,我们换一个问题啊,让他对这个鸢尾花数据集构建一个可以进行分类函数啊,大家看他就开始生成了,那我们把它生成的答案再次粘贴到拍子里面算一下啊,大家看啊,他已经算好了,这个计算的结果 还是非常不错的,所以说现在我们用 chitgp 确实还是能省很多的时间的。呃,如果大家想比较系统的学习用 chitgp 来完成一些这个数据分析啊,建议大家看一下这本书啊,这本书就是教给你在不同的场景之下如何有效的提问,然后让 chitgp 给你生成比较满意的这个答案啊,如果学会了之后,还是能节省我们不少的时间的啊。好的,谢谢大家。

让 chat gpt 叫你获取股票数据,在上一期的视频播出之后呢,有网友留言咨询如何获得股票数据,那么这个问题呢,我们还是让 chat gpt 给我们一点答案, 这里呢我们限制一些条件,比如说首先呢,中国大陆要能用,第二呢一定要是免费的,第三最好不用注册账户。那我们来看一下 叉 g p t 给我们的答案是怎样的。首先呢,我们问他说中国大陆可以用的股票数据的免费派森接口, 然后他推荐了四个,但我们仔细看一下呢,他推荐的这四个当中啊,有三个是标明了需要注册账号才能使用,所以呢我们就选择他推荐的第二个这个 ak share, 呃,这个没有说 是需要注册账号,所以呢我们就让呃拆 g p t 呢进一步的给我们生成使用这个 ak share 获取股票数据的实力代码。那么代码生成之后呢,我们把这个代码拷贝下来, 呃放到我们的主体 notebook 当中。当然大家注意啊,如果调用这个接口的话呢,你是需要先安装 ak 十二这个库的,安装的方法呢很简单,就是 peep install 就可以了, 安装完之后呢,我们把它导入进来。那么接下来这一行呢,就是呃拆 gpt 帮我们给出的一个获取历史行情数据的 这个函数,那这里面呢,我们是嗯把这里的股票代码是隐藏掉了,为了不违反平台的规则,那这个地方呢,大家要注意,就是说你的股票代码前面要加上 s z 或者是 s h, 如果是深圳交易所的,那它的前面应该是 s z, 如果是上海交易所的,变成 s h 就可以了,后面传入起止日期, 那么我们运行这一行代码呢,就能看到我们就收到了这只股票它的一个历史行情,包括日期, 开盘价,最高价,最低价,收盘价,然后成交量以及他以及他的这个流通股的数量以及他的换手率,后面给了一个换手率的指标,还还是蛮不错的。那么其次呢,还可以获取这个股票资金流向的数据,用的是这一行代码, 这个地方呢,直接就是替换成你的股票代码就可以。后面呢一样的这个 market 的这个参数,如果是上 教育所传 sh, 如果是深圳教育所传 sa, 那么运行这个代码,我们能看到他给我们返回的包括收盘价,涨跌幅,主力的流露,流出的情况等等。 那好呃,如果大家还需要其他的数据呢,也欢迎在评论区给我留言,或者呢,你可以去参考这个接口的官方文档。本期的视频就先到这里,感谢大家的收看,我们下期再见。

不会机器学习,不会深度学习,能不能快速的进行数据分析?机器学习深度学习入门还是有一些门槛, 除了采集数据,还需要对数据进行清洗、特征提取、数据建模。现在有了 chat gpt, 让机器学习和深度学习其实变得非常简单。现在讲 chat gpt 的书太多了,但我觉得作为一个程序员,看那些讲编写提示词, 教你各种 ai 软件的书,确实没什么意思。最近发现了一本特别有意思的书,叫巧用 chat gpt 快速搞定数据分析 梳理,以 chat g p t 为主要的工具,讲了如何用 chat g p t 进行数据分析,进行数据的清洗、数据的提取、特征和深度学习。那梳理 对于拆了 gpt 的提示词的写法也让我大开眼界了,我自己从来没有写过这么详细的提示词。另外还讲了一些数据分析的基本的理论和方法,深度学习相关的知识。 如果你觉得家外学不动了,想躺平,不妨学数据分析。好了,不说了,我去算我的股票数据去了。关注我一个分享干货的技术博主。

亲爱的, gb 引来了一次重磅更新代码解释器。代码解释器的使用非常简单,你只需要上传一份表格数据,他将为你完成详细的数据分析和可实化。你可以让他显示不同的图表类型,也可以让他切换不同的图表风格。这项新功能极大的减少了数据分析的工作量,非常适用于工作总结和成果展示。

亲爱的 g b t 可以给文字配音了,最近就是做视频的时候,在找一些文字转语音的工具, 然后发现拆的 gpt 有一个插件可以做到文字直接生成语音了。生成完之后呢,他会给你一个下载链接,点这个链接就能直接下载成 mp 三的文件,来看看效果。你好,欢迎来到我的频道。 如果你用不了拆了 gpd 的插件,还有一个免费的工具也蛮好用的,叫 tts maker, 同样输入需要转语音的文字,点击生成就可以了。

你知道吗?当你使用叉 gpp 的时候,就有大量水资源被消耗。据媒体报道,微软公司用水量同比去年激增了百分之三十四,较前几年大幅上涨,相当于超过两千五百个奥运会标准泳池水量。专家分析, 这与微软的人工智能研究有关。微软支持的 openai 技术需要耗费大量水用于冷却超级计算机,帮助 check g p t 学习如何模仿人类写作。除了建造冷却塔,服务器运行需要大量电力,而火电、天然气和核能发电也会消耗大量水。数据显示,每次向 check g p t 提出五至五十个问题, 就会消耗五百毫升水资源。而如今有一亿人使用叉 g p t, 每天消耗的水资源将难以计数。小伙伴们,你有什么办法可以帮助微软节约水资源?评论区说说看。

你有没有想过,为什么你使用叉击的时候,总感觉结果与其的差距巨大?心里明明装着答案的雏形,却总是在提问的方式上迷失自我?今天我们一起来揭秘构建精确提示词的核心方法,带你穿越这片迷雾, 让美味踹鸡的新手晋升为大师,能够轻松得到高质量答案。那题食的构成呢?就如同制作一顿美味佳肴的过程,任务就是主菜的选择,是牛排还是意面。背景信息就是调味,你希望辣一点还是甜。 数据详情就是烹饪的细节,比如牛排的熟度,配菜的选择等等。结果的格式就是菜肴的呈现方式,就像精美的摆盘和装饰。每一次与 thb 的互动啊,就像是一次创造美味的艺术之旅。每个步骤啊,都必须精心计划和执行, 过程中啊,还需要不断的品尝来调整,通过反馈的信息调优整个菜品的生产过程,最终呢,才能确保大餐的完美呈现。对应的信息如下,看似平淡无奇,实则包含 无穷的智慧。比如我需要一个发布会的演讲稿,那这样提问呢,即可以获得一个高质量的发布会演讲稿。再比如,制定远程团队的协作沟通指南,按照同样的结构提问,这样叉 gb 啊,就会针对于每个人的情况给出精准的答案。 为了让大家更好的理解这种方式呢,我整理了一份 check 的使用宝典,可以帮助大家从入门到精通。感兴趣的朋友评论区来找答案。

gpt 四的代码解释器让普通人可以去拥有无限的个性化能力。首先你应该把它看作是一个 ai 程序员,他可以按照你的需求去编写拍摄代码,而且会马上运行现场就得到结果,比如为这个长条的横图生成移动的动效, 根据 excel 的数据生成图表等等。虽然 g p t 四它本身也是可以编代码的,但是还得自己去部署环境,拷贝代码去运行,那普通人根本就用不上代码减速器就完美的解决了这个问题。 为什么说是个性化的能力呢?因为他要解决的那都是一些小众的需求,所有热门的标准化的需求,要么你通过 chat gpt 本身就能解决,比如像撰写文案,策划活 活动方案这种属于文本推理型的,要么呢通过 chat gbt 的插件系统也是能够去解决,比如像预定航班分析网页内容 复杂,数学计算等等。插件系统现在还是一个初期,未来他肯定会把几乎所有的主要的典型的能力都会容纳进去。那只有这两种模式都难以解决的问题才有必要去编程, 因为你编程本质上就是要量身定制一个新的工具,如果一个功能已经有工具可以实现,那显然没有必要通过编程再去造一个一样的工具出来。为什么是能给普通人无限的能力呢?因为代码 几乎可以去解决一切的问题。万物皆是数字,世界上的所有的东西你都是可以想办法用数字来表示, 而运行代码,他本质上就是把一堆数字转换为另一堆数字代码解释器,现在他可以根据需要来生成代码,这样就能去解决无穷无尽的问题了。当然现在他的能力是非常有局限的,比如还不能访问网络, 无法运行图形化的界面,能调用的库也非常有限。但是这是一个现在产品设计上的权衡,比如要考虑安全性,这种模式他一定会越来越强大的,而且也绝对不只是切的 gpt 会怎么干,以后任何的 to c 的大模型那都会搭配上类似的功能。

你好,今天咱们来介绍 chat gbt 里面的 code interpreter, 我们来看看它是什么啊?这个首先呢,它是一个我最近看到给我提供的新功能,因为现在啊,它是在一个灰度当中, 说白了就是先给一部分用户来试用,哎,如果大家反响不错,并且也做了一定的改进,他就再继续的把这东西推而广之,给更多的用户。 那么我前两天看到,哎,这个出现了,叫做 code interpreter, 在这个我这个选单里面啊,现在好几个了,我看着很开心, 呃,还是 alpha 状态,就是一个最初的测试版本。那么我当时一看他啊, called interpreter, 我当时想到的是什么呢?我就犯了一个错误,我顾名思义或者叫望闻生意啊,是想到 这东西呢,既然是这么写,那一定是什么呢?他就是代码的解释啊,代码解释我用得着你吗?对吧?因为什么呢?拆 gbd 就能干啊,而且干的还不错。我这个代码让他给我看这里都每一句是做什么用的,他一般来讲给我们解释的也是非常靠谱, 所以我就没当回事啊,实际上大错特错,为什么?因为这个东西绝不是你放一段代码,他给你解释啊,然后给你返回这个解释结果,绝对不是啊,他是干什么的呢?他是这样,呃, 它是代码的执行器,就是它可以执行代码,以前呢,你用 check g b t 或者 g b t 四给你写了代码之后,哎,然后这个代码怎么用呢?你得把它拷贝到你的环境当中,对吧?现在不需要了啊,它 甚至允许你上传文件作为输入。大家都知道我们做很多的这个编程啊,都需要有输入的文件,输入的数据,对吧?他允许你上传文件作为输入, 然后啊就在自己的环境当中给你做这个代码的处理,不需要你把它拷贝到什么 viro studio 啊,猪比特 notebook 呀,或者是在线的运行环境当中去运行代码,看结果了, 直接都在这做了一站式的包圆完成啊,而且它不仅可以给你直接显示结果,包括结果的绘图,数字这些东西, 甚至他可以给你提供一个结果的下载链接,我输入一个文件处理完了,形成一个新的文件,这个文件他可以在这给我一链接,我一点就可以把它下载。哎呀,这个东西我当我明白是怎么回事的时候啊, 我这个大惊失色呀,其实就在人家这个你你选单的时候,人家边上给你解释啊,我连看都没看,哎,我觉得这就是一种无知吧,这个耽误我好几天来使用啊, 不过没关系,我把这个话告诉了你,哎,你就不会再因为这种错误的判断耽误时间了啊,那么下面我给你演示一下,有了这样的一个功能, 那你可以做什么啊?我们来看看。首先我们先找一个数据集,这数据集呢,我就不找那种太复杂的,我找了一个简单的,就是一个这个结构化的表格数据,这是我上课的时候用的啊,叫做 lonesdale csv, 在之前的文章当中我也介绍过他,不过那是好几年前的事了啊,我估计你可能都忘了。呃,简单来看一下,就是这里面呢,每页 行是一个记录,代表着一笔贷款,然后呢,这里面的每一列,哎,代表着相关的特征,你好比说从第一列是贷款的等级啊,然后呢,这里还有他是不是啊?拥有自己的房屋,你是房子是你自己的,你租的还是抵押贷款? 然后最后一列非常重要,他就是说这是一些历史数据吗?就是这笔贷款最后到底是不是 成功的收回,也就是他是不是安全,对于这个放款人来说,那么这里头,嗯,负一代表,哎,这笔贷款最后完了,这个收不回来了啊,这个就是一个,呃,不安全的,或者叫不良的贷款, 哎,如果是一,那就是最后,哎,连本带息都收回来,非常好啊,是这样的一个数据集,那下面我 我们就来把这个数据机放到 code interpreter 当中,看它的效果。呃,首先是上传,上传呢,在这个界面当中,你会看到一个很不起眼的啊,我这里给你加了一个红框,哎,让它醒目一点,实际上特别,呃,细小的一个上传的这样的一个按钮,你得按一下它, 这就可以上传文件了。上传之后他会进行分析,这是他给我分析的结果,对于每一列,他都给我讲这一列是干什么的啊,讲的是一清二楚。于是呢,我就点击这里面有一个收 work, 就是你看看他究竟在做什么, 哎,我一点我发现啊,他是怎么做到的呢?他的代码运行是这个样子,他这里头实际上是去读入相关的数据,并且他会看这个结果,因为他看这个结果,所以他大概能够判断 出这里面都有什么,他是通过这样的一些结果,然后把它反馈回你好了,有了这一步,下面我们开始输入提示语了。第一个,我觉着你跟我拿英文对话啊,很别扭,你给我拿中文说话,所以怎么办呢?我说请用中文翻译上面的内容, 并且对于专业术语加以简单明了的解释啊。我们来看看他的反馈结果,这里面把所有列的解释不仅给你翻译成了中文啊,而且如果你对比就会发现,这里头可循环信贷利用率这些 原先是没有具体解释的,而这里面会给你介绍他是一种什么样的信贷形式,然后反复借款和偿还都会给你列出来。哎,这个证明确实,他是按照我们的要求,遇到专业术语,那就给我们加以解释。 在最后他提出来,请告诉我,您希望用这些数据进行何种分析或任务。这时候你就可以要求他,好比你给我做一个什么样的分析,比如说某一个变量啊,你给我画一个他的统计图啊,看一下他的分布,这些都可以, 但是啊,但是那就没劲了嘛,对吧?这个每一步都需要我人工参与,为什么我还需要你这个 ai 呢? 所以我的办法是这样的啊,你自己,哎, ai 啊,你能否根据目前的数据集 思考他可以做哪些分析,请一步步思考,并且给我你有信心的答案啊。这个我这样要求完了以后,这是结果,他把可能分析的类型在这里给我们列出来。第一个可以做描述性的分析啊,这样就是一些基本的数量分布等等。第二 二步,做相关性分析,把一些变量之间的关联进行相关的总结。第三个他要构建预测模型,这里提到了决策术,随机,森林逻辑回归等等等等。而且还说啊,要分为训练级和测试级, 非常好啊,非常好。这个有时候我学员都记不住这事啊,他们直接训练级验证级啊,就上了啊,这个他知道哎,用 测试机来评估这个相关的性能,我觉得非常好。前三个都很好。第四个我觉得有点问题,因为他说的还是贷款是否安全的标签, 而且他说用分类算法预测是否安全,这里他说的虽然和前面使用的不一样,比如说这里提到了支持向量机, s v m 啊,朴素贝叶斯,但是,但是,虽然你用的这些 模型不一样,但你要做的事实际上是一样。所以我觉得在这里面四和三是重复了,但是咱们是拿 ai 当助手,又不是拿他当枪手,对吧?你,你写的不对我告诉你啊。第四就不用做了,咱们来把前三个做一做, 这里为了展示的方便呢,我一次只让他做一个,下面是给你看看啊,做的这个效果,迪士宇请先做。第一步就是描述性分析,然后呢,这是他给我的结果,非常快啊,非常快。然后在这里他告诉我多少条的记录 啊,最常见的等级,贷款等级,哎,平均来看有多少的贷款申请者被雇用不足一年,然后这个平均雇用年限啊,平均债务收入,哎,贷款的期限的最多的数量。然后呢,是哎,有没有重大 负面公开记录,所有这些东西咵一下就给你列出来哎,如果你感兴趣的话,还可以在这里点击首 work, 你看看他究竟是怎么给你做出来的啊,这里咱就不展示了,因为这比较简单,我们来做第二步。第二步是 我让你给我做相关性分析,你看看现在他做的结果啊,这里面 short emp 和 emp last number 之间存在负相关性,因为短期雇佣和雇佣年限是相反的概念,非常好 哎, d t i 和 real n t o 之间存在正相关性,债务收入比高的贷款申请者往往会使用这种相当于循环的这个信贷。 然后呢,哎,这我就不一一的给你念了啊。但是在这里说,哎, saflons 和以下的这几个变量呈现一定的互相关系啊,就是说那些,哎,债务收入比比较高, 然后呢,这些人可能你贷款给他就不是很安全,对吧,但是这里,尤其是我喜欢最后,这个 相关性不意味着因果非常好,非常好啊,这个,这个,我,我希望我的学生也能理解这一点,这些相关性的强度都不是很强,因此我们要考虑更多的变量交互和非线性关,非常棒啊,这个就属于知其然也要知其所以然,我觉得很好。 那么他执行的代码,我打开看了一看,实际上就是做了一个相关性的检验啊,如此而已,但是通过这些,他就可以给我们解读出很多有用、有趣有价值的内容。 那下一步提示于自然,就是让他给我做第三步了,预测模型。这里呢,为了让他能够做的更加谨慎,我说一步步思考与展示,你有信心的结果,你看看啊,哎,这是他 他的结果,这里面首先他要做数据预处理,然后选择模型,第三步训练,第四步评估。很好啊,那么他在这里面选择模型是直接的已经做出一个最终的选择,就是要做一个 啊,随机森林,因为他说他在各种问题上,我这里主要指的应该是这样的数据,规模不是很大,几万条实在算不上大数据啊,而且是结构化的,这样的表格数据确实随机森林一般表现出非常好的效果。 然后呢,他就开始陷入长考啊,其实这个不是一个思考的过程,是一个编程的过程啊,在这里他在编制程序,他编制程序是这个样子,就是真的是在对数据及进行处理,包括读者编码、冠、 hotting, coding 等等等等啊,我觉得以他做的严谨 啊,在我的这个积极学习课上啊,这是可以通过的啊,下面呢,他告诉我们说这些步骤,哎,预处理完成了,那么现在他把所有的这个分类变量啊,都已经做数值化的处理, 那么训练级有多少?测试级有多少?这个我们可以看到,基本上是按照四比一来划分的,然后随机森林模型 在下一步,这时候模型训练就都已经做完了,然后他说下一步我们要用测试机来评估性能,但是我不放心啊,我想看一看你这模型怎么训练的,对吧?我让他给我看一下, 其实就是哎 random forest classifier, 然后在这里来进行这个相关的训练处理,我觉得哎做的中规中矩也就没问题了,这是结果,结果都在这里给我们展示了出来,测试及 上的准确率百分之六十一点七,高不高?嗯,不高,确实不高,对吧?这个也就是说有接近百分之四十的可能性,预测会错误,但是他这里解读了,说比随机预测百分之五十要好一些,仍有提升空间。然后他告诉我几个可能的改进策略, 我看了一下啊,哎,其他模型对吧?呃,模型的参数,网格搜索,特征工程啊,很重要,对吧? 然后更多的数据,这个这就算了,因为我们现在就这点数据啊,哎。然后后面还有这,这句话我觉得写的非常好,不仅仅提高准确率,还要考虑解释性,哎。训练和预测的时间, 我觉得这个回答的从我做继续学习这门课的教师的角度来看啊,这个要是学生每次都能达成这样啊,我该多开心呢,对吧?那么下面我这个提示 你猜是什么?哎,是不是说我选定其中某一种方式,然后让他来照这个方向来做?答案是不是这样啊?既然你给我画了道,那我才不走呢,对吧?我让你来走,我说你能否实施改进策略啊, 并且在同样的测试机上进行测试,你看这句话是干什么?这句话是,既然你有提议好就由你来执行, 那么他给我直接的来说他要做什么?首先他使用梯度提升数模型啊,然后简单的超参数调优啊,把这个 nsd matters 这个参数 以三种不同曲值来进行测试。同时他告诉我们,如果是实际操作,我们应该考虑更复杂的策略,例如网格搜索,对吧?但是他说那花更多计算资源,说白了就是,哼,他不愿意 花那么多钱帮我干这事啊,这个计算资源就是钱呐,这,这个话没说错啊,所以他就开始来干了,这次他把原来的百分之六十一点七的准确率, 就是原始的随机森林模型,现在已经提升到了百分之六十四点九,不仅如此,还有给我提示啊, 哎,现在有一些改进,但是还有其他可能的改进策略,哎。另外就是要考虑相关的一些其他指标,特别是类别不平衡的情况下,要是只看准确率是不对, 我觉得说的非常好,非常好,好,那么这个演示给你做完了,我给你谈谈我的感受啊,我的感受是这样惊艳,真是惊艳的,因为以前啊,这个中间的搬运代码出了问题,再去找他,这,这太麻烦了,对吧?咱是懒人,就不乐意干这些麻。 但是现在这些都不用,你就跟他对话,你就给他布置任务,甚至你让他自己思考自己该做什么任务啊,让他给你干,并且,哎,分析得当,执行流畅,这,这是我给他的评语啊,我觉得这个非常好,那么我推想一下,这意味着什么?有了这样的功能, 现在很多小伙伴是什么呢?拿到数据对吧?这个数据显然是因为他要研究某一个题目,他搜集来的,拿到数据之后他不知道如何分析,哎,这也是前几年你会看到各个学科的人都跑去学拍嗓啊的原因,为什么?因为他们觉得学会了拍嗓或者学会了二啊, 这样就可以让他能够对手头那个数据能够进行合理的分析,并且得出正确的结果。以前呢,是坐拥一座金山,但是呢,他没 没法去把它用起来,哎,他们希望通过这种方式用起来,但是要在从前,你要想把它用起来,你可能得学一门课, 至少你也得买一本相关的书来看,对吧?但是现在你可以把这东西扔给 charge bt, 就是 code interpreter, 它的这样的一个功能,直接把你的数据扔给它,它的分析结果我搂着说啊, 超过入门水平就是你自己去学到入门,你不一定能做到这个程度,这是我给这个东西的评价, 我想给他证个明啊,这个东西我觉得与其强调他的作用方式就是我能在这执行代码,所以我叫 code interpreter, 我觉得呢,更好的一个方式是我强调你能做什么,你的能力,能力在哪?我认为它应该叫做 data analyzer 啊,当, 当然了,你说你这起的就非常的偏颇,对吧?他除了对于你这个种数据的分析啊,比如说这个描述统计,统计推断、构建模型这些东西还能干别的呢?没错没错,但是我觉得要是想把一个功能哎,让大家更快的熟知, 避免很多人拿到这个功能他都不想去用啊,例如我开始的这个错误的这个阶段啊,那么我觉得强调一下他的特色能力, 其实可能更有这样的传播的力度啊。这是我给 oppo ai 官方的一个小建议啊,不知道他们能不能看见,哈哈,好,那么临退出之前别忘了关注我的公众号,玉树之兰 b 站王淑怡老师,哎, 如果你觉得这则视频对你有帮助,欢迎点赞评论转发。我是王淑玉老师,我们下次见。

仅仅用了五 g 代码就把这个职业给干掉了,挺感慨的啊,挺感慨的, 就茶树菇部门,朋友的公司,整个茶树菇部门就被开了。茶树菇这个职业是干嘛的啊?就是当运营需要一些数据的时候,茶树菇会帮助运营去跑一些复杂查询,或者跑一些丝口, 大概就是他会写色扣吗?然后运营,你看你要什么数据啊,我帮你整理啊,帮你去做这个数据的拼接,或者帮你做一些简单的商业分析啊,可以得出一些结论啊。这个部门全部干掉了,原因就是因为这个插件, 而这个插件短短的。这个插件的作者是我的朋友,他只用了四个小时的研发加调制的时间,这个插件就出来了。然后我再跟你们说另外一个被干掉的部门就是原画师,我们 那个成都的一个游戏公司,他们只留了整个原画团队,只留了一个人,就是这个只留了美术总监和这个美术总监,每天干嘛就配合 stabiti focen 去出原画,出概念, 然后稍微精修一下就完事了。这个是发生在我身边两个真实的案例,还有一个马上要被我可以预见被淘汰职业,就是 get up 上有一个小插件,我相信你们应该在最近在各种号能看过这个插件的,这个插件是 在用一体里边,你用自然语意去生成场景,仅仅用了五 g 代码就把这个职业给干掉了,真的是不可想象。这五 g 代码我已经传到星球上了,自己去获取一下。

呃,前两天我们和这个 david otman 就是呢, open a l 的 ceo 有一个会,嗯,他说在十年左右,他说甚至提前每个个人都可以配置一个个人的叉 g、 b d。 那你所有的知识、信息、决策过程都全部是机器帮你做的,人做的就是管理机器的事,人的定位发生变化, 所以我我觉得这个变化是巨大,人对消费、对生产,就未来的数字经济在根本上变化。我们传统的数字经济的这个基础设施是什么?是五 g, 是物联网,嗯,是吧?然后是移动,就是五 g, 支持移动,这是我们做传统,所以国家努力的做五 g, 我们的五 g 占了世界五 g 的一半,我们的物联 往往整个的网点全球领先。但在加 gbt 的时代,那就不是这样了。它第一个是什么?是算力, 你能不能有那么大的算力?而且算力要集中,特别是在美国,现在对我们芯片控制的话,国家就要建算力平台, 就把我们的算力集中起来。那么现在想,比如说这个,这个美国有这个 stability, stability dot com 这样的 做算力平台,但是比较小,我就算力平台会起来,这是一个很重的基础设施。第二个基础设施,数字经济要发展靠什么?靠数据。这就刚才我们这个这个王总讲的 数据,我们做的分析表明到这个,呃,二五年,两年以后,中国是世界上最大的 数据大国,现在的问题就是怎么?如果你要发展数字经济,就得把数据用起来,不但把数据用起来,得把数据变成财富,这个是最关键的。我们现在把数据变成资源,这是不够的,我一直说要把它变成资产,那么现在我们现在有很多推动, 现在这个所有权可以把它放一放,因为一九七八年我们的改革,土地改革从所有权格式开始的非常成功, 联邦计算可以把隐私的问题解决,然后剩下就是怎么把数据集中起来,我我称之为用一个公式的方式信托把它放在一起,大家来用。所以现在我们出台了这个数据二十二十条,我觉得是一个特别重要的文件 出台,我们开始这个建立的数据局国家,是吧?这是特别重要的事情。如果把中国的数 全部动起来,把它用起来,那中国的这个数字经济的发展,那就是那世界上就挡不住了,因为没有中国那么大的数据库。 与此同时呢,如果数据用起来,再做个人的以后的财富的单子,有一大块是从你的数据财富里来的, 我就这又是一个世界根本,你说财富的什么啊?数据财富,因为你的数据在这个数据平台里,别人用了你的数据就要给你付钱。嗯,就说你,你王博明的数据质量比我高,人家都喜欢用你的数据,我著名的数据没人用,所以你的数据可以比我值一百倍, 用一次付一次钱,而且可以用一千年,用数据是可以用一万年的。嗯,所以这就以后就变成了财富,就永恒的存在在一个虚拟的世界里, 嗯,所有这些会在一起,他最终这个平台是什么?是云,嗯,云的基础设施纯属哎, 运算全储,整个的计算工作数据都在原厂,所以整个的国家关于数字经济的基础设施会发生根本的变化,是下一步重大的投资机会。